CN111382799B - 一种地震断层图像处理方法 - Google Patents
一种地震断层图像处理方法 Download PDFInfo
- Publication number
- CN111382799B CN111382799B CN202010164500.4A CN202010164500A CN111382799B CN 111382799 B CN111382799 B CN 111382799B CN 202010164500 A CN202010164500 A CN 202010164500A CN 111382799 B CN111382799 B CN 111382799B
- Authority
- CN
- China
- Prior art keywords
- data
- seismic
- vae
- tomographic image
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种地震断层图像处理方法,与现有技术相比解决了地震断层图像不清楚、难以进行地震断层解释的缺陷。本发明包括以下步骤:地震断层图像数据集的获取;对地震断层图像数据集进行预处理;构建地震断层图像处理网络;地震断层图像处理网络的训练;获取待处理的地震断层图像数据;地震断层图像的处理。本发明通过少量标注的地震数据生成贴近自然的地质数据,解决了标注的地震数据不足的问题,并利用三维的卷积积分网络对未知数据判断,提高了地震断层识别的效率。
Description
技术领域
本发明涉及地质分析技术领域,具体来说是一种地震断层图像处理方法。
背景技术
地震断层和层位解释一直是地震结构的重要问题,其通过对地质层面施加振动波以模拟出地震现象,形成地震断层图像,从而在三维地震图像中解构地震断层和层位,有利于以直观的形式观察地质结构,在建筑、油气勘测等多个行业有着重要的应用价值。
Peter Bakker于2002年提出采用GPU加速的自适应滤波器实现地震的断层解释,将地质结构分为线性结构、曲线结构、线状曲线结构,并采用不同的滤波器实现地震断层与层位解释,但缺乏对地震数据的预先判定手段,方法缺少整体性,无法满足地震断层解释的实际需要。
随着神经网络技术进入地震断层解释应用,一些基于地震解释的新方法被提供出来。2019年,PraneetDutta等人提出在3D条件下采用GAN实现大规模的地震图像增强,其实现了地震图像的细节补充,用于地震图像增强领域,但方法并没有应用于构建具有特定地震断层特征的训练数据。2019年,伍新明提出了构建地震结构模型训练集,并采用卷积神经网络解释地震结构方法,方法提出了地质结构中折叠、断层的数据生成方法,方法生成训练数据不能完美的演示真实地质结构特征的地震断层信息,方法构建的地震断层解释受数据构造方法影响干扰出现偏差。
基于地震的地下地质结构的探析,往往借助于微地震手段检测地下地质回波信号进行。从微地震传感器接收到的发射源的回波时间、信号的强度、混杂程度等判断地下地质信息。综上所述,其目前常用手段主要有:
1、通过信号强弱能量比判定,但其解释不强;
2、PeterBakker构建了一组滤波器分别对应于不同的地震结构,从而判断出地震断层信息,但方法需要对地下地震结构首先预判,进而采用合适的滤波器进行处理,因而方法比较离散,缺少统一的方法;
3、PraneetDutta提出采用GAN网络实现地震图像数据的细节补充,从而推测出更细致的三维地质图像,但方法并没用于发现地震断层,从而不能做出有效地震解释;
4、伍新明提出了用公式推导的地下地震结构训练数据,进而用CNN进行地震图像的分析与解释,但与自然构造相比,其方法不能完美的模拟地下断层数据,因而其训练方法受其公式引导影响较大,容易产生过拟合。
同时,地震断层图像在实际应用中存在模糊不清晰的问题,但地震断层图像由于其特殊性存在以下问题:
1、地震数据资料庞大,大量的断层识别需要通过专业技能人工识别,因此判图、识图的工作量巨大,传统的人工识别无法完成相应图像处理工作;
2、地震数据能够识别出断层特征的数据较少,因此通过已有标注数据对神经网络训练变得困难重重。
因此,如何对地震断层图像进行有效处理,使其能够进行地震断层解释已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中地震断层图像不清楚、难以进行地震断层解释的缺陷,提供一种地震断层图像处理方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种地震断层图像处理方法,包括以下步骤:
11)地震断层图像数据集的获取:获取地震断层图像数据集,地震断层图像数据集包括线性地质断层结构图像、曲线地质断层结构图像、线性曲面断层地质结构图像、层次地质结构图像;
12)对地震断层图像数据集进行预处理:对地震断层图像数据集按X-T方向进行切线,形成数据立方体,设定64*64*64的立方体作为滑动窗口;
