CN112415583A - 地震数据的重建方法、装置、电子设备及可读存储介质 - Google Patents

地震数据的重建方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112415583A
CN112415583A CN202011233514.3A CN202011233514A CN112415583A CN 112415583 A CN112415583 A CN 112415583A CN 202011233514 A CN202011233514 A CN 202011233514A CN 112415583 A CN112415583 A CN 112415583A
Authority
CN
China
Prior art keywords
seismic data
deep learning
reconstruction
parameter
learning 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.)
Pending
Application number
CN202011233514.3A
Other languages
English (en)
Inventor
唐欢欢
毛伟建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Precision Measurement Science and Technology Innovation of CAS
Original Assignee
Institute of Precision Measurement Science and Technology Innovation of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Precision Measurement Science and Technology Innovation of CAS filed Critical Institute of Precision Measurement Science and Technology Innovation of CAS
Priority to CN202011233514.3A priority Critical patent/CN112415583A/zh
Publication of CN112415583A publication Critical patent/CN112415583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/616—Data from specific type of measurement
    • G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请提供了地震数据的重建方法、装置、电子设备及可读存储介质，所述重建方法包括：基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。这样，通过构建地震数据重建模型，完成对地震数据的重建，有助于提高地震数据重建准确率和精度。

Description

地震数据的重建方法、装置、电子设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，尤其是涉及地震数据的重建方法、装置、电子设备及可读存储介质。
背景技术
随着科学技术的飞速发展，越来越多的勘测技术被运用到对油气的预测过程中，地球物理勘探就是其中的一种，通过研究和观测各种地球物理场的变化来探测地层岩性、地质构造等地质条件，从而推断地质性状，进而对油气进行预测，在地球物理勘探中，地震勘探是最有效最重要的一种方式，但是在地震勘探的地震数据采集过程中，受到禁采区、障碍物以及采集成本等限制会导致数据缺失或数据稀疏，不完整的地震数据不仅会使共中心点叠加覆盖次数不均，还会引起空间假频影响表面多次波压制和偏移成像结果的准确性，以此如何对不完整的地震数据进行重建，得到完整的地震数据是亟需解决的问题。
现阶段，随着数学理论和计算机技术的不断发展，地震数据重建方法也得到了丰富和完善，傅里叶(Fourier)变换、分窗技术、拉东(Radon)变换等数学方法均被广泛应用到地震数据重建过程中，上述数学方法均是解决如何用线性反演策略进行数据重建方面的问题，要求地震数据具有同相轴线性、抛物型、在变换域具备稀疏性以及准确的地下介质速度信息等，但是在实际应用过程中，获取到的地震数据很难完全满足上述条件，再利用上述方法进行地震数据重建准确率和精度较低。
发明内容
有鉴于此，本申请的目的在于提供地震数据的重建方法、装置、电子设备及可读存储介质，通过构建地震数据重建模型，完成对地震数据的重建，有助于提高地震数据重建准确率和精度。
本申请实施例提供了一种地震数据的重建方法，所述重建方法包括：
基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；
基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；
基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；
将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
进一步的，所述基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型，包括：
将获取到的待重建地震数据输入至构建好的深度学习网络中，得到初始重建数据；
检测所述初始重建数据中的每个元素与对应的标签元素之间的差值是否小于预设误差阈值；
若所述初始重建数据中存在元素与对应的标签元素之间的差值不小于预设误差阈值，基于所述归一化误差函数对所述构建好的深度学习网络进行迭代调优训练，当输出的重建数据中的每个元素与对应的标签元素之间的差值均小于预设误差阈值时，确定所述构建好的深度学习网络调优训练完毕，得到训练好的地震数据重建模型。
进一步的，在所述基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型之前，所述重建方法还包括：
获取预设地域范围内的待重建样本数据；
将所述待重建样本数据包括的每一个元素进行归一化处理，得到对应的归一化地震数据；
按照预设窗口大小，将所述归一化地震数据按照采集时间以及接收道进行时空分窗处理，得到划分后的样本地震数据。
