瞬变电磁一维反演技术已经相对成熟,但对野外实测数据进行实时成像仍然有一定难度.本文将卷积神经网络引入到时间域瞬变电磁数据成像中,通过训练网络近似瞬变电磁响应与地电模型之间的函数关系,将复杂的反演过程转化为矩阵映射过程,进而实现瞬变电磁数据的实时快速成像.考虑到传统算法大多针对单点进行成像,难以实现面积性数据快速处理,本文尝试将接收点相对发射源的坐标信息作为网络输入参数,这不仅使得该算法在野外成像过程中更加灵活,同时也大大减少了训练过程中样本集数量.为验证算法的有效性,我们首先在大量理论数据上进行测试,检验了卷积网络的优越性以及加入坐标信息可在不影响成像精度的前提下极大提升该方法对不规则测点电磁数据的成像灵活性.最后,我们通过对实测数据分别进行神经网络成像和Occam反演,进一步验证本文神经网络成像方法的有效性.
相似文献高分辨率Radon变换是地震资料处理常用的方法之一,其反演通常涉及矩阵求逆、多次迭代等环节,这些因素导致Radon变换反演计算量大,收敛速度慢等问题.本文在分析Radon变换分辨率降低原因基础上,提出基于一维卷积神经网络(Convolutional Neural Network,CNN)的高分辨率Radon变换反演方法.该方法通过卷积神经网络的非线性表征能力实现低分辨率Radon参数到高分辨率Radon参数的映射,分析了基于反褶积原理的串联映射模型和基于残差学习的并联映射模型提高分辨率的原理.将上述CNN网络得到的特定频率Radon参数约束其他频率参数的反演,避免了分频训练的弊端.模拟数据和实际数据的多次波压制实验表明,本文提出的基于一维卷积神经网络的高分辨率Radon变换可以较好地压制多次波,且计算效率高.
相似文献发展高效、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.
相似文献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.根据美国犹他州2012年记录到的天然地震和采石场爆破的观测资料, 构建深度学习的训练数据集并进行模型训练, 并据此判断2013—2016年间已知的天然地震和爆破事件.结果表明, 多输入卷积神经网络具有较高的识别精度, 识别率高达97%.
相似文献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.
相似文献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.
相似文献由于天然电磁场源信号微弱,观测数据极易受到噪声干扰,严重影响反演和解释结果.传统去噪方法依赖于人工对时间序列和功率谱的筛选,去噪效率低,主观性强.本文提出利用循环神经网络对大地电磁时域信号进行特征噪声的识别和提取,进而重构出去噪后的大地电磁信号.在对大地电磁时域信号进行大量分析的基础上,对噪声进行分类并搭建含噪信号数据库,利用该数据库训练了两个循环神经网络,并选取长短时记忆单元优化循环神经网络结构,分别实现含噪数据段筛选和噪声形态提取.对仿真和实测数据分别进行了测试,循环神经网络均能准确筛选出大地电磁信号中的噪声段,本方法在避免人为操作主观性的同时提高了工作效率,视电阻率和相位曲线质量得到明显改善.
相似文献本文针对射线类偏移成像当中的速度模型光滑处理问题,借鉴数字图像处理当中的偏微分方程法,基于能量泛函,应用变分方法导出基于速度模型的偏微分方程实现射线类偏移成像当中的速度模型的光滑处理.由于偏微分方程法具有线性叠加特性、模型解的唯一性和局部特征保持性,因此,应用该算法可以实现基于原始速度模型空间结构的模型光滑处理.通过在原始速度模型以及光滑处理后的速度模型上计算速度的空间分布以及地震波走时、射线路径可以得出,偏微分方程法对速度模型的光滑处理能够很好地保持原始模型的空间结构,偏移成像结果也证明了该方法的实用性.
相似文献针对基于互相关成像条件的探地雷达(GPR)逆时偏移计算效率低、存储量大及易产生低频假象的不足,本文将激发振幅成像条件应用于GPR逆时偏移成像中.通过在源点电磁波场正向传播过程计算每个网格点的能量密度,并保存最大能量密度的时刻和相应的电磁波场值;在接收点电磁波场逆向传播过程提取每个网格点最大能量密度时刻及对应的电磁波场值,并利用保存的最大能量源点电磁波场及走时做归一化,从而获得了依赖反射系数成像剖面,避免了源点正向传播电磁波场的存储和重建.此外,为了提高电磁波场的模拟精度,采用了基于三角形剖分的时间域有限单元法(FETD)计算电磁波正向和逆向传播过程.最后通过模型试算表明:激发振幅成像条件相比于归一化互相关成像条件,成像结果低频噪声更弱,空间分辨率更高,计算效率提高了近2倍.
相似文献由于深部金属矿埋深和自身的复杂性,利用重、磁、电方法和一般的地震方法很难有效地对其进行高精度定位.全波形反演通过最小化模拟数据与观测数据的差异使深部金属矿的高精度探测成为可能,但全波形反演是一个局部优化过程,需要准确的低频数据作为起始,而这在一般的地震数据采集中难以做到.本文先在频域中使用伴随状态震源函数反演方法,通过震源附近的直达波能精确地反演出震源函数的形态.然后利用得到的高精度震源子波结合褶积与反褶积思想及相似性现象重构含有低频成分的自激自收数据.将该数据应用到全波形反演中,有效缓减了反演过程中出现的周波跳跃现象,并提高了模型反演的正确性.Marmousi模型和金属矿模型的数值模拟实验证明了新方法改善了在没有低频数据时的全波形反演结果,并有较好抗噪性.
相似文献