CN113557450B - 地震数据表示和比较 - Google Patents

地震数据表示和比较 Download PDF

Info

Publication number
CN113557450B
CN113557450B CN202080019153.4A CN202080019153A CN113557450B CN 113557450 B CN113557450 B CN 113557450B CN 202080019153 A CN202080019153 A CN 202080019153A CN 113557450 B CN113557450 B CN 113557450B
Authority
CN
China
Prior art keywords
seismic
representative
line
data
dataset
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
Application number
CN202080019153.4A
Other languages
English (en)
Other versions
CN113557450A (zh
Inventor
R·达席尔瓦·费雷达
E·阿什顿·瓦塔尔·布拉齐尔
R·方图拉·德古斯毛·塞奎伊拉
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN113557450A publication Critical patent/CN113557450A/zh
Application granted granted Critical
Publication of CN113557450B publication Critical patent/CN113557450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes
    • 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
    • G01V1/32—Transforming one recording into another or one representation into another
    • 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
    • G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
    • G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G01V2210/64—Geostructures, e.g. in 3D data cubes
    • 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
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/70—Other details related to processing
    • G01V2210/74—Visualisation of seismic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Analysis (AREA)
  • Buildings Adapted To Withstand Abnormal External Influences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及地震数据表示和比较，提供了用于图像处理的方法、***和计算机可读存储介质。可以接收地震数据集和用该地震数据集执行的任务。可以生成代表地震数据集的代表性地震线。代表性地震线可以包括表示地震数据集的像素数据。基于代表性地震线，可以执行任务。任务可以包括至少通过搜索存在于地震数据库中的相似地震数据集，通过将代表性地震线与相似地震数据集的代表性地震线相比较，找到相似的地质区域。

