[发明专利]一种基于深度学习的地震速度谱人工智能拾取方法

说明书

本发明提供一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间‑速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提取所述预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间‑速度对序列。本发明的有益效果：自动化程度高，有利于缩减地震资料处理的时间，基本上可以完全解放地震数据处理人员的智力和体力劳动。

技术领域

本发明涉及地震勘探的地震资料处理技术领域，尤其涉及一种基于深度学习的地震速度谱人工智能拾取方法。

背景技术

速度分析是常规地震资料处理的基础。在常规速度分析方法中，给定一系列相同间隔的速度进行扫描，以叠加能量或相似系数等作为速度分析的准则制作速度谱(图1)。速度谱的能量团对应着强反射信息，能够提供正确的动校正速度。速度拾取的正确与否，会直接影响到油气勘探中动校正、偏移、AVO和时深转换的结果。

目前采用的速度谱拾取方式都是由人工完成，工作效率低，耗时多，容易出现人为误差。因此在地震勘探不断发展以及勘探领域不断扩大的今天，需要处理的地震资料也不断增加，对速度分析中速度谱的拾取效率和精度也提出了更高的要求。

经过对现有技术的检索发现，公开号为CN105445788A的中国专利提供了一种基于模型和全局寻优的速度谱自动解释方法，该方法拾取效率不高，结果常常带有随机性，且易出错。

另外一个中国专利，公开号为CN105572733A，提供了一种地震速度谱自动拾取方法。该方法包括，先将地震数据转换为二维网格数据，然后设置计算时窗，并在计算时窗的区域内确定最大值位置，再定义速度搜索阈值并记录速度谱最大值的位置，连接速度曲线，最后对速度曲线进行插值。该方法需要根据先验知识人为设置合理的计算时窗、速度搜索阈值，没有能实现智能化和自动化。

发明内容

有鉴于此，本发明的实施例提供了一种基于深度学习的地震速度谱人工智能拾取方法。

本发明的实施例提供一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提取所述预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列。

进一步地，包括如下细化步骤：

A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型；

A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型；

A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。

进一步地，所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。

进一步地，所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。

进一步地，步骤A1的细化步骤包括：

A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集；