CN115310515A - 一种基于生成对抗网络的含断层标记地震数据样本集增广方法 - Google Patents
一种基于生成对抗网络的含断层标记地震数据样本集增广方法 Download PDFInfo
- Publication number
- CN115310515A CN115310515A CN202210795890.4A CN202210795890A CN115310515A CN 115310515 A CN115310515 A CN 115310515A CN 202210795890 A CN202210795890 A CN 202210795890A CN 115310515 A CN115310515 A CN 115310515A
- Authority
- CN
- China
- Prior art keywords
- seismic data
- fault
- generator
- discriminator
- sample set
- 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
Links
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于生成对抗网络的含断层标记地震数据样本集增广方法,具体涉及地球物理技术领域。本发明通过在实测地震数据中提取断层地震数据及其标签,构建断层地震数据样本集后,再构建含有生成器和判别器的对抗网络模型,利用断层地震数据样本集训练对抗网络模型的生成器和判别器,并采用训练后的对抗网络模型构建地震数据增广模型对断层地震数据样本集进行数据增广,批量生成断层地震数据后,评价地震数据增广模型生成断层地震数据的质量。本发明基于深度学习方法实现了对断层地震数据的增广处理,生成与实际地震数据特征一致性较高的断层地震数据样本,有效提高了深度学习网络训练数据的多样性和稳定性,为地震模型的训练奠定了基础。
Description
技术领域
本发明涉及地球物理技术领域,具体涉及一种基于生成对抗网络的含断层标记地震数据样本集增广方法。
背景技术
近年来,人工智能作为一种新的数据驱动技术,其在多个领域的应用均取得了不错的成果,多次波和随机噪音的去除已成为人工智能应用于地球物理学领域的热点。
传统方法一般通过分析和提取有效信号和噪声之间的特征差异,人工设计滤波器去除噪声,而人工智能方法可以提供端到端的去噪能力,将改进的成熟网路结构应用到去噪中,同时,人工智能方法还能被应用到数据的恢复和重构中,通过随机或者规律性的抽取地震记录或地震剖面中的道数据,借用采用完整数据训练出的深度神经网络恢复缺失数据的完整性。人工智能方法应用于初至波拾取处理中,改善了初至波的拾取精度,特别是对低能量、低信噪比、相位变化的实际数据具有优势。有些方法将初至波拾取视为分类问题,将每个时间节点视为一类;有些方法将每个时间节点视为一个二分类节点,将初至时间标定为1、其他时间标定为0,增加网络的稳定性;有些方法则将初至波视为一个整体,采用分割网络拾取整条记录的初值信息。在成像和反演领域,有些学者希望通过构建深度神经网络直接从速度模型得到地震数据或者从地震数据直接反演出速度模型,但受各种因素的限制,该方法很难应用于实际处理中;有些学者采用RNN模拟地震波在介质中的传播,通过上一时刻的波长推断下一时刻的波长,从而利用较低的算力快速获取波场模拟结果。在地震解释和属性分析领域,人工智能方法构造解释发展迅速,通过图像变换算法对生成的平层地层进行褶皱和错动,生成较为真实的标签数据,将这些带有标签的断层数据输入至三维分割网络中进行训练,得到对实际三维资料断层时间识别具有较好效果的神经网络模型。
然而,人工智能方法需要大量的真实数据作为支撑,训练样本集的完善以及与真实数据之间的差异将直接影响神经网络模型的实际应用效果。虽然地震勘探存在海量的数据,但是这些数据多数无法公开且未标注,难以用于训练神经网络中。针对这一问题,很多学者提出了自己的解决方案。例如,在去噪过程中先利用传统方法处理形成无噪声数据,再向无噪声数据中添加白噪声数据作为噪声数据训练采用人工智能方法构建的神经网络,该方法虽然能够有效训练出去除白噪声的模型,但是其跨工区泛化能力较弱且无法脱离传统方法的束缚;在初至拾取过程中,有些学者通过对实际资料标注后,将标注好的记录拆散后再随机组合用于训练神经网络,该方法虽然只需要少量标注的实际资料就能获取大量的样本集,但是该方法获取的样本集存在道间连续性差的问题,难以泛化至其他记录中;有些学者还提出了以褶积记录为基础,通过对褶积记录进行变形和修饰获取与实际资料相类似的炮集记录,该方法形成的数据集在地震数据道数较少时能够很好的模拟实际地震数据,当地震数据道数较多时,即记录时间较长时,该方法内部随机生成的反射波同向轴与实际地震数据相差很大,此时数据集对神经网络的训练效果很差,无法应用于训练神经网络中。采用人工智能方法反演正反过程时,常常采用正演模拟获取样本集,而正演模拟方法计算量巨大,仅能为简单模型提供数据集,而对于断层解释而言,通过对标注后的实际资料进行旋转缩放虽然能够增广样本的数量,但是这种方法泛化能力较差,适用测线单一。