Description

地震数据表示和比较
技术领域
本申请总体上涉及计算机和计算机应用，并且更具体地涉及地震(seismic)表示的图像处理。
背景技术
地震图像可提供地下的间接表示，其可用于石油工业探索过程，用于寻找石油和天然气累积。从获取到最终产品，存在复杂地震加工的长链。这些数据组可以具有多达太字节(terabytes)(数千条地震线/图像)，覆盖数千平方公里。虽然将知识从一个被探索区域转移到新的区域可以帮助加速决策，但是由于可用数据量和提供结果时的时间约束，以及时方式处理这些数据变得困难。
因此，本领域需要解决上述问题。
发明内容
从第一方面来看，本发明提供了一种用于图像处理的计算机实现的方法，该方法包括：接收地震数据集和要用地震数据集执行的任务；生成代表该地震数据集的代表性地震线，该代表性地震线指示代表该地震数据集的像素数据；以及基于所述代表性地震线，执行所述任务，所述任务指示通过将所述代表性地震线与相似地震数据集的代表性地震线相比较，通过搜索存在于地震数据库中的相似地震数据集，至少找到相似的地质区域。
从另一方面来看，本发明提供了一种用于图像处理的***，该***包括：至少一个硬件处理器；以及存储器设备，其与所述至少一个硬件处理器耦合；所述至少一个硬件处理器被配置成至少：接收地震数据集以及要利用所述地震数据集执行的任务；生成代表该地震数据集的代表性地震线，该代表性地震线指示代表该地震数据集的像素数据；以及基于所述代表性地震线，执行所述任务，所述任务指示通过将所述代表性地震线与相似地震数据集的代表性地震线相比较，通过搜索存在于地震数据库中的相似地震数据集，至少找到相似的地质区域。
从另一方面来看，本发明提供了一种用于图像处理的计算机程序产品，该计算机程序产品包括计算机可读存储媒质，该计算机可读存储媒质可由处理电路读取并且存储用于由处理电路执行以便执行用于执行本发明的步骤的方法的指令。
从另一方面来看，本发明提供了一种存储在计算机可读媒质上并且可加载到数字计算机的内部存储器中的计算机程序，所述计算机程序包括软件代码部分，当所述程序在计算机上运行时，所述软件代码部分用于执行本发明的步骤。
一方面，一种计算机实现的方法可以包括接收地震数据集和要用地震数据集执行的任务。该方法还可以包括生成代表地震数据集的代表性地震线，代表性地震线指示代表地震数据集的像素数据。该方法还可以包括，基于代表性地震线，执行该任务，该任务至少表示通过将代表性地震线与相似地震数据集的代表性地震线相比较，通过搜索存在于地震数据库中的相似地震数据集，找到相似的地质区域。
在一个方面中，一种***可包含至少一个硬件处理器。存储器装置可以与至少一个硬件处理器耦合。至少一个硬件处理器可以用于接收地震数据集和要用地震数据集执行的任务。所述至少一个硬件处理器还可用于生成代表地震数据集的代表性地震线，所述代表性地震线表示代表地震数据集的像素数据。至少一个硬件处理器还可以基于代表性地震线来执行任务，该任务指示至少通过将代表性地震线与相似地震数据集的代表性地震线相比较通过搜索存在于地震数据库中的相似地震数据集来找到相似的地质区域。
还可提供存储指令的程序的计算机可读存储媒体，所述指令可由机器执行以执行本文描述的一个或一个以上方法。
下文参考附图详细描述不同实施例的进一步特征以及结构和操作。在附图中，相同的附图标记表示相同或功能相似的元件。
附图说明
现在将参考如在以下附图中展示的优选实施例仅通过举例来描述本发明：
图1示出了一个实施例中的总体***架构。
图2是示出一个实施例中存储地震数据的存储设备的图。
图3是图示在一个实施例中呈现地震数据表示的方法的流程图。
图4是示出在一个实施例中执行相似搜索的方法的图。
图5是说明一个实施例中的地震线推荐器的图。
图6是说明一个实施例中的图案提取的图。
图7是说明一个实施例中的图案提取的另一图。
图8是图解在一个实施例中确定地震数据表示的方法的图。
图9是表示在一个实施例中确定和提供代表性地震数据的***的部件的图。
图10示出可实现本公开的一个实施例中的***的示例计算机或处理***的示意图。
具体实施方式
提出了一种方法、***和技术，它可以有效地表示地震数据，使得可以比较地震数据，搜索相似物，找到用于机器学习的有效训练数据集合，和/或其他。在一个方面，***和/或方法可以自动计算地震数据集的表示，例如由机器学习驱动以选择其最具代表性的地震图像，并使用所选择的表示来搜索相似的地震图像。
在一个方面中，可以基于图像语料库来创建图像群集。在一个方面，每个聚类可以包括图像语料库的多个图像，并且图像语料库的每个图像可以仅包括在一个聚类中。对于每一群集，可为群集的图像选择代表性图像。可接收代表图像的用户动作，并且可向群集的图像应用用户动作。
例如，在石油工业相关的工作流程中，可能存在具有地震线或图像的非常大的地震数据集。这些数据集可以包括成千上万的在线和交叉线方向上的图像或成千上万的二维(2D)地震数据集。地震分析可以包括手动扫描几十个地震图像以产生被称为地震解释的产品。例如，用户选择一个文件，打开它，并且在视觉上扫描数十个地震图像，识别视觉上相干并且具有地质意义的感兴趣的图案、结构和形状。文件可以包括大量嵌入的地震图像。然而，解释器分析经抽取数据集所需的时间仍可能花费长时间(例如，数月)来完成。
在其他场景中，给定地震图像数据，用户可能需要搜索已经解释的相似地震数据。这样的搜索可以涉及搜索多个地震数据集并选择在地理上与感兴趣区域最相似的那些地震数据集。例如，这样的搜索可以仅基于与文件相关联的元数据，并且可以标识一个文件(例如，文件A)相似于另一个文件(例如，文件B)，例如，两个地震数据文件具有相似的岩石类型(岩性(lithologies))。
使用地震数据集的另一个实际应用包括对地震数据集应用机器学习算法。在这样的应用中，例如通过分析数据并且找到用于训练的合适的数据集来选择用于训练机器学习模型或算法的训练数据。在一些方面中，手动选择训练数据集可能是耗时的，并且还可能倾向于丢失代表性的地震图像。
术语“地震线”(seismic line)是指沿着直线或交叉线或时间/深度轴线截取的三维(3D)地震调查的垂直切片或区段。图2在202处呈现了3D地震调查，其中进行了三个垂直切割，在204、206、208处示出。右边的同一图呈现了由这些切口产生的三个地震截面(平面)210；“地震调查”可以指地震数据采集的过程。本公开内容中的“地震勘测”是指获取过程的结果数据；并且“地震数据”或数据集是用于地震调查的同义词。
一些实施例中的***和/或方法可以实施和使用由机器学习驱动的地震数据集的基于纹理的图形表示来选择其最具代表性的地震图像。在一个方面，***和/或方法可以允许用户输入对地震数据集的最具代表性的地震图像(线)的列表的查询，并使用返回的查询结果进行地震解释和/或训练数据选择。该***和/或方法还可以允许用户使用其最具代表性的地震图像连同其元数据来搜索相似的数据集。
在一些实施例中，***和/或方法允许用户能够从例如代表性的地震线(自适应网格)(例如，最代表性的地震线)而不是抽取版本工作。使用这样的表示还可以增强基于元数据执行的搜索，因为对于相似地震数据集的仅基于元数据的搜索仍然可以返回要分析的大量数据集。能够使用数据本身来细化或补充该搜索可以提供时间节省并且因此降低成本。可能对训练数据质量敏感的机器学习算法还可以受益于基于代表性地震数据集或线进行训练，从而产生具有更高分类或预测准确度的所生成的模型。
