[發(fā)明專利]一種基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的疊前地震波形分類方法有效
| 申請(qǐng)?zhí)枺?/td> | 201810946436.8 | 申請(qǐng)日: | 2018-08-20 |
| 公開(公告)號(hào): | CN109143353B | 公開(公告)日: | 2019-10-01 |
| 發(fā)明(設(shè)計(jì))人: | 錢峰;魏巍;尹淼;胡光岷 | 申請(qǐng)(專利權(quán))人: | 電子科技大學(xué) |
| 主分類號(hào): | G01V1/30 | 分類號(hào): | G01V1/30 |
| 代理公司: | 成都虹盛匯泉專利代理有限公司 51268 | 代理人: | 王偉 |
| 地址: | 611731 四川省成*** | 國省代碼: | 四川;51 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 卷積 地震波形分類 半監(jiān)督 對(duì)抗 疊前地震數(shù)據(jù) 無標(biāo)簽樣本 標(biāo)簽數(shù)據(jù) 標(biāo)簽網(wǎng)絡(luò) 地震波形 分布特性 損失函數(shù) 特征表示 特征提取 網(wǎng)絡(luò)學(xué)習(xí) 學(xué)習(xí)數(shù)據(jù) 訓(xùn)練樣本 網(wǎng)絡(luò) 分類器 啟發(fā)式 對(duì)疊 精調(diào) 地表 圖像 地震 分類 分析 學(xué)習(xí) | ||
本發(fā)明提供了一種基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的疊前地震波形分類方法,屬于地震相分析領(lǐng)域。本發(fā)明根據(jù)深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)對(duì)疊前地震波形進(jìn)行半監(jiān)督分類,先使用無標(biāo)簽樣本讓網(wǎng)絡(luò)學(xué)習(xí)到疊前地震數(shù)據(jù)的特征,然后用少量有標(biāo)簽網(wǎng)絡(luò)精調(diào)。本發(fā)明能從大量無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)分布特性,具有很好的特征表示能力。相對(duì)于其他半監(jiān)督方法需要使用多個(gè)分類器來增加訓(xùn)練樣本,訓(xùn)練方法更簡單。相對(duì)于其他深度學(xué)習(xí)特征提取方法,無須啟發(fā)式損失函數(shù),也能很好地表征圖像。
技術(shù)領(lǐng)域
本發(fā)明屬于地震相分析領(lǐng)域,特別涉及一種基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的疊前地震波形分類方法。
背景技術(shù)
地震相分析的方法就是通過在劃分地震層序的基礎(chǔ)上,利用各種地震參數(shù)之間的差別以及參數(shù)之間的關(guān)系,將地震層序劃分為不同的區(qū)域,然后再進(jìn)行推斷地質(zhì)結(jié)構(gòu)。地震相分析中應(yīng)考慮的參數(shù)有:反射振幅、主反射頻率、反射極性、層速度、反射連續(xù)性、反射結(jié)構(gòu)、反射豐度、地震相單元幾何、與其它單元的關(guān)系。地震數(shù)據(jù)就是地表檢波器接收到的反射信號(hào),然后,將地震信號(hào)的細(xì)微變化和地下結(jié)構(gòu)信息進(jìn)行映射,該操作可以通過信號(hào)分類技術(shù)來完成。地震相數(shù)據(jù)的解釋可以是直接的,也可以是間接的。直接解釋的目的是找出引起地震相單元地震特征的地質(zhì)原因。所以,直接解釋可能旨在預(yù)測(cè)巖性、孔隙度、流體含量,相對(duì)年齡,超壓頁巖、類型分層,對(duì)應(yīng)的地震相單元及其地質(zhì)背景地質(zhì)體幾何。間接解釋的目的是得出一些關(guān)于沉積過程和環(huán)境、沉積物搬運(yùn)方向和地質(zhì)演化(海侵、消退、沉降、隆起、侵蝕)方面的結(jié)論。除了提供地震相分類,地震信號(hào)分類還可以通過同時(shí)評(píng)估瞬時(shí)屬性,相似性及聲阻抗的和AVO多屬性分析相結(jié)合來更好地表達(dá)地下信息。地震相分析結(jié)果可在地震相剖面和地震相圖上顯示。根據(jù)該區(qū)現(xiàn)有的地震資料和地質(zhì)條件,地震相圖可能有不同的類型,如顯示不同地震相單元分布的一般地震相圖、砂泥巖比圖、交錯(cuò)層理方向圖和古遷移圖等。
疊前地震波是不同方位地表角檢波器接收到的原始反射信號(hào),對(duì)于檢波點(diǎn)都可以利用多重維度的數(shù)據(jù)來進(jìn)行描述地下結(jié)構(gòu)信息。疊前地震信號(hào)和疊后信號(hào)是密切相關(guān)的,疊后信號(hào)是通過疊加已經(jīng)用速度模型“校正”或“遷移”的疊前信號(hào)獲得的。速度模型是從地震時(shí)差中獲得的,其中運(yùn)動(dòng)學(xué)可利用的疊前地震事件(通常是初級(jí)反射)的偏移。因此疊后數(shù)據(jù)量較小,數(shù)據(jù)維度也偏小,失去了原始的信息。如今,大數(shù)據(jù)技術(shù)的快速發(fā)展為疊前信號(hào)的處理提供了充分的技術(shù)支持,從而彌補(bǔ)了以往波形分類算法只能處理疊后信息的不足。
在石油勘探的初期,會(huì)產(chǎn)生大量的的疊前地震數(shù)據(jù),這些數(shù)據(jù)可以通過無監(jiān)督聚類技術(shù)來完成地震相分析,從而映射地下結(jié)構(gòu)信息,進(jìn)而預(yù)測(cè)以及選擇測(cè)井的合理位置。而在獲得一定數(shù)量測(cè)井屬性后,可以結(jié)合測(cè)井?dāng)?shù)據(jù)、巖心等對(duì)地震相校準(zhǔn)。通常使用機(jī)器學(xué)習(xí)中的有監(jiān)督方法,自動(dòng)根據(jù)測(cè)井信息對(duì)儲(chǔ)層數(shù)據(jù)進(jìn)行分類。但是由于測(cè)井?dāng)?shù)據(jù)相對(duì)地震數(shù)據(jù)是稀疏的,測(cè)井?dāng)?shù)據(jù)只能代表局部地質(zhì)信息,在傳統(tǒng)的有監(jiān)督分類方法中,分類結(jié)果往往較差。