综上所述,采用人工智能方法训练神经网络模型时存在训练样本集数据不足的问题,限制了神经网络模型的训练效果。因此,亟需提出一种基于生成对抗网络的含断层标记地震数据样本集增广方法,通过对模拟地震数据的样本集进行增广,增加样本集中数据的多样性,提高神经网络的训练效果。
发明内容
本发明针对采用人工智能方法训练神经网络模型时训练样本集数据不足的问题,提出了一种基于生成对抗网络的含断层标记地震数据样本集增广方法,基于深度学习方法实现了对断层地震数据的增广处理,且生成的断层地震数据具有实际地震数据的特征,有效提高了深度学习网络训练数据的多样性,有利于后续对于断层识别模型的训练。
本发明采用以下的技术方案:
一种基于生成对抗网络的含断层标记地震数据样本集增广方法,具体包括以下步骤:
步骤1,获取实测地震数据,从实测地震数据中提取断层地震数据及其标签,构建断层地震数据样本集;
步骤2,构建对抗网络模型,利用断层地震数据样本集训练对抗网络模型的生成器和判别器;
步骤3,对抗网络模型训练完成后,采用训练后的对抗网络模型构建地震数据增广模型,将断层地震数据样本集输入地震数据增广模型中,利用地震数据增广模型批量生成断层地震数据,对断层地震数据样本集进行数据增广;
步骤4,采用Wasserstein距离作为对抗网络模型训练效果的评价指标,评价地震数据增广模型生成断层地震数据的质量。
优选地,所述步骤2中,具体包括以下步骤:
步骤2.1,构建包含生成器和判别器的对抗网络模型,初始化设置对抗网络模型中的权重和超参数,再分别设置生成器和判别器;
步骤2.2,在断层地震数据样本集中选取断层地震数据输入生成器中,利用生成器生成假断层地震数据形成假图像;
步骤2.3,保持对抗网络模型中判别器的参数不变,设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像,根据步骤2.2中选取的断层地震数据获取真实地层的地震图像样本,将生成器生成的假图像和真实地层的地震图像样本共同输入判别器中,若判别器能够判断出生成器生成的假图像,则调整生成器的参数,返回步骤2.2中继续训练生成器,若判别器无法判断出生成器生成的假图像,则进入步骤2.4中;
步骤2.4,保持对抗网络模型中生成器的参数不变,设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像,在断层地震数据样本集中选取断层地震数据输入生成器中生成假图像,同时,将根据选取的断层地震数据获取真实地层的地震图像样本,判别器根据真实地层的地震图像样本对生成器生成的假图像进行判断,若判别器无法判断出生成器生成的假图像,则返回步骤2.4中继续训练判别器;若判别器能够判断出生成器生成的假图像,则进入步骤2.5;
步骤2.5,停止训练对抗网络模型。
优选地,所述生成器和判别器均使用Adam作为优化器;生成器中设置有多个依次连接的卷积层,各卷积层共同构成U形网络结构,U形网络结构与生成器的输出层相连接,生成器的输出层设置为转置卷积层;判别器中设置有多个依次连接的卷积层,各卷积层共同构成倒金字塔形网络结构,判别器中还设置有dropout层;直接使用卷积层连接生成器的输入层和判别器的输出层,生成器中除了输出层使用Tanh激活函数,其他层均使用ReLU激活函数,判别器中全部使用Leaky ReLU激活函数;
生成器中使用转置卷积层、归一化层和RuLu激活函数层进行上采样,用于提取断层地震数据的特征,使用卷积层、归一化层和LeakyReLUL激活函数层进行下采样,用于重构断层地震数据。
优选地,所述步骤3中,地震数据增广模型批量生成的断层地震数据为带有标签的振幅数据。
优选地,所述步骤4中,Wasserstein距离计算公式为:
式中,W(pr,pg)为真实地层的地震图像与生成器生成图像之间的差异程度,γ∈Π(pr,pg)为(pr,pg)的联合分布集合,(x,y)~γ为取样结果,x为真实地层地震图像中的样本,y为生成器生成图像中的样本,||x-y||为样本x与样本y之间的距离,为联合分布y下样本对Wasserstein距离的期望值,γ∈Π(pr,pg))为Wasserstein距离期望值的下限。
本发明具有如下有益效果:
本发明提出了一种基于生成对抗网络的含断层标记地震数据样本集增广方法,通过构建深度学习模型,通过对抗博弈的方式训练深度学习网络,用于对含断层标记的地震数据进行增广,既增加了断层地震数据的稳定性,又提高了断层地震数据的多样性。同时,本发明方法生成的断层地震数据与实测地震资料具有较高的一致性,能够有效反映实际地震资料的特征,有利于快速有效的训练深度学习网络对断层地震数据的识别,提高了基于深度学习网络检测地震数据的精度,有效解决了对抗网络深度学习过程中训练样本集数据不足的问题。