进一步的，所述基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络，包括：
确定深度学习网络结构，其中，所述深度学习网络结构包括三层神经网络；
基于所述获取的待重建地震数据的地域范围的地质属性，初始化每两层神经网络之间的多个参数以及多个传输函数，确定构建好的深度学习网络。
进一步的，通过以下步骤对所述构建好的深度学习网络进行训练：
基于所述初始重建数据中的每个元素与对应的标签元素之间的均方误差，确定每两层神经网络之间的至少一个待更新参数；
针对每一个待更新参数，基于所述归一化误差函数，确定该待更新参数对应的参数梯度向量；
针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数；
当与每个待更新参数对应的目标更新参数均确定结束后，确定对所述构建好的深度学习网络训练结束。
进一步的，所述针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数，包括：
将待更新参数作为输入参数代入至修正函数中，得到迭代后的参数梯度向量；
基于迭代后的参数梯度向量，对所述待更新参数进行更新，得到更新后的更新参数；
将所述更新后的更新参数再次代入至所述修正函数，经过预设次数的迭代更新，得到目标更新参数。
进一步的，通过以下步骤确定标签元素：
确定所述待重建地震数据中的每两个相邻元素之间对应的样条函数；
基于确定出的多个样条函数，确定所述待重建地震数据对应的插值函数，并基于所述插值函数确定每个元素对应的标签元素。
本申请实施例还提供了一种地震数据的重建装置，所述重建装置包括：
网络构建模块，用于基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；
函数构建模块，用于基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；
模型确定模块，用于基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；
数据重建模块，用于将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
进一步的，所述模型确定模块在用于基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型时，所述模型确定模块用于：
将获取到的待重建地震数据输入至构建好的深度学习网络中，得到初始重建数据；
检测所述初始重建数据中的每个元素与对应的标签元素之间的差值是否小于预设误差阈值；
若所述初始重建数据中存在元素与对应的标签元素之间的差值不小于预设误差阈值，基于所述归一化误差函数对所述构建好的深度学习网络进行迭代调优训练，当输出的重建数据中的每个元素与对应的标签元素之间的差值均小于预设误差阈值时，确定所述构建好的深度学习网络调优训练完毕，得到训练好的地震数据重建模型。
进一步的，所述重建装置还包括数据处理模块，所述数据处理模块用于：
获取预设地域范围内的待重建样本数据；
将所述待重建样本数据包括的每一个元素进行归一化处理，得到对应的归一化地震数据；
按照预设窗口大小，将所述归一化地震数据按照采集时间以及接收道进行时空分窗处理，得到划分后的样本地震数据。
进一步的，所述网络构建模块在用于基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络时，所述网络构建模块用于：
确定深度学习网络结构，其中，所述深度学习网络结构包括三层神经网络；
基于所述获取的待重建地震数据的地域范围的地质属性，初始化每两层神经网络之间的多个参数以及多个传输函数，确定构建好的深度学习网络。
进一步的，所述模型确定模块用于通过以下步骤对所述构建好的深度学习网络进行训练：
基于所述初始重建数据中的每个元素与对应的标签元素之间的均方误差，确定每两层神经网络之间的至少一个待更新参数；
针对每一个待更新参数，基于所述归一化误差函数，确定该待更新参数对应的参数梯度向量；
针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数；
当与每个待更新参数对应的目标更新参数均确定结束后，确定对所述构建好的深度学习网络训练结束。
进一步的，所述模型确定模块在用于针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数时，所述模型确定模块用于：
将待更新参数作为输入参数代入至修正函数中，得到迭代后的参数梯度向量；
基于迭代后的参数梯度向量，对所述待更新参数进行更新，得到更新后的更新参数；
将所述更新后的更新参数再次代入至所述修正函数，经过预设次数的迭代更新，得到目标更新参数。
进一步的，所述重建装置还包括标签确定模块，所述标签确定模块用于：
确定所述待重建地震数据中的每两个相邻元素之间对应的样条函数；
基于确定出的多个样条函数，确定所述待重建地震数据对应的插值函数，并基于所述插值函数确定每个元素对应的标签元素。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的地震数据的重建方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的地震数据的重建方法的步骤。
本申请实施例提供的地震数据的重建方法、装置、电子设备及可读存储介质，基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
这样，根据获取待重建的地震数据的地域范围的地质属性，构建深度学习网络，根据构建好的网络结构以及深度学习网络中的多个初始参数，构建归一化误差函数；基于多个样本地震数据以及归一化误差函数对构建好的深度学习网络进行训练，得到训练好的地震数据重建模型，将待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据，从而提高地震数据重建准确率和精度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种地震数据的重建方法的流程图；
图2为地震数据重建模型的训练过程示意图；
图3为本申请另一实施例提供的地震数据的重建方法的流程图；
图4为BP神经网络结构；
图5为均方误差训练函数训练结果曲线；
图6为归一化均方误差训练函数训练结果曲线；
图7(a)为缺失数据示意图；
图7(b)为BP模型用均方误差训练函数重建结果剖面示意图；
图7(c)为BP模型用归一化均方误差训练函数重建结果示意图；
