一种基于深度神经网络的初至能量边界拾取方法及系统与流程
本发明涉及地震勘探领域，尤其涉及一种基于深度神经网络的初至能量边界拾取方法及系统。
背景技术：
1、随着勘探对象变得越来越复杂，勘探要求也变得日益精细，地震资料的采集、处理、解释技术的快速发展，尤其是高密度、超万道地震采集技术的应用，使得地震勘探的数据量和地震数据的计算量不断增加，对高性能计算提出更高要求。
2、现有的初至拾取方法存在对中低信噪比地震资料的拾取效果不理想、需要进行大量的人工交互修改以及对海量数据处理时间漫长的问题，解决以上问题对于提高初至拾取的精度，开发地下资源具有重要意义。
3、随着自动化拾取方法的兴起，出现了能量比法、相关法、聚类法各种初至波自动拾取算法，其中聚类法是目前较为流行的初至波自动拾取算法。在强烈的背景噪声和复杂近地表条件的干扰下，采集到的低信噪比地震资料与日增多，上述初至拾取方法在面对大数据量时效率很低，且无法保证初至拾取的质量，结果存在大量异常初至，如何准确的拾取初至波是目前亟待解决的问题。
技术实现思路
1、鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种基于深度神经网络的初至能量边界拾取方法及系统。
2、根据本发明的一个方面，提供了一种基于深度神经网络的初至能量边界拾取方法包括：
3、正演生成不同的合成炮记录；
4、为所述合成炮记录添加噪声，制作合成数据样本集；
5、搭建适合初至拾取的网络模型，对所述合成数据样本集进行训练、验证及测试，并调整网络参数至获得最优模型；
6、根据所述最优模型对数据预处理后的真实地震数据进行预测，获得预测地震结果；
7、根据所述预测地震结果优化语义分割网络，优化深度学习算法，获得最终网络结构；
8、采用所述最终网络结构实现对初至波的拾取。
9、可选的，所述最终网络结构具体为空洞空间卷积池化金字塔注意力机制神经网络，基于非对称编-解码结构，编码器结构引入空洞空间卷积池化金字塔模块及通道注意力机制模块；
10、解码器结构将低层特征与高层特征融合，网络使用二分类交叉熵作为损失函数来衡量网络的预测值和真实值之间的差距，使用miou指标来评价分割效果。
11、可选的，所述空洞空间卷积池化金字塔注意力机制神经网络使用二分类交叉熵作为损失函数，二分类交叉熵损失：
12、
13、作为二分类任务，通过激活函数之后输出的y′，值固定在(0，1)区间之内，是网络预测出样本为1的概率值，而1-y'为网络预测出样本为0的概率值，通过二分类交叉熵损失计算网络的预测值和真实值之间的差距，并通过优化调整减小所述差距。
14、可选的，所述数据预处理后的真实地震数据具体包括：数据裁剪、数据归一化。
15、可选的，所述数据裁剪具体包括：
16、将数据依次间隔256进行切分，保存256*1744大小的数据送入模型，其中256为地震道数，1744为采样点数；
17、可选的，所述数据归一化具体包括：对数据进行归一化，将特征值都缩放到一个固定的区间，归一化公式如下：
18、
19、其中，x表示某一地震道某个采样点的数据值，xmin表示所述数据中的最小值，xmax表示所述数据中的最大值，x′表示经过归一化处理后的数据值。
20、可选的，所述搭建适合初至拾取的网络模型，对所述合成数据样本集进行训练、验证及测试，并调整网络参数至获得最优模型具体包括：
21、随机生成速度模型，将速度模型文件作为输入，使用正演程序生成多地震道的炮记录，给合成的炮记录添加各类噪声后，采用二分类方法生成合成数据的标签，制作合成数据样本集；
22、搭建网络模型，对合成数据进行训练，通过调整参数得到较优模型；
23、对真实地震数据进行测试，多次更新网络参数，直到获取最优模型。
24、可选的，所述初至拾取的网络模型具体包括：利用图像分割网络实现对初至波的拾取。
25、可选的，所述最优模型为aanet网络结构，将主干提取网络进行修改，使用卷积层和最大池化层对输入图像进行信息提取。
26、本发明还提供了一种基于深度神经网络的初至能量边界拾取系统，所述拾取系统包括：
27、炮记录合成模块，用于正演生成不同的合成炮记录；
28、合成数据制作模块，用于为所述合成炮记录添加噪声，制作合成数据样本集；
