基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。     

基于联合对抗深度迁移的轴承故障诊断方法

长期现场监测的滚动轴承大数据往往故障样本较少且受噪声和监测误差的影响，有用故障信息容易淹没在正常样本数据中，特别对于变工况和不同场景下的数据集服从不同分布的问题，如果直接利用基于深度学习的故障诊断方法进行识别，容易造成误判或漏判。为此，提出一种基于联合对抗深度迁移的滚动轴承故障诊断方法。该方法融合了深度学习和迁移学习的各自优点。首先利用具有批量归一化层的卷积神经网络，提取实验室有标签源域数据和现场无标签目标域数据的不变特征，然后通过广义切片Wasserstein距离来度量域间数据的联合分布差异性，并采用softmax激活函数作为域判别器和分类器实现识别。最后通过凯斯西储大学滚动轴承数据集、西安交通大学滚动轴承数据集和现场滚动轴承数据集进行不同诊断方法之间的对比、验证和应用研究。研究结果表明，所提方法在滚动轴承数据集的平均分类准确率能达到99%,相比于其他方法具有更高的分类精度和更好的迁移性能，可为滚动轴承故障诊断提供一种新的有效方法。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。     

基于生成对抗网络的储层地质建模方法研究进展

地下储层地质建模对油气和水资源的开发以及CO2地质封存(CCS)具有重要意义.传统基于地质统计学的建模方法(如基于变差函数或多点统计学的方法)产生的储层地质模型可在一定程度上与地质模式保持一致,但当模式特征变得复杂时,则具有明显的缺陷.深度学习中的生成对抗网络(GANs)能够抽象和再现复杂的空间模式特征,而在许多领域得...     

一种基于RUnet卷积神经网络的地震资料随机噪声压制方法

应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集,使得模型的泛化性受限。为解决泛化性问题,提出一种基于卷积神经网络(CNN)的残差U型网络(RUnet)压制随机噪声的方法。方法的设计思想是在基于卷积神经网络的U型网络(Unet)基础上加入残差块,以增强网络对随机噪声的捕获能力。该方法建立在端到端的编码-解码网络结构上,将含噪声地震数据作为输入,由多个卷积层和残差块提取随机噪声的本质特征,构成编码;再由多个反卷积层和残差块构成解码,网络的输出即为噪声压制后的地震数据。在残差块之后加入批规范化层,采用带泄露整流函数作为非线性因子,提高网络模型对地震资料随机噪声的泛化性和敏感性。在叠后和叠前地震数据实验中将RUnet卷积神经网络方法与小波变换、离散余弦变换、三维块匹配(BM3D)算法和Unet卷积神经网络算法进行去噪效果对比,结果表明,RUnet卷积神经网络方法相比其它4种方法,对随机噪声的压制更有效,并且在一定程度上保护了有效信号。     

构建三维深度监督网络的断层检测方法

地震资料人工解释断层往往具不确定性。随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于卷积神经网络的算法也广泛地应用于断层识别。为此,结合三维U-Net和深度残差网络,引入多层深度监督的机制,构建了一种基于三维深度监督网络的断层检测方法。残差模块的引入能够简化网络的学习目标,降低训练难度,而多层的深度监督能够为网络提供更多的反馈,减轻训练过程中潜在的梯度消失,使解码器子网络能够学习到不同尺度的断层语义信息,可进一步提高断层识别的准确性。理论模型测试和实际地震资料的应用表明,该方法可以有效识别断层位置;与常规U-Net网络相比,减少了小断层的漏识别和错误识别;识别的大断层连续性好,断层细节更丰富,明显提高了断层识别的准确性。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