图7(d)为第98道原始数据示意图；
图7(e)为均方误差训练函数重建第98道数据示意图；
图7(f)为归一化均方误差训练函数重建第98道数据示意图；
图8为本申请实施例所提供的一种地震数据的重建装置的结构示意图之一；
图9为本申请实施例所提供的一种地震数据的重建装置的结构示意图之二；
图10为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于数据处理技术领域，随着科学技术的飞速发展，越来越多的勘测技术被运用到对油气的预测过程中，地球物理勘探就是其中的一种，通过研究和观测各种地球物理场的变化来探测地层岩性、地质构造等地质条件，从而推断地质性状，进而对油气进行预测，在地球物理勘探中地震勘探是最有效最重要的一种方式，但是在地震勘探的地震数据采集过程中，受到禁采区、障碍物以及采集成本等限制会导致数据缺失或数据稀疏，不完整的地震数据不仅会使共中心点叠加覆盖次数不均，还会引起空间假频影响表面多次波压制和偏移成像结果的准确性，以此如何对不完整的地震数据进行重建，得到完整的地震数据是亟需解决的问题。
经研究发现，随着数学理论和计算机技术的不断发展，地震数据重建方法也得到了丰富和完善，傅里叶(Fourier)变换、分窗技术、拉东(Radon)变换等数学方法均被广泛应用到地震数据重建过程中，上述数学方法均是解决如何用线性反演策略进行数据重建方面的问题，要求地震数据具有同相轴线性、抛物型、在变换域具备稀疏性以及准确的地下介质速度信息等，但是在实际应用过程中，获取到的地震数据很难完全满足上述条件，再利用上述方法进行地震数据重建准确率和精度较低。
基于此，本申请实施例提供了一种地震数据的重建方法，有助于提高地震数据重建准确率和精度。
请参阅图1，图1为本申请实施例所提供的一种地震数据的重建方法的流程图。如图1中所示，本申请实施例提供的地震数据的重建方法，包括：
S101、基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络。
该步骤中，根据获取到的地震数据的地域范围的地址属性，确定深度学习网络的具体网络结构，进而构建深度学习网络。
这里，深度学习网络可以是BP(back propagation)神经网络，在构建深度学习网络中，对于深度学习网络的结构的需求就是确定BP神经网络的神经网络层数，以及每一层神经网络中包括的神经元的个数。
这里，地域范围的地质属性，可以包括获取地震数据的地域范围所处的地域、所属的地形类型，以及在该地域范围内的障碍物分布等。
这里，根据获取的待重建地震数据的地域范围的地质属性，可以大致确定可能获取到的地震数据的数量以及地震数据的缺失情况，以此来规划深度学习网络的网络结构，例如，在可以获得到较多的地震数据的地域范围处的构建的深度学习网络中，每一层神经网络中包括的神经元个数可以设置的相对多些。
S102、基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数。
该步骤中，根据构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建用于调整深度学习网络的归一化误差函数。
这里，本申请对于深度学***滑，减小过适配从而提高网络的泛化能力。
其中，可以通过以下公式确定归一化均方差误差函数：
Figure BDA0002765983850000111
其中，ai为第K次迭代第i个输出的实际值，ti为第K次迭代第i个输出的期望值(标签元素)，M为输出节点个数，γ为输出节点个数误差性能调整率，取值范围为[0，1]，n为深度学习网路中参数(权重和偏置)的个数。
S103、基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型。
该步骤中，根据获取到的多个样本地震数据和所述归一化误差函数，调整深度学习网络的多个参数，得到训练好的地震数据重建模型。
这样，通过对深度学习网络的迭代训练，得到泛化能力强的地震数据重建模型，该地震数据重建模型对于不同地形的多种地震数据的重建精度都较高。
S104、将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
该步骤中，将获取到的待重建地震数据输入至步骤S103训练好的地震数据重建模型中，得到目标重建数据，完成对待重建地震数据的重建。
这样，可以通过重建后的目标重建数据，构建相应地域范围的地质图像，进而依据得到的地质图像，对相应地域范围进行地质分析。
这里，请参阅图2，图2为地震数据重建模型的训练过程示意图，如图2中所示，输入待重建地震数据，对输入的待重建地震数据预处理，将预处理后的待重建地震数据输入至构建好的深度学习网络中，输出重建结果，检测输出的重建结果是否达到了重建要求(误差值小于预设误差阈值或者信噪比大于预设信噪比阈值)，若达到重建要求，确定地震数据重建模型训练完成；若未达到重建要求，利用三次样条插值确定标签元素，并利用标签元素以及构建的误差函数迭代更新深度学习网络的参数(权值、偏置)，直至重建结果达到重建要求，确定地震数据重建模型训练完成。
本申请实施例提供的地震数据的重建方法，基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
这样，根据获取的待重建地震数据的地域范围的地质属性，构建深度学习网络，根据构建好的网络结构以及深度学习网络中的多个初始参数，构建归一化误差函数；基于多个样本地震数据以及归一化误差函数对构建好的深度学习网络进行训练，得到训练好的地震数据重建模型，将待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据，从而提高地震数据重建准确率和精度。
请参阅图3，图3为本申请另一实施例提供的地震数据的重建方法的流程图。如图3中所示，本申请实施例提供的地震数据的重建方法，包括：
S301、基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络。
S302、基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数。
S303、获取预设地域范围内的待重建样本数据。
该步骤中，获取预设地域范围内的待重建样本数据。
这里，获取的在时空域上缺失的样本地震数据记为p(tm,xn)，其中，n＝1，2，3，…，N；m＝1，2，3，…，M；N表示每条测线上的接收道数，M表示时间方向采样点数可以看作是一个时间-空间的二维矩阵，即获取的是待重建样本矩阵。
其中，地震数据主要是描述在某一采样时间点或是某一接收道上的振动波的振幅、相位、振动频率等数据。
