[發明專利]一種基于機器學習的地震震相初至識別方法及識別系統

在審

• 申請號: 201811045211.1
• 申請日: 2018-09-07
• 公開（公告）號: CN110889308A
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 孟黎歌;朱凌燕;王婷婷
• 申請（專利權）人: 中國石油化工股份有限公司;中國石油化工股份有限公司石油物探技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京思創畢升專利事務所 11218
• 代理人: 孫向民;廉莉莉

本發明公開了一種基于機器學習的地震震相初至識別方法及識別系統，包括：步驟1：構造訓練樣本，基于訓練樣本進行模型訓練，獲得訓練模型；步驟2：對地震數據進行降噪處理，獲得處理數據；步驟3：基于訓練模型，對處理數據進行震相初至識別；其中，步驟1包括：針對訓練樣本，采用隨機壓縮方法進行采樣，獲得訓練樣本集；采用決策樹算法或者隨機森林算法，基于訓練樣本進行模型訓練。本發明的基于機器學習的地震震相初至識別方法及識別系統，通過構造訓練樣本，對訓練樣本進行模型訓練，獲得訓練模型，基于訓練模型，對進行降噪處理的地震數據進行震相初至識別，能準確、高效地處理大量地震數據，從而實現對地震震相初至時間的準確拾取。

技術領域

本發明屬于地震信號處理領域，具體涉及一種基于機器學習的地震震相初至識別方法及識別系統。

背景技術

在地震學研究中，地震震相初至拾取是基礎而又關鍵的環節，其拾取速度和拾取精度直接影響其在地震精確定位、震相識別、震源機制及破裂過程、地震勘探以及地震層析成像中的應用效率和精度。目前，可以進行震相初至自動檢測的方法有很多，但介于地震信號信噪比低、初動不明顯及噪聲與地震信號頻率相近時等因素，導致初至自動拾取的效果通常都不理想。時域分析方法算法簡單、易于實現，但受地震記錄質量的影響很大，如對信噪比較低且初至不明顯的地震記錄，能量比法的拾取效果很不理想且可能產生誤判、漏判現象；相比時域，頻域分析方法的抗噪能力明顯提高，但其同樣受窗長等參數選擇的影響，一致性不好；綜合分析方法是目前精度較高、一致性較好的一種方法，但通常比較耗時。

因此，特別需要一種高準確度的地震數據識別方法，以保證油氣勘探的正常進行。

發明內容

本發明的目的是提出一種高準確度識別低信噪比地震信號的基于機器學習的地震震相初至識別方法及識別系統。

為了實現上述目的，本發明提供一種基于機器學習的地震震相初至識別方法，包括：步驟1：構造訓練樣本，基于所述訓練樣本進行模型訓練，獲得訓練模型；步驟2：對地震數據進行降噪處理，獲得處理數據；步驟3：基于所述訓練模型，對所述處理數據進行震相初至識別；其中，步驟1包括：針對所述訓練樣本，采用隨機壓縮方法進行采樣，獲得訓練樣本集；采用決策樹算法或者隨機森林算法，基于所述訓練樣本進行模型訓練。

優選的，所述訓練樣本包括正訓練樣本和負訓練樣本，在候選信號中標記所有目標地震信號，將所述目標地震信號作為正訓練樣本，候選信號中的其他非目標地震信號作為負訓練樣本。

優選的，根據特征數量，將所述訓練樣本采用隨機壓縮方法進行采樣獲得訓練樣本集。

優選的，所述步驟2包括：利用小波變換對所述地震數據進行分解，獲得多個頻段波形；根據小波分層閾值法對每個頻段波形對應的系數進行處理；根據處理后的系數重構所述地震數據，獲得處理數據。

優選的，采用Symlets小波基函數對所述地震數據進行分解。

優選的，所述分解的分解層數為3至5層。

優選的，采用隨機森林算法進行模型訓練，采用所述隨機森林算法進行模型訓練包括以下步驟：步驟401：對訓練樣本集進行重采樣，構成多個隨機訓練集；步驟402：根據所述多個隨機訓練集，創建相應的決策樹；步驟403：抽取所述決策樹的屬性構成非葉子節點上的分裂屬性集，完成所述非葉子節點的分裂，獲取更新的決策樹；步驟404：使每棵所述更新的決策樹最大限度地分裂生長，不做修剪，獲取最后的決策樹；步驟405：基于所述最后的決策樹，對所述地震數據進行分類；步驟406：獲取所述地震數據的所屬類別；步驟407：判斷所述地震數據的所屬類別是否正確，若判斷所述地震數據的所屬類別正確，則將所述最后的決策樹作為所述訓練模型；否則，返回步驟401，重新獲取所述訓練模型。

優選的，利用Bootstrap法對所述訓練樣本集進行重采樣，構成多個隨機訓練集。