图1示出了一个实施例中的总体***架构。所示出的组件包括计算机实现的组件，例如，在一个或多个硬件处理器上实现和/或运行，或者与一个或多个硬件处理器耦合。例如，一个或多个硬件处理器可以包括诸如可编程逻辑设备、微控制器、存储器设备和/或其他硬件组件之类的组件，这些组件可以被配置为执行本公开中描述的相应的任务。耦合存储器装置可经配置以选择性地存储可由一个或一个以上硬件处理器执行的指令。在一些实施例中，***可以被实现为客户端-服务器和/或分布式环境。可以设想其他计算环境。参见图1，客户端装置202可例如经由通信网络与服务器装置204通信。服务器设备204可以与一个或多个数据***206通信，数据***206包括存储数据的一个或多个存储设备，诸如知识数据库126和存储地震数据的文件***128。
客户端设备102可以包括任务浏览器功能或组件108，其允许用户查看任务、选择任务和/或输入要执行的与地震数据相关联的任务。文件浏览器功能或组件110允许用户查看保存在计算机文件中并且例如存储在例如文件***128上的存储设备中的地震数据。任务浏览器108和文件浏览器110组件可与服务器装置104通信，服务器装置104可从数据***106检索所请求的数据，且发射到客户端装置102(例如)以供呈现给用户。参数编辑器功能或组件112允许用户输入和/或编辑例如与执行任务相关联的参数和参数值。仪表板和数据可视化器功能或组件114可以呈现例如包括所执行的任务的结果的不同数据。客户端设备102的组件可以是用户接口的一部分或与用户接口耦合，用户接口包括用于计算机-用户交互的功能以及显示器和/或其他呈现能力。
服务器设备104可以包括执行或调用诸如搜索相似的地震数据集116和解释地震数据和执行机器学习相关功能118的任务的功能或组件。服务器设备204还包括地震线推荐器功能或组件120，其计算或生成与地震数据集相关联的代表性地震线。交互***功能或组件122可监视并跟踪用户交互并将交互存储在知识数据库126中。参数版本器功能或组件124可以保持或跟踪从客户端设备102接收的版本参数。
经由任务浏览器108和文件浏览器110，用户可以选择任务和地震数据集。基于例如存储在知识数据库126中的先前交互数据，服务器装置104可自动选择用于推荐最具代表性行的参数值。根据所选择的任务来建议参数值。参数的示例可以包括但不限于图块大小、纹理描述符和聚类算法。根据用户反馈(例如，图3中在306至318处所示)，基于对该参数的值的统计分析来推荐该参数的值，该统计分析导致在相似任务的先前执行中的成功结果。使用检索的参数值，地震线推荐器120可以执行对给定或选择的地震数据集的分析，并推荐一个或多个代表性地震线。代表性的地震线可以例如经由在客户端设备102上运行的用户界面呈现给用户，并且允许用户验证由地震线推荐器120返回的地震线。
用户可以编辑或改变参数值，并且再次运行地震线推荐器，例如，如果返回的地震线对用户不满意。例如，可能返回太多的相似的地震线，或者可能返回太少的地震线，并且用户可能想要检查是否遗漏任何结构。
基于返回的地震线，例如，如果返回的地震线对于用户是令人满意的，则用户可以执行各种任务，例如地震解释和机器学习相关的任务。例如，给定经由用户接口的用户批准地震线的指示，客户端设备102可以自动地与服务器设备104通信，以便服务器设备104调用执行地震解释118的功能。这样的地震解释的结果可以被传送到客户端设备102，客户端设备102可以经由仪表板和数据可视化组件114来呈现结果。还可以允许用户验证或提供关于地震线是否帮助用户任务的反馈。用户还可以改变参数值以接收一组不同的代表性地震线。利用该反馈过程，本公开的***能够在将来建议更期望的参数和地震线。
用户可以执行的另一任务是机器学习任务。例如，基于返回的地震线，可以检索相似的地震数据集和相关联的机器学习模型。例如，服务器设备可以调用相似的地震数据搜索器116来检索这样的相似的数据集。可以基于所检索的相似地震数据集的一个或多个机器学习模型和基于地震线的数据来训练机器学习模型。同样利用该任务，用户可以提供关于地震线是否令人满意地返回训练了机器学习模型的反馈，并且如果没有，则用户可以输入不同的参数。利用该反馈过程，本公开的***也能够在未来建议更期望的参数和地震线。
图2是示出一个实施例中存储地震数据的存储设备的图。存储设备212可以存储包括地震数据集的文件。这些数据集可以包括3维(3D)地震图像的在线方向和交叉线方向上的图像。例如，可以存储表示地震线数据的像素值的2维(2D)阵列(内联或交叉线或时间/深度方向上的数据量的切片)和表示3D地震图像的像素值的3D阵列。在一些实施例中，地震调查(地震数据或数据集)可以被存储为原始SEGY(行业标准二进制文件，由探索地理物理学会(SEG)开发用于存储地理物理数据)或存储在关系或非结构化查询语言(NoSQL)数据库中。该数据集表示地震轨迹的集合。地震迹线可以被视为最终构成地震图像的像素列的值的阵列。地震图像可根据需要从这些调查中提取，或者先前提取并存储为图像文件(例如，tiff文件)。
图3是图示在一个实施例中呈现地震数据表示的方法的流程图。在一个方面中，一个或一个以上硬件处理器可实施或执行所述方法。在302处，硬件处理器例如经由用户界面显示屏或另一交互式设备显示或呈现基于先前交互和区域信息而选择的任务和参数集。任务的示例可以包括执行相似的地震数据集搜索、执行机器学习任务和执行地震解释。可以设想其他任务。可以根据例如用户选择的所选任务来自动建议参数值。例如，用户可以选择任务来执行给定任务列表，并且硬件处理器可以自动地提供参数建议。参数的示例可以包括但不限于图块大小、纹理描述符和聚类算法。在一些实施例中，基于导致相似任务的先前执行中的成功结果的那个参数的值的统计分析来推荐所述参数的值。在一些实施例中，用户反馈还可以用于确定参数的值，例如，在306-318处所示。地震数据集可以通过访问存储地震调查或地震数据的地震数据库322来呈现。在另一方面中，用户可选择任务和一组参数，且执行所述方法的一个或一个以上硬件处理器可接收用户选择。用户交互可存储在知识数据库320中。
在304，基于从知识数据库检索的和/或由用户选择的任务和参数，推荐确定一组地震线以最佳地总结与任务和参数相关联的地震数据。推荐的地震线例如经由用户界面显示屏幕呈现。
在306，用户可检查所推荐的线条并提供反馈，该反馈被接收并被存储在知识数据库320中。反馈可以包括用户批准被确定以最佳地总结与任务和参数相关联的地震数据的所呈现的地震线集。反馈还可以包括用户不批准所呈现的地震线组。实施一个实施例中的方法的硬件处理器可以允许用户选择不同的参数值，例如，使得可以确定和呈现不同的一组地震线。在308，例如，用户可例如经由用户界面显示屏来改变参数以改进推荐。例如，在308处，实施或执行一个实施例中的方法的硬件处理器接收用户可以输入的不同参数值，并且可以在304处重复该处理。用户改变被接收并被存储在知识数据库320中，例如以供将来使用。地震数据库322存储和提供对地震勘测(也称为地震数据)的访问。在一些实施例中，在322中推荐的地震线可以作为实际地震数据的指针或索引被存储。例如，推荐(列表等)可以存储在320中，而实际的地震线已经存储在322中。
在310，实施一个实施例中的方法的硬件处理器根据所选择的任务向应用馈送地震线组。应用的示例可以包括但不限于可以执行相似物搜索的应用、可以执行机器学习任务的应用和可以执行地震解释的应用。例如，在312，实施或执行一个实施例中的方法的硬件处理器可以自动执行或打开应用或功能，该应用或功能搜索相似于地震线的输入集合的相似地震数据。这样的应用还可以建立相似地震数据的排序表。作为另一示例，在314，实现或执行一个实施例中的方法的硬件处理器可自动执行或打开执行机器学习任务的应用或功能。这样的应用，基于输入的地震线，执行机器学习模型的构建。例如，输入地震线可以用作训练数据集来训练机器学习模型，它可以执行地震数据的分类。再举另一个例子，在316，实施或执行一个实施例中的方法的硬件处理器可以自动地执行或打开执行地震解释的应用或功能，使用该组地震线，例如，将该组地震线指示为最好地表示与这些参数相关联的地震数据的那些地震线，例如在302或308输入。在318，可允许用户批准(例如，经由用户界面)由在312、314和/或316处执行的应用中的一个或多个应用提供的一个或多个结果。基于结果，例如，用户可在308处输入另一参数值集合，且在304处重复处理。