S304、将所述待重建样本数据包括的每一个元素进行归一化处理，得到对应的归一化地震数据。
该步骤中，将待重建样本数据中包括的每个元素进行归一化处理，得到归一化地震数据。
这里，在进行网络训练的过程中，输入矩阵向量和输出矩阵向量的取值范围在[-1，1]时，训练效果最佳，为了达到较佳的训练结果，需要将对应的数据(振幅等)进行归一化处理。
S305、按照预设窗口大小，将所述归一化地震数据按照采集时间以及接收道进行时空分窗处理，得到划分后的样本地震数据。
该步骤中，按照预设窗口大小，将步骤S304确定出的归一化地震数据按照采集时间以及接收道进行时空分窗，即对待重建数据分块，得到划分后的样本地震数据。
这里，对归一化地震数据进行分块，是为了获取数据的局部特征，划分窗的大小可以设置为11×11，窗的滑动步长在滑动轨迹上的两个方向均可以是5。
S306、基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型。
S307、将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
其中，S301、S302、S306至S307的描述可以参照S101至S104的描述，并且能达到相同的技术效果，对此不做赘述。
进一步的，步骤S306包括：将获取到的待重建地震数据输入至构建好的深度学习网络中，得到初始重建数据；检测所述初始重建数据中的每个元素与对应的标签元素之间的差值是否小于预设误差阈值；若所述初始重建数据中存在元素与对应的标签元素之间的差值不小于预设误差阈值，基于所述归一化误差函数对所述构建好的深度学习网络进行迭代调优训练，当输出的重建数据中的每个元素与对应的标签元素之间的差值均小于预设误差阈值时，确定所述构建好的深度学习网络调优训练完毕，得到训练好的地震数据重建模型。
该步骤中，将获取到的在时空域上存在缺失的待重建地震数据，输入至构建好的深度学习网络中，得到深度学习网络输出的初始重建数据；针对于经由深度学习网络输出的初始重建数据中包括的每个元素，检测该元素与对应的标签元素之间的差值是否小于预设误差阈值；若是确定出所述初始重建数据中存在元素与对应的标签元素之间的差值不小于预设误差阈值的情况，确定深度学习网络未达到重建需求，需要再次调整深度学习网络，通过构建的归一化均方差误差函数对构建好的深度学习网络进行多次的迭代调优训练，调整深度学习网络的多个参数，当输出的重建数据中的每个元素与对应的标签元素之间的差值均小于预设误差阈值时，确定深度学习网络达到了重建需求，对深度学习网络的迭代调优训练过程结束，得到训练好的地震数据重建模型。
这里，获取的在时空域上缺失的样本地震数据记为p(tm,xn)，其中，n＝1，2，3，…，N；m＝1，2，3，…，M；N表示每条测线上的接收道数，M表示时间方向采样点数可以看作是一个时间-空间的二维矩阵，为了能获取样本地震数据的局部特征，将样本地震数据对应的矩阵划分为多个目标待重建样本矩阵。
这里，对于输入到深度学习网络中的多个目标待重建样本数据中，可能存在缺失的地震数据，可能是在某个采集时间点上的多个接收道上的地震数据缺失，也可能是整一条接收道上的地震数据的缺失，经由深度学习网络输出的初始重建数据，是将缺失数据补全的不存在数据缺失的数据。
这里，针对于深度学习网络的重建精度，是否达到重建需求的检测，可以是通过重建后的初始重建数据中每一个元素与标签元素之间的误差值来确定，通过初始重建数据中每一个元素与标签元素之间的误差值与预设误差阈值的比对，确定模型的重建效果。
这里，在其他实施例中，还可以是根据初始重建数据中地震数据的信噪比来确定深度学习网络对地震数据的重建是否达到了重建需求，当初始重建数据中地震数据的信噪比大于预先设定的信噪比阈值时，确定深度学习网络对地震数据的重建达到了重建需求。
这样，通过对深度学习网络的迭代训练，得到泛化能力强的地震数据重建模型，该地震数据重建模型对于不同地形的多种地震数据的重建精度都较高。
进一步的，步骤S301包括：确定深度学习网络结构，其中，所述深度学习网络结构包括三层神经网络；基于所述获取的待重建地震数据的地域范围的地质属性，初始化每两层神经网络之间的多个参数以及多个传输函数，确定构建好的深度学习网络。
该步骤中，确定深度学习网络结构，在本申请实施例中深度学习网络包括三层神经网络，在确定深度学习网络的结构后，根据获取的待重建地震数据的地域范围的地质属性，初始化每两层神经网络之间的多个参数以及多个传输函数，初始化结束后，确定构建好的深度学习网络。
这里，深度学习网络采用的是前馈型三层BP神经网络来实现缺失地震数据的重建，如图4所示，图4为BP神经网络结构，其中前馈型三层BP神经网络分别包括输入层，一个隐含层和输出层。
其中，层与层之间的参数包括权值、偏置值。
这里，在每层BP神经网络中均包括多个神经元，假设输入的向量为p＝[p1,p2,...pR]T，w＝[wi,1,wi,2,...,wi,R]为隐含层中第i个神经元与其他连接的权值向量；那么可以通过以下公式确定神经元的输出：
Figure BDA0002765983850000161
其中，a为神经元的输出，b为第i个神经元的偏置，f(x)为神经元的传输函数。
其中，对于传输函数f(x)可以采用常用的sigmoid型函数，可以实现输入和输出之间的非线性映射关系，同时可以限制隐含层输出在一个较小的范围内(0,1)内，并且由于地震数据振幅有正负之分，输出层的传输函数没有采用sigmoid型函数，而是采用了纯线性函数，可以输出任意值。
进一步的，通过以下步骤对所述构建好的深度学习网络进行训练：基于所述初始重建数据中的每个元素与对应的标签元素之间的均方误差，确定每两层神经网络之间的至少一个待更新参数；针对每一个待更新参数，基于所述归一化误差函数，确定该待更新参数对应的参数梯度向量；针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数；当与每个待更新参数对应的目标更新参数均确定结束后，确定对所述构建好的深度学习网络训练结束。
该步骤中，基于经过未优化的神经网络得出的初始重建数据中包括的每个元素与对应的标签元素之间的均方误差，确定出每两层神经网络之间的至少一个待更新参数，并针对每一个待更新参数，基于构建好的归一化误差函数，确定出待更新参数对应的参数梯度向量；针对于每一个待更新参数，根据该待更新参数以及对应的参数梯度向量，经过有限次迭代，确定出与该待更新参数对应的目标更新参数；在每个待更新参数均更新至对应的目标更新参数后，确定对构建好的深度学习网络调优训练结束。
这里，可以通过以下公式确定待更新参数对应的参数梯度向量：
Figure BDA0002765983850000162
