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。     

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。     

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。     

人工智能和视速度约束的地震波初至拾取方法

初至拾取是近地表静校正处理的重要步骤之一.随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题.传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高.在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)...     

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     

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。     

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。     

提高黄土山地区初至自动拾取精度的方法

静校正是地震资料质控、处理的前提和基础,初至波拾取的好坏直接影响静校正效果。随着地震勘探的深入和"两宽一高"方法的推广,如何能快速、准确地拾取初至波成为了野外现场处理面临的最大问题。通过对黄土山地地震资料初至波的分析和研究,提出一种基于最小二乘法的数据算法进行初至拾取的方法并在地震队资料处理中进行了试用。该方法在初至时拾取方面具有明显的优势,可大大提高现场处理员的工作效率和初至波拾取精度。     

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。     

一种实现初至波自动拾取的方法

根据初至波特点，基于数字图像处理技术，提出了应用边缘检测和边缘追踪技术进行初至波自动拾取的方法。该方法的实现过程为：①对地震记录做单道归一化处理；②将地震记录转化为灰度图；③应用边缘检测方法确定初至波的位置；④采用中值滤波处理消除异常点干扰；⑤利用边缘追踪算法拾取初至波。实例表明，应用边缘检测和边缘追踪技术进行初至波自动拾取快速有效。     

Geophysical Prospecting,No.6,1992论文文摘

现在。一种向后传播的神经网络法已成功地用来在噪声背景情况下拾取初至波(初至)。网络输出就是在地震道每个半圆上判断是初至或不是初至的一种方法。输入三维曲线的特性可用来评价神经网络中的特性。曲线在非初至区的初至波的合并和分叉说明,神经网络解是可得的,因此,该特性适于作为网络输入。培训网络用于声波地震数据(可控震源和普尔特震源)的结果证实,具有以下四个特性的成功的自动拾取初至剖面可用作神经网络的输入:(1)半圆的最大振幅;(2)半圆的峰值振幅和以前(或以后)半圆之间的振幅差;(3)前半圆和     

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。     

基于卷积神经网络和叠加速度谱的地震层速度自动建模方法

CMP道集NMO叠加速度分析拾取的时间-速度对不仅受到水平层状介质假设的限制,而且在复杂构造低信噪比数据的适用性方面受到限制。提出了基于卷积神经网络和叠加速度谱的地震层速度自动建模方法,不拾取时间-速度对,而是将速度谱作为神经网络的输入数据,将时间域层速度作为标签数据,通过模拟大量随机速度模型和加入随机噪声建立强化测试集,基于L₁正则化对卷积神经网络进行训练,得到可直接将速度谱映射为时间域层速度的神经网络模型。将时间域层速度作为标签数据可以增强速度谱和速度模型的空间匹配,使得速度谱与速度模型的空间映射更加紧密和有效。将速度谱作为神经网络模型的输入数据,代替了速度谱时间-速度对的拾取,能够较好地克服复杂构造、噪声干扰对速度谱能量团聚焦性的影响。大量随机速度模型和随机噪声强化测试集,增强了深度学习速度建模网络的泛化能力和实用性。模型数据和实际资料测试结果表明,该卷积神经网络模型能够适应复杂低信噪比地震资料的自动速度建模,建模精度与人工拾取结果相当,建模效率提高100倍以上。     

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。     

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。     

基于卷积神经网络的倾角域弹性波逆时偏移噪声压制方法

相比传统的声波逆时偏移方法,弹性波逆时偏移(ERTM)可以提供更多地下结构的物理信息,然而其偏移中的串扰噪声及各种非物理噪声严重降低了成像质量。为了获得更高分辨率的地震成像,介绍了一种在ERTM生成的倾角域成像道集上使用卷积神经网络(CNN)估计叠加孔径,实现稳相叠加从而压制偏移噪声的方法。该方法通过在倾角域识别主要的反射波能量,剔除对成像贡献不大的部分,从而压制了偏移中的各种噪声,提高了ERTM成像质量。CNN是一个端到端的深度学习过程,一旦网络经过训练得到适合权系数和偏置,可以替代人工实现自动拾取。BGP盐丘模型数据和SEG起伏地表模型数据测试结果表明:利用CNN实现自动拾取的算法在只对少量道集拾取并作为标签数据,对神经网络训练后,可较好实现海量道集的自动拾取。基于CNN的倾角域弹性波逆时偏移噪声压制方法效果好、效率高。     

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。     

深度学习图像分类技术在石油管材显微组织分析中的应用

探索了深度学习图像分类技术在油套管和输送管材料显微组织分析中的应用可行性。首先,基于实验室数据收集了油套管、输送管和环焊缝等材料的常见显微组织照片,形成了包含8类典型组织类型的图像分类数据集;随后,选择VGG和残差网络(ResNet)这两种被广泛应用的卷积神经网络(CNN)架构进行研究。在搭建的数据集上对两个模型进行了训练并测试了它们对显微组织的分类能力;最后,研究了不同训练参数和样本容量下两个模型识别性能的变化规律。研究结果表明,VGG和残差网络在显微组织测试数据集上的识别准确率分别为90%和86%;VGG模型在较小数据集上的组织分类性能优于残差网络;二者对贝氏体、铁素体+珠光体和回火索氏体三类组织具有较高的准确率。