[发明专利]基于生成对抗网络的地震数据插值方法及装置在审
申请号: | 202010326111.7 | 申请日: | 2020-04-23 |
公开(公告)号: | CN113552615A | 公开(公告)日: | 2021-10-26 |
发明(设计)人: | 常德宽;杨午阳;雍学善;王一惠 | 申请(专利权)人: | 中国石油天然气股份有限公司 |
主分类号: | G01V1/28 | 分类号: | G01V1/28;G06N3/04 |
代理公司: | 北京三友知识产权代理有限公司 11127 | 代理人: | 赵平;周永君 |
地址: | 100007 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 生成 对抗 网络 地震 数据 方法 装置 | ||
1.一种基于生成对抗网络的地震数据插值方法,其特征在于,包括:
获取待插值的缺失地震数据;
将所述待插值的缺失地震数据输入到训练好的生成对抗网络地震数据插值模型中,所述生成对抗网络地震数据插值模型对所述待插值的缺失地震数据进行插值并生成所述待插值的缺失地震数据对应的完备地震数据,其中,所述生成对抗网络地震数据插值模型为根据用于模型训练的完备地震数据及缺失地震数据采用预设的深度神经网络训练得出。
2.根据权利要求1所述的基于生成对抗网络的地震数据插值方法,其特征在于,所述生成对抗网络地震数据插值模型包括:生成器和判别器;
所述生成器,用于对缺失地震数据进行插值生成缺失地震数据对应的完备地震数据模拟值;
所述判别器,用于根据缺失地震数据对应的完备地震数据对所述生成器生成的完备地震数据模拟值的正确性进行判别。
3.根据权利要求2所述的基于生成对抗网络的地震数据插值方法,其特征在于,还包括:
获取模型训练数据集,所述模型训练数据集包括:缺失地震数据以及缺失地震数据对应的完备地震数据;
根据模型训练数据集进行模型训练,在模型训练时,所述生成器对缺失地震数据进行插值生成缺失地震数据对应的完备地震数据模拟值,所述判别器根据缺失地震数据对应的完备地震数据对所述生成器生成的完备地震数据模拟值的正确性进行判别,当所述判别器无法判别所述生成器生成的完备地震数据模拟值的正确性时结束模型训练。
4.根据权利要求2或3所述的基于生成对抗网络的地震数据插值方法,其特征在于,所述生成器和所述判别器均包括:卷积层、池化层、反卷积层、激活层以及批量归一化层。
5.一种基于生成对抗网络的地震数据插值装置,其特征在于,包括:
待插值地震数据获取单元,用于获取待插值的缺失地震数据;
地震数据插值单元,用于将所述待插值的缺失地震数据输入到训练好的生成对抗网络地震数据插值模型中,所述生成对抗网络地震数据插值模型对所述待插值的缺失地震数据进行插值并生成所述待插值的缺失地震数据对应的完备地震数据,其中,所述生成对抗网络地震数据插值模型为根据用于模型训练的完备地震数据及缺失地震数据采用预设的深度神经网络训练得出。
6.根据权利要求5所述的基于生成对抗网络的地震数据插值装置,其特征在于,所述生成对抗网络地震数据插值模型包括:生成器和判别器;
所述生成器,用于对缺失地震数据进行插值生成缺失地震数据对应的完备地震数据模拟值;
所述判别器,用于根据缺失地震数据对应的完备地震数据对所述生成器生成的完备地震数据模拟值的正确性进行判别。
7.根据权利要求6所述的基于生成对抗网络的地震数据插值装置,其特征在于,还包括:
模型训练数据集获取单元,用于获取模型训练数据集,所述模型训练数据集包括:缺失地震数据以及缺失地震数据对应的完备地震数据;
模型训练单元,用于根据模型训练数据集进行模型训练,在模型训练时,所述生成器对缺失地震数据进行插值生成缺失地震数据对应的完备地震数据模拟值,所述判别器根据缺失地震数据对应的完备地震数据对所述生成器生成的完备地震数据模拟值的正确性进行判别,当所述判别器无法判别所述生成器生成的完备地震数据模拟值的正确性时结束模型训练。
8.根据权利要求6或7所述的基于生成对抗网络的地震数据插值装置,其特征在于,所述生成器和所述判别器均包括:卷积层、池化层、反卷积层、激活层以及批量归一化层。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至4任意一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国石油天然气股份有限公司,未经中国石油天然气股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010326111.7/1.html,转载请声明来源钻瓜专利网。