[发明专利]一种基于深度学习的抽油机噪声定位方法

权利要求书

1.一种基于深度学习的抽油机噪声定位方法，其特征在于：该方法的步骤是：

S1、利用固定大小的滑动窗单步滑动对地震数据按列分块，得到若干固定大小的局部地震道集，每个局部地震道集包含固定数量的地震道，根据当前局部地震道集包含一段扫把状的抽油机噪声的道数是否达到所设定阈值对其进行标注，若包含抽油机噪声的地震道数量达到阈值Th₁，将其标注为1，包含抽油机噪声的地震道数量低于阈值Th₂，将其标记为0；

S2、对步骤S1中得到的局部地震道集进行预处理，计算其能量谱、进行均值滤波，然后降采样，随机选取部分预处理之后的数据作为训练集，剩余部分作为测试集；

S3、搭建深度CNN网络，并利用步骤S2中得到的训练集对CNN网络进行训练，训练过程中利用错分的数据补充训练集反复训练；

S4、利用测试样本对步骤S3中训练好的CNN网络进行测试，对其定位功能进行定量评价；

S5、根据步骤S4中的定位结果对定位到的抽油机噪声进行宽度估计。

2.如权利要求1所述的基于深度学习的抽油机噪声定位方法，其特征在于：在步骤S1中，滑动窗的列方向固定大小为w；每次选取w道地震数据。

3.如权利要求1所述的基于深度学习的抽油机噪声定位方法，其特征在于：在步骤S2中，局部地震道集记为X，首先对其进行列方向的均值滤波得到滤波后的数据其中A为均值滤波器，然后利用双三次插值对其进行降采样，得到

4.如权利要求1所述的基于深度学习的抽油机噪声定位方法，其特征在于：在步骤S3中，CNN网络包括四个卷积层和三个全连接层；利用训练集对CNN网络进行训练，利用测试集对训练好的CNN网络进行测试，并利用错分的样本对CNN网络进行微调；CNN网络使用交叉熵loss函数：

其中p代表真实的概率分布，q代表CNN网络输出的概率分布。

5.如权利要求1所述的基于深度学习的抽油机噪声定位方法，其特征在于：在步骤S4中，对定位到的抽油机噪声所在地震道向左右延拓得到N，保证其包含完整的噪声，利用和预处理相似的方式得到：

其中利用Th_mean代表利用能量均值选择阈值进行二值化，I_open表示图像开运算，然后在中寻找最大连通域得到其横向宽度W，为补偿图像开运算中损失的噪声边缘，使用1.2W作为最终宽度。