基于深度学习的接收函数自动挑选方法

接收函数作为地震学研究中的重要方法之一,在间断面成像、S波速度结构反演方面应用广泛.然而,接收函数方法需要耗费大量的人工成本挑选可用的数据,这不利于我们快速准确地获得地下结构,因此发展快速准确的数据自动处理方法具有十分重要的意义.本文针对这一问题,提出利用深度学习方法自动挑选接收函数,并使用中国地震局的牡丹江地震台(M...     

多任务深度学习技术在储层横波速度预测中的应用

储层参数与横波速度存在强非线性关系,难以用解析方程表达.深度学习具有强大的非线性寻解能力,可借助其优势构建横波速度与储层参数的映射关系,实现横波速度预测.前人研究主要采用单任务深度学习方法,输入多种储层参数曲线,只输出横波速度预测成果,这种方式存在一定的过拟合风险.为此,考虑到横波速度预测与其他测井评价任务的相关性与继...     

基于深度学习的地震震级分类

为了探索地震加速度时程记录的震级信息,训练卷积神经网络基于地震震级大小对地震记录进行分类,将K-NET和KiK-net中将近12万个地震记录作为样本,对其进行信息筛选和归一化,之后将地震加速度时程记录用作输入,训练卷积神经网络模型以M5.5为分类界限来区分大震和小震。结果显示,在训练集中基于该模型的分类准确率为93.6％,在测试集中的准确率为92.3％,具有良好的分类效果,这表明大震记录与小震记录之间存在一些根本的区别,即可通过地震动加速度时程记录获取一定的震级信息。      

人工神经网络系统在接收函数反演中的应用

为使接收函数的反演更为简便,本文提出了一种基于人工神经网络误差反传(BP)算法的接收函数反演新方法,该方法采用人工神经网络反演系统,避免了接收函数反演过程中复杂的地震响应计算及耗时的雅可比矩阵计算,只需经过学习训练就能够解决复杂的实际问题,而且具有记忆功能,这使接收函数的反演工作具有延续性和可继承性.理论数据的反演计算结果表明,该方法是切实可行的.     

阿尼玛卿缝合带东段地壳结构的接收函数研究

沿四川红原至甘肃武威一线布设了20个宽频带地震台站, 在一年的观测时间里共接收到81次远震记录, 利用台站记录的远震P波波形数据和接收函数方法, 获得了沿测线的接收函数剖面、 每个台站下方的S波速度结构. 研究结果表明, 研究区地壳速度结构复杂, 整个地壳的平均S波速度偏低. 在四川阿坝弧形断裂——秦岭地轴北缘断裂之间, 地壳中10~40 km的深度范围内普遍存在低速层, 是阿尼玛卿古特提斯洋从闭合、 斜向碰撞到俯冲板块折返或逆冲岩片抬升等复杂地质过程所形成的构造特征. 沿剖面莫霍面深度约为50 km, 南边略深北边略浅.      

中国西南地区的接收函数和面波层析成像研究

<正>中国西南地区是由不同地质历史时期的许多微小板块拼贴而成,是特提斯构造发育的重要区段;同时,该地区在西藏高原物质向东挤出、地壳增厚和下地壳流模型中,都扮演了极为重要的角色。因此,研究中国西南地区壳幔特征对于深入理解特提斯构造特征和青藏高原构造活动机制具有重要意义。区内分布有大量深大断裂带,自20世纪70年代以来,该区域     

基于深度学习U-Net网络的地震层位解释方法

地震资料解释是油气勘探的关键环节之一,其成果直接服务于油气田的勘探开发．随着油田精细化勘探的需求不断加深,地震解释工作量逐年增加．常规的地震层位自动解释方法在面对复杂构造时存在解释精度较差,工作量大等问题,因此,为解决上述问题,本文创新性地将一种基于图像分割技术的U-Net网络应用于地震层位解释工作中．通过输入地震数据及少量人工解释的标签数据,利用该网络进行监督学习,多套层位同时训练建模,实现地震层位自动识别,并应用于海外Parihaka地震三角洲沉积地区和国内海域工区．实际工区应用表明该技术在多层识别模型中的性能稳定,多层同时识别准确率达到90%以上,与常规地震层位自动解释方法相比,基于U-Net卷积神经网络的智能算法在小层、弱层识别方面优势明显,同时具有较高的效率与准确性．     

基于深度学习的空间尘埃碰撞实时自动检测

准确快速地检测航天器上发生的尘埃碰撞事件能帮助我们更好地了解空间环境的尘埃分布以及减少航天器因尘埃碰撞受到的破坏.现有人工识别或基于尘埃碰撞引起的电势差信号波形特征的机器识别尘埃碰撞事件的方法虽然有较高精度,但效率低下,迫切需要高精度且自动化方法识别航天器收集的海量电势差信号.深度学习模型在信号分类和识别具有较强能力,本文把空间尘埃碰撞引起的电势差信号检测问题建模成信号分类问题,构建了一个卷积神经网络模型,该模型可以自动提取信号特征并根据特征对信号分类,同时为了训练模型和测试模型预测准确率,构建了一个由尘埃碰撞引起的电势差信号和非尘埃碰撞引起的电势差信号组成的数据集,模型在训练集上准确率为99.46%,在测试集上准确率达到98.68%,查全率为99.44%,查准率为97.95%,threat score为97.41%.实现了高精度且自动化的尘埃碰撞事件检测.