附图说明
图1为本发明一种基于生成对抗网络的含断层标记地震数据样本集增广方法的流程图。
图2为本发明对抗网络模型中地震数据样本增广网络模型的示意图。
图3为本发明基于生成对抗网络的含断层标记地震数据样本集增广的判别式分布图。
图4为本发明生成含断层标记地震数据样本与实际地震数据的对比图。
具体实施方式
下面结合附图和某研究区为例,对本发明的具体实施方式做进一步说明:
以某区域实地采集的地震数据为例,采用本发明提出的一种基于生成对抗网络的含断层标记地震数据样本集增广方法,如图1所示,具体包括以下步骤:
步骤1,根据实测地震数据,从实测地震数据中提取断层地震数据及其标签,构建断层地震数据样本集,即构建得到了含断层标记的地震数据样本集。
步骤2,构建对抗网络模型,并利用步骤1中构建的断层地震数据样本集训练对抗网络模型的生成器和判别器,具体包括以下步骤:
步骤2.1,构建包含生成器和判别器的对抗网络模型,并对对抗网络模型中的权重和超参数进行初始化设置。
本实施例中基于tensorflow2框架构建对抗神经网络,对抗网络模型具体包括设置有生成器和判别器,生成器和判别器中均使用Adam作为优化器,生成器和判别器的学习率分别设置为2×10-4和2×10-5,动量参数beta1均设置为0.5,用于进行增广处理的地震数据样本集大小为[128,128]。
生成器中设置有多个依次连接的卷积层,各卷积层共同构成U形网络结构,U形网络结构与生成器的输出层相连接,生成器的输出层设置为转置卷积层;判别器中设置有多个依次连接的卷积层,各卷积层共同构成倒金字塔形网络结构,判别器中还设置有dropout层,用于保证训练过程中对抗网络的稳定性,避免对抗网络陷入局部极值影响判别器的判别性能。判别器的输入为两个维度为256×256×1的二维向量,分别代表振幅数据及其对应的标签,振幅数据及其对应的标签作为两个向量通过连接层在特征维度进行连接,构成256×256×1的二维向量。直接使用卷积层连接生成器的输入层和判别器的输出层,生成器中除了输出层使用Tanh激活函数,其他层均使用ReLU激活函数,判别器中全部使用LeakyReLU激活函数。
生成器内部结构设置为U形网络,其输入端输入含断层标记地震数据样本,输出端输出对应的振幅数据,生成器中使用转置卷积层、归一化层和RuLu激活函数层进行上采样,用于提取断层地震数据的特征,使用卷积层、归一化层和LeakyReLUL激活函数层进行下采样,用于重构断层地震数据。上采样部分与下采样部分通过连接层相连接,用于传递地震数据的结构信息,避免对抗网络过深所带来的梯度弥散,降低了对抗网络的训练难度。下采样单元不仅可以提取地震数据的特征,还能降低地震数据的大小,通过使用instanceNorm归一化层在采样点层面进行归一化,组合3个下采样单元形成倒金字塔结构的地震数据特征提取结构,特征数依次变为2、64、128、256、512,通过卷积层提取地震数据特征,最终得到[30,30,1]的特征数据。
由于对抗网络模型一般不使用偏置,只使用卷积层的线性部分。本实施例中下采样部分采用8个下采样单元,将地震数据采集到大小为[1,1,512]的特征向量上,上采样部分使用7个上采样单元,各上采样单元分别与对应的下采样单元的结果输出端相连接,用于将地震数据的特征数据输入至下一次训练的上采样单元中,即下采样单元的输出端和上采样单元的输入端相连接,在经过生成器的U形结构网络后,转置卷积层将地震数据中的特征数据转化至数据域,特征层数变为1并使用Tanh激活函数进行激活。
步骤2.2,在断层地震数据样本集中选取断层地震数据输入生成器中,生成器通过不断的反卷积增大图像的大小并添加图像细节,生成假断层地震数据形成假图像。
步骤2.3,保持对抗网络模型中判别器的参数不变,设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像,根据步骤2.2中选取的断层地震数据获取真实地层的地震图像样本,将生成器生成的假图像和真实地层的地震图像样本共同输入判别器中,若判别器能够判断出生成器生成的假图像,则调整生成器的参数,返回步骤2.2中继续训练生成器,若判别器无法判断出生成器生成的假图像,则进入步骤2.4中;
步骤2.4,保持对抗网络模型中生成器的参数不变,设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像,在断层地震数据样本集中选取断层地震数据输入生成器中生成假图像,同时,将根据选取的断层地震数据获取真实地层的地震图像样本,判别器根据真实地层的地震图像样本对生成器生成的假图像进行判断,若判别器无法判断出生成器生成的假图像,则返回步骤2.4中继续训练判别器;若判别器能够判断出生成器生成的假图像,则进入步骤2.5;
步骤2.5,停止训练对抗网络模型。
本实施例利用对抗网络中的生成器和判别器交替学习上升,实现了利用生成器生成真实实测地震图像的目的,如图2所示,已知符合实际地质规律的振幅体数据满足pseis(X|θ)分布,其中,X为振幅体数据,θ为描述振幅体数据分布规律的模型参数。通过对抗网络模型训练出与实际分布规律pseis(X|θ)相近似的分布规律pg(z|θ),并给定符合任一分布规律的参数z,利用生成器进行采样生成与xseis具有相同特征的xfake=G(z),如图3所示。
为了使得概率分布pg(z|θ)与pseis(X|θ)足够接近,本实施例中利用判别器判断输入的地震数据是否与实际地震数据xseis相一致,通过训练判别器,使得其能最大程度的判断输入的数据是否具有实际地震数据的特征,同时,训练生成器使得log(1-D(G(z)))最小,即使得生成器生成的地震数据具有实际地震数据的特征,也就是说,对抗网络模型训练过程中,生成器和判别器存在零和博弈,如式(2)所示:
实际应用过程中训练生成器的成本非常高,因此,仅能先将判别器训练至一个平衡的位置后再训练生成器,当生成器保持不变时判别器状态如式(3)所示:
式中,D(x)存在一个全局最大值使得V(G,D)最大。根据公式(2)可知,训练完成后pdata(x)与pg(x)近似,即pdata(x)=pg(x)。因此,当得到含断层标记地震数据样本集增广判别式分布图,如图3所示。
当判断器调整至最优状态后,对生成器进行优化,由于pdata(x)极其小时,KL散度接近于无穷大,使得对抗网络模型训练十分不稳定,此时采用JS散度代替KL散度,如式(4)所示:
相比于KL散度,JS不仅对称,而且取值范围在[0,1]以内,因此,生成器的损失函数为:
L(G,D*)=2DJS(pr||pg)-2log2 (5)
为了提高对抗网络模型的表达能力,在训练时长足够场的情况下,生成器能够近似表达出实际地震数据的分布特征,此时判别器的概率收敛至1/2。
步骤3,对抗网络模型训练完成后,采用训练后的对抗网络模型fault2seis构建地震数据增广模型,将断层地震数据样本集输入地震数据增广模型中,利用地震数据增广模型批量生成断层地震数据,对断层地震数据样本集进行数据增广,生成高质量的地震数据样本,实现了对断层地震数据样本的增广。
步骤4,由于对抗网络模型训练的稳定性较差,特别是在初始分布与目标分布差异较大时,JS散度作为常数无法获取两种分布的偏离程度,并且网络梯度可能无法向正确的方向下降,最终导致训练的对抗网络模型生成样本的多样性降低甚至无法生成正常的数据。为了解决这一问题,本实施例采用Wasserstein距离作为对抗网络模型训练效果的评价指标,评价地震数据增广模型生成断层地震数据的质量,如式(1)所示:
式中,W(pr,pg)为真实地层的地震图像与生成器生成图像之间的差异程度,γ∈Π(pr,pg)为(pr,pg)的联合分布集合,(x,y)~γ为取样结果,x为真实地层地震图像中的样本,y为生成器生成图像中的样本,||x-y||为样本x与样本y之间的距离,E(x,y)-γ[||x-y||]为联合分布y下样本对Wasserstein距离的期望值,γ∈∏(pr,pg))为Wasserstein距离期望值的下限。
通过将本实施例中采用本发明方法生成含断层标记地震数据样本,并将增广获取的含断层标记地震数据样本与实际地震数据进行对比,如图4所示,得到采用本方法生成的含断层标记地震数据样本具有与实际地震数据相似的结构,且实际地震数据中的褶皱特征也有被对抗网络模型学习到并应用于生成的含断层标记地震数据样本中,本方法生成的地震数据其断层位置与断层标记与实际地震数据的吻合度较高,从而验证了能够采用本方法对地震数据样本进行增广处理,获取与实际地震数据相一致的高质量地震数据样本,有效解决了模型训练过程中训练样本数据不足的问题,为后续地震模型的训练奠定了基础。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于生成对抗网络的含断层标记地震数据样本集增广方法,其特征在于,具体包括以下步骤:
步骤1,获取实测地震数据,从实测地震数据中提取断层地震数据及其标签,构建断层地震数据样本集;
步骤2,构建对抗网络模型,利用断层地震数据样本集训练对抗网络模型的生成器和判别器;
步骤3,对抗网络模型训练完成后,采用训练后的对抗网络模型构建地震数据增广模型,将断层地震数据样本集输入地震数据增广模型中,利用地震数据增广模型批量生成断层地震数据,对断层地震数据样本集进行数据增广;
步骤4,采用Wasserstein距离作为对抗网络模型训练效果的评价指标,评价地震数据增广模型生成断层地震数据的质量。
2.根据权利要求1所述的一种基于生成对抗网络的含断层标记地震数据样本集增广方法,其特征在于,所述步骤2中,具体包括以下步骤:
步骤2.1,构建包含生成器和判别器的对抗网络模型,初始化设置对抗网络模型中的权重和超参数,再分别设置生成器和判别器;
步骤2.2,在断层地震数据样本集中选取断层地震数据输入生成器中,利用生成器生成假断层地震数据形成假图像;
步骤2.3,保持对抗网络模型中判别器的参数不变,设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像,根据步骤2.2中选取的断层地震数据获取真实地层的地震图像样本,将生成器生成的假图像和真实地层的地震图像样本共同输入判别器中,若判别器能够判断出生成器生成的假图像,则调整生成器的参数,返回步骤2.2中继续训练生成器,若判别器无法判断出生成器生成的假图像,则进入步骤2.4中;
步骤2.4,保持对抗网络模型中生成器的参数不变,设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像,在断层地震数据样本集中选取断层地震数据输入生成器中生成假图像,同时,将根据选取的断层地震数据获取真实地层的地震图像样本,判别器根据真实地层的地震图像样本对生成器生成的假图像进行判断,若判别器无法判断出生成器生成的假图像,则返回步骤2.4中继续训练判别器;若判别器能够判断出生成器生成的假图像,则进入步骤2.5;
步骤2.5,停止训练对抗网络模型。
3.根据权利要求2所述的一种基于生成对抗网络的含断层标记地震数据样本集增广方法,其特征在于,所述生成器和判别器均使用Adam作为优化器;生成器中设置有多个依次连接的卷积层,各卷积层共同构成U形网络结构,U形网络结构与生成器的输出层相连接,生成器的输出层设置为转置卷积层;判别器中设置有多个依次连接的卷积层,各卷积层共同构成倒金字塔形网络结构,判别器中还设置有dropout层;直接使用卷积层连接生成器的输入层和判别器的输出层,生成器中除了输出层使用Tanh激活函数,其他层均使用ReLU激活函数,判别器中全部使用Leaky ReLU激活函数;
生成器中使用转置卷积层、归一化层和RuLu激活函数层进行上采样,用于提取断层地震数据的特征,使用卷积层、归一化层和LeakyReLUL激活函数层进行下采样,用于重构断层地震数据。
4.根据权利要求1所述的一种基于生成对抗网络的含断层标记地震数据样本集增广方法,其特征在于,所述步骤3中,地震数据增广模型批量生成的断层地震数据为带有标签的振幅数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795890.4A CN115310515A (zh) | 2022-07-06 | 2022-07-06 | 一种基于生成对抗网络的含断层标记地震数据样本集增广方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795890.4A CN115310515A (zh) | 2022-07-06 | 2022-07-06 | 一种基于生成对抗网络的含断层标记地震数据样本集增广方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310515A true CN115310515A (zh) | 2022-11-08 |
Family
ID=83857202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210795890.4A Pending CN115310515A (zh) | 2022-07-06 | 2022-07-06 | 一种基于生成对抗网络的含断层标记地震数据样本集增广方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310515A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797163A (zh) * | 2023-02-13 | 2023-03-14 | 中国人民解放***箭军工程大学 | 一种基于遥感影像的目标数据跨域反演增广方法 |
CN116736372A (zh) * | 2023-06-05 | 2023-09-12 | 成都理工大学 | 一种基于谱归一化生成对抗网络的地震插值方法及*** |
-
2022
- 2022-07-06 CN CN202210795890.4A patent/CN115310515A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797163A (zh) * | 2023-02-13 | 2023-03-14 | 中国人民解放***箭军工程大学 | 一种基于遥感影像的目标数据跨域反演增广方法 |