發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)中的問題,本發(fā)明提出了一種基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的疊前地震波形分類方法,基于深度學(xué)習(xí)技術(shù),圍繞地震疊前波形的去噪、特征提取、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)等方面進(jìn)行研究,研究出如何使用疊前地震波形更好地生成地震相圖,有效幫助地質(zhì)的解釋工作。
一種基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的疊前地震波形分類方法,包括以下步驟:
步驟1,對(duì)疊前地震數(shù)據(jù)進(jìn)行預(yù)處理,進(jìn)行結(jié)構(gòu)導(dǎo)向?yàn)V波后根據(jù)層位提取樣本數(shù)據(jù),根據(jù)測(cè)井位置選取測(cè)井鄰域數(shù)據(jù)為有標(biāo)簽數(shù)據(jù),其余數(shù)據(jù)為無標(biāo)簽數(shù)據(jù);
步驟2,輸入所述無標(biāo)簽數(shù)據(jù)至深度卷積生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練;
步驟3,將所述深度卷積生成對(duì)抗網(wǎng)絡(luò)中判別器的最后一層替換為softmax分類器,構(gòu)造分類網(wǎng)絡(luò)模型;
步驟4,輸入所述有標(biāo)簽數(shù)據(jù)至所述分類網(wǎng)絡(luò)模型進(jìn)行精調(diào);
步驟5,輸入地震工區(qū)數(shù)據(jù)至精調(diào)后的分類網(wǎng)絡(luò)模型,得到所有樣本的分類結(jié)果和地震相圖。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于電子科技大學(xué),未經(jīng)電子科技大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201810946436.8/2.html,轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
- 卷積運(yùn)算處理方法及相關(guān)產(chǎn)品
- 一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算方法及系統(tǒng)
- 卷積運(yùn)算方法及系統(tǒng)
- 卷積運(yùn)算方法、裝置及系統(tǒng)
- 深度神經(jīng)網(wǎng)絡(luò)裁剪方法、裝置及電子設(shè)備
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法和圖像處理裝置
- 卷積神經(jīng)網(wǎng)絡(luò)及基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法
- 一種圖像處理方法、裝置以及計(jì)算機(jī)存儲(chǔ)介質(zhì)
- 用于卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算裝置
- 基于FPGA實(shí)現(xiàn)圖像識(shí)別的方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 一種安全的半監(jiān)督學(xué)習(xí)方法
- 基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割方法及系統(tǒng)
- 實(shí)現(xiàn)自動(dòng)半監(jiān)督機(jī)器學(xué)習(xí)的方法及裝置
- 基于協(xié)同表示的安全半監(jiān)督超限學(xué)習(xí)機(jī)分類方法
- 基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督X光圖像自動(dòng)標(biāo)注
- 一種基于注意力機(jī)制的甲狀腺結(jié)節(jié)半監(jiān)督分割方法
- 基于自適應(yīng)風(fēng)險(xiǎn)度的安全半監(jiān)督學(xué)習(xí)的腦電信號(hào)識(shí)別方法
- 一種自適應(yīng)確定隱層節(jié)點(diǎn)數(shù)的增量半監(jiān)督超限學(xué)習(xí)機(jī)系統(tǒng)
- 半監(jiān)督語義分割模型訓(xùn)練方法、識(shí)別方法和裝置
- 基于半監(jiān)督深度分類算法的數(shù)據(jù)分類方法、設(shè)備及裝置
- 農(nóng)業(yè)信息對(duì)抗資源目標(biāo)規(guī)劃最優(yōu)分配方法
- 農(nóng)業(yè)信息對(duì)抗資源模糊規(guī)劃最優(yōu)分配方法
- 農(nóng)業(yè)信息對(duì)抗資源線性規(guī)劃最優(yōu)分配方法
- 基于聚類數(shù)據(jù)挖掘的對(duì)抗行為搜索算法
- 面向多種對(duì)抗圖片攻擊的協(xié)同免疫防御方法
- 一種自適應(yīng)對(duì)抗強(qiáng)度的對(duì)抗訓(xùn)練方法
- 對(duì)抗攻擊模型的訓(xùn)練方法及裝置
- 對(duì)抗樣本的生成方法和裝置
- 多樣本對(duì)抗擾動(dòng)生成方法、裝置、存儲(chǔ)介質(zhì)和計(jì)算設(shè)備
- 一種無人集群協(xié)同博弈對(duì)抗的控制方法及系統(tǒng)





