基于深度卷积神经网络的地震数据重建

地震数据重建是一个不适定的反问题,通常采用正则化方法求解.正则化方法需要人工建模,建模的准确性会影响重建结果,此类方法还存在计算代价高的问题.为克服正则化方法存在的问题,本文使用深度卷积神经网络实现了端到端的地震数据重建.此方法是基于数据驱动的,直接从数据中学习输入与输出的映射关系,无需人工建模,经过训练的网络可直接用于非完整数据的重建工作.数值实验分别使用模拟数据和实际数据并与传统正则化方法对比验证深度卷积神经网络方法的有效性.实验结果表明,深度卷积神经网络方法的计算代价主要在于网络的训练阶段,数据重建阶段仅需花费极短的时间,与传统正则化方法相比,对于缺道50%的地震数据,深度卷积神经网络方法的重建结果质量更高,速度更快.     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于Noise-to-Noise自监督学习的地震数据去噪方法

在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法.     

基于深度卷积神经网络的地震数据局部信噪比估计

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声,然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性,往往存在偏差.本文提出一种估计地震数据局部信噪比的深度卷积神经网络模型,通过迭代训练优化参数,构建从含噪地震数据到其信噪比的特征映射.然后使用该神经网络完成信噪比的推理预测,不需要分离地震数据中的有效信号和噪声.模拟数据和实际资料的处理结果都表明,本文的方法可以准确而高效地估计局部地震数据的信噪比,为地震数据质量的定量评价提供依据.     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.     

优化卷积神经网络在道编辑中的应用

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.     

基于卷积神经网络的断层预测方法

针对传统相干体属性在预测断层时存在断层假象以及易受噪声影响等缺点,本文提出一种利用卷积神经网络进行断层预测的方法。首先构建适合实际工区断层特征的卷积神经网络模型,然后利用部分分频地震数据和人工解释出的断层标签进行网络模型训练,最后把训练好的模型应用到整个三维地震数据中进行断层预测。实际地震数据预测结果表明基于卷积神经网络断层预测结果与地震数据吻合较好,并且在断层细节刻画上要优于传统地震相干体属性方法。      

基于深度卷积神经网络的2021年5月21-22日云南漾濞地震和青海玛多地震震级估算

以探索深度卷积神经网络震级估算模型对2021年5月21日云南漾濞和5月22日青海玛多地震预警震级估算的可行性为目标,本文使用P波到达后不同时间窗下的特征参数作为深度卷积神经网络输入进行训练和验证,构建了1～40 s内不同时间窗下的深度卷积神经网络单台震级估算模型,并采用多台加权平均方法对玛多地震主震以及漾濞地震主震、前...     

利用卷积神经网络检测地震的方法与优化

本文以西昌台阵观测的8 321次近震数据为例,详细介绍了利用深度卷积神经网络检测地震的数据处理流程,包括数据预处理、模型训练、波形长度、网络层数、学习率和概率阈值等关键参数对检测结果的影响,并将训练得到的最优模型,应用于事件波形和连续波形的检测。研究表明,数据预处理和数据增强可以提升模型的检测精度和抗干扰能力。用于模型训练的波形窗口长度可近似于S-P到时差的最大值。不同网络层数（5—8层）的检测结果差别不大。对于地震检测,学习率设为10?4—10?3较为合适。卷积神经网络检测出的地震数量与选择的概率阈值有关,通过绘制精确率-召回率变化曲线,可以为选择合适的概率阈值提供参考。本文为进一步利用深度学习算法提高地震检测效果提供了参考。      