13)构建地震断层图像处理网络:利用VAE和CNN构建地震断层图像处理网络,其中VAE为生成器,CNN作为评判器,经过多轮迭代后,使得VAE端的输出接近于自然的地震数据;构建VAE编码层:通过VAE编码层生成初步的地震断层图像,用于评判器的输入数据;利用CNN网络构建地震断层图像处理网络的评判器;
14)地震断层图像处理网络的训练:将预处理的地震断层图像数据集输入地震断层图像处理网络进行训练;
15)获取待处理的地震断层图像数据:获得待处理的地震断层图像数据,并对其进行预处理;
16)地震断层图像的处理:将预处理后的待处理地震断层图像数据送入训练后的地震断层图像处理网络,生成处理后的地震断层图像数据。
所述的构建VAE编码层包括以下步骤:
21)对于每个变量分别计算x[x,t,y]在滑动窗口内的均值μ和方差σ,
其中,x、y分别表示地平面X、Y轴坐标,t表示收到信号回波的时间;
22)构建x的正态分布空间Z,将z初始值为x平均值,其表达式如下:
取z构成Z空间;
23)构建KL散度函数用于测量Z空间偏离情况,其表达式如下:
其中,μ,σ分别表示x在滑动窗口内的均值和方差;
24)用sigmoid作为激活函数搭建解码器神经网络,
26)VAE损失函数为:LVAE=LKL+Lenx,其中,LKL为步骤23)计算出的VAE的Z空间偏离情况;
对VAE输出计算置信率,对采样空间各值z计算置信率D(z)、D(x)、D(z)作为计算评判器损失函数的准备函数。
所述利用CNN网络构建生成对抗网络的评判器,其评判过程如下:
31)取VAE输出作为CNN输入,以窗口内x值、x方向坐标梯度、t方向坐标梯度、x-y方向光流梯度、t-y方向光流梯度作为数据通道,其中光流梯度采用Lucas–Kanade光流算法;
32)构建CNN层,各层采用全连接方式,卷积核采用4*4*4卷积核,各层之间采用ReLU作为激活函数连接,最终输出采用Sigmoid作为激活函数;
33)计算VAE-GAN网络损失函数如下,获取LVAE、D(x)、D(z)值,α1为经验参数,其表达式如下:
L=L3DGAN+α1LVAE,
L3DGAN=logD(x)+log(1-D(z)),
34)用上述损失函数修订VAE生成网络的输入X,构成基于VAE、CNN的地震断层图像处理网络。
所述地震断层图像处理网络的训练包括图像生成步骤和训练步骤,其具体步骤如下:
41)设定若干份具有一定特征的地质断层数据资料作为正向训练,一部分不包含特征数据做反向训练数据,采用数据立方体作为滑动采样立方体,对该数据资料进行滑动采样;
43)分别按照x方向、y方向、z方向滑动采样立方体,重复步骤41)、42)过程,直到完成原始数据资料扫描,并生成同样数据维度的具有相同特征的新的地震断层图像资料;
44)设定具备特定特征的原始资料、经过步骤42)、43)产生的具有同样特征的数据资料组为正向训练样本,不具备特征的数据作为反向训练样本;
45)对地震断层图像处理网络的评价器即CNN网络进行训练,通过损失函数调整网络各层权重,经过多轮迭代,等权重的变化趋于一致,CNN网络保留训练过的信息;
46)利用训练好的CNN网络对未分类数据判别,判断数据特征。
有益效果
本发明的一种地震断层图像处理方法,与现有技术相比通过少量标注的地震数据生成贴近自然的地质数据,解决了标注的地震数据(训练数据)不足的问题,并利用三维的卷积积分网络对未知数据判断,提高了地震断层识别的效率。
本发明采用基于VAE+GAN的对抗生成网络对自然数据进行模拟,并采用网络中3D-CNN网络对地震数据分类与判断,从而得出与自然结构相似的训练数据;经过分类后采用构建的滤波器进行数据解释,解决地震训练数据不足、方法缺少统一性的问题;且方法基于神经网络,避免了大量的数学构建,降低了相关领域的研究强度。
本发明采用了基于GAN的三维地质数据构造方法,能够模拟不同特征的自然地质断层三维数据,从而产生更接近真实自然地质数据;具有导向性的生成地震数据更客观地解决了CNN网络的训练数据的标注问题,从而保证了CNN网络学习结构更加可靠以及适应特征。
附图说明
图1为本发明的方法顺序图;
图2为本发明中地震断层图像切线滑动窗口示意图;
图3为本发明中地震断层图像切线图;
图4为本发明中地震断层图像处理网络的结构示意图;
图5为本发明中VAE网络的结构示意图;
图6为本发明中CNN网络的结构示意图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种地震断层图像处理方法,包括以下步骤:
第一步,地震断层图像数据集的获取:获取地震断层图像数据集,地震断层图像数据集包括线性地质断层结构图像、曲线地质断层结构图像、线性曲面断层地质结构图像、层次地质结构图像等。
第二步,对地震断层图像数据集进行预处理。如图2和图3所示,对地震断层图像数据集按X-T方向进行切线,形成数据立方体,设定64*64*64的立方体作为滑动窗口。在此,将滑动窗口数据作为数据输入,在经过多轮迭代后,产生同样大小的数据,用以生成数据填充新的数据资料。
第三步,构建地震断层图像处理网络。
