[發明專利]基于深度學習的地震數據插值處理方法及系統

在審

• 申請號: 201811159314.0
• 申請日: 2018-09-30
• 公開（公告）號: CN110967738A
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 亢永敢;魏嘉;洪承煜;許自龍;龐世明
• 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: G01V1/28
• 分類號: G01V1/28
• 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

1.一種基于深度學習的地震數據插值處理方法，其特征在于，包括：

步驟1：設置神經網絡結構，根據所述神經網絡結構，將按道存儲的地震數據分解為按采樣點存儲的采集點地震數據；

步驟2：設置神經網絡循環次數閾值和誤差控制參數；

步驟3：根據所述神經網絡結構、所述神經網絡循環次數閾值和誤差控制參數，將所述采集點地震數據輸入到所述神經網絡結構，以所述采樣點的振幅值作為輸出的檢驗數據，獲得神經網絡插值參數；

步驟4：根據所述神經網絡插值參數，將缺失數據替代所述采集點地震數據，重復步驟3，獲得缺失數據的振幅值，進而獲得重建數據。

2.根據權利要求1所述的基于深度學習的地震數據插值處理方法，其中，所述神經網絡結構包括一個輸入層、多個中間層與一個輸出層。

3.根據權利要求1所述的基于深度學習的地震數據插值處理方法，其中，所述采集點地震數據包括炮點坐標、檢波點坐標、采樣時間和振幅值。

4.根據權利要求1所述的基于深度學習的地震數據插值處理方法，其中，所述缺失數據包括炮點坐標、檢波點坐標、采樣時間。

5.根據權利要求1所述的基于深度學習的地震數據插值處理方法，其中，所述步驟3包括：

子步驟301：將所述采集點地震數據輸入到所述神經網絡結構，根據插值參數，獲得計算振幅值；

子步驟302：判斷循環次數是否達到，神經網絡循環次數閾值，若是，則以所述插值參數為所述神經網絡插值參數，若否，則進行子步驟303；

子步驟303：計算所述采樣點的振幅值與所述計算振幅值的差值，判斷所述差值是否小于所述誤差控制參數，若是，則以所述插值參數為所述神經網絡插值參數，若否，則調整所述插值參數，重復子步驟301-303。

6.一種基于深度學習的地震數據插值處理系統，其特征在于，該系統包括：

存儲器，存儲有計算機可執行指令；

處理器，所述處理器運行所述存儲器中的計算機可執行指令，執行以下步驟：

步驟1：設置神經網絡結構，根據所述神經網絡結構，將按道存儲的地震數據分解為按采樣點存儲的采集點地震數據；

步驟2：設置神經網絡循環次數閾值和誤差控制參數；

步驟3：根據所述神經網絡結構、所述神經網絡循環次數閾值和誤差控制參數，將所述采集點地震數據輸入到所述神經網絡結構，以所述采樣點的振幅值作為輸出的檢驗數據，獲得神經網絡插值參數；

步驟4：根據所述神經網絡插值參數，將缺失數據替代所述采集點地震數據，重復步驟3，獲得缺失數據的振幅值，進而獲得重建數據。

7.根據權利要求6所述的基于深度學習的地震數據插值處理系統，其中，所述神經網絡結構包括一個輸入層、多個中間層與一個輸出層。

8.根據權利要求6所述的基于深度學習的地震數據插值處理系統，其中，所述采集點地震數據包括炮點坐標、檢波點坐標、采樣時間和振幅值。

9.根據權利要求6所述的基于深度學習的地震數據插值處理系統，其中，所述缺失數據包括炮點坐標、檢波點坐標、采樣時間。

10.根據權利要求6所述的基于深度學習的地震數據插值處理系統，其中，所述步驟3包括：

子步驟301：將所述采集點地震數據輸入到所述神經網絡結構，根據插值參數，獲得計算振幅值；

子步驟302：判斷循環次數是否達到，神經網絡循環次數閾值，若是，則以所述插值參數為所述神經網絡插值參數，若否，則進行子步驟303；

子步驟303：計算所述采樣點的振幅值與所述計算振幅值的差值，判斷所述差值是否小于所述誤差控制參數，若是，則以所述插值參數為所述神經網絡插值參數，若否，則調整所述插值參數，重復子步驟301-303。