CN118296448A - 地震相智能识别模型构建方法、装置、设备及存储介质 - Google Patents
地震相智能识别模型构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118296448A CN118296448A CN202310003245.9A CN202310003245A CN118296448A CN 118296448 A CN118296448 A CN 118296448A CN 202310003245 A CN202310003245 A CN 202310003245A CN 118296448 A CN118296448 A CN 118296448A
- Authority
- CN
- China
- Prior art keywords
- seismic
- slice
- sample
- phase
- training data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 84
- 208000035126 Facies Diseases 0.000 claims abstract description 61
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震相智能识别模型构建方法、装置、设备及存储介质。所述方法包括:获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。通过本发明实施例提供的技术方案,可快速构建地震相识别模型,并可通过构建的地震相识别模型对地层切片中的地震相进行智能识别,有效减少了地震相误判的情况发生。
Description
技术领域
本发明涉及地球物理油气勘探技术领域,尤其涉及一种地震相智能识别模型构建方法、装置、设备及存储介质。
背景技术
随着地震勘探技术的发展及历史数据的累积,地震数据量大爆发,传统地震解释面临严峻挑战。目前地震勘探对象日益复杂,目标储层隐蔽性很强,如何快速准确找到这些有利地质目标意义重大。
对于地质体识别而言,现有商业软件主要依赖人工解释,首先根据各种地震属性识别出地质体类型,然后在地震切片上手动标记并提取出目标地质体。人工解释的工作效率极低,人为因素影响比较大。
相关技术中,还存在一些人工智能方法进行地质体识别,主要有图像分类法和语义分割法。其中,图像分类法是从地震数据中抽取子剖面(图像),然后利用卷积神经网络来判别子剖面中主要地质体的类别。该方法需要对每个地震采样点逐个进行分类,子剖面可能不具有代表性,存在效率偏低、地质体连续性差等问题。语义分割法是利用图像分割网络(输入输出大小一致)对地震子剖面中每个采样点分配一个类别。目前该方法主要在地震剖面上进行,由于地质体空间特征不明显,导致该方法的实际应用效果不理想,容易出现地震相误判的情况。
发明内容
本发明提供了一种地震相智能识别模型构建方法、装置、设备及存储介质,可通过构建的地震相识别模型对地层切片中的地震相进行智能识别,有效减少了地震相误判的情况发生。
根据本发明的一方面,提供了一种地震相智能识别模型构建方法,该方法包括:
获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;
基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
根据本发明的另一方面,提供了一种地震相智能识别模型构建装置,该装置包括:
数据对集获取模块,用于获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;
地震相识别模型构建模块,用于基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的地震相智能识别模型构建方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的地震相智能识别模型构建方法。
本发明实施例的地震相智能识别模型构建方案,获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。通过本发明实施例提供的技术方案,可快速构建地震相识别模型,并可通过构建的地震相识别模型对地层切片中的地震相进行智能识别,有效减少了地震相误判的情况发生。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是根据本发明实施例一提供的一种地震相智能识别模型构建方法的流程图;
图2a为本发明实施例提供的样本地层切片示意图;
图2b为本发明实施例提供的与图2a中的样本地层切片对应的样本地震相切片示意图;
图3a为本发明实施例提供的另一样本地层切片示意图;
图3b为本发明实施例提供的与图3a中的样本地层切片对应的样本地震相切片示意图;
图4为本发明实施例提供的三维河道相体示意图;
图5为本发明实施例提供的一种地震相识别过程示意图;
图6是根据本发明实施例二提供的一种地震相智能识别模型构建装置的结构示意图;
图7是实现本发明实施例的地震相智能识别模型构建方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种地震相智能识别模型构建方法的流程图,本实施例可适用于地震相智能识别模型构建情况,该方法可以由地震相智能识别模型构建装置来执行,该地震相智能识别模型构建装置可以采用硬件和/或软件的形式实现,该地震相智能识别模型构建装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片。