卷积神经网络快速挑选接收函数

地震三分量波形数据中提取的接收函数受震源复杂性及随机噪声等因素的影响,往往出现一些波形异常现象,需要在资料解释前予以剔除.当接收函数数量较多时,人为挑选质量合格的接收函数将耗费大量的时间.为了高效的挑选高质量的接收函数,本文利用深度学习卷积神经网络(Convolutional Neural Network,简称CNN)方法来对接收函数的质量进行判断.我们使用华北地区和阿巴嘎地区地震观测台站接收的9833个不同的地震事件建立训练集,并用1521个新的地震事件作为检测数据集,得到的训练集的准确率和召回率均达到99%以上,测试集的准确率和召回率分别达到95.3%和92.4%.我们还使用了训练集和测试集以外的数据进行验证,并对比了不同CNN评估结果所对应的波形图,实验证明评估结果与实际的接收函数波形对应良好.此外,对于某些台站的接收函数,可能存在如下问题:波形虽然具有很好的一致性,但由于不符合常规意义下质量好的标准导致CNN无法识别.为解决该问题,本文首先对一定方位角和震中距范围内的接收函数相互求取二范数,再对二范数较低的结果进行统计,并与CNN的挑选结果进行对比,挑选出合格的数据.     

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.     

基于人工智能的断层自动识别研究进展

随着油气勘探开发工作的进行,构造圈闭的勘探难度不断提高,断层作为油气运移、聚集的主要通道之一,断层的识别精度很大程度上影响了油气藏的勘探开发.在断层识别的发展过程中,国内外学者们提出了许多切实可行的方案.近年来,人工智能领域的兴起,使得断层自动识别方法更加多样化.本文通过调研大量的国内外相关文献,对基于人工智能的断层自动识别方法进行了归纳总结,将其划分为两个大类:智能算法、机器学习,又对每个大类进行了精细划分,并阐述了通过蚁群算法、边缘检测、BP神经网络、支持向量机、生成对抗网络、聚类及卷积神经网络来自动识别断层的基本原理、发展现状及优缺点.此外,卷积神经网络拥有卷积层、池化层等特殊结构,可以直接通过学习输入与输出之间的映射关系来实现断层自动识别,具有很好的非线性表达及泛化能力,相较于其他人工智能方法,兼具了较高的效率与精度.因此本文对基于卷积神经网络来自动识别断层的一些关键技术及优化算法进行了重点介绍,且利用大量三维合成地震记录及断层标签作为训练样本,实现了基于卷积神经网络的三维地震资料断层自动识别并对最终结果进行了深入分析.最后对断层自动识别技术的提高,给出展望与相应的结论.     

卷积神经网络在地面微地震多道P波极性分类中的应用

微地震监测技术是监测水力压裂过程、评价压裂效果的重要手段。对于地面监测,P波极性能够直接、快速地反演震源机制,同时极性校正能够提高绕射叠加定位方法的成像精度。因此,准确而迅速地确定P波极性对地面微地震实时监测具有重要意义。卷积神经网络是一种深度学习算法,具有强大的特征学习与分类能力,可用来确定微地震事件的P波极性。地面监测多采用星型、网格型等规则观测系统,本文使用目标道及其相邻检波器记录作为输入样本,构建基于卷积神经网络的多道P波极性分类网络模型。实际数据应用结果表明,相比于单道记录的网络模型,多道的网络模型能够将目标道与相邻道相结合来预测目标道的极性,提高规则观测系统下地面微地震P波极性分类的准确率。     

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.     

基于深度卷积神经网络的剪切波分裂质量检测

剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。     

深度学习在地震定位中的应用综述

近年来,深度学习的发展给科研人员开辟了地震定位研究的新思路,科研人员将深度学习技术应用于地震定位并取得了较好的效果。文章首先介绍根据神经网络的编码与解码对深度神经网络的分类,然后对深度学习的基本流程进行总结,最后对深度学习中广泛应用于地震定位的方法进行综述,总结不同方法的特点和实际应用情况。结果表明：深度学习方法能够实现地震事件的自动定位,且定位的精度较高,缩短了地震定位所需时间,在处理地震大数据方面也具有明显优势,能够克服目前传统地球物理方法在地震定位方面的一些不足之处。相信随着深度学习技术的进一步发展,必将更为广泛地应用于地震定位研究中。