[发明专利]一种基于知识约束的深度学习地震相识别方法

说明书

本发明公开一种基于知识约束的深度学习地震相识别方法，应用于人工智能与地球科学交叉领域，针对现有技术存在的无法实现在小样本和地震反射特征薄弱条件下的地震相分割的问题；本发明通过将地震相知识图谱G中所表征的地震相实体的信息通过地震相知识图谱实体关系学习模型进行学习，最终得到各个地震相实体的知识图谱实体表征向量V，然后利用标签插值得到中间部分地震数据的空间约束，并将得到的地震相表征向量进行填充，得到地震数据的空间知识约束，最后将地震数据及其空间知识约束共同输入深度学习网络进行训练，并用收敛后的模型进行地震相分割预测。

技术领域

本发明属于人工智能与地球科学交叉领域，特别涉及一种地震相识别技术。

背景技术

地震相是沉积相在地震剖面上的反映，地震相识别旨在通过将地震属性划分为可能与地质非均质性相关的类别来表征储层的地震表现。其准确识别可以为地下资源尤其是油气资源的勘探开发提供有效依据，对沉积相研究以及油气勘探开发都具有重要意义。传统的地震相识别俗称相面法，是通过专业人员根据沉积相再剖面上的特征以及经验进行人工标定的。但是人工地震相识别工作量大，通常很耗时，而且还具有一定的主观性。随着勘探开发领域的不断发展，地震相解释需求大量增加，研究人员开始借助计算机利用地震属性的组合来实现地震相的识别。之后，随着地震数据急剧增长以及解释精度需求越来越高，传统的地震相识别已经难以满足需求，研究人员们开始关注人工智能。近年来，DL(Deeplearning)模型已经被广泛的用于地震相识别。深度学习是机器学习的一个分支，机器学习属于人工智能的范畴，其主要研究如何在经验学习中改善具体的计算机算法的性能。从2006年提出以来，其被用于计算机视觉、自然语言处理等多个领域，并发展出许多优秀的深度学习模型。随着人工智能的不断发展，国内地质行业逐渐注力于数字化、信息化、智能方向化的转型。近年来，国内外相继开展了一系列基于DL模型的地震相识别工作，Chevitarese等人提出了一种使用卷积神经网络(CNN)来解释地震数据的技术并且结果表明，该方法可以得到一个接近人工解释的分割结果，但这种方法相较于人工解释速度更快；Zhang等人建立了U-net和SegNet网络并利用集成学习方法对模型进行组合以及对分类结果进行优化，结果表明，深度学习方法能够准确地对地震相进行分类。Islam等人提出了一种基于U-Net和Se-ResNet的新的深度学习方法来识别地震图像中的盐体。结果表明可以地震数据中自动提取所需的有用特征。

在样本数量足够时，DL模型可以取得不错的效果，但由于勘探程度和成本等原因，尤其对于一个新区而言，钻井数据往往很有限，容易造成样本的不足，所以地震相识别往往是一个小样本问题。另外，深度学习由数据驱动，深度学习的“黑盒”特性使其易于使用，但导致其可靠性较低。当地震图像的地震反射特征明显时DL模型是具有明显效果的，但对于一些复杂地区或者地震反射特征不明显区域，则呈现地震相结果混乱，不符合地质规律，解释混乱，泛化效果差等一系列问题。

因此，如何实现在小样本和地震反射特征薄弱条件下的地震相分割，是目前需要解决的问题。

发明内容

为解决上述技术问题，本发明提出一种基于知识约束的深度学习地震相识别方法。

本发明采用的技术方案为：一种基于知识约束的深度学习地震相识别方法，包括以下步骤：

步骤一：选择原始地震图像中的m张影像，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从而体现地震相之间的相似度；

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；