作为示例用例，考虑公司接收新前沿或区域的地震调查。应该在决定是否探索该区域中分析该新数据(地震勘测)。具有地震数据的更正项目可以利用关于新调查的知识。例如，使用关于相似区域的先前知识可以节省执行可能花费长时间的冗余工作。利用本公开的方法，在一个实施例中，可以揭露与所接收的新地震调查相似的调查的相似列表，例如，用于地震处理、寻找相似的地质学和作为机器学习模型的起点。在一个实施例中，本公开的方法可以提供许多地震数据集之间的比较。使用地震线的表示是有效的并且加速了甚至在具有许多地震调查的广泛的数据集中寻找相似地震数据的过程。可以基于新的地震调查创建机器学习模型以具有该区域中可能的地质结构的第一近似。选择用于训练和确认的更具代表性的输入数据集改进了机器学习(ML)模型，例如在速度和准确度方面。所创建的机器学习模型可以通过使用相似数据执行地震解释来细化。选择更具代表性的地震线组可以通过允许专家集中于地震活动的特定区域来加速专家的分析。
下面例如参见图3描述深度学习模型转移的示例用例。考虑专家(或用户)选择新的地震调查作为输入，例如，如在302所示。知识库(KB)320已经存储了关于该区域的位置和所有区域信息。专家要求用于地震面元分割的相似地震数据集及其训练的深度学习模型的列表。简言之，地震面指的是3-D地震单元，其包括反射参数，例如连续性、混乱性、幅度、频率和/或其他描述沉积环境的反射参数。在304和306所示的处理返回一组地震线，它们是与输入地震勘测中的地震面相关的最具代表性的线。专家可以验证该组是否很好地例示了该区域中的地质学。在310和312示出的处理可以调用服务器、应用或功能，以使用地震线组执行相似的地震数据搜索。连同每个相似的数据集，本公开的方法在一个实施例中可以返回与用于地震面元分段的相似数据集相关联的训练的深度学习模型。在318示出的处理允许专家例如经由与用户界面交互来选择用于该用户的任务的最佳模型。参见在310、314和318示出的处理，专家或用户可以手动地标记每条关键的地震线(例如，与输入的地震勘测相关联)并且通过使用标记的关键的地震线训练该模型来“微调”该模型。专家或用户可以在整个输入地震数据集上应用“微调”模型。
下面例如参见图3描述可以恢复地震数据集合的相似列表的示例用例。考虑专家(或用户)选择新的地震调查作为输入，例如，如在302所示。知识库(KB)320可能已经存储了关于该区域的位置和所有区域信息。专家要求一系列相似的地震数据集来研究可能的地震后处理技术以减弱噪声。一个实施例中的***可以寻找具有这种信息的调查(地震数据)。在304和306所示的处理可以返回代表数据中的噪声类型的一组地震线。专家可以验证返回的集合是否例示调查中呈现的噪声。在310、312和318示出的处理调用应用等来使用地震线组(例如在304返回的)执行相似的数据集搜索。专家被允许导航通过列表并且可以获得关于哪种后处理技术将更好地衰减地震勘测中的噪声的见解。例如，在一个实施例中，***可以基于在***中已经编入目录的先前任务来呈现后处理技术的列表。还可以允许用户创建新任务。响应于新任务被创建，***可以将新任务与地震数据集相关联。例如，在噪声衰减的情况下，***将该任务与使用这种技术处理的地震调查相关联。
图4是图示在一个实施例中详细执行相似搜索(例如，在图3中的312处示出)的方法的图。在一个方面中，一个或一个以上硬件处理器可实施或执行所述方法。在402，实施或执行一个实施例中的方法的硬件处理器可以接收与给定的地震勘测和要执行的任务相关联的一组代表性地震线。例如，用户可以输入代表性地震线组和相关联的调查作为输入。在另一方面，用户可以输入调查，并且给定该调查，实施或执行一个实施例中的方法的硬件处理器可以从知识数据库420中自动地检索与用户输入的调查相关联的代表性地震线集。例如，地震调查可以是由用户选择的一个(例如，图3，在302)；代表性的地震线可以是由***自动推荐的一个或多个地震线(例如，在304处的图3)。任务可以是找到特定类型的相似数据。
在404，实施或执行一个实施例中的方法的硬件处理器可以在地震数据库422中列出所有可能的相似数据。基于给定的任务，实施或执行一个实施例中的方法的硬件处理器可以基于知识数据库420过滤地震调查，并且仅满足给定任务的相似数据可以被处理。例如，地震数据(例如，存储在地震数据库422中)可以使用知识数据库420中存在的上下文和/或地质知识来过滤以获得相似的数据，例如，从相似的盆中保存数据集并且丢弃其他。例如，如果任务是衰减噪音，可以仅列出或呈现为噪音衰减而处理的地震数据。
在406处，实施或执行一个实施例中的方法的硬件处理器可以向知识数据库420查询用于与在404处发现的相似地震数据相关联的给定任务的一组代表性地震线。例如，用于选择任务的代表性线条的参数可以变化。例如，片块(tile)大小、纹理描述符、群集算法的参数或参数值可随任务而变化。在一些实施例中，***尝试找到利用适合于指定任务的参数值计算的代表性线。如果不存在，则***可以在408处为该数据集计算新的代表性行，并将新的代表性行与当前任务相关联。如果在知识数据库420中没有找到代表性的地震线，则在408实施或执行一个实施例中的方法的硬件处理器可以计算给定任务的代表性线。在408，实施或执行一个实施例中的方法的硬件处理器在给定来自地震数据库422的任务和数据的情况下计算代表性地震线。与相关任务有关的计算的代表性地震线可以存储在知识数据库420中，例如作为结构化数据。
在410，实施或执行一个实施例中的方法的硬件处理器可以通过比较与两个地震调查(例如，地震数据集)相关联的每个代表性地震线来计算两个地震调查(在402处的给定地震调查和在404中找到的相似地震调查)之间的相似性。作为示例，在一个实施例中，通用算法可以将两个地震调查的代表性地震线中的片块(例如，图5中所示)建模为两个数学集合中的元素。这样，在一个实施例中，经典的Hausdorff度量可以用于测量两个地震数据集之间的距离(相似性)。利用这种度量，被比较的地震勘测中的片块的数目和代表性线的数目都不需要精确地匹配。地震勘测可以具有许多，例如数千条地震线。在推荐的(代表性的)地震线的情况下，推荐的数量可以是算法的参数，其可以由用户定义或者由***建议。最终相似性分数可以取决于给定任务。例如，对于噪声衰减，两个地震调查S1和S2之间的相似度D可以被计算为在它们的代表性切片(slice)的相似度之间计算的最大相似度。
在412，实现或执行一个实施例中的方法的硬件处理器可以将其代表性线集在402中接收的调查包括在按照其相似性排序的相似调查的列表中。调查和相关联的信息(例如，包括通过与调查的相似性排序的相似调查的列表)可被存储在知识数据库420中。
图5是说明一个实施例中的地震线推荐器的功能的图。地震图像可以根据定义片块大小(例如，以像素数目)的输入参数被划分为片块，如在502处所示。划分可考虑数据集中的结构的比例。例如，虽然较大的磁贴可以适合于大的结构，但较小的磁贴提供可以捕捉数据集中的小差异的更精细的描述。例如，地震数据集(例如，3维数据阵列)中的地震线(例如，2维数据阵列)503可以被分成块(例如，2维数据阵列)，并且对于每个块505，可以计算纹理描述符(也被称为特征向量)。