基于空间—波数域联合深度学习的数值频散压制

有限差分法是地震勘探领域常用的波场数值模拟方法，当空间网格间距大或使用低阶差分算子时会产生严重数值频散现象，影响模拟精度。为此提出一种基于联合学习深度卷积神经网络的数值频散压制方法，该方法使用卷积神经网络自适应提取波场特征进行频散校正。首先，利用波场数据在空间域和波数域的稀疏特征构建残差学习卷积神经网络，提取波场的主要特征；其次，基于L₁范数对网络模型进行稀疏优化，降低模型的复杂度，增加网络的泛化能力；最后，构造联合目标优化函数，使网络在空间—波数域联合约束的语义下学习频散压制的非线性逼近能力。将所提方法应用到不同模型正演的波场数据，结果表明：该方法可有效保护地震信号、压制频散；将网络与迁移学习结合，用于新模型的正演数据，可取得较好效果。与同类算法相比，该方法可以提高粗网格的计算精度、降低计算成本，所得波场快照具有较高的信噪比。     

利用残差网络和地震发射层析成像的微地震事件检测

地震发射层析成像(Seismic emission tomography,SET)是一种适用于地面微地震监测的震源定位方法,该方法利用地面众多站点监测的信号对储层特定范围分层成像,通过图像判定微地震事件并确定震源坐标。传统处理方法通常采用人工看图判断一段信号的SET是否包含有效微地震事件。然而人工判别方法难以完成对海量监测数据的全部处理,无法充分发挥SET方法的优势。针对此问题,采用残差网络对微地震监测数据的SET数据进行处理,实现微地震事件自动识别。首先,利用合成数据和实际油井的水力压裂地面微地震监测数据进行SET,构建SET图像样本数据集;然后对残差网络进行训练和测试,得到事件识别准确率最高的残差网络模型;再使用训练好的残差网络对不同信噪比的合成信号,以及多口油气井的地面微地震监测信号的SET数据进行事件检测。测试结果表明,基于残差网络和SET的方法能够有效检测微地震事件,且具有较强的抗噪能力和泛化能力。     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

基于多分辨率U-Net网络的地震数据断层检测方法

断层检测是地震资料解释的一项重要工作。基于相干体、曲率等属性的常规断层检测方法不够直观,人工手动拾取断层无法高效处理实际生产中的海量地震数据。深度学习网络由于具有强大的特征提取能力和高效的特征表达能力,近年来被广泛应用于地震数据处理和解释中。为此,提出了一种基于多分辨率U-Net网络（MultiResU-Net）的断层检测方法,即引入多分辨率模块增强网络模型的多尺度断层检测能力,使用残差路径代替普通跳跃连接,缩小用于拼接的特征图之间的语义差别。相比于普通U-Net网络,训练完备的多分辨率U-Net网络模型测试结果具有更高的准确度,Jacard指数和Dice系数分别提高了0.027和0.136,并且断层检测错误率降低了0.094。通过网络中间层可视化分析直观地展示了网络模型对地震数据的特征提取、表达过程。将网络扩展到三维并与迁移学习结合后,同样在三维实际地震数据应用中取得了较好的效果。该方法对于实际生产中实现高效、自动化断层检测具有重要意义。     

基于深度卷积生成对抗网络的地震初至拾取

地震记录初至拾取质量往往受限于地震数据的复杂性,在陆地和浅海地震数据中尤为明显。为了更高效地拾取初至,提出了一种基于深度卷积生成对抗网络(DCGAN)的地震数据初至拾取方法,其关键在于构建一个适用于地震数据初至拾取的DCGAN,包含生成器与判别器两部分。生成器由一个全卷积神经网络(FCN)构成,用于学习地震炮集数据到初至波之间的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练。基于DCGAN的初至拾取方法的实现分为三步:数据预处理、网络训练和预测拾取。通过对不同卷积层数的网络结构的对比分析,确定了一个最优的DCGAN结构。一旦DCGAN的训练完成,利用其完成一炮地震数据的初至拾取仅需几秒的时间。将DCGAN方法应用于实际数据初至拾取并与现有初至拾取方法(如长短时窗比(STA/LTA)法和峰度赤池信息量准则(AIC)法)的拾取结果相比较,结果表明基于DCGAN的初至拾取方法的精度更高,能满足生产需要。     

