基于深度卷积神经网络的地震数据断层识别方法

对地震数据进行断层解释一直是油气勘探开发过程中的一项重点工作.传统的断层解释主要是以人机交互方式进行的,效率低,并且人为因素可能增大断层解释结果的不确定性;而常规的断层识别方法则通常需要设置多个控制参数,导致断层识别的结果严重依赖参数设置的准确性.为此,提出一种基于卷积深度神经网络的地震数据断层识别方法,该方法利用Re...     

基于循环一致性对抗网络的地震断层训练样本合成方法研究

为了获得真实的地震断层训练样本,提出了基于循环一致性对抗网络的断层训练样本合成方法。使用随机生成的断层标签与实际断层数据作为输入,利用无监督的对抗网络学习断层标签与断层数据之间的联系,生成与断层标签特征相匹配的地震断层样本,由此得到带有标签的断层训练样本集。该方法是一种获取断层训练样本集的方法,一定程度上解决了深度学习地震断层解释缺少训练数据集的问题。对合成断层样本与真实断层进行平均主频与纹理差异的定量分析,结果表明两者具有较高的相似性。使用合成的断层样本训练神经网络,并将结果应用于实际数据测试并进行对比,结果表明合成的断层训练样本具有真实可靠的特点,所提方法可以针对不同工区生成具有目标导向性的断层,能够灵活有效地应用于不同工区的地震断层智能识别。     

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。     

基于U-Net深度学习网络的地震数据断层检测

断层解释是地震资料解释的关键环节之一.随着人工智能技术的发展,断层的自动、快速识别成为机器学习方法在地球物理领域应用的一个研究热点.目前,断层智能识别还存在着模型训练难度大以及实际资料预测效果不理想等问题.为此,提出一种基于U-Net深度学习网络的地震数据断层检测方法,即在网络结构中结合U-Net和残差模块Res-50...     

联合专家解释样本及正演样本的三维断层自动识别方法

断层解释是油气勘探开发的基础工作之一。近年来,深度学习凭借其强大的数据分析能力,为精细刻画断层空间展布提供了新的技术工具,其应用前提在于如何获取大量可靠的样本数据。与目前最流行的断层正演样本数据相比,实际资料的断层专家解释样本数据存在一定的主观性,通常仅关注目标区域,断层样本标签并不完备。改进后的不完备断层样本标签损失函数将断层分析聚焦于已解释区域,提高了断层专家解释样本数据的可用性;通过对断层专家解释结果的样本数据增强处理,扩充了有效样本数据量;设计构建了联合专家解释样本及正演样本的三维断层自动识别网络结构,并在其中引入自注意力机制,提升了三维断层自动识别网络模型的泛化能力和空间特征分析能力。模型试验及实际应用测试结果表明,三维断层自动识别方法可融入实际断层发育特征,识别结果更符合地质认识,且精度也得到有效提升,从而验证了其可靠性及实用性。     

基于混合神经网络的地震断层自动识别方法

本文提出的断层自动识别方法HCA能够有效改善这一现状。HCA利用混合卷积进行非连续特征提取,然后使用通道注意力机制捕捉断层证据,最后通过ASPP模块进一步提取地震图像的多尺度特征用于断层结果输出。在设计实验中本模型的准确率为0.9502,高于其他模型,能够用于实际地震解释节省时间和人力成本。     

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。     

基于迁移学习的示功图诊断方法

示功图是数字化分析抽油机作业状况的重要依据,不同形状的示功图代表着不同的作业状况。传统分析程序基于专家系统或统计学习方法对示功图进行分析,需要大量专家知识且鲁棒性较低。从深度学习的角度,提出了一种基于深度卷积神经网络的示功图检测方法,并通过迁移学习,大幅度减少了模型收敛所需样本数量。实验表明,该方法可以有效提高示功图分类的准确率,实现了真正的工业可用。     

基于VNet深度学习架构的低序级断层智能识别方法

低序级断层识别是油气勘探开发的重要环节,传统的相干体、谱分解、曲率、蚂蚁体、边缘检测等方法虽然能够提高断层识别的效果和精度,但是对断距较小的低序级断层识别效果不佳。基于人工智能技术的全卷积神经网络(FCN)深度学习方法,为识别低序级断层提供了新的途径。在UNet基础上提出的VNet模型深度学习架构,可以在上、下采样过程中增加信号的感受野,尽可能地在提取大尺度断层信息的同时保留和提取小尺度断层信息。选用正演模拟数据和实际地震数据分别对UNet模型、VNet模型进行测试,通过选择合适的损失函数、迭代次数,优选合适模型权重参数对两者进行模型训练和断层识别效果对比,结果表明,基于VNet模型方法提取的信息更丰富,在识别低序级断层方面更有效。     

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。     

利用模式识别方法解释微小断层

本文介绍了利用模式识别方法（包括模糊综合评判、模糊模式识别、模糊聚类分析、线性模式识别及模糊分段线性模式识别等五种）解释煤层中的微小断层。该方法充分利用地震波动力学特征参数（包括振幅、频率、相位、波形曲率等），将模糊数学理论与模式识别技术应用到地震资料的构造解释中。通过两个矿区的地震资料处理和重新解释，对小断层的分布情况进行了推测，查明了一批新断点（垂直落差均在５ｍ左右），其中部分已被井下地质资料     

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。     

数据增广和主动学习在波阻抗反演中的应用

在实际应用中,深度卷积网络以大量数据驱动模型进行网络训练,以获得地震数据与阻抗之间的映射关系,但需大量合成数据对网络训练后,再应用少量实际数据对网络进行迁移学习.为此,提出了 一种基于数据增广和主动学习的地震波阻抗反演方法.数据增广首先通过同频率重采样对单道原波阻抗数据进行增广,再求取增广后的反射系数和随机核,最后计算...     

基于深度学习的地震断层检测与断面组合

断层解释是油气勘探和开发中的关键步骤,由于采集的三维地震数据体数量增多,人工以及传统方法很难精细化解释数据体中的断层.为了更好地满足目前油气勘探开发对高效、高精度、高分辨率断层解释的迫切需求,研究基于深度学习算法实现地震数据的自动化和智能化断层检测.通过正演模拟的方法生成大量的、多样化的、符合实际情况的训练数据,同时结...     

用人工神经网络实现同相轴自动拾取

利用人工神经网络原理实现同相轴自动拾取包括以下两个方面的内容:①地震波动力学和运动学特征的定量表示;②用于同相轴自动拾取的人工神经网络的基本结构和计算方法的分析。该方法经过实际资料的试验表明,用人工神经网络拾取同相轴具有原理简单、使用方便、适应范围广和准确度较高等优点,是一项值得进一步研究的方法。