对于每个片块，计算特征向量，在504处示出。此特征向量可以是纹理特征，诸如格雷级同现矩阵(GLCM)和局部二进制模式(LBP)或高级模式，诸如混沌、并行和/或另一模式。在518处示出了示例特征向量。特征向量也被称为纹理描述符。可以比较(距离测量)描述地震线的纹理描述符，并且可以建立地震图。在该图表中，顶点表示地震线，边缘表示每对地震线之间的距离。在506，计算包括节点和边的地震图，其中节点代表地震线图像的特征向量，边代表一对地震线图像的特征向量之间的距离。在516示出了示例地震图。在508，基于地震图，计算距离矩阵(邻接矩阵)。该矩阵中的每一列和行代表地震线，单元代表相应的一对地震线图像之间的距离。即，每个单元对应于由每行、列对表示的地震线之间的距离。
在510处，可以例如取决于在512处使用的聚类算法来执行可选的特征提取。例如，对于例如K均值群集算法等方法，可计算在508处产生的距离矩阵的本征值和本征向量。特征值和特征向量被用作将地震数据集分成相似区域的聚类算法的输入。在一个方面中，本征向量解释方差的大部分。相似层级聚类的算法可被馈送在508处生成的距离矩阵。
在512，执行聚类算法以对地震数据集的地震线进行分组。在514，可以选择和呈现或输出来自每个组的代表性地震线。例如，从每个组中获取代表性的地震线，例如，最接近该组的平均值或中值的地震线图像。图5所示的处理可以对多个地震数据集或体积(volume)中的每一个进行。
图6是说明一个实施例中用于特征向量计算的模式提取方法的图。例如，图5中504处的特征向量产生可实施图6中所示的方法，图6展示一个实施例中的高级纹理图案提取。在602，选择图像片块用于处理。可对所有片块执行图6中所示的方法。在604处，针对片块计算梯度定向和量值。在606处，将高斯混合模型拟合到定向数据。在608处，提取主要定向且分析其对应像素位置(质心)。在610处，量值、定向和位置馈送一组模糊集，所述模糊集返回每一高级别模式的成员资格值。例如，使用模糊集来计算每一可能模式的得分。在612，基于成员资格值确定最终分数。在604处计算的数据可以在610处直接使用，如由从604到610的箭头所示。在另一方面中，610处的步骤可使用通过606和608处的处理导出的数据。
图7是说明一个实施例中用于特征向量计算的模式提取的另一图。例如，图5中504处的特征向量产生可实施图7中所示的方法，图7展示一个实施例中的高级结构模式提取。在702处，选择图像块并再次将其划分成子图像块。在704处，针对每一子片块计算梯度定向和量值。在706处，将高斯混合模型拟合到定向数据。在708处，提取主要取向并且分析其对应的像素位置(质心)。在710处，量值、定向和位置馈送一组模糊集，所述模糊集返回每一高级别模式的成员资格值。例如，使用模糊集来计算每一可能模式的得分。在712，基于成员资格值和由该模式覆盖的原始图块的百分比来确定最终分数。
图8是图解在一个实施例中确定地震数据表示的方法的图。所述方法可由例如与存储器装置耦合的硬件处理器实施或执行。在802，可以接收地震数据集和有待用地震数据集执行的任务。地震数据集可以是地震调查，例如地球区域、地下的图像扫描。在804，生成代表地震数据集的代表性地震线。代表性的地震线包括表示地震数据集的像素数据。代表性地震线可以是一组代表性地震线，例如，一个或多个代表性地震线。可以允许用户评估生成的代表性地震线，并改变参数并重复生成以便返回不同的代表性地震线。在806，基于代表性的地震线，可以执行任务。在一个方面，该任务可以包括通过将代表性地震线与相似地震数据集的代表性地震线相比较，通过搜索在存储在存储设备上的地震数据库中存在的相似地震数据集，至少找到模拟的地质区域。在另一方面，任务可以包括生成机器学习模型，该机器学习模型基于代表性地震线对与地震数据集合相对应的区域中的地质结构进行分类。生成机器学习模型可以包括：检索与相似地震数据集相关联的至少一个现有机器学习模型，以及通过使用代表性地震线的像素数据作为训练数据，用代表性地震线的像素数据细化现有机器学习模型。
在一个方面，代表性地震线可以如下产生。地震数据集的每个地震线可以被分成n行乘m列的片块，其中n和m是配置的整数。可以计算与每个片块相关联的特征值，并且可以基于与地震线的片块相关联的特征值来生成与地震线相关联的特征向量。例如，可以将地震线的所有特征值附加到特征向量中。可以生成图，该图包括表示地震线的节点和表示边缘连接的节点的特征向量之间的距离的节点之间的边缘。可以生成表示该图的邻接矩阵。地震线(图的节点)可以通过基于邻接矩阵执行无监督聚类算法来聚类。可以从至少一个集群中选择至少一个地震线作为该集群的代表。在一个方面，特征值可以包括地质纹理值。在一个方面，特征值可以包括地质结构值。
图9是表示在一个实施例中确定和提供代表性地震数据的***的部件的图。诸如中央处理单元(CPU)、图形处理单元(GPU)和/或现场可编程门阵列(FPGA)、专用集成电路(ASIC)和/或另一处理器的一个或多个硬件处理器902可以与存储器设备904耦合，并且生成给定地震数据集合的一组代表性地震线。待执行的任务还可由一个或多个处理器902接收。存储器装置904可包含随机存取存储器(RAM)、只读存储器(ROM)或另一存储器装置，且可存储数据和/或处理器指令以用于实施与本文所描述的方法和/或***相关联的不同功能性。一个或多个处理器902可执行存储在存储器中或从另一计算机设备或介质接收的计算机指令。存储器设备904可以例如存储用于运行一个或多个硬件处理器902的指令和/或数据，并且可以包括操作***和其他指令和/或数据程序。一个或多个硬件处理器902可以接收输入的地震数据或数据集以及要执行的任务。至少一个硬件处理器902可以例如使用回归技术或另一技术来生成预测聊天线程增量的预测模型。在一个方面，知识库和地震数据库可以被存储在存储设备906上或者经由网络接口908从远程设备接收，并且可以被临时加载到存储器设备904中，用于生成一组代表性的地震线和/或其他操作。一个或多个硬件处理器902还可以建立机器学习模型，该机器学习模型可以被存储在存储设备906上并且被加载到存储器设备904，例如，以供一个或多个硬件处理器902执行。一个或多个硬件处理器902可以与接口设备耦合，所述接口设备诸如用于例如经由网络与远程***通信的网络接口908和用于与诸如键盘、鼠标、显示器和/或其他的输入和/或输出设备通信的输入/输出接口910。
图10示出可实现本公开的一个实施例中的***的示例计算机或处理***的示意图。计算机***仅是合适的处理***的一个示例，并且不旨在对本文所描述的方法的实施例的使用范围或功能提出任何限制。所示的处理***可以与许多其他通用或专用计算***环境或配置一起操作。可适合于与图10中所示的处理***一起使用的众所周知的计算***、环境和/或配置的实例可包含，但不限于个人计算机***、服务器计算机***、瘦客户机、厚客户机，手持式或膝上型设备、多处理器***、基于微处理器的***、机顶盒、可编程消费电子产品，网络PC、小型计算机***、大型计算机***和包括任何上述***或设备的分布式云计算环境，等等。
计算机***可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般上下文中描述。一般而言，程序模块可包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算机***可以在分布式云计算环境中实践，其中任务由通过通信网络链接的远程处理设备来执行。在分布式云计算环境中，程序模块可位于包括存储器存储设备的本地和远程计算机***存储媒质两者中。
计算机***的组件可包含(但不限于)一个或一个以上处理器或处理单元12、***存储器16以及将包含***存储器16的不同***组件耦合到处理器12的总线14。处理器12可包含执行本文所描述的方法的模块30。模块30可以被编程到处理器12的集成电路中，或者从存储器16、存储设备18或网络24或其组合加载。
