[发明专利]适用于地震勘探的褶积深度网络构建方法

说明书

本发明提供一种适用于地震勘探的褶积深度网络构建方法，该适用于地震勘探的褶积深度网络构建方法包括：步骤1，准备输入数据，输入数据包括训练数据和实际应用数据；步骤2，确定学习规则；步骤3，训练适用于地震勘探的褶积深度网络Conv‑DNSE；步骤4，输出Conv‑DNSE的输出结果。该适用于地震勘探的褶积深度网络构建方法可提供给地球物理人员进行储层预测研究，然后再提供给地质人员进行下一步的分析，包括确定有利储层、辅助井位设计、计算储量等。

技术领域

本发明涉及地震勘探技术领域，特别是涉及到一种适用于地震勘探的褶积深度网络构建方法。

背景技术

深度学习是一种机器学习方法，机器学习是人工智能的一个分支。深度学习是引领人工智能浪潮的技术，虽然深度学习最终可能会被其他技术所替代，但它现在仍然是人工智能的基石。

深度学习是一种采用深度神经网络的机器学习技术，深层神经网络是包含两个或更多隐藏层的多层神经网络，这是真正的深度学习的本质。深度学习已经成为人们关注的焦点，因为它能够很好地解决一些挑战人工智能的问题。它的性能在许多领域都是卓越的。然而，它也面临着限制。深度学习的局限性源于从其祖先机器学习继承而来的基本概念，作为机器学习的一种，深度学习不能避免机器学习所面临的基本问题。

第一代神经网络，即单层神经网络在解决机器学习所面临的实际问题时，不需要很长时间就可以揭示其基本局限性，多层神经网络将是下一个突破，然而，直到另一层被添加到单层神经网络大约花了30年时间，为什么只需要一个额外的层就需要这么长的时间，这是因为没有找到适合多层神经网络的学习规则，因为训练是神经网络存储信息的唯一途径，不可训练的神经网络是无用的。

1986年，引入了反向传播算法(Back-Propagation Algorithm,BP)，最终解决了多层神经网络的训练问题，神经网络又重新登上了舞台。然而，很快又遇到了另一个问题，多层神经网络在实际问题上的表现没有达到预期，学者们尝试用各种各样的方法来克服这些限制，包括添加隐藏层和添加隐藏层中的节点，但是，都没有起到明显的作用，有时候反而使得多层神经网络的表现更差。

由于上述原因，多层神经网络被遗忘了大约20年，直到2000年代中期，深度学习被引进，打开了一扇新的大门，但是由于深部神经网络的训练困难，深部隐层需要一段时间才能产生足够的性能，不管怎么说，目前的深度学习技术产生了令人眼花缭乱的性能水平，这超过了其他机器学习技术以及其他神经网络，并在人工智能的研究中占了上风。

综上所述，多层神经网络在解决单层神经网络问题上花费了30年的时间，其原因是缺乏学习规则，最终被反向传播算法所解决。又过了20年，出现了基于深度神经网络的深度学习算法，深度学习算法较好地解决了多层神经网络存在的梯度消失、过拟合和计算效率低等问题。

目前，深度学习在油气和地震勘探领域的研究现在仍处在起步阶段，已引起行业的高度关注，深度学习方面的研究成果也如雨后春笋不断涌现，但是在应用效果上仍需要不断改进，以提高深度学习在地震勘探中的针对性。为此我们发明了一种新的适用于地震勘探的褶积深度网络构建方法，解决了以上问题。

发明内容

本发明的目的是提供一种适用于地震勘探的褶积深度网络(Convolution DepthNetwork for Seismic Exploration,Conv-DNSE)构建方法，用于石油勘探中的储层预测业务。

本发明的目的可通过如下技术措施来实现：适用于地震勘探的褶积深度网络构建方法，该适用于地震勘探的褶积深度网络构建方法包括：步骤1，准备输入数据，输入数据包括训练数据和实际应用数据；步骤2，确定学习规则；步骤3，训练适用于地震勘探的褶积深度网络Conv-DNSE；步骤4，输出Conv-DNSE的输出结果。

本发明的目的还可通过如下技术措施来实现：