[发明专利]一种基于知识约束的深度学习地震相识别方法在审
申请号: | 202310565439.8 | 申请日: | 2023-05-19 |
公开(公告)号: | CN116580239A | 公开(公告)日: | 2023-08-11 |
发明(设计)人: | 姚兴苗;张祥烨;董月;郭翔宇;胡光岷 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06V10/764 | 分类号: | G06V10/764;G06V10/82;G06N3/084;G06V10/26;G06F16/36;G06N5/02 |
代理公司: | 成都虹盛汇泉专利代理有限公司 51268 | 代理人: | 王伟 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 知识 约束 深度 学习 地震 相识 方法 | ||
1.一种基于知识约束的深度学习地震相识别方法,其特征在于,包括以下步骤:
步骤一:由地质专家进行解释得到每一张原始地震图像对应的标签,并根据Inline进行编号;
步骤二:构建地震相知识图谱,具体的:采用“实体-关系-实体”结构的三元组对步骤一中已有标签的地震图像进行表征;主要分为两个部分,地震相知识图谱实体抽取、地震相知识图谱关系抽取;
步骤三:采用图嵌入模型通过学习相关地震相的属性和关系,来获得地震相表征向量;
步骤四:将步骤一中得到的标签数据进行插值,得到每两张标签数据中间部分地震数据的地震相分布情况,然后将各类地震相的地震相表征向量填充形成空间知识约束特征图;
步骤五:将原始地震图像和空间知识约束特征图组合作为深度语义分割网络的输入数据,基于损失函数,通过后向传播算法训练深度语义分割网络;
步骤六:进行分割预测,在训练完成的深度语义分割网络中输入所有原始地震图像和各原始地震图像对应的空间知识约束特征图,来预测出原始地震图像的分割结果图。
2.根据权利要求1所述的一种基于知识约束的深度学习地震相识别方法,其特征在于,步骤二中地震相知识图谱实体抽取,具体为根据地层和时期岩性对地震相进行分类,得到不同类别的地震相实体。
3.根据权利要求2所述的一种基于知识约束的深度学习地震相识别方法,其特征在于,步骤三具体为:
采用图嵌入模型通过学习地震相的属性和关系来获得地震相表征向量;
记根据步骤二的三元组得到的集合为S,定义S为正样本集合,表达式为:
S={(h,r,t)}
其中,h与t为三元组(h,r,t)中的实体,h,t∈E,E为地震相知识图谱实体集合,r∈R,R为地震相知识图谱关系集合,(h,r,t)∈S,S为知识图谱三元组集合;
选择修改集合S中三元组(h,r,t)中的实体h或者实体t,得到负样本(h',r,t)或(h,r,t'),从而形成三元组负样本集合S'(h',r,t'),表达式为:
S'(h',r,t')={(h',r,t),h'∈E}∪{(h,r,t'),t'∈E}
然后定义具体的模型损失函数为:
其中,d(h+r,t)表示的是h+r与t之间的距离,[γ+d(h+r,t)-d(h'+r,t')]+指的是取γ+d(h+r,t)-d(h'+r,t')正的部分,γ是一个边缘超参数;
最后通过损失函数的随机梯度下降进行地震相表征向量更新,最终最小化模型损失函数得到各类地震相的地震相表征向量V。
4.根据权利要求3所述的一种基于知识约束的深度学习地震相识别方法,其特征在于,图嵌入模型采用TranE图嵌入方法。
5.根据权利要求4所述的一种基于知识约束的深度学习地震相识别方法,其特征在于,步骤四具体为:
对于步骤一得到的标签数据,若相邻两张地震图像的Inline号不连续,则通过插值生成这两个Inline号之间的地震数据的地震相分布;从而得到插值后的地震相分布图;
将各类地震相的地震相表征向量填充到插值生成的地震相分布图中,形成了空间知识约束特征图。
6.根据权利要求5所述的一种基于知识约束的深度学习地震相识别方法,其特征在于,步骤五采用的深度语义分割网络为U-net和SegNet网络。
7.根据权利要求6所述的一种基于知识约束的深度学习地震相识别方法,其特征在于,步骤五采用的损失函数为交叉熵损失函数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310565439.8/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种可调节的草莓人工辅助授粉装置
- 下一篇:一种锌片成垛夹持加料装置