总线14可表示若干类型的总线结构中的任一者中的一或多者，包含存储器总线或存储器控制器、***总线、加速图形端口和使用多种总线架构中的任一者的处理器或局部总线。作为示例而非限制，此类架构包括工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和***组件互连(PCI)总线。
计算机***可包括各种计算机***可读媒质。这样的介质可以是可由计算机***访问的任何可用介质，并且它可以包括易失性和非易失性介质、可移动和不可移动介质两者。
***存储器16可包括易失性存储器形式的计算机***可读媒质，诸如随机存取存储器(RAM)和/或高速缓冲存储器或其他。计算机***还可以包括其他可移动/不可移动、易失性/非易失性计算机***存储媒质。仅通过举例的方式，可以提供存储***18用于从不可移动、非易失性磁介质(例如，“硬盘驱动器”)读取和向其写入。尽管未示出，可以提供用于读写可移动非易失性磁盘(例如，“软盘”)的磁盘驱动器以及用于读写诸如CD-ROM、DVD-ROM或其他光学介质之类的可移动非易失性光盘的光盘驱动器。在这样的实例中，每一个都可以通过一个或多个数据介质接口连接到总线14。
计算机***还可以与一个或多个外部设备26(诸如键盘、定点设备、显示器28等)通信；使得用户能够与计算机***交互的一个或多个设备；和/或使得计算机***能够与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)。这样的通信可以经由输入/输出(I/O)接口20发生。
此外，计算机***可以经由网络适配器22与诸如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如，互联网)之类的一个或多个网络24通信。如图所示，网络适配器22通过总线14与计算机***的其他组件通信。应当理解，虽然未示出，但是其他硬件和/或软件组件可以与计算机***结合使用。示例包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动器阵列、RAID***、磁带驱动器和数据归档存储***等。
本发明可以是***、方法和/或计算机程序产品。所述计算机程序产品可包含上面具有计算机可读程序指令的计算机可读存储媒体(或媒体)，所述计算机可读程序指令用于致使处理器执行本发明的方面。
计算机可读存储媒质可以是可以保留和存储指令以供指令执行设备使用的有形设备。计算机可读存储媒质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述各项的任何合适的组合。计算机可读存储媒质的更具体例子的非穷举列表包括以下：便携式计算机盘，硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)，静态随机存取存储器(SRAM)、便携式致密盘只读存储器(CD-ROM)，数字通用盘(DVD)、记忆棒、软盘、机械编码设备(诸如穿孔卡片)或具有记录在其上的指令的凹槽中的凸起结构)，以及上述的任意合适的组合。如本文中所使用的计算机可读存储媒质不应被解释为瞬态信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输媒质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过导线传输的电信号。
本文所述的计算机可读程序指令可从计算机可读存储介质下载到相应的计算/处理设备，或经由网络(例如，互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储媒质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令，指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，或者以一种或多种编程语言的任意组合编写的源代码或目标代码，包括面向对象的Smalltalk、C++等编程语言，以及常规的过程式编程语言，例如“C”编程语言或相似的编程语言。计算机可读程序指令可完全在用户”的计算机上执行、部分在用户”的计算机上执行、作为独立软件包执行、部分在用户”的计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一种情形中，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。在一些实施例中，电子电路(包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化，以便执行本发明的方面。
本文中参考根据本发明的实施例的方法、设备(***)和计算机程序产品的流程图说明和/或框图描述本发明的方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机的处理器，专用计算机或其他可编程数据处理装置，以产生机器，其通过计算机或其他可编程数据处理装置的处理器执行，创建用于实现在流程图和/或方框图的一个或多个方框中指定的功能/动作的装置。这些计算机可读程序指令还可存储在可指导计算机的计算机可读存储媒质中，可编程数据处理装置，和/或以特定方式起作用的其他设备，使得具有存储在其中的指令的计算机可读存储媒质包括制品，该制品包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各方面的指令。
计算机可读程序指令还可以加载到计算机、其他可编程数据处理装置上，或使得在计算机上执行一系列操作步骤的其他装置，其他可编程装置或其他设备，以产生计算机实现的过程，使得在计算机上执行的指令，其他可编程装置或其他设备实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图图示了根据本发明的不同实施例的***、方法和计算机程序产品的可能实现的架构、功能和操作。对此，流程图或框图中的每个方框可以代表模块、段或指令的一部分，其包括用于实现规定的逻辑功能的一个或多个可执行指令。在一些替代实现方式中，框中所标注的功能可以不以图中所标注的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行。还将注意的是，框图和/或流程图中的每个框、以及框图和/或流程图中的框的组合可以由基于专用硬件的***来实现，所述基于专用硬件的***执行指定的功能或动作或执行专用硬件与计算机指令的组合。
在此使用的术语仅用于描述具体实施例的目的并且不旨在限制本发明。如在此使用的，单数形式“一个”、“一种”和“该”旨在也包括复数形式，除非上下文另外清楚地指示。将进一步理解的是，当在本文中使用时，术语“包括(comprise)”、“包括(comprises)”、“包括(comprising)”、“包括(includes)”、“包括(includes)”、“包括(including)”和/或“具有(having)”可以指定所述特征、整数、步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组的存在或添加。
在以下权利要求中，所有装置或步骤加上功能元件(如果有的话)的相应结构、材料、动作和等效物旨在包括用于结合如具体要求保护的其他要求保护的元件来执行功能的任何结构、材料或动作。本发明的描述是出于说明和描述的目的而呈现的，但不旨在是穷尽性的或局限于所披露的形式的本发明。在不脱离本发明的范围的情况下，许多修改和变化对本领域的普通技术人员而言将是显而易见的。选择和描述实施例以便最好地解释本发明的原理和实际应用，并且使得本领域普通技术人员能够针对具有适合于所考虑的特定用途的不同修改的不同实施例理解本发明。

