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。     

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。     

利用人工神经网络自动拾取地震记录初至

地震记录初至的拾取可作为一个模式识别过程而引和神经网络理论进行分析。本文将一个三层感知器成功地用于地震记录初至拾取。神经网络训练采用误差反向传播算法，其中学习率在学习过程中随着输出节点的误差自动调节，隐层节点在学习过程中可以自动增加，从而加快了训练的速度；同时，也为克服网络陷入局部极小起到一定作用。该法采用了地震峰值，均方根振幅比，信噪比，前后峰值差等五个特征量进行选择。训练后的网络对不同探区的地     

深度学习在中低信噪比地震数据初至拾取中的应用研究

随着地震勘探地区的复杂化和地震装备及采集技术的发展,采集到的中低信噪比地震数据数量急剧增加,传统的初至拾取方法由于效率低、精度差己不能满足资料处理需求。针对这一问题,在充分分析传统语义分割网络方法基础上,提出了一种由编码器和解码器两部分组成的端到端的深度学习网络模型融合自注意力机制的空洞卷积空间金字塔池化(Adaptive Aggregation Net, AANet)。实验结果表明,训练后的网络模型能够高质量地拾取中低信噪比地震数据中的初至时刻,在测试集中的预测评价指标均交并比(Mean Intersection over Union, MIoU)达到99.9%。AANet提高了中低信噪比地震数据初至拾取的精度和效率,有良好应用前景。     

低信噪比地震资料初至自动拾取技术

为提高低信噪比地震资料初至自动拾取的精度,提出了一种联合应用曲波变换与希尔伯特变换进行初至拾取的方法。首先采用基于Wrapping的快速离散曲波变换算法对检波点静校正和线性动校正后的炮域数据进行曲波变换,然后根据随机噪声和有效初至信号的曲波系数在不同尺度不同方向上的分布差异,设置合适的阈值对曲波系数进行"去噪"处理,最后将处理后的曲波系数进行反变换,获得压制随机噪声后的地震记录。利用希尔伯特变换计算各地震道的瞬时振幅,然后利用改进的瞬时强度比公式逐道计算给定的时窗内各采样点的瞬时强度比,最后根据瞬时强度比极大值确定单炮的初至时间。理论数据和实际资料处理结果表明,对于低信噪比地震资料,利用曲波变换法进行去噪后,数据的信噪比得到了提高。结合具有一定抗噪能力的改进型瞬时强度比初至拾取方法,可以有效地提高自动拾取初至的精度,减少人工修改错误初至的工作量,该方法具有一定的实用价值。     

可控震源地震数据初至时间拾取方法

如今中国境内可控震源勘探作业大多采用扫描信号与地震仪器接收信号进行互相关方式获取共炮点道集数据,这一过程通常在野外地震仪器系统上通过硬件完成。对于互相关单炮记录,相关噪声的存在降低了初至波的信噪比,需对单炮记录进行最小相位化处理后拾取初至时间;采用扫描信号或地面力信号对振动记录做反褶积处理,能改善初至波信噪比,使初至起跳更加干脆,从而可提高初至时间拾取精度和静校正精度。在低信噪比地区,宜采用人机交互方式拾取初至,通过改变显示方式等改善初至起跳效果,以提高初至拾取精度和静校正精度。     

可控震源地震记录初至拾取方法研究

可控震源作为一种环保型的激发源已被越来越多地应用于地震数据采集中,但针对可控震源资料初至拾取的研究并不多。由于可控震源的扫描信号为非线性以及可控震源与大地接触不耦合等原因,在可控震源资料上出现"双初至"或"多初至"等现象,造成初至拾取困难。基于可控震源记录相关性好这一特点,提出了一种改进的相关算法——优化相关法,通过不断优化相关模型道来提高初至拾取的精度;同时还提出了一种约束初至拾取方法,根据地表一致性原则进行交互拾取,采用少量人工拾取的初至对相关拾取法进行约束。在可控震源资料初至拾取中,将两种方法相结合,较好地解决了可控震源地震记录的初至拾取问题。     

复杂山前带地震初至拾取方法应用研究

复杂山前带表层结构在纵、横向上变化剧烈,单炮能量弱,背景噪声发育,信噪比低,地震初至难以准确拾取.为了提高初至拾取精度及效率,针对单炮初至难以准确识别及初至拾取范围不明确等问题,开展波动方程正演、可控震源预处理及不同初至范围层析反演分析等方面工作.结果 表明,波动方程正演模拟方法指导地震单炮的初至拾取,可以避免初至漏拾...     

应用图像语义分割网络的微地震事件识别和初至拾取方法

微地震初至精确拾取是目前微地震监测关键环节之一,传统的人工拾取方法耗时长、效率低,在实际应用中容易导致无法及时预警等问题。近年来,基于深度学习的长短期记忆网络模型(LSTM)常用于微地震初至拾取,但在低信噪比环境下拾取准确率较低,且忽视了微地震数据中相邻道初至之间的关联性。针对上述问题,将微地震初至发生前、后看作是图像二分类问题,提出了一种应用图像语义分割网络的微地震事件识别和初至自动拾取方法。应用在矿井中采集的实际微地震数据进行实验,结果表明,对包含岩石破裂、工程爆破等多类型微地震事件,该方法的识别准确率较现有的深度学习方法明显提高,平均拾取误差大幅降低,特别是低信噪比数据的平均拾取误差远小于LSTM法,因而具有良好的实际工程应用价值。     

基于局部相似属性的初至自动拾取

本文提出了一种基于局部相似属性的初至自动拾取方法。首先是由炮记录中的地震道计算其局部互相关相似属性,形成局部相似属性道;然后根据粗略估计的近地表速度和炮检距对炮集中的每一道计算一个初至搜索中心,并以此中心确定每一道的搜索范围;最后将这些局部属性道作为能量比法的输入,计算局部相似属性道的能量比曲线,取搜索范围内能量比曲线的最大值所在位置为初至时刻。模型数据和实际资料试验结果表明,该方法具有一定的抗噪性能,且易于使用。     

基于时频分析的初至拾取方法研究

地震记录的初至拾取是地震资料处理的基础工作,特别是静校正、层析成像等后续处理对初至拾取的精度要求较高。当初至波到达时,其信号的振幅、频率、相位均会发生变化,基于此,提出了一种基于时频分析的初至拾取算法,该算法在噪声判别系数的约束下,利用小波变换时频分析提取信号的瞬时相位谱,然后利用瞬时相位谱的过零点属性拾取初至。为了提高计算效率,在给定时窗内部计算信号的瞬时相位谱,并且利用多个不同的噪声判别系数初至拾取的统计结果确定最终的初至时间。理论信号和实际地震资料处理结果表明,该方法具有较好的抗噪能力,初至拾取的精度比较高。     

基于小波分解与Akaike信息准则的微地震初至拾取方法

微地震震源的定位要求精确确定初至,人工拾取微地震有效事件需要很大的工作量。首先讨论了Akaike信息准则(AIC)初至拾取方法;然后根据微地震信号在相邻小波尺度上连续的特点,将基于AIC的初至拾取方法与小波多尺度分析方法相结合,对微地震资料进行多尺度分析;最后利用AIC拾取初至,并根据初至的分布特点确定地震记录中是否存在有效的微地震事件。克服了传统AIC法由于噪声影响使初至点模糊而难以准确拾取的缺点。模型与实际资料的应用表明,基于小波分解与AIC相结合的初至拾取方法能够从信噪比低的资料中较准确地识别出有效微地震事件。     

基于深度学习的地震速度谱自动拾取方法

为了克服人工拾取地震速度谱效率低、耗时长等缺点,提出了一种基于深度学习的地震叠加速度自动拾取方法。其核心是模仿地震数据处理人员在速度谱上拾取速度的行为和过程,实现叠加速度的自动拾取。将速度谱视为图像,并依据所拾取的"时间-速度"对具有时间序列的特点,设计了一个复杂的能用于速度拾取的卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)模型混合结构神经网络模型。该模型经过训练,可以对输入的速度谱进行自动拾取,并输出"时间-速度"对序列。理论和实际地震数据测试结果表明,相对于基于反演过程的传统速度拾取算法,基于深度学习的地震速度谱自动拾取方法无需附加任何约束和干预,不仅实现了完全自动化的速度拾取,而且具有更高的拾取精度。     

基于小波分解与高阶统计量的微地震初至拾取方法研究

微地震资料的处理、解释首先需要拾取精确的初至信息。微地震初至的人工拾取虽然精度较高,但工作量大,不能满足实时处理的需要。为此,提出了一种基于小波多尺度分解和高阶统计量相结合的长短时窗峰度比(wavelet transform based short time window kurtosis/long time window kurtosis,W-STK/LTK)微地震初至拾取方法。考虑到有效微地震信号频率较低,而噪声信号频率则相对较高,首先对微地震信号进行小波多尺度分解,剥离有效信号与噪声;接着对分解得到的最大尺度信号应用基于高阶统计量的长短时窗峰度比(STK/LTK)算法;最后在分析特征曲线异常点特征的基础上识别微地震有效信号并拾取初至。模型数据和实际资料测试结果表明,该方法能够从信噪比较低的微地震资料中较准确地拾取微地震P波初至。     