基于循环一致性生成对抗网络的地震数据随机噪声压制方法

压制随机噪声、提高信噪比是地震数据处理中的关键任务。为此,提出一种基于循环一致性生成对抗网络（CycleGAN）的地震数据随机噪声压制方法。构建的CycleGAN由两个生成器和两个判别器构成,为防止网络退化,生成器由Resnet构成,用以学习含噪数据与无噪数据之间的特征映射;为提高网络的分辨率和准确性,选用PatchGAN作为判别器;同时,在传统对抗损失的基础上,添加循环一致性损失,用以提升网络训练的稳定性。完成网络构建后,针对模型数据和实际数据调整网络参数,训练和测试网络,分析去噪前后数据的信噪比和均方根误差;并通过计算单道数据频谱,进一步分析局部去噪效果。模型数据和实际数据测试结果表明,该方法能够较好地消除地震数据中的随机噪声,且去噪效果优于小波阈值去噪方法,从而验证了所提方法的可行性。     

基于深度学习的漏磁检测缺陷识别方法

传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量(轴向、周向、径向)的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t (t为壁厚)的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。     

烷基苯磺酸钠在土壤中的迁移特性

通过室内土柱实验,研究了烷基苯磺酸钠(LAS)在不同迁移时间,不同土壤中的迁移行为,初步探讨了LAS在土壤中的迁移特性。研究结果表明,表层土壤对污染物LAS有较强的截留能力;随着土壤深度的增加,LAS的含量逐渐减少;不同浇灌量时,相同土壤的迁移曲线形状大致相似,LAS浇灌量越多,其迁移深度也越远,各层土壤中LAS的含量也相应增加;浇灌量相同时,不同土壤中LAS影响深度不同,其迁移深度大小顺序为:黄土黑土盐碱土。     

基于CWT-CNN的地震噪声压制研究

随着深度神经网络技术的发展,卷积神经网络(CNN)被越来越多地应用于地震数据的噪声压制中。常规CNN方法一般是在时间域进行,为了提升CNN方法对地震噪声的压制效果,提出了基于连续小波变换(CWT)的CNN地震噪声压制方法。该方法首先将一维时间域信号通过CWT转换为二维时频域信号。然后,在利用CNN对时频谱进行噪声压制时,提出了两种策略：能量谱策略(策略Ⅰ)是将CWT计算的复数矩阵的振幅谱作为CNN的训练样本,保持相位谱不变;复矩阵策略(策略Ⅱ)是将复数矩阵的实部和虚部图谱作为CNN的不同通道分别进行处理。最后,对于CNN的输出结果,利用逆连续小波变换(ICWT)将二维复数矩阵还原成一维地震信号。为了定量地对比方法的效果,提出利用峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)3个指标对比基于两种CWT策略的CNN方法与其它常规滤波(包括低通滤波、小波滤波和中值滤波)方法的噪声压制效果。相较于常规滤波方法,数值实验表明基于CWT策略的CNN方法具有更好的随机噪声和涌浪噪声压制效果。为了提高模型处理地震数据的泛化性,引入迁移学习对预训练模型进行微调。迁移学习的成功应用...     

基于增强卷积神经网络的滚动轴承故障诊断

针对现有深度卷积神经网络(Convolutional Neural Networks, CNN)进行故障特征提取时存在全局特征描述能力不足以及提取特征时注意图权重系数选取上不明确的问题，提出一种特征增强的深度强化学习滚动轴承故障诊断方法。该方法首先将双通道注意力模块(Convolutional Block Attention Module, CBAM)嵌入到CNN中，提取更为重要的隐形特征对滚动轴承不同故障进行有效分类识别，然后将全连接层作为智能体在深度强化学习(Deep Reinforcement Learning, DRL)的Q-learning基础上进行学习，利用DRL的经验回放机制存储智能体和环境交互时的经验数据，通过梯度下降法更新注意力图的权重参数，寻找最佳分类策略，最后通过试验研究验证该方法的有效性。研究结果表明：该方法对轴承数据的故障识别率可达到99.69%。通过对比可知，所提方法比现有的BP、CNN、SE-CNN、CBAM-CNN等常用机器学习方法具有更好的诊断性能和自适应能力。