[发明专利]基于U-net++卷积神经网络的初至波拾取方法及装置

权利要求书

1.一种基于U-net++卷积神经网络的初至波拾取方法，其特征在于，包括：

获取待拾取的地震道集数据，其中，所述地震道集数据包括：多个地震道；

将所述待拾取的地震道集数据，输入至初至波拾取模型中，输出各个地震道的初至时间，其中，所述初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

构建U-net++卷积神经网络模型，其中，所述U-net++卷积神经网络模型包括：卷积层、池化层和复制叠加层。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

获取训练样本数据；

根据所述训练样本数据，对U-net++卷积神经网络模型进行训练，得到初至波拾取模型。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

获取测试样本数据；

根据所述测试样本数据，对训练得到的初至波拾取模型进行验证。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

采集激发地震信号产生的共炮点道集数据；

对所述共炮点道集数据进行初至波标注，得到初至波标注数据；

按照预设比例，将初至波标注数据划分为训练样本数据和测试样本数据。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

对采集的共炮点道集数据进行缺失值处理。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

对缺失值处理后的共炮点道集数据进行数据分割处理，使得数据分割处理后的共炮点道集数据具有相同地震道数和采样数。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

对数据分割处理后的共炮点道集数据进行归一化处理。

9.如权利要求5至8任一项所述的方法，其特征在于，所述方法还包括：

将采集的共炮点道集数据写入TFRecord格式的文件中。

10.一种基于U-net++卷积神经网络的初至波拾取装置，其特征在于，包括：

待拾取地震数据获取模块，用于获取待拾取的地震道集数据，其中，所述地震道集数据包括：多个地震道；

初至波拾取模块，用于将所述待拾取的地震道集数据，输入至初至波拾取模型中，输出各个地震道的初至时间，其中，所述初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。

11.如权利要求10所述的装置，其特征在于，所述装置还包括：

初至波拾取模型训练模块，用于获取训练样本数据；以及根据所述训练样本数据，对U-net++卷积神经网络模型进行训练，得到初至波拾取模型。

12.如权利要求11所述的装置，其特征在于，所述装置还包括：

样本数据获取模块，用于采集激发地震信号产生的共炮点道集数据，对所述共炮点道集数据进行初至波标注，得到初至波标注数据，并按照预设比例，将初至波标注数据划分为训练样本数据和测试样本数据。

13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一项所述基于U-net++卷积神经网络的初至波拾取方法。

14.一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执行权利要求1至9任一项所述基于U-net++卷积神经网络的初至波拾取方法的计算机程序。