29、最优模型建立模块，用于搭建适合初至拾取的网络模型，对所述合成数据样本集进行训练、验证及测试，并调整网络参数至获得最优模型；
30、地震结果预测模块，用于根据所述最优模型对数据预处理后的真实地震数据进行预测，获得预测地震结果；
31、网络结构优化模块，用于根据所述预测地震结果优化语义分割网络，优化深度学习算法，获得最终网络结构；
32、拾取模块，用于采用所述最终网络结构实现对初至波的拾取。
33、本发明提供的一种基于深度神经网络的初至能量边界拾取方法及系统，拾取方法包括：正演生成不同的合成炮记录；为所述合成炮记录添加噪声，制作合成数据样本集；搭建适合初至拾取的网络模型，对所述合成数据样本集进行训练、验证及测试，并调整网络参数至获得最优模型；根据所述最优模型对数据预处理后的真实地震数据进行预测，获得预测地震结果；根据所述预测地震结果优化语义分割网络，优化深度学习算法，获得最终网络结构；采用所述最终网络结构实现对初至波的拾取。本发明将图像处理领域的语义分割技术用于地震资料的初至拾取，搭建适合初至拾取的网络模型，提升网络模型泛化能力、初至拾取的准确率以及效率。
34、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
技术特征：
1.一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述拾取方法包括：
2.根据权利要求1所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述最终网络结构具体为空洞空间卷积池化金字塔注意力机制神经网络，基于非对称编-解码结构，编码器结构引入空洞空间卷积池化金字塔模块及通道注意力机制模块；
3.根据权利要求2所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述空洞空间卷积池化金字塔注意力机制神经网络使用二分类交叉熵作为损失函数，二分类交叉熵损失：
4.根据权利要求1所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述数据预处理后的真实地震数据具体包括：数据裁剪、数据归一化。
5.根据权利要求4所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述数据裁剪具体包括：
6.根据权利要求4所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述数据归一化具体包括：
7.根据权利要求1所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述搭建适合初至拾取的网络模型，对所述合成数据样本集进行训练、验证及测试，并调整网络参数至获得最优模型具体包括：
8.根据权利要求1所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述初至拾取的网络模型具体包括：利用图像分割网络实现对初至波的拾取。
9.根据权利要求1所述的一种基于深度神经网络的初至能量边界拾取方法，其特征在于，所述最优模型为aanet网络结构，将主干提取网络进行修改，使用卷积层和最大池化层对输入图像进行信息提取。
10.一种基于深度神经网络的初至能量边界拾取系统，其特征在于，所述拾取系统包括：
技术总结
本发明提供的一种基于深度神经网络的初至能量边界拾取方法及系统，拾取方法包括：正演生成不同的合成炮记录；为所述合成炮记录添加噪声，制作合成数据样本集；搭建适合初至拾取的网络模型，对所述合成数据样本集进行训练、验证及测试，并调整网络参数至获得最优模型；根据所述最优模型对数据预处理后的真实地震数据进行预测，获得预测地震结果；根据所述预测地震结果优化语义分割网络，优化深度学习算法，获得最终网络结构；采用所述最终网络结构实现对初至波的拾取。本发明将图像处理领域的语义分割技术用于地震资料的初至拾取，搭建适合初至拾取的网络模型，提升网络模型泛化能力、初至拾取的准确率以及效率。
技术研发人员：张俊威,孙剑,李战强,孙友凯,董涛,刘芳,杨澎涛,付巧娟,王立辉,卢晋平
受保护的技术使用者：中国石油化工股份有限公司
技术研发日：
技术公布日：2024/9/23