Claims (13)

1.一种用于图像处理的计算机实现的方法，所述方法包括：
接收地震数据集和要用地震数据集执行的任务；
生成代表所述地震数据集的代表性地震线，所述代表性地震线指示代表所述地震数据集的像素数据，所述地震线包括沿着直线或交叉线或时间/深度轴线截取的三维地震调查的垂直切片或区段；以及
基于该代表性地震线，执行所述任务，所述任务指示通过将该代表性地震线与相似地震数据集的代表性地震线相比较，通过搜索存在于地震数据库中的相似地震数据集来至少找到相似的地质区域，
其中生成代表所述地震数据集的代表性地震线包括：
对于该地震数据集中的每一条地震线，将该地震线分成n行乘m列的片块，其中，n和m是配置的整数，计算与所述片块中的每个片块相关联的特征值，以及生成指示与所述片块相关联的特征值的特征向量，其中地震线与特征向量相关联；
生成具有代表地震线的节点和表示边缘连接的节点的特征向量之间的距离的节点之间的边缘的图形；
计算代表所述图形的邻接矩阵；
通过基于所述邻接矩阵执行无监督聚类算法对这些地震线进行聚类；以及
从代表所述至少一个集群的至少一个集群中选择至少一条地震线。
2.如权利要求1所述的计算机实现的方法，其中该任务还包括生成机器学习模型，所述机器学习模型基于该代表性地震线对与该地震数据集相对应的区域中的地质结构进行分类。
3.如权利要求2所述的计算机实现的方法，其中生成机器学习模型包括检索与相似地震数据集相关联的至少一个现有机器学习模型，并且通过使用代表性地震线的像素数据作为训练数据，用代表性地震线的像素数据细化现有机器学习模型。
4.如前述权利要求任一项所述的计算机实现的方法，其中生成代表性地震线包括基于接收不同的参数数据再生成代表性地震线。
5.如权利要求1所述的计算机实现的方法，其中所述特征值包括地质纹理值。
6.如权利要求1所述的计算机实现的方法，其中所述特征值包括地质结构值。
7.一种用于图像处理的***，所述***包括：
至少一个硬件处理器；以及
与所述至少一个硬件处理器耦合的存储器设备；
所述至少一个硬件处理器被配置为至少：
接收地震数据集和要用地震数据集执行的任务；
生成代表该地震数据集的代表性地震线，该代表性地震线指示代表该地震数据集的像素数据，所述地震线包括沿着直线或交叉线或时间/深度轴线截取的三维地震调查的垂直切片或区段；以及
基于该代表性地震线，执行所述任务，所述任务指示通过将该代表性地震线与相似地震数据集的代表性地震线相比较，通过搜索存在于地震数据库中的相似地震数据集来至少找到相似的地质区域，
其中该至少一个硬件处理器通过以下步骤生成该代表性地震线：
对于该地震数据集中的每一条地震线，将该地震线分成n行乘m列的片块，其中，n和m是配置的整数，计算与所述片块中的每个片块相关联的特征值，以及生成指示与所述片块相关联的特征值的特征向量，其中地震线与特征向量相关联；
生成具有代表地震线的节点和表示边缘连接的节点的特征向量之间的距离的节点之间的边缘的图形；
计算代表所述图形的邻接矩阵；
通过基于所述邻接矩阵执行无监督聚类算法对这些地震线进行聚类；以及
从代表所述至少一个集群的至少一个集群中选择至少一条地震线。
8.如权利要求7所述的***，其中该任务还包括生成机器学习模型，该机器学习模型基于该代表性地震线对与该地震数据集合相对应的区域中的地质结构进行分类。
9.如权利要求8所述的***，其中该至少一个硬件处理器通过检索与该相似地震数据集相关联的至少一个现有机器学习模型，并且通过使用该代表性地震线的像素数据作为训练数据，用该代表性地震线的像素数据细化该现有机器学习模型来生成该机器学习模型。
10.如权利要求7或8之一所述的***，其中该至少一个硬件处理器响应于接收不同的参数数据再生成该代表性的地震线。
11.如权利要求7所述的***，其中，所述特征值包括地质纹理值。
12.如权利要求7所述的***，其中，所述特征值包括地质结构值。
13.一种计算机可读存储介质，所述计算机可读存储介质由处理电路可读并且存储用于由所述处理电路执行以便执行根据权利要求1至6中任一项所述的方法的指令。
CN202080019153.4A 2019-03-08 2020-03-05 地震数据表示和比较 Active CN113557450B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/297,118 US11500118B2 (en) 2019-03-08 2019-03-08 Seismic data representation and comparison
US16/297,118 2019-03-08
PCT/EP2020/055841 WO2020182606A1 (en) 2019-03-08 2020-03-05 Seismic data representation and comparison

Publications (2)

Publication Number Publication Date
CN113557450A CN113557450A (zh) 2021-10-26
CN113557450B true CN113557450B (zh) 2024-03-08

Family

ID=69844795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080019153.4A Active CN113557450B (zh) 2019-03-08 2020-03-05 地震数据表示和比较

Country Status (7)

Country Link
US (1) US11500118B2 (zh)
EP (1) EP3935416B1 (zh)
JP (1) JP7431492B2 (zh)
KR (1) KR102654375B1 (zh)
CN (1) CN113557450B (zh)
AU (1) AU2020239165B2 (zh)
WO (1) WO2020182606A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2579854B (en) 2018-12-18 2021-06-16 Equinor Energy As Method of analysing seismic data to detect hydrocarbons
US11386143B2 (en) 2019-08-30 2022-07-12 International Business Machines Corporation Searching for analogue subsurface structures based on topological knowledge representation (TKR)
US11403495B2 (en) * 2019-11-26 2022-08-02 Board Of Regents, The University Of Texas System Using synthetic data sets to train a neural network for three-dimensional seismic fault segmentation
EP4321905A1 (en) * 2022-08-11 2024-02-14 International Business Machines Corporation System and method for storage and retrieval of subsurface rock physical property prediction models using seismic interpretation

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106415321A (zh) * 2014-06-23 2017-02-15 雪佛龙美国公司 用于储层建模的基于瞬时等时属性的地质体识别
CN107110991A (zh) * 2015-01-13 2017-08-29 雪佛龙美国公司 用于根据地震数据生成沉积序列体的***和方法
CN108139497A (zh) * 2015-07-22 2018-06-08 费尔菲尔德工业公司 用于使用3d角道集检测地下特征的***和方法
CN108291977A (zh) * 2015-10-15 2018-07-17 Bp北美公司 在地震成像中通过照明的交互式图像加权

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6138075A (en) 1998-08-05 2000-10-24 Landmark Graphics Corporation Methods and apparatus for analyzing seismic data
US6480790B1 (en) * 1999-10-29 2002-11-12 Exxonmobil Upstream Research Company Process for constructing three-dimensional geologic models having adjustable geologic interfaces
DE10142785C2 (de) 2001-08-31 2003-07-03 Henning Trappe Verfahren zur Bestimmung lokaler Ähnlichkeit aus seismischen 3D-Meßdaten
US7184991B1 (en) 2002-07-12 2007-02-27 Chroma Energy, Inc. Pattern recognition applied to oil exploration and production
FR2850759B1 (fr) 2003-02-04 2005-03-11 Inst Francais Du Petrole Methode pour mesurer les similarites locales entre plusieurs cubes de traces sismiques
WO2012135043A1 (en) 2011-03-25 2012-10-04 Fairfield Industries Incorporated Detecting structural and stratigraphic information from seismic data
US20140118350A1 (en) * 2011-07-20 2014-05-01 Matthias Imhof Seismic Pattern Recognition Using Attributed Relational Graphs
US9239395B2 (en) * 2012-03-31 2016-01-19 University Of Science And Technology Of China Method and system of determining earthquake parameters, earthquake search engine
FR2989804B1 (fr) 2012-04-20 2014-05-23 Spie Oil & Gas Services Procede de reconstruction de donnees a partir d'une image en couleur a laquelle est associee de la donnee.
WO2014070296A1 (en) 2012-11-02 2014-05-08 Exxonmobil Upstream Research Company Analyzing seismic data
US9952340B2 (en) * 2013-03-15 2018-04-24 General Electric Company Context based geo-seismic object identification
US10139507B2 (en) 2015-04-24 2018-11-27 Exxonmobil Upstream Research Company Seismic stratigraphic surface classification
US10121096B2 (en) * 2016-07-29 2018-11-06 International Business Machines Corporation Steering seismic texture analysis algorithms using expert input
EP3526629B1 (en) 2016-10-14 2020-11-25 Chevron U.S.A. Inc. System and method for seismic facies identification using machine learning
EP3580586A1 (en) 2017-02-09 2019-12-18 Services Pétroliers Schlumberger Geophysical deep learning
CN106997466B (zh) * 2017-04-12 2021-05-04 百度在线网络技术（北京）有限公司 用于检测道路的方法和装置
US10990882B2 (en) * 2017-07-28 2021-04-27 International Business Machines Corporation Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base
US10996372B2 (en) * 2017-08-25 2021-05-04 Exxonmobil Upstream Research Company Geophysical inversion with convolutional neural networks
CN109086773B (zh) 2018-08-29 2022-03-04 电子科技大学 基于全卷积神经网络的断层面识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106415321A (zh) * 2014-06-23 2017-02-15 雪佛龙美国公司 用于储层建模的基于瞬时等时属性的地质体识别
CN107110991A (zh) * 2015-01-13 2017-08-29 雪佛龙美国公司 用于根据地震数据生成沉积序列体的***和方法
CN108139497A (zh) * 2015-07-22 2018-06-08 费尔菲尔德工业公司 用于使用3d角道集检测地下特征的***和方法
CN108291977A (zh) * 2015-10-15 2018-07-17 Bp北美公司 在地震成像中通过照明的交互式图像加权

Also Published As

Publication number Publication date
EP3935416B1 (en) 2023-08-23
US20200284936A1 (en) 2020-09-10
WO2020182606A1 (en) 2020-09-17
CN113557450A (zh) 2021-10-26
KR102654375B1 (ko) 2024-04-04
AU2020239165A1 (en) 2021-09-30
US11500118B2 (en) 2022-11-15
JP7431492B2 (ja) 2024-02-15
AU2020239165B2 (en) 2023-07-13
KR20210127239A (ko) 2021-10-21
JP2022524732A (ja) 2022-05-10
EP3935416A1 (en) 2022-01-12

Similar Documents

Publication Publication Date Title
CN113557450B (zh) 地震数据表示和比较
US7184991B1 (en) Pattern recognition applied to oil exploration and production
Di et al. Multi-attribute k-means clustering for salt-boundary delineation from three-dimensional seismic data
US10036820B2 (en) Expert guided knowledge acquisition system for analyzing seismic data
US20150355353A1 (en) Detecting subsurface structures
US20210302606A1 (en) Method and system for automated velocity model updating using machine learning
US11086035B2 (en) Clustering algorithm for geoscience data fusion
EP3674870A1 (en) Learning a neural network for inference of editable feature trees
US10838094B2 (en) Outlier detection for identification of anomalous cross-attribute clusters
US20210247535A1 (en) Subsurface Fault Extraction Using Undirected Graphs
Mattéo et al. Automatic fault mapping in remote optical images and topographic data with deep learning
Kaur et al. A deep learning framework for seismic facies classification
US10605940B2 (en) Method for selecting horizon surfaces
US10360215B1 (en) Methods and apparatus for parallel evaluation of pattern queries over large N-dimensional datasets to identify features of interest
US10657145B2 (en) Clustering facets on a two-dimensional facet cube for text mining
Hadiloo et al. SeisART software: seismic facies analysis by contributing interpreter and computer
US10082588B2 (en) Adaptive structure-oriented operator
de Mesquita et al. Identifying salt stratifications performing the machine learning approach over seismic attributes
Bogen et al. Using Interactive Visualization and Machine Learning for Seismic Interpretation
Karakavak et al. Seismic Microzonation and Future Forecasting of Earthquakes in Western Anatolia through K-Means Clustering Analysis with Magnitude Volatility Detection by Entropy Approaches
조재민 Designing Progressive Visualization Systems for Exploring Large-scale Data
Afzal Analyzing clustering performance using visualization
Ghosh Extraction of underlying geological structure from seismic data using data mining techniques
WO2024030422A1 (en) Generating realistic synthetic seismic data items
Cassel Machine Learning and the Construction of a Seismic Attribute-seismic Facies Analysis Data Base

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