其中，g(k)为第k次迭代的均方误差对待更新参数的梯度向量，E(k)为第k次迭代的神经网络输出误差性能函数。
进一步的，所述针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数，包括将待更新参数作为输入参数代入至修正函数中，得到迭代后的参数梯度向量；基于迭代后的参数梯度向量，对所述待更新参数进行更新，得到更新后的更新参数；将所述更新后的更新参数再次代入至所述修正函数，经过预设次数的迭代更新，得到目标更新参数。
该步骤中，将待更新参数作为输入参数输入至修正函数中，得到迭代后的参数梯度向量，根据得到的迭代后的参数梯度向量，对待更新参数进行更新，得到更新后的更新参数，将更新后的更新参数再次代入修正函数，经过预设次数的迭代更新，得到目标更新参数。
这里，修正函数的表达式为：
x(k+1)＝x(k)-αg(k)；
其中，k为迭代次数，x为待更新参数，α为学习速率，是一常数，其经验值为0.01，负号表示梯度的反方向，g(k)为第k次迭代的均方误差对待更新参数的梯度向量。
进一步的，通过以下步骤确定标签元素：确定所述待重建地震数据中的每两个相邻元素之间对应的样条函数；基于确定出的多个样条函数，确定所述待重建地震数据对应的插值函数，并基于所述插值函数确定每个元素对应的标签元素。
该步骤中，确定待重建样本数据中的每两个相邻元素之间的样条函数，并结合确定出的多个样条函数，确定所述待重建样本数据对应的插值函数，并根据插值函数确定出待重建样本数据中每个节点上的标签元素。
这里，在本申请中采用三次样条插值方法得到待重建样本矩阵对应的插值函数。
进一步的，请参阅图5以及图6，图5为均方误差训练函数训练结果曲线，图6为归一化均方误差训练函数训练结果曲线，以BP神经网络来拟合一个简单的正弦函数为例，来说明本申请采用的归一化均方误差训练函数对网络泛化能力的提高。输入向量为P＝[-1:0.05:1]，期望输出样本数据为t＝sin(2π*P)+0.1randn(size(P))，在真实的正弦函数上添加了0.1倍的随机噪声，训练结果如图5以及图6所示，从图5以及图6中可以得知，采用均方误差训练函数的输出结果与训练样本数据更为接近，而用归一化误差训练函数的输出结果与真实的正弦函数曲线更为接近，改善了过拟合情况，网络的泛化能力得到提高。
为了进一步说明用归一化均方差误差函数(msereg)训练的BP神经网络的泛化能力，比较了分别用均方差误差训练函数(mse)和归一化均方差误差函数(msereg)来训练网络的重建结果，请参阅图7(a)至图7(f)，每炮数据有100个接收点，道间距为10m，每道500个时间采样，时间采样间隔为4ms，不同炮数据的同相轴起始时间、形态及结构都有所不同。图7(a)为缺失数据示意图，图7(b)为BP模型用均方误差训练函数重建结果剖面示意图，图7(c)为BP模型用归一化均方误差训练函数重建结果示意图，图7(d)为第98道原始数据示意图，图7(e)为均方误差训练函数重建第98道数据示意图；图7(f)为归一化均方误差训练函数重建第98道数据示意图，可以看出均方误差训练函数重建结果与原始数据振幅差异较大，而用归一化均方误差训练函数重建结果振幅恢复的更好，与原始数据更为一致，证明了归一化均方差误差函数能够提高BP网络的泛化能力。
本申请实施例提供的地震数据的重建方法，基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；获取预设地域范围内的待重建样本数据；将所述待重建样本数据包括的每一个元素进行归一化处理，得到对应的归一化地震数据；按照预设窗口大小，将所述归一化地震数据按照采集时间以及接收道进行时空分窗处理，得到划分后的样本地震数据；基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
这样，根据获取地震数据的地域范围的地质属性，构建深度学习网络，根据构建好的网络结构以及深度学习网络中的多个初始参数，构建归一化误差函数；基于多个样本地震数据以及归一化误差函数对构建好的深度学习网络进行训练，得到训练好的地震数据重建模型，将待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据，从而提高地震数据重建准确率和精度。
请参阅图8、图9，图8为本申请实施例所提供的一种地震数据的重建装置的结构示意图之一，图9为本申请实施例所提供的一种地震数据的重建装置的结构示意图之二。如图8中所示，所述重建装置800包括：
网络构建模块810，用于基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；
函数构建模块820，用于基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；
模型确定模块830，用于基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；
数据重建模块840，用于将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
进一步的，如图9所示，所述重建装置800还包括数据处理模块850，所述数据处理模块850用于：
获取预设地域范围内的待重建样本数据；
将所述待重建样本数据包括的每一个元素进行归一化处理，得到对应的归一化地震数据；
按照预设窗口大小，将所述归一化地震数据按照采集时间以及接收道进行时空分窗处理，得到划分后的样本地震数据。
进一步的，如图9所示，所述重建装置800标签确定模块860，所述标签确定模块860用于：
确定所述待重建地震数据中的每两个相邻元素之间对应的样条函数；
基于确定出的多个样条函数，确定所述待重建地震数据对应的插值函数，并基于所述插值函数确定每个元素对应的标签元素。
进一步的，所述模型确定模块830在用于基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型时，所述模型确定模块830用于：
将获取到的待重建地震数据输入至构建好的深度学习网络中，得到初始重建数据；
检测所述初始重建数据中的每个元素与对应的标签元素之间的差值是否小于预设误差阈值；
若所述初始重建数据中存在元素与对应的标签元素之间的差值不小于预设误差阈值，基于所述归一化误差函数对所述构建好的深度学习网络进行迭代调优训练，当输出的重建数据中的每个元素与对应的标签元素之间的差值均小于预设误差阈值时，确定所述构建好的深度学习网络调优训练完毕，得到训练好的地震数据重建模型。
进一步的，所述网络构建模块810在用于基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络时，所述网络构建模块810用于：
确定深度学习网络结构，其中，所述深度学习网络结构包括三层神经网络；
基于所述获取的待重建地震数据的地域范围的地质属性，初始化每两层神经网络之间的多个参数以及多个传输函数，确定构建好的深度学习网络。
进一步的，所述模型确定模块830用于通过以下步骤对所述构建好的深度学习网络进行迭代调优训练：
基于所述初始重建数据中的每个元素与对应的标签元素之间的均方误差，确定每两层神经网络之间的至少一个待更新参数；
针对每一个待更新参数，基于构建的归一化误差函数，确定该待更新参数对应的参数梯度向量；
针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数；
当与每个待更新参数对应的目标更新参数均确定结束后，确定对所述构建好的深度学习网络调优训练结束。
进一步的，所述模型确定模块830用于通过以下步骤对所述构建好的深度学习网络进行训练：
基于所述初始重建数据中的每个元素与对应的标签元素之间的均方误差，确定每两层神经网络之间的至少一个待更新参数；
针对每一个待更新参数，基于所述归一化误差函数，确定该待更新参数对应的参数梯度向量；
针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数；
当与每个待更新参数对应的目标更新参数均确定结束后，确定对所述构建好的深度学习网络训练结束。
进一步的，所述模型确定模块830在用于针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数时，所述模型确定模块830用于：
将待更新参数作为输入参数代入至修正函数中，得到迭代后的参数梯度向量；
基于迭代后的参数梯度向量，对所述待更新参数进行更新，得到更新后的更新参数；
将所述更新后的更新参数再次代入至所述修正函数，经过预设次数的迭代更新，得到目标更新参数。
本申请实施例提供的地震数据的重建装置，基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
这样，根据获取地震数据的地域范围的地质属性，构建深度学习网络，根据构建好的网络结构以及深度学习网络中的多个初始参数，构建归一化误差函数；基于多个样本地震数据以及归一化误差函数对构建好的深度学习网络进行训练，得到训练好的地震数据重建模型，将待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据，从而提高地震数据重建准确率和精度。
请参阅图10，图10为本申请实施例所提供的一种电子设备的结构示意图。如图10中所示，所述电子设备1000包括处理器1010、存储器1020和总线1030。
所述存储器1020存储有所述处理器1010可执行的机器可读指令，当电子设备1000运行时，所述处理器1010与所述存储器1020之间通过总线1030通信，所述机器可读指令被所述处理器1010执行时，可以执行如上述图1以及图3所示方法实施例中的地震数据的重建方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时可以执行如上述图1以及图3所示方法实施例中的地震数据的重建方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种地震数据的重建方法，其特征在于，所述重建方法包括：
基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；
基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；
基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；
将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
2.根据权利要求1所述的重建方法，其特征在于，所述基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型，包括：
将获取到的待重建地震数据输入至构建好的深度学习网络中，得到初始重建数据；
检测所述初始重建数据中的每个元素与对应的标签元素之间的差值是否小于预设误差阈值；
若所述初始重建数据中存在元素与对应的标签元素之间的差值不小于预设误差阈值，基于所述归一化误差函数对所述构建好的深度学习网络进行迭代调优训练，当输出的重建数据中的每个元素与对应的标签元素之间的差值均小于预设误差阈值时，确定所述构建好的深度学习网络调优训练完毕，得到训练好的地震数据重建模型。
3.根据权利要求1所述的重建方法，其特征在于，在所述基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型之前，所述重建方法还包括：
获取预设地域范围内的待重建样本数据；
将所述待重建样本数据包括的每一个元素进行归一化处理，得到对应的归一化地震数据；
按照预设窗口大小，将所述归一化地震数据按照采集时间以及接收道进行时空分窗处理，得到划分后的样本地震数据。
4.根据权利要求1所述的重建方法，其特征在于，所述基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络，包括：
确定深度学习网络结构，其中，所述深度学习网络结构包括三层神经网络；
基于所述获取的待重建地震数据的地域范围的地质属性，初始化每两层神经网络之间的多个参数以及多个传输函数，确定构建好的深度学习网络。
5.根据权利要求2所述的重建方法，其特征在于，通过以下步骤对所述构建好的深度学习网络进行训练：
基于所述初始重建数据中的每个元素与对应的标签元素之间的均方误差，确定每两层神经网络之间的至少一个待更新参数；
针对每一个待更新参数，基于所述归一化误差函数，确定该待更新参数对应的参数梯度向量；
针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数；
当与每个待更新参数对应的目标更新参数均确定结束后，确定对所述构建好的深度学习网络训练结束。
6.根据权利要求5所述的重建方法，其特征在于，所述针对每一个待更新参数，基于该待更新参数以及对应的参数梯度向量，确定与该待更新参数对应的目标更新参数，包括：
将待更新参数作为输入参数代入至修正函数中，得到迭代后的参数梯度向量；
基于迭代后的参数梯度向量，对所述待更新参数进行更新，得到更新后的更新参数；
将所述更新后的更新参数再次代入至所述修正函数，经过预设次数的迭代更新，得到目标更新参数。
7.根据权利要求1所述的重建方法，其特征在于，通过以下步骤确定标签元素：
确定所述待重建地震数据中的每两个相邻元素之间对应的样条函数；
基于确定出的多个样条函数，确定所述待重建地震数据对应的插值函数，并基于所述插值函数确定每个元素对应的标签元素。
8.一种地震数据的重建装置，其特征在于，所述重建装置包括：
网络构建模块，用于基于获取的待重建地震数据的地域范围的地质属性，构建深度学习网络；
函数构建模块，用于基于构建好的深度学习网络的网络结构，以及深度学习网络中的多个初始参数，构建归一化误差函数；
模型确定模块，用于基于获取到的多个样本地震数据和所述归一化误差函数，对所述深度学习网络进行训练，得到训练好的地震数据重建模型；
数据重建模块，用于将所述待重建地震数据输入至所述地震数据重建模型，得到重建后的地震数据。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一所述的地震数据的重建方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一所述的地震数据的重建方法的步骤。
CN202011233514.3A 2020-11-06 2020-11-06 地震数据的重建方法、装置、电子设备及可读存储介质 Pending CN112415583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011233514.3A CN112415583A (zh) 2020-11-06 2020-11-06 地震数据的重建方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011233514.3A CN112415583A (zh) 2020-11-06 2020-11-06 地震数据的重建方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112415583A true CN112415583A (zh) 2021-02-26

Family

ID=74780638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011233514.3A Pending CN112415583A (zh) 2020-11-06 2020-11-06 地震数据的重建方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112415583A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780563A (zh) * 2021-09-07 2021-12-10 镇江市高等专科学校 一种快速覆盖的案例库维护方法
CN113945974A (zh) * 2021-06-10 2022-01-18 中国矿业大学(北京) 一种地震数据重建方法、装置、设备及介质
WO2023028368A1 (en) * 2021-08-27 2023-03-02 Schlumberger Technology Corporation Time lapse data reconstruction and time lapse data acquisition survey design for co2 monitoring
CN116610937A (zh) * 2023-07-18 2023-08-18 中国海洋大学 在隐式空间上进行低频信息延拓的方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854533A (zh) * 2011-07-01 2013-01-02 中国石油化工股份有限公司 一种基于波场分离原理提高地震资料信噪比的去噪方法
US20190041534A1 (en) * 2016-10-14 2019-02-07 Chevron U.S.A. Inc. System and method for automated seismic interpretation
CN110161565A (zh) * 2019-03-20 2019-08-23 中国海洋石油集团有限公司 一种地震数据重建方法
CN110866640A (zh) * 2019-11-11 2020-03-06 山东科技大学 一种基于深度神经网络的电力负荷预测方法
CN110967738A (zh) * 2018-09-30 2020-04-07 中国石油化工股份有限公司 基于深度学习的地震数据插值处理方法及***
CN111580162A (zh) * 2020-05-21 2020-08-25 长江大学 基于残差卷积神经网络的地震资料随机噪音压制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854533A (zh) * 2011-07-01 2013-01-02 中国石油化工股份有限公司 一种基于波场分离原理提高地震资料信噪比的去噪方法
US20190041534A1 (en) * 2016-10-14 2019-02-07 Chevron U.S.A. Inc. System and method for automated seismic interpretation
CN110967738A (zh) * 2018-09-30 2020-04-07 中国石油化工股份有限公司 基于深度学习的地震数据插值处理方法及***
CN110161565A (zh) * 2019-03-20 2019-08-23 中国海洋石油集团有限公司 一种地震数据重建方法
CN110866640A (zh) * 2019-11-11 2020-03-06 山东科技大学 一种基于深度神经网络的电力负荷预测方法
CN111580162A (zh) * 2020-05-21 2020-08-25 长江大学 基于残差卷积神经网络的地震资料随机噪音压制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白阳: "二维非均匀采样地震信号的傅立叶重建算法研究", no. 02, pages 011 - 273 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945974A (zh) * 2021-06-10 2022-01-18 中国矿业大学(北京) 一种地震数据重建方法、装置、设备及介质