如图4所示,利用VAE和CNN构建地震断层图像处理网络,其中VAE为生成器,CNN作为评判器,经过多轮迭代后,使得VAE端的输出接近于自然的地震数据。
如图5所示,构建VAE编码层:通过VAE编码层生成初步的地震断层图像,用于评判器的输入数据。VAE编码层用于建立初步的地震数据,其输出接近于正态分布,自然接近地震数据的构造特征。
利用CNN网络构建地震断层图像处理网络的评判器。由于VAE编码与自然数据相比存在一定程度的偏离,采用三维CNN能够利用其隐含层保留自然地震数据结构特征,因此可用于对VAE编码生成数据作进一步修正。
其中,构建VAE编码层的具体步骤如下:
(1)对于每个变量分别计算x[x,t,y]在滑动窗口内的均值μ和方差σ,
其中,x、y分别表示地平面X,Y轴坐标,t表示收到信号回波的时间;
(2)构建x的正态分布空间Z,将z初始值为x平均值,其表达式如下:
取z构成Z空间;
(3)构建KL散度函数用于测量Z空间偏离情况,其表达式如下:
其中,μ,σ分别表示x在滑动窗口内的均值和方差;
(4)用sigmoid作为激活函数搭建解码器神经网络,
(6)VAE损失函数为:LVAE=LKL+Lenx,其中,LKL为上述步骤(3)计算出的VAE的Z空间偏离情况;
对VAE输出计算置信率,对采样空间各值z计算置信率S(z)、D(x)、D(z)作为计算评判器损失函数的准备函数。
其中,如图6所示,利用CNN网络构建生成对抗网络的评判器的评判过程如下:
(1)取VAE输出作为CNN输入,以窗口内x值、x方向坐标梯度、t方向坐标梯度、x-y方向光流梯度、t-y方向光流梯度作为数据通道,其中光流梯度采用Lucas–Kanade光流算法;
(2)构建CNN层,各层采用全连接方式,卷积核采用4*4*4卷积核,各层之间采用ReLU作为激活函数连接,最终输出采用Sigmoid作为激活函数;
(3)计算VAE-GAN网络损失函数如下,获取LVAE、D(x)、D(z)值,α1为经验参数,此处为6,其表达式如下:
L=L3DGAN+α1LVAE,
L3DGAN=logD(x)+log(1-D(z)),
(4)用上述损失函数修订VAE生成网络的输入X,构成基于VAE、CNN的地震断层图像处理网络。
第四步,地震断层图像处理网络的训练:将预处理的地震断层图像数据集输入地震断层图像处理网络进行训练。在此,地震断层图像处理网络的训练包括图像生成步骤和训练步骤,其具体步骤如下:
(1)准备若干份具有一定特征的地质断层数据资料作为正向训练,一部分不包含特征数据做反向训练数据,采用数据立方体作为滑动采样立方体,对该数据资料进行滑动采样;
(3)分别按照x方向、y方向、z方向滑动采样立方体,重复上述步骤过程,直到完成原始数据资料扫描,并生成同样数据维度的具有相同特征的新的地震断层图像资料;
(4)设定具备特定特征的原始资料、经过上述步骤(2)、(3)产生的具有同样特征的数据资料组为正向训练样本,不具备特征的数据作为反向训练样本;
(5)对地震断层图像处理网络的评价器即CNN网络进行训练,通过损失函数调整网络各层权重,经过多轮迭代,等权重的变化趋于一致,CNN网络保留训练过的信息;
(6)利用训练好的CNN网络对未分类数据判别,判断数据特征。
第五步,获取待处理的地震断层图像数据:获得待处理的地震断层图像数据,并对其进行预处理。
第六步,地震断层图像的处理:将预处理后的待处理地震断层图像数据送入训练后的地震断层图像处理网络,生成处理后的地震断层图像数据。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种地震断层图像处理方法,其特征在于,包括以下步骤:
11)地震断层图像数据集的获取:获取地震断层图像数据集,地震断层图像数据集包括线性地质断层结构图像、曲线地质断层结构图像、线性曲面断层地质结构图像、层次地质结构图像;
12)对地震断层图像数据集进行预处理:对地震断层图像数据集按X-T方向进行切线,形成数据立方体,设定64*64*64的立方体作为滑动窗口;
13)构建地震断层图像处理网络:利用VAE和CNN构建地震断层图像处理网络,其中VAE为生成器,CNN作为评判器,经过多轮迭代后,使得VAE端的输出接近于自然的地震数据;构建VAE编码层:通过VAE编码层生成初步的地震断层图像,用于评判器的输入数据;利用CNN网络构建地震断层图像处理网络的评判器;
14)地震断层图像处理网络的训练:将预处理的地震断层图像数据集输入地震断层图像处理网络进行训练;
15)获取待处理的地震断层图像数据:获得待处理的地震断层图像数据,并对其进行预处理;
16)地震断层图像的处理:将预处理后的待处理地震断层图像数据送入训练后的地震断层图像处理网络,生成处理后的地震断层图像数据。
2.根据权利要求1所述的一种地震断层图像处理方法,其特征在于,所述的构建VAE编码层包括以下步骤:
21)对于每个变量分别计算x[x,t,y]在滑动窗口内的均值μ和方差σ,
其中,x、y分别表示地平面X、Y轴坐标,t表示收到信号回波的时间;
22)构建x的正态分布空间Z,将z初始值为x平均值,其表达式如下:
取z构成Z空间;
23)构建KL散度函数用于测量Z空间偏离情况,其表达式如下:
其中,μ,σ分别表示x在滑动窗口内的均值和方差;
24)用sigmoid作为激活函数搭建解码器神经网络,
26)VAE损失函数为:LVAE=LKL+Lenx,其中,LKL为步骤23)计算出的VAE的Z空间偏离情况;
对VAE输出计算置信率,对采样空间各值z计算置信率D(z)、D(x)、D(z)作为计算评判器损失函数的准备函数。
3.根据权利要求1所述的一种地震断层图像处理方法,其特征在于,所述利用CNN网络构建生成对抗网络的评判器,其评判过程如下:
31)取VAE输出作为CNN输入,以窗口内x值、x方向坐标梯度、t方向坐标梯度、x-y方向光流梯度、t-y方向光流梯度作为数据通道,其中光流梯度采用Lucas–Kanade光流算法;
32)构建CNN层,各层采用全连接方式,卷积核采用4*4*4卷积核,各层之间采用ReLU作为激活函数连接,最终输出采用Sigmoid作为激活函数;
33)计算VAE-GAN网络损失函数如下,获取LVAE、D(x)、D(z)值,α1为经验参数,其表达式如下:
L=L3DGAN+α1LVAE,
L3DGAN=logD(x)+log(1-D(z)),
34)用上述损失函数修订VAE生成网络的输入X,构成基于VAE、CNN的地震断层图像处理网络。
4.根据权利要求1所述的一种地震断层图像处理方法,其特征在于,所述地震断层图像处理网络的训练包括图像生成步骤和训练步骤,其具体步骤如下:
41)设定若干份具有一定特征的地质断层数据资料作为正向训练数据,一部分不包含特征数据做反向训练数据,采用数据立方体作为滑动采样立方体,对该数据资料进行滑动采样;
43)分别按照x方向、y方向、z方向滑动采样立方体,重复步骤41)、42)过程,直到完成原始数据资料扫描,并生成同样数据维度的具有相同特征的新的地震断层图像资料;
44)设定具备特定特征的原始资料、经过步骤42)、43)产生的具有同样特征的数据资料组为正向训练样本,不具备特征的数据作为反向训练样本;
45)对地震断层图像处理网络的评价器即CNN网络进行训练,通过损失函数调整网络各层权重,经过多轮迭代,等权重的变化趋于一致,CNN网络保留训练过的信息;
46)利用训练好的CNN网络对未分类数据判别,判断数据特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164500.4A CN111382799B (zh) | 2020-03-11 | 2020-03-11 | 一种地震断层图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164500.4A CN111382799B (zh) | 2020-03-11 | 2020-03-11 | 一种地震断层图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382799A CN111382799A (zh) | 2020-07-07 |
CN111382799B true CN111382799B (zh) | 2023-04-28 |
Family
ID=71221635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010164500.4A Active CN111382799B (zh) | 2020-03-11 | 2020-03-11 | 一种地震断层图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382799B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2909286A1 (en) * | 2013-05-15 | 2014-11-20 | Landmark Graphics Corporation | Stratigraphic seismic traces to interpret geological faults |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8213261B2 (en) * | 2008-05-22 | 2012-07-03 | Exxonmobil Upstream Research Company | Method for geophysical and geological interpretation of seismic volumes in the domains of depth, time, and age |
-
2020
- 2020-03-11 CN CN202010164500.4A patent/CN111382799B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2909286A1 (en) * | 2013-05-15 | 2014-11-20 | Landmark Graphics Corporation | Stratigraphic seismic traces to interpret geological faults |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
Non-Patent Citations (3)
Title |
---|
华岗 ; 刘芳 ; 林海 ; 孙劲光 ; .地震数据的多属性三边滤波算法.计算机辅助设计与图形学学报.2011,(06),全文. * |
宋建国 ; 孙永壮 ; 任登振 ; .基于结构导向的梯度属性边缘检测技术.地球物理学报.2013,(10),全文. * |
聂妍 ; .潜山微小断层的表征方法.中国科技论文.2019,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111382799A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11397272B2 (en) | Data augmentation for seismic interpretation systems and methods | |
US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
US11521122B2 (en) | Automated seismic interpretation systems and methods for continual learning and inference of geological features | |
US20200183032A1 (en) | Training machine learning systems for seismic interpretation | |
US11435498B2 (en) | Subsurface models with uncertainty quantification | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
CN113792685B (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
US20210262329A1 (en) | Method for Generating Initial Models For Least Squares Migration Using Deep Neural Networks | |
CN115308799B (zh) | 一种地震成像游离气构造识别方法及*** | |
CN112731522A (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及*** | |
Xie et al. | First-break automatic picking with fully convolutional networks and transfer learning | |
CN103854015B (zh) | 基于联合稀疏描述的多姿态三维人脸识别方法 | |
Li et al. | Reconstructing the 3D digital core with a fully convolutional neural network | |
CN111382799B (zh) | 一种地震断层图像处理方法 | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
Pu et al. | Application of deep learning in first break picking of seismic data | |
Zhao et al. | Direct seismic waveform classification and first-break picking based on fully convolutional networks from shot gathers with missing traces | |
CN110794469A (zh) | 基于最小地质特征单元约束的重力反演方法 | |
CN110488350B (zh) | 基于卷积神经网络的地震反演大数据生成方法 | |
Gai et al. | Research on Seismic Exploration Velocity Modeling Based on Deep Learning | |
Wu et al. | Convolutional-neural-network-based reflection-waveform inversion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |