[发明专利]一种基于卷积神经网络的速度谱自动拾取方法

说明书

本发明涉及一种基于卷积神经网络的速度谱自动拾取方法，属于地震数据处理领域。该方法首先随机生成速度拾取曲线与水平道集，然后应用反动校正方法生成模拟道集，并基于该道集作拉东变换生成速度谱，重复该过程能够生成任意数量的训练标签；本发明设计了含4个卷积层和2个全连接层的神经网络，此外还添加了maxpooling层与dropout层以减小计算量并在一定程度上防止过拟合的出现；最终利用随机生成的标签训练神经网络，并利用该网络识别未参与训练的速度谱。该卷积神经网络能够有效地拾取速度能量团位置，并生成相应的速度曲线，通过与理论曲线的对比具有较高的精度，并且避开了手动拾取能量团的过程，节省了人力并规避了人为因素引入的误差影响。

技术领域

本发明属于地震数据处理领域，是一种无需人工干预的速度谱自动拾取方法。

背景技术

在地震数据处理过程中，速度分析是必不可少的环节，速度分析结果的好坏与否将会直接影响叠加或偏移剖面的质量，而常规的速度分析需要人为拾取速度谱中的能量团，随着三维地震的勘探的发展，地震数据量不断增大，成百上千张速度谱需要人工拾取，消耗大量的人力资源，因此发展速度谱自动拾取方法具有重要的现实意义。

速度谱拾取主要是根据能量团的分布情况，选择能量较强的速度位置，利用该速度能够校平CMP道集中的同相轴，将校平的道集同相叠加即可获得地震剖面。由于速度谱与速度拾取曲线之间存在一定的映射关系，并且卷积神经网络在图像识别领域已经取得了较好的效果，因此可利用卷积神经网络来识别速度谱中的能量团。

通常而言，训练神经网络的样本标签需要人为标定，而神经网络需要海量的数据才能够获得更加泛化、精度更高的结果，因此如何获得更多的样本数据是值得考虑的问题之一；此外，人为拾取速度谱难以避免地会受到主观影响，引入人为造成的误差，使用该人工样本来训练神经网络也是制约其识别精度的原因之一。

发明内容

本发明要解决的技术问题在于提供一种基于卷积神经网络的速度谱自动拾取方法，所述方法无需人工干预即可获得较高精度的速度谱拾取结果。首先利用随机生成的速度曲线对随机生成的水平道集作反动校正得到模拟道集，然后对模拟道集作拉东变换得到速度谱，并将速度曲线与速度谱输入卷积神经网络进行训练，最终利用训练好的神经网络实现对速度谱的自动拾取工作。

本发明采取以下技术方案：

一种基于卷积神经网络的速度谱自动拾取方法，它具体包括以下步骤：

1)随机生成速度控制点并利用样条插值方法获得随机速度拾取曲线，如公式(1)所示；

式中，v(t)为基于样条插值方法获得的速度拾取曲线，t代表时间，v_k～U(ta_k,tb_k)为速度节点，U代表均匀分布，ta_k和tb_k为第k个速度节点的随机分布范围，v_k′为速度节点处的导数，t_k+1＝2t_k-t_k-1+dt，其中t_k-1为上一个速度节点对应时刻，t_k为当前速度节点对应时刻，t_k+1为下一个速度节点对应时刻，dt为单位时间间隔；

2)利用式(2)在不同时刻随机生成反射系数；

式中g(t)表示反射系数函数，r_k～U(ra,rb)表示第k个反射系数，U代表均匀分布，ra和rb为反射系数随机分布的范围，τ_k为第k个反射系数对应的时刻，δ(t-τ_k)为冲激函数，n～U(na,nb)为反射系数的个数，na和nb为反射系数个数的随机分布范围；

3)选择一个雷克子波，如式(3)所示；