WO2023028368A1 (en) * 2021-08-27 2023-03-02 Schlumberger Technology Corporation Time lapse data reconstruction and time lapse data acquisition survey design for co2 monitoring
CN113780563A (zh) * 2021-09-07 2021-12-10 镇江市高等专科学校 一种快速覆盖的案例库维护方法
CN116610937A (zh) * 2023-07-18 2023-08-18 中国海洋大学 在隐式空间上进行低频信息延拓的方法、装置及电子设备
CN116610937B (zh) * 2023-07-18 2023-09-22 中国海洋大学 在隐式空间上进行低频信息延拓的方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN112415583A (zh) 地震数据的重建方法、装置、电子设备及可读存储介质
Yu et al. Deep learning for denoising
Siahkoohi et al. The importance of transfer learning in seismic modeling and imaging
Kaur et al. Improving the resolution of migrated images by approximating the inverse Hessian using deep learning
Mustafa et al. Estimation of acoustic impedance from seismic data using temporal convolutional network
Sun et al. ML-descent: An optimization algorithm for full-waveform inversion using machine learning
Hu et al. A supervised descent learning technique for solving directional electromagnetic logging-while-drilling inverse problems
CN105842732A (zh) 多道稀疏反射系数的反演方法及***
US12032111B2 (en) Method and system for faster seismic imaging using machine learning
Mustafa et al. Joint learning for spatial context-based seismic inversion of multiple data sets for improved generalizability and robustness
Si et al. Attenuation of random noise using denoising convolutional neural networks
CN110895348B (zh) 一种地震弹性阻抗低频信息提取方法、***及存储介质
Aleardi et al. A hybrid residual neural network–Monte Carlo approach to invert surface wave dispersion data
CN103454677A (zh) 基于粒子群与线性加法器结合的地震数据反演方法
Kim et al. History matching of a channelized reservoir using a serial denoising autoencoder integrated with ES‐MDA
Qian et al. Ground truth-free 3-D seismic random noise attenuation via deep tensor convolutional neural networks in the time-frequency domain
Li et al. An lp-space matching pursuit algorithm and its application to robust seismic data denoising via time-domain radon transforms
WO2022232572A1 (en) Method and system for high resolution least-squares reverse time migration
Sun et al. Implicit seismic full waveform inversion with deep neural representation
Poppeliers et al. The effects of atmospheric models on the estimation of infrasonic source functions at the Source Physics Experiment
Wilson et al. Reflection‐constrained 2D and 3D non‐hyperbolic moveout analysis using particle swarm optimization
CN113970787B (zh) 物性参数反演方法、装置、计算机设备和存储介质
Luo et al. Data driven adaptive localization with applications to ensemble-Based 4D seismic history matching
Zu et al. Robust local slope estimation by deep learning
Hlebnikov et al. De‐migration‐based supervised learning for interpolation and regularization of 3D offset classes

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210226

RJ01 Rejection of invention patent application after publication