基于CNN和Transformer耦合网络的低剂量CT图像重建方法

在投影角度个数不变的情况下,降低每个角度下的射线剂量,是一种有效的低剂量CT实现方式,然而,这会使得重建图像的噪声较大。当前,以卷积神经网络（CNN）为代表的深度学习图像去噪方法已经成为低剂量CT图像去噪的经典方法。受Transformer在计算机视觉任务中展现的良好性能的启发,本文提出一种CNN和Transformer耦合的网络（CTC）,以进一步提高CT图像去噪的性能。CTC网络综合运用CNN的局部信息关联能力和Transformer的全局信息捕捉能力,构建8个由CNN部件和一种改进的Transformer部件构成的核心网络块,并基于残差连接机制和信息复用机制将之互联。与现有4种去噪网络比较,CTC网络去噪能力更强,可以实现高精度低剂量CT图像重建。      

基于U型生成对抗网络的编码孔径CT成像方法

针对编码孔径CT成像非连续稀疏采样只能通过代数类迭代重建算法的缺点,本文提出一种基于U型生成对抗网络的编码孔径CT成像方法。通过构建基于U型生成对抗网络的非连续稀疏投影的动态博弈模型,结合联合损失函数,预测正弦图的结构性缺失,实现编码孔径CT成像分析类（非迭代）快速重建。实验结果表明,在辐射剂量降低95％ 的条件下,基于U型生成对抗网络的编码孔径CT成像方法实现了峰值信噪比大于30 dB @ 256×256的高质量重建。相比于目前最先进的编码孔径CT成像方法,其重建时间降低了约两个数量级。      

基于深度卷积生成对抗网络的瑞雷波信号随机噪声去除

瑞雷波勘探是一种新兴的环境与工程地球物理勘探方法,野外采集的瑞雷波数据常含各种噪声干扰,对瑞雷波信号进行去噪处理至关重要.本文提出了一种基于深度卷积生成对抗网络(DCGAN)的瑞雷波信号随机噪声去除方法,其关键在于构建一个适用于瑞雷波信号去噪的DCGAN,包含生成器与判别器两部分.生成器由一个全卷积神经网络(FCN)构成,用于学习含噪数据到无噪数据的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练.基于DCGAN的去噪方法的实现分为三步:数据预处理、网络训练和噪声去除.一旦网络训练完成,去噪过程无需更多人为调整参数,减少了人力成本.对实际数据进行去噪试验,从地震数据和频散曲线两方面评价去噪效果,验证了本文方法的可行性,且相较于常用的小波变换、F-X反褶积算法,本文方法在不同比例噪声情况下均具有更好的去噪效果,对瑞雷波信号去噪方法选取有一定参考意义.     

基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法

密度测井曲线作为常规测井曲线中的一种,有着丰富的地质信息,通过对其进行分析解释,可以获得地层岩性、岩石密度和岩层孔隙度等参数.然而,在实际获取密度测井曲线的过程中,由于仪器故障、人为因素等原因,不可避免的会出现部分密度测井数据失真甚至缺失的情况.针对这一问题,本文提出一种基于条件生成对抗网络(CGAN)的密度测井曲线重构技术解决上述问题,其中条件生成对抗网络的生成器和鉴别器主要由一维卷积网络(1D-CNN)和门控循环单元网络(GRU)构成.通过条件生成对抗网络(CGAN)的对抗式训练方法可以使网络具有更强的学习能力,更加有效的挖掘出测井序列的长期非线性相关性、历史数据之间的关联性等关系.将该方法应用于实际的测井数据中,并与传统的神经网络方法相对比,结果表明本文提出的方法优于传统的神经网络方法,能够生成更加符合实际情况的曲线.     

基于注意力约束深度生成网络的测井电成像空白条带填充

电成像测井是储层测井评价的一种有效技术手段．但由于电成像测井仪器极板的尺寸与井径不能完全匹配,极板对井周的覆盖率无法达到100%,导致测得的图像存在空白条带,影响地质信息的精确解释．为提高测井资料解释精度,有必要对这些空白条带进行填充．传统的测井电成像空白条带填充方法由于只能获取图像的浅层特征,能较好地修复结构简单的砂泥岩图像,但对砂砾岩、碳酸盐岩等结构复杂的成像图则修复效果不佳．深度学习方法具有强大感知能力,能够捕获图像的深层特征,因此本文采用深度生成网络对测井电成像图像空白条带进行填充．首先,为使深度生成网络提取对空白填充更为重要的特征,将注意力机制引入网络,其中通道注意力机制通过对不同通道的特征加权生成通道注意力权重向量,以增加重要特征的权重,而空间注意力机制利用特征图的内部空间关系生成空间注意力权重向量精确定位重要信息的位置,实现对重点信息的关注．其次,改变常规卷积神经网络中卷积的方式,通过引入变形卷积以提高网络对复杂图像几何变换的建模能力,更好地拟合图像的轮廓细节信息．在砂砾岩地层测井电成像图像的填充实验中表明,引入注意力机制后,所填充空白条带区域与整体图像的上下文内容更为一...     

基于深度学习的低剂量CT成像算法研究进展

计算机断层扫描成像(CT)技术具有成像速度快分辨率高的优点,广泛应用于医学临床诊断中.然而,提高剂量辐射会引发人体组织器官受损,降低剂量又会造成成像质量严重下降.为解决上述矛盾,在确保成像质量满足临床诊断需求的条件下,研究如何最大程度地降低X射线辐射对人体造成的伤害,己成为低剂量CT成像技术的研究热点.近年来,在人工智...     

基于3MNet去噪网络的快速EPRI成像

电子顺磁共振成像（EPRI）是一种先进的氧成像技术。当前EPRI的瓶颈问题是扫描速度过慢,其原因是每个角度下的投影信号需要被重复采集几千次,以压制随机噪声。一种实现快速扫描的方法是减少投影信号的重复采集次数,然而这又使得投影信号信噪比降低,重建出来的图像噪声较大。为有效压制重建图像中的噪声,本文提出一种基于多通道、多尺度、多拼接的（3MNet）图像去噪网络,以实现高精度快速EPRI成像。该网络由3个子网络构成。第1个子网络是基于注意力机制的卷积网络,其输出的特征图像与输入图像拼接以构成后端网络的输入;第2个子网络是3通道卷积网络;第3个子网络是多尺度卷积网络。实验结果表明,本文提出的3MNet网络可以实现EPRI图像的高精度去噪,进而实现快速成像。     

深度学习地震数据重建方法研究综述

由于自然条件限制和人为因素的影响,实际采集得到的地震数据往往会出现地震道数据缺失的情况,会对后续的地震数据处理和解释制造困难,需要对地震数据进行重建.而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题.于是人们将目光投向发展迅速的深度学习领域,截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题.本文将着重分析具有代表性的深度学习地震数据重建方法,分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络.通过重建结果残差对比图,重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨.并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势,对现今的深度学习重建方法进行总结和展望.     

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。     

基于改进U-Net卷积神经网络的储层预测

传统的U-Net卷积神经网络大多存在深层网络梯度消失的问题。本文在U-Net卷积神经网络中加入残差模块,提出了一种改进U-Net卷积神经网络。残差模块保证了U-Net卷积神经网络在误差反向传播过程中梯度的存在,在一定程度上可以缓解梯度消失的问题。最后将改进U-Net卷积神经网络应用于实际储层预测中,实际数据测试结果表明基于改进U-Net卷积神经网络在岩性识别以及“甜点”预测上均能取得较好的效果。     

基于遗传神经网络的地震砂土液化判别研究

针对BP人工神经网络具有易陷入局部极小等缺陷,本文提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了砂土液化判别的遗传神经网络模型。根据地震液化的实测资料,分别对BP〗神经网络判别结果和遗传神经网络判别结果进行了比较,结果表明后者比前者判别能力要好些。     

PMC方法在江苏测震台网监测能力评估中的应用

江苏测震台网经近20年的高速发展,已拥有75个数字测震台站,针对江苏台网监测能力的评估需求,同时为进一步优化台网布局,提高江苏测震台网监测能力提供参考意见,本文使用基于概率的完整性震级方法,利用江苏台网2009—2021年正式编目观测报告数据,对江苏台网进行监测能力评估。研究结果表明,江苏台网监测能力较好的地区为北部连云港周边地区,监测能力达到了$ {M}_{\mathrm{L}}\geqslant 1.0 $;其次为南部南京、镇江、常州及周边地区,监测能力达到了$ {M}_{\mathrm{L}}\geqslant 1.5 $;监测能力较差的地区为中部地区及近海海域,监测能力达到了$ {M}_{\mathrm{L}}\geqslant 2.0 $。整个江苏台网基本实现了$ {M}_{\mathrm{L}}\geqslant 2.0 $的监测能力,周边地区及中部近海海域基本实现了$ {M}_{\mathrm{L}}\geqslant 2.5 $的监测能力。     

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.

     

基于Elman神经网络算法的地震经济损失快速评估研究

地震经济损失快速评估是应急救灾的重要决策依据。本文选取了震级、极震区烈度、极震区烈度和抗震设防烈度之差ΔI、人口密度、人均GDP等5个指标作为输入层节点,将地震灾害的直接经济损失作为输出层节点,通过对1996—2013年的地震灾害损失资料进行训练和仿真分析,构建了Elman神经网络地震经济损失快速估计模型。运用该模型,对近年来的7个破坏性地震的直接经济损失进行评估分析,评估结果和实际直接经济损失有较好的一致性,该方法为地震经济损失快速评估提供了一种新思路。     

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法.神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度.结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果.     

基于改进遗传算法优化BP神经网络的单体建筑物震害评估方法

结合机器学习算法最新研究进展,提出一种基于改进遗传算法优化BP神经网络的单体建筑物震害评估方法。以四川地区为例,通过改进遗传算法优化BP神经网络建立评估模型,输出评估区域内不同结构类型单体建筑物在各震害影响因素综合作用下的破坏等级,并通过实际算例分析对模型的有效性进行验证。结果表明,该方法可快速、准确地评估单体建筑物震害情况。     

基于CNN的地震前兆台网观测数据异常图像识别方法

地震前兆台网观测数据异常图像识别方法一直是地震监测预报人员研究的重要课题.为提高异常图像识别的工作效率,充分利用已有的异常图像识别经验知识,开展基于卷积神经网络(CNN)的快速异常识别方法探索性研究.结果表明:基于CNN的异常图像识别方法准确率较高,实现了异常图像的快速识别.整个台网的异常图像丰富多样,影响较多.由于特...     

基于深度学习神经网络方法的中国大陆地震伤亡预测模型

对地震伤亡人口的预测需要同时考虑地震破裂特征本身、灾区人口及其生活环境等特征,其是一个典型的复杂预测系统。本文基于深度学习神经网络方法和1976—2020年间78次地震伤亡事件,构建了中国大陆地震伤亡预测模型,综合使用发震年代、发震时刻、发震季节、Ⅵ度及以上区域受灾面积、Ⅵ度及以上区域受灾人口数、震源深度、极震区烈度和震源机制类型等8个参数,对包括2008年汶川8.0级和2010年玉树7.1级地震在内的9次地震事件进行了预测检验。结果显示,该预测模型能够较好地反映出中小地震的伤亡人口特征,除汶川地震和玉树地震外的7次地震伤亡事件预测值与实际值误差均在一个数量级上,对于2008年汶川8.0级和2010年玉树7.1级地震,预测值明显小于实际伤亡人口;其中玉树地震发震断层位于玉树州府结古镇之下,造成了相对较多的人口伤亡数量;汶川地震的伤亡人口数量不仅由地震直接导致,还包括了地震滑坡等次生灾害引起的伤亡数量。