利用能量比法拾取地震初至的一种改进方法

介绍了能量比法拾取地震道初至的一种改进方法，即利用时窗滚动来计算能量比值，并从比值特征中判断初至。在以前的计算中是把要计算的地震道划分成许多个时窗，然后逐个求能量比值。由于各道初至的到达有先有后，如果静态地划分时窗，有可能初至到达前后时窗的能量比值并不是最大的，也就是说这时的拾取结果是错误的。但是通过时窗滚动可以多次计算初至前后时窗内的能量比值，经比较得出最佳比值。改进的方法能快速准确地拾取地震道的初至，并且可以提高拾取的精度和稳定性。     

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。     

神经网络在初至折射同相轴拾取和地震道编辑中的应用

已经开发出应用神经网络学习算法进行含噪声地震道编辑和拾取初至折射同相轴的人机交互地震处理系统。我们应用改进的后传神经网络(BNN),以改善 BNN 的收敛速度。通过人工处理员精心选择道编辑或折射拾取的例子,并将这些例子输入 BNN,交互地对 BNN 进行训练,使它能编辑地震数据或拾取初至波。然后,迭代地对网络中的内部权重进行调整,直至它能精确地重复由用户提供的例子。在完成训练之后,BNN 系统就可模仿人工处理员处理新的数据集。合成模拟研究表明,BNN 能应用很多与人类在编辑和拾取地震数据集时所使用的相同的主观性准则。对于质量中等至优良的地震数据,应用基于改良 BNN 的自动道编辑和初至波拾取技术进行道编辑和初至波拾取,其结果与人工处理结果的吻合率达90%～98%。对于二维数据集,其生产率比人工编辑和拾取要提高60%;对于三维数据集,生产率的增长高达800%。基于神经网络的地震处理,不仅能提供一致性良好和高质量的结果,而且处理效益也大为提高。     

神经网络在初至折射同相轴拾取和地震道编辑中的应用

已经开发出应用神经网络学习算法进行含噪声地震道编辑和拾取初至折射同相轴的人机交互地震处理系统。我们应用改进的后传神经网络（ＢＮＮ），以改善ＢＮＮ的收敛速度。通过人工处理员精心选择道编辑或折射拾取的例子，并将这些例子输入ＢＮＮ，交互地对ＢＮＮ进行训练，使它能编辑地震数据或拾取初至波。然后，迭代地对网络中的内部权重进行调整，直至它能精确地重复由用户提供的例子。在完成训练之后，ＢＮＮ系统就可模仿人工处理     

最小二乘曲线拟合的微地震初至优化拾取方法及应用

水力压裂改造中微地震事件具有能量弱、信噪比变化大、干扰源复杂等特点,对微地震信号进行快速精确的初至拾取是微地震实时监测、指导压裂生产急需解决的关键问题。针对微地震事件时窗能量比法拾取精度低、不同信噪比事件适应性差的特点。首先应用能量比法粗略拾取初至位置。然后应用最小二乘曲线拟合法拟合理论曲线,在拟合曲线定义的前、后时窗范围内二次优化拾取初至。通过实际数据测试,并与能量比法对比,验证了本文方法的有效性与可行性。基于最小二乘曲线拟合的微地震初至优化拾取方法能较快速、准确地拾取不同波形特征、不同信噪比的微地震事件初至,有效提高微地震实时定位的准确性与效率。     

综合动量法和可变学习速度的BP神经网络地震初至拾取

为了提高初至拾取精度和效率,研究了BP神经网络初至拾取方法,提出综合动量法和可变学习速度的BP神经网络地震初至拾取方法,其主要原理是对网络权值的更新过程进行改进,当均方根误差在权值更新后超过设定的误差范围,则权值更新取消;在既定的误差范围内,权值更新则被接受,且学习速度发生变化。分析不同地震属性对初至波识别的可行性,选取均方根振幅比、曲线长度比、振幅、频率等4种特征属性进行模型测试,结果表明改进方法的初至拾取效果优于常规BP神经网络方法。实际资料测试验证,改进方法构建的网络结构简单,参数少,收敛速度快,具有较强稳定性和抗噪能力,初至拾取精度高。