[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

说明书

本发明公开了一种基于U‑net++卷积神经网络的初至波拾取方法及装置，该方法包括：获取待拾取的地震道集数据，其中，地震道集数据包括：多个地震道；将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，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。本发明能够更准确地自动拾取地震数据中的初至波，满足地震勘探对初至波的拾取精度要求，无需人工参与，解决了初至波拾取工作耗时耗力的问题。

技术领域

本发明涉及地球物理勘探领域，尤其涉及一种基于U-net++卷积神经网络的初至波拾取方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

在地震资料处理中，准确拾取初至波是一项基础而又很重要的工作。地震初至波拾取在折射波静校正、VSP测井解释、层析成像中都起着重要的作用，其准确程度直接决定地震资料的处理结果。

在早期，对于地震初至波的拾取，采用的方式主要是手工拾取，由于采集的地震数据道集数量庞大(常常是上万道)，使得地震初至波拾取成为一项耗时费力、十分枯燥且效率低下的工作。

近年来，众多学者针对初至波拾取技术的研究，提出了多种初至自动拾取方法，按照特征可分为以下几大类：

①基于瞬时特征的方法(例如，能量比值法、瞬时强度比法、差分法、能量因子法等)，该类方法的优点是物理意义明确，操作简单，对高信噪比资料效果好；缺点是对噪声敏感，当地震记录信噪比较低时，难以准确拾取初至波。

②基于整体特征的方法(例如，相关法、线性最小平方预测法等)，该类方法的优点是不受波形的影响，对噪声有一定的抑制作用；缺点是受地震道相关性等因素影响，对于复杂地表条件地区的拾取效果较差，存在周期跳跃；

③基于综合特征的方法(例如，边缘检测法、分形分维法等)，该类方法的优点是具有一定抗噪能力，在低信噪比地区，拾取效果较好；缺点是在低信噪比局部道集存在强噪音时，容易导致算法失败。

对于高信噪比、初至波起跳明显的地震数据，采用上述方法均能满足初至自动拾取的精度要求，但对于复杂地表条件的地区，由于受地形等诸多因素影响，采集的地震数据具有低信噪比、弱初至波的特点，采用上述方法拾取初至波的精度不高，仍需要人工拾取。

发明内容

本发明实施例中提供了一种基于U-net++卷积神经网络的初至波拾取方法，用以解决现有地震初至波拾取方法需要人工参与，存在耗时耗力的技术问题，该方法包括：获取待拾取的地震道集数据，其中，地震道集数据包括：多个地震道；将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，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。

本发明实施例中还提供了一种基于U-net++卷积神经网络的初至波拾取装置，用以解决现有地震初至波拾取方法需要人工参与，存在耗时耗力的技术问题，该装置包括：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，地震道集数据包括：多个地震道；初至波拾取模块，用于将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，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。

本发明实施例中还提供了一种计算机设备，用以解决现有地震初至波拾取方法需要人工参与，存在耗时耗力的技术问题，该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，处理器执行计算机程序时实现上述基于U-net++卷积神经网络的初至波拾取方法。

本发明实施例中还提供了一种计算机可读存储介质，用以解决现有地震初至波拾取方法需要人工参与，存在耗时耗力的技术问题，该计算机可读存储介质存储有执行上述基于U-net++卷积神经网络的初至波拾取方法的计算机程序。