其中,地震相训练数据对集可以理解为用于构建地震相识别模型的样本集,地震相训练数据对集中包括至少一组地震相训练数据对,每组地震相训练数据对中包括一个样本地层切片及与样本地层切片对应的样本地震相切片。其中,样本地层切片为包含地层数据的样本图像,样本地震相切片可以是对样本地层切片中的地震相进行标注后的图像。需要说明的是,本发明实施例对地震相训练数据对集中包含的地震相训练数据对的数量不做限定。
可选的,获取地震相训练数据对集,包括:获取至少一个样本地层切片;确定所述样本地层切片中的地震相,并基于所述地震相对所述样本地层切片进行标注,生成与所述样本地层切片对应的样本地震相切片;将所述至少一个样本地层切片及对应的样本地震相切片作为至少一组地震相训练数据对,并基于所述至少一组地震相训练数据对构成地震相训练数据对集。
其中,三维地震数据体包括振幅、频率、相位、曲率、相干、纵波速度、横波速度、纵波阻抗、纵波速度、横波阻抗、纵横波速度比及泊松比中的至少一个地震属性构成的地震数据。样本地层切片可以从同一个三维地震数据体中抽取的地层切片,也可以是从不同三维地震数据体中抽取的地层切片。
可选的,获取至少一个样本地层切片,包括:对目标地层顶底界面进行线性差值,确定至少一个目标层位;在三维地震数据体中抽取所述至少一个目标层位对应的地震数据,并将抽取的至少一个目标层位对应的地震数据作为至少一个样本地层切片。示例性的,对目标地层顶底界面进行线性内插,确定至少一个目标层位,其中,目标层位可以为等时层位,也可以为等距层位。在一个或多个三维地震数据体中沿着目标层位抽取地震数据,也即从三维地震数据体中抽取目标层位所处位置的地震数据。将目标层位对应的地震数据形成的图像作为样本地层切片。其中,样本地层切片可以是在三维地震数据体中沿水平方向抽取的地震数据,也可以是在三维地震数据体中沿竖直方向抽取的地震数据,还可以是在三维地震数据体沿倾斜方向抽取的地震数据。
在本发明实施例中,可以根据人工解释的方式确定样本地层切片中的地震相,并基于地震相对样本地层切片进行标注,生成与样本地层切片对应的样本地震相切片。其中,地层切片中的地震相可以包括河道、断层等。示例性的,图2a为本发明实施例提供的样本地层切片示意图,图2b为本发明实施例提供的与图2a中的样本地层切片对应的样本地震相切片示意图;图3a为本发明实施例提供的另一样本地层切片示意图,图3b为本发明实施例提供的与图3a中的样本地层切片对应的样本地震相切片示意图。如图2b和图3b所示,地震相包括河道和断层,则基于地震相对样本地层切片进行标注时,可以将河道和断层分别以两种不同的颜色标注,将样本地层切片中除河道和断层外的部分以另一种颜色标注。
在本发明实施例中,将一个样本地层切片及对应的样本地震相切片作为一组地震相训练数据对,将各组地震相训练数据对构成的集合作为地震相训练数据对集。
S120、基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
其中,预设机器学习模型可以为卷积神经网络模型,卷积神经网络可以为UNet、FCN、SegNet、Deeplab等网络模型。本发明实施例对预设机器学习模型的网络结构不做限定。
将地震相训练数据对集输入至预设机器学习模型中,以对预设机器学习模型进行迭代训练,直至满足预设机器学习模型中的损失函数值收敛,从而生成地震相识别模型。示例性的,可以将交叉熵函数作为预设机器学习模型中的损失函数,通过交叉熵函数度量预测地震相切片与真实地震相切片的差异,训练过程中可采用随机梯度下降算法进行优化,以使所述损失函数的值最低并得到最优的模型参数,将最优的模型参数构成的预设机器学习模型作为地震相识别模型。
本发明实施例的地震相智能识别模型构建方法,获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。通过本发明实施例提供的技术方案,可快速构建地震相识别模型,并可通过构建的地震相识别模型对地层切片中的地震相进行智能识别,有效减少了地震相误判的情况发生。
在一些实施例中,在生成地震相识别模型之后,还包括:获取待识别的目标地层切片;将所述目标地层切片输入至所述地震相识别模型中,获取所述地震相识别模型输出的目标地震相切片。具体的,获取待识别的目标地层切片,其中,目标地层切片可以为一个,也可为多个。示例性的,可以将从目标三维地震数据体中抽取用户感兴趣的层位的地震数据,作为目标地层切片。将目标地层切片输入至地震相识别模型中,使地震相识别模型对目标地层切片进行分析,从而得到输出结果。其中,输出结果为地震相切片,可以理解的是,地震相切片为与地层切片大小相同的包含的地震相的图像。
可选的,所述目标地层切片为至少一个;在获取所述地震相识别模型输出的目标地震相切片之后,还包括:基于至少一个目标地震相切片构建三维地震相体。具体的,当目标地层切片为多个时,在获取与目标地层切片对应的目标地震相切片后,对多个目标地震相切片进行重构,生成三维地震相体。示例性的,图4为本发明实施例提供的三维河道相体示意图。当然,用户还可以从重构的三维地震相体中随机抽取用户感兴趣的某一个或多个地震相切片。
图5为本发明实施例提供的一种地震相识别过程示意图。如图5所示,地震相识别过程包括以下步骤:
S510、对目标地层顶底界面进行线性差值,确定至少一个目标层位。
S520、在三维地震数据体中抽取所述至少一个目标层位对应的地震数据,并将抽取的至少一个目标层位对应的地震数据作为至少一个样本地层切片。
S530、确定所述样本地层切片中的地震相,并基于所述地震相对所述样本地层切片进行标注,生成与所述样本地层切片对应的样本地震相切片。
