[发明专利]基于深度学习的初至拾取方法及装置

说明书

技术领域

本申请涉及地震勘探中的初至拾取技术领域，尤其是涉及一种基于深度学习的初至拾取方法及装置。

背景技术

目前，拾取地震数据的初至信息，尤其是大偏移距的初至信息，能够用于研究地层结构，认识构造演化过程，提高深层勘探能力，改善静校正精度，估算地层各向异性和反演地下弹性参数等。因此，初至拾取在地震勘探中发挥着重大的作用。

然而，在实际的地震勘探中，由于噪声、地层倾角以及干扰波的存在等多种因素的影响，往往不能拾取到准确的初至信息，大偏移距数据的初至拾取又需要对震源的激发能量有较高的要求。更重要的一点是，目前的初至拾取工区大多由人工来完成，对于大数据的调节是一件非常费力、需要大量时间的工作。因此，目前亟需一种精度高且效率快的初至拾取方案。

发明内容

本申请实施例的目的在于提供一种基于深度学习的初至拾取方法及装置，以提高地震数据初至拾取的精度和效率。

为达到上述目的，一方面，本申请实施例提供了一种基于深度学习的初至拾取方法，包括：

获取地震数据；

从所述地震数据中分别提取出地震数据训练集和地震数据测试集；

基于所述地震数据训练集训练特定的深度学习初始模型，获得初至拾取模型；

根据所述初至拾取模型对所述地震数据测试集中的数据进行初至拾取，获得初至拾取结果。

优选的，所述特定的深度学习初始模型包括卷积神经网络。

优选的，所述基于所述地震数据训练集训练特定的深度学习初始模型，获得初至拾取模型，包括：

将所述地震数据训练集确定为所述卷积神经网络的输入层数据；

通过多个卷积核对所述输入层数据进行卷积运算，并将运算结果输入相应的激活函数，得到所述输入层数据的输出特征；

将所述输入层数据的输出特征进行特征降维映射，获得所述输入层数据的本质特征；

将所述输入层数据的本质特征展开为一维数组，以作为所述卷积神经网络的输出层数据；

根据所述输出层数据判断当前的卷积神经网络的预测精度是否满足预设条件；

如果不满足，则通过所述卷积神经网络的反向传播算法调整当前的卷积神经网络的权值参数和偏置参数，直至所述预测精度满足所述预设条件为止，并将所述预测精度满足所述预设条件时对应的得到卷积神经网络确定为初至拾取模型。

优选的，所述地震数据包括叠前炮集数据。

优选的，在从所述地震数据中分别提取训练数据集和测试数据集之前，还包括：

对所述叠前炮集数据进行预处理。

另一方面，本申请实施例还提供了一种基于深度学习的初至拾取装置，包括：

记录获取模块，用于获取地震数据；

数据提取模块，用于从所述地震数据中分别提取出地震数据训练集和地震数据测试集；

模型获取模块，用于基于所述地震数据训练集训练特定的深度学习初始模型，获得初至拾取模型；

初至拾取模块，用于根据所述初至拾取模型对所述地震数据测试集中的数据进行初至拾取，获得初至拾取结果。

优选的，所述特定的深度学习初始模型包括卷积神经网络。

优选的，所述模型获取模块，包括：

第一确定子模块，用于将所述地震数据训练集确定为所述卷积神经网络的输入层数据；

卷积运算子模块，用于通过多个卷积核对所述输入层数据进行卷积运算，并将运算结果输入相应的激活函数，得到所述输入层数据的输出特征；

数据降维子模块，用于将所述输入层数据的输出特征进行特征降维映射，获得所述输入层数据的本质特征；

数据输出子模块，用于将所述输入层数据的本质特征展开为一维数组，以作为所述卷积神经网络的输出层数据；

精度控制子模块，用于根据所述输出层数据判断当前的卷积神经网络的预测精度是否满足预设条件；如果不满足，则通过所述卷积神经网络的反向传播算法调整当前的卷积神经网络的权值参数和偏置参数，直至所述预测精度满足所述预设条件为止，并将所述预测精度满足所述预设条件时对应的得到卷积神经网络确定为初至拾取模型。

优选的，所述地震数据包括叠前炮集数据。

优选的，所述装置还包括：

数据预处理子模块，用于在从所述地震数据中分别提取训练数据集和测试数据集之前，对所述叠前炮集数据进行预处理。