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。     

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。     

初至智能拾取技术

地震记录的初至自动拾取一直是复杂地形和表层条件下地震勘探工作的一个难题。为此,提出了初至智能拾取技术,模拟人机交互初至半自动拾取过程进行初至拾取。首先通过改进Coppens的滑动时窗能量比方法进行"好初至波"拾取;然后通过模拟人工辅助线的"架桥"技术获得可用初至波;再采用波峰(谷)相位域追踪技术获得初至波峰点,进一步采用炸药震源初至波起跳点的相位域估算技术获得初至波起跳点。在南方复杂地区,采用自主研发的Hunter初至智能拾取软件对靶区地震资料进行了初至拾取,并与OMEGA商业软件初至自动拾取结果进行了比较。结果表明,初至智能拾取方法及软件不仅能够实现高精度、高命中率的智能化初至拾取,而且能够提供初至时间、初至波周期和初至波品质等更多的信息;在复杂地区低信噪比地震资料中更能体现Hunter初至智能拾取软件的优越性。     

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。     

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。     

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。     

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。     

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。     

基于改进深度学习方法的地震相智能识别

基于深度学习方法的地震相智能识别技术可以大幅度减少人工操作。现有深度学习方法的网络模型只能提取单一接收域下的目标特征,难以获取地震相在剖面上的全局空间分布信息,模型对少数类地震相的边界刻画效果较差,且缺乏对预测结果可靠程度进行评估的手段。针对这些问题,提出一种用于地震相分类识别的深度学习方法：在U-Net模型的末端加入金字塔池化模块以提高模型获取全局信息的能力;采用一种融合交叉熵与Dice指数的目标函数,改善不均衡数据中少数类地震相边界的刻画问题;提出“预测信息熵”的概念用于评估地震相预测结果的不确定性。该研究方法应用于F3工区地震相预测的实验结果表明：改进深度学习方法在地震相预测中具有更高的精度和更良好的边界刻画能力;同时,预测信息熵指标也能够较好地评价预测结果的不确定性。     

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,构建了新的网络——ResU-Net。ResU-Net利用1×1×1卷积核处理特征图像通道数,在减少网络时间复杂度的同时,在原有U-Net基础上扩展了网络的深度,有效提高了网络的运算效率和学习能力,可快速、准确地识别断层。通过合成数据集进行训练和测试,证明ResU-Net具有更小的时间复杂度,并且通过设置合适的网络输入、数据扩充和重叠边界加权处理,解决了实际数据体不规则情况下的断层检测等问题。实际数据应用结果表明,ResU-Net训练模型抗噪能力强,泛化能力强,预测的断层准确性高、连续性好。     

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。     

基于超虚干涉法约束的模糊C均值聚类地震初至自动提取

在静校正和层析成像等地震数据处理中,准确并快速地拾取初至是随后速度结构成像和地震资料综合解释的前提。手动拾取方法难以适用于海量地震数据处理,且存在人为误差。对于低信噪比地震数据,相关法、能量比值法（STA/LTA）、分形维法等常规自动拾取方法需不断调整参数以达到设定拾取精度,导致稳定性变差。为此,提出一种基于超虚干涉（SVI）约束的模糊C均值（FCM）聚类地震初至自动拾取方法。FCM聚类分析是一种非监督的机器学习方法,仅依赖数据本身进行分类,可更灵活、方便地应用于实际地震初至拾取;对于低信噪比数据,须预先利用SVI法加强远炮检距等弱初至信号的能量,提高地震数据的信噪比,以实现地震初至的准确、稳定拾取。理论模型数据和实际地震资料测试结果进一步表明了该方法的稳定性和高效性。     

地震倒谱特征参数谱聚类地震相分析方法

常用的地震相分析方法有随机模拟、神经网络、聚类算法和深度学习等.随机模拟结果易受随机模型影响,而且在地质结构复杂地区难以准确划分地震相.神经网络和深度学习具有较强的容错性和泛化能力,但需要海量训练样本数据,同时训练网络的计算量巨大.K均值聚类、C模糊聚类等经典聚类算法在简单数据集上均获得了理想的聚类结果,但对于非凸数据...     

改进的整体嵌套边缘检测地震断层识别技术

断层解释的精度和效率对油气藏的勘探与开发非常重要。传统的断层解释方法多以人工为主,其依赖解释人员的经验且耗时较长;常规自动断层解释方法主要是分析地震数据的不连续性,往往涉及多个参数,因而断层解释精度多依赖选取的参数。近年来,随着深度学习技术的发展,非线性卷积神经网络能够描述地震数据中的不连续特征。为此,引入深度学习中的边缘检测技术,即整体嵌套边缘检测（Holistically-Nested Edge Detection,HED）网络,并根据地震数据和断层特点对网络结构进行改进和优化,提出适用于地震断层智能解释的改进HED （Improved HED,IHED）网络。主要步骤包括：①将原始二维HED网络推广至三维,搭建三维HED网络; ②根据HED网络的多尺度特点,调整三维HED网络构架; ③利用三维合成地震数据及其标签数据训练得到三维IHED模型,将该模型用于实际地震数据进行断层智能解释。与相干体算法和U-Net模型相比,三维IHED模型对断层预测的准确性更高,连续性更好。该方法为地震断层智能识别提供了一条可靠途径。