S540、将所述至少一个样本地层切片及对应的样本地震相切片作为至少一组地震相训练数据对,并基于所述至少一组地震相训练数据对构成地震相训练数据对集。
S550、基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
S560、获取至少一个待识别的目标地层切片。
S570、将所述目标地层切片输入至所述地震相识别模型中,获取所述地震相识别模型输出的目标地震相切片。
S580、基于至少一个目标地震相切片构建三维地震相体。
实施例二
图6为本发明实施例三提供的一种地震相智能识别模型构建装置的结构示意图。如图6所示,该装置包括:
数据对集获取模块610,用于获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;
地震相识别模型构建模块620,用于基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
所述数据对集获取模块,包括:
样本地层切片获取单元,用于获取至少一个样本地层切片;
样本地震相切片生成单元,用于确定所述样本地层切片中的地震相,并基于所述地震相对所述样本地层切片进行标注,生成与所述样本地层切片对应的样本地震相切片;
数据对集获取单元,用于将所述至少一个样本地层切片及对应的样本地震相切片作为至少一组地震相训练数据对,并基于所述至少一组地震相训练数据对构成地震相训练数据对集。
可选的,所述样本地层切片获取单元,用于:
对目标地层顶底界面进行线性差值,确定至少一个目标层位;
在三维地震数据体中抽取所述至少一个目标层位对应的地震数据,并将抽取的至少一个目标层位对应的地震数据作为至少一个样本地层切片。
可选的,所述三维地震数据体包括振幅、频率、相位、曲率、相干、纵波速度、横波速度、纵波阻抗、纵波速度、横波阻抗、纵横波速度比及泊松比中的至少一个地震属性。
可选的,所述装置还包括:
目标地层切片获取模块,用于在生成地震相识别模型之后,获取待识别的目标地层切片;
目标地震相切片获取模块,用于将所述目标地层切片输入至所述地震相识别模型中,获取所述地震相识别模型输出的目标地震相切片。
可选的,所述目标地层切片为至少一个;
所述装置还包括:
三维地震相体构建模块,用于在获取所述地震相识别模型输出的目标地震相切片之后,基于至少一个目标地震相切片构建三维地震相体。
本发明实施例所提供的地震相智能识别模型构建装置可执行本发明任意实施例所提供的地震相智能识别模型构建方法,具备执行方法相应的功能模块和有益效果。
实施例三
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如地震相智能识别模型构建方法。
在一些实施例中,地震相智能识别模型构建方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的地震相智能识别模型构建方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地震相智能识别模型构建方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种地震相智能识别模型构建方法,其特征在于,包括:
获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;
基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
2.根据权利要求1所述的方法,其特征在于,获取地震相训练数据对集,包括:
获取至少一个样本地层切片;
确定所述样本地层切片中的地震相,并基于所述地震相对所述样本地层切片进行标注,生成与所述样本地层切片对应的样本地震相切片;
将所述至少一个样本地层切片及对应的样本地震相切片作为至少一组地震相训练数据对,并基于所述至少一组地震相训练数据对构成地震相训练数据对集。
3.根据权利要求2所述的方法,其特征在于,获取至少一个样本地层切片,包括:
对目标地层顶底界面进行线性差值,确定至少一个目标层位;
在三维地震数据体中抽取所述至少一个目标层位对应的地震数据,并将抽取的至少一个目标层位对应的地震数据作为至少一个样本地层切片。
4.根据权利要求3所述的方法,其特征在于,所述三维地震数据体包括振幅、频率、相位、曲率、相干、纵波速度、横波速度、纵波阻抗、纵波速度、横波阻抗、纵横波速度比及泊松比中的至少一个地震属性。
5.根据权利要求1所述的方法,其特征在于,在生成地震相识别模型之后,还包括:
获取待识别的目标地层切片;
将所述目标地层切片输入至所述地震相识别模型中,获取所述地震相识别模型输出的目标地震相切片。
6.根据权利要求5所述的方法,其特征在于,所述目标地层切片为至少一个;
在获取所述地震相识别模型输出的目标地震相切片之后,还包括:
基于至少一个目标地震相切片构建三维地震相体。
7.一种地震相智能识别模型构建装置,其特征在于,包括:
数据对集获取模块,用于获取地震相训练数据对集;其中,所述地震相训练数据对集中包括至少一组地震相训练数据对,所述地震相训练数据对包括样本地层切片及与所述样本地层切片对应的样本地震相切片;
地震相识别模型构建模块,用于基于所述地震相训练数据对集对预设机器学习模型进行训练,生成地震相识别模型。
8.根据权利要求7所述的装置,其特征在于,所述数据对集获取模块,包括:
样本地层切片获取单元,用于获取至少一个样本地层切片;
样本地震相切片生成单元,用于确定所述样本地层切片中的地震相,并基于所述地震相对所述样本地层切片进行标注,生成与所述样本地层切片对应的样本地震相切片;