CN116736372A (zh) * | 2023-06-05 | 2023-09-12 | 成都理工大学 | 一种基于谱归一化生成对抗网络的地震插值方法及*** |
CN116736372B (zh) * | 2023-06-05 | 2024-01-26 | 成都理工大学 | 一种基于谱归一化生成对抗网络的地震插值方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep-learning inversion of seismic data | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN115310515A (zh) | 一种基于生成对抗网络的含断层标记地震数据样本集增广方法 | |
EP3894906A1 (en) | Training machine learning systems for seismic interpretation | |
CN110516740A (zh) | 一种基于Unet++卷积神经网络的断层识别方法 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测*** | |
CN109932708A (zh) | 一种基于干涉条纹和深度学习的水面水下分类目标的方法 | |
Wang et al. | Seismic velocity inversion transformer | |
CN109712183A (zh) | 基于深度学习的电子散斑干涉智能信息提取方法 | |
CN112946749A (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
CN112733447A (zh) | 一种基于域自适应网络的水下声源定位方法及*** | |
Lu et al. | Improving the image quality of elastic reverse-time migration in the dip-angle domain using deep learning | |
Li et al. | Using GAN priors for ultrahigh resolution seismic inversion | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
CN116068644B (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 | |
Jun Park et al. | Realistic synthetic data generation using neural style transfer: Application to automatic fault interpretation | |
Dixit et al. | Genetic-evolutionary adaptive moment estimation-based semisupervised deep sequential convolution network for seismic impedance inversion: Application and uncertainty analysis | |
CN115267911A (zh) | 一种基于模型与数据驱动深度学习的地震多次波压制方法 | |
CN115700403A (zh) | 一种基于井控半监督深度学习的声波阻抗反演方法及*** | |
Mo et al. | An aliasing-free low-frequency pretrained model for seismic interpolation using a small training set | |
CN113592028A (zh) | 多专家分类委员会机器测井流体识别的方法及*** | |
Gadylshin et al. | Direct estimation of local wavefront attributes using deep learning | |
Yuan et al. | A convolutional neural network for prestack fracture detection | |
Wang et al. | DSU-Net: Dynamic Snake U-Net for 2-D Seismic First Break Picking |
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 |