     

横波速度预测方法

准确的横波测井速度是叠前地震反演和叠前地震属性分析的必要参数,然而实际生产中往往缺乏横波速度信息.采用经验公式往往精度有限,本文采用Biot-Gassmann低频速度模型,以及Pride公式建立起基质弹性模量与骨架弹性模量关系,证明了纵波速度大小随固结系数的增大而减小,因而可以通过迭代方式计算出合适的固结系数,进而得到横波速度大小.通过两个实例说明该方法能得到很高的预测精度.     

基于深度学习的地震偏移噪声压制研究

高信噪比成像对于油气勘探具有重要意义,压制偏移产生的噪声可以提高地震成像的信噪比.本文提出了一个基于卷积神经网络压制地震偏移噪声的方法,网络结构主要包括编码器和解码器,编码器用于提取特征,解码器用于恢复图像,该方法通过直接对地震剖面学习实现了地震偏移噪声压制的自动化.实际数据的实验结果验证了本文方法的有效性.本文的方法不仅可以保留地震剖面的主要特征,而且有效的压制了偏移噪声,对提高地震剖面信噪比和提高地震数据处理的效率具有重要意义.     

地面多分量地震数据P/S波分离的深度学习方法

多分量地震记录P/S波分离是多波地震数据处理的关键技术环节.常规方法大多依据两种波模式视速度或偏振特征的差异,基于信号分析或偏振投影实现模式解耦.在许多实际的地震-地质条件下,这些基于信号特征假设或表层参数模型的P/S波分离方法往往不太有效.为此,本文将各向同性介质条件下的地面多分量地震数据P/S波分离视为非线性的逐点预测问题,借助深度神经网络强大的特征提取能力进行求解.以国际标准模型为基础,提出了创建弹性参数样本库和P/S波分离标签数据集的有效方法.实验表明,丰富的训练样本保证了深度神经网络的泛化性能,在测试数据体上取得了明显优于经典的偏振投影分离方法的处理效果,而且摆脱了对表层介质参数的依赖性,为多分量地震数据反射PP波和PS波成像提供了有效的技术支撑.

     

接收函数确定Moho面速度和密度跃变的方法研究及应用

通过对单层模型反射和透射系数的推导,提出了利用接收函数一次转换波和多次波确定Moho面速度和密度跃变的速度-密度跃变（δβ-δρ）扫描叠加方法.利用反射率法计算了不同模型的远震理论地震图,按照与处理实际观测波形一致的方法和流程计算了理论接收函数;根据不同模型数值试验结果,深入分析了界面速度和密度跃变对接收函数震相幅度的影响.利用（δβ-δρ）扫描叠加方法,对理论接收函数进行了数值试验,结果证明了该方法的可行性.最后将该方法应用于位于青藏高原东北缘的高台（GTA）台和兰州（LZH）台,确定了两个台站下方Moho面的速度跃变分别约为（19±1）%和（20±1）%,密度跃变最小值为（4±2）%和（6±2）%.

     

多波地震深度学习的油气储层分布预测案例

有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法（Deep Learning Method）.首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明：本论文方案不仅具有可行性,且具有有效性.

     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

基于深度学习的地震叠加速度谱自动拾取算法研究

为解决人工拾取地震叠加速度谱时耗时长、效率低等问题, 本文提出了一种基于深度学习的地震速度谱自动拾取算法模型VSAP(Velocity Spectrum Accurate Pickup).该算法运用卷积神经网络Faster R-CNN模型构建的多分类任务拾取目标能量团, 然后将初步拾取后的能量团坐标输入循环神经网络LSTM(Long-Short Term Memory)模型来进行目标能量团拾取时坐标的取舍和微调, 最后输出模型分析和调整过的速度谱自动拾取图像.并通过实际的地震数据集拾取结果验证了该算法模型在叠加速度谱复杂信息的干扰中自动、准确拾取速度谱中能量团的能力, 同时验证了该模型的准确性以及鲁棒性.经过改进, 该算法模型有效地提高了速度谱拾取的效率和拾取精度.

     

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0.067 s,0.082 s.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.

     

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的, 这些特征参数依赖于人的经验和主观判断, 没有充分利用初至地震波中与震级相关的信息, 制约了震级估算效果.对此, 本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征, 实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入, 震中距、震源深度以及V_s30作为辅助输入, 震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录), 利用美国和新西兰的强震记录进行泛化性能测试(583条记录), 并与应用最为广泛的峰值位移Pd方法进行对比.结果表明, 当初至地震波时长为3s时, 在4~6.4级范围内, CNN方法估算震级的准确率是Pd方法的1.5倍, 在6.5~9级范围, CNN方法估算震级的准确率是Pd方法的1.2倍; 当初至地震波从3s增加到10s时, CNN方法能够随着地震波时长的增加不断提高估算震级的准确率, 并且始终高于Pd方法, 特别是对于4~6.4级地震, CNN方法在初至3s地震波时估算震级的准确率是Pd方法在初至10s地震波时的1.2倍; 随着地震波时长的增加, CNN方法对于震级饱和问题的改善效果优于Pd方法; CNN方法具有较好的泛化能力, 在训练数据集之外的区域, 比Pd方法估算震级更准确.相比于人为定义的特征参数, CNN方法从初至地震波中自动学习到了与震级更为相关的特征, 这些特征极大地改善了震级估算的准确性和时效性, 可以为地震预警系统提供更快速更准确的震级估算.

     

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)...