数据对集获取单元,用于将所述至少一个样本地层切片及对应的样本地震相切片作为至少一组地震相训练数据对,并基于所述至少一组地震相训练数据对构成地震相训练数据对集。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的地震相智能识别模型构建方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的地震相智能识别模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310003245.9A CN118296448A (zh) | 2023-01-03 | 2023-01-03 | 地震相智能识别模型构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310003245.9A CN118296448A (zh) | 2023-01-03 | 2023-01-03 | 地震相智能识别模型构建方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118296448A true CN118296448A (zh) | 2024-07-05 |
Family
ID=91678300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310003245.9A Pending CN118296448A (zh) | 2023-01-03 | 2023-01-03 | 地震相智能识别模型构建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118296448A (zh) |
-
2023
- 2023-01-03 CN CN202310003245.9A patent/CN118296448A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2847782C (en) | Method and system of subsurface horizon assignment | |
US20140058713A1 (en) | Seismic modeling system and method | |
CN113962425A (zh) | 供热数据生成方法、装置、设备和计算机存储介质 | |
WO2016115437A1 (en) | Approaches to tying well logs to seismic data | |
CN117786500A (zh) | 一种盾构施工地表沉降预测方法、装置、设备及存储介质 | |
CN118296448A (zh) | 地震相智能识别模型构建方法、装置、设备及存储介质 | |
CN111708085A (zh) | 一种基于波形分离的孔洞探测增强方法和装置 | |
Hu et al. | Automatic fracture identification using ant tracking in Tahe oilfield | |
CN115511999A (zh) | 一种测线的分段方法、装置、设备及介质 | |
Shafiq et al. | Saliency detection for seismic applications using multi-dimensional spectral projections and directional comparisons | |
CN112034512B (zh) | 基于深度学习模型的地震数据不连续性检测方法和*** | |
CN118295011A (zh) | 白云岩成岩相的识别方法、装置、电子设备及存储介质 | |
CN116736374B (zh) | 多方位地震数据的融合方法、装置、设备和介质 | |
CN115267908A (zh) | 余弦相似度地震属性计算方法、装置、电子设备及介质 | |
Yang et al. | Prediction and research of fracture distribution characteristics of the Chang 8 reservoir in Zhenjing area, Ordos Basin | |
CN117972469A (zh) | 一种火成岩分类识别方法、装置、设备及存储介质 | |
CN118091741A (zh) | 一种基于多源物理场的智能储层参数反演方法及装置 | |
CN118295021A (zh) | 地震敏感参数确定方法、装置、电子设备及存储介质 | |
CN118193533A (zh) | 一种井场调查数据的处理方法、装置、设备及存储介质 | |
CN115561815A (zh) | 基于扩展弹性阻抗的地震储层预测方法及装置 | |
CN118295009A (zh) | 速度谱处理方法、装置、设备及存储介质 | |
CN118311652A (zh) | 一种溶洞识别方法、装置、设备及介质 | |
Lyu et al. | Research on buried hill fault detection method based on 3D fully convolutional neural network and transfer learning | |
CN116468927A (zh) | 一种叠层石储层识别方法、装置、设备及存储介质 | |
CN115616664A (zh) | 一种储层岩石种类确定方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |