[发明专利]一种基于深度学习的地震速度自动拾取方法

说明书

本发明公开了一种基于深度学习的地震速度自动拾取方法，包括：获取地震数据与标签；将所述地震数据与所述标签输入到预先训练好的深度学习模型中，得到速度拾取结果；其中，深度学习模型的结构包括：三块残差块组成的残差网络；在残差网络后添加长短时记忆网络和全连接层；其中，每个残差块均由三层卷积层构成；各个残差块以及残差块各层之间的激活函数为Relu函数；长短时记忆网络和全连接层之间的激活函数为Relu函数。本发明提供的基于深度学习的地震速度自动拾取方法，有效提高了地震速度拾取的效率。

技术领域

本发明涉及地震速度拾取技术领域，更具体的说是涉及一种基于深度学习的地震速度自动拾取方法。

背景技术

建立速度模型是重要的地震数据处理步骤，速度模型建立的优劣对地震资料后续处理(如多次波压制、时深转换、偏移成像和反演等)具有重要影响。

建立速度模型需要在速度谱上进行速度拾取，此过程通常需要专业人员进行人工拾取、需花费大量的人工时间。利用速度谱进行速度拾取时，拾取速度的精度以及速度谱的分辨率受到多种因素影响，如：炮检距分布、叠加次数、信噪比、速度采样密度以及近地表异常等因素。因此需要经验丰富的处理人员才会得到精度较高的拾取结果。由于三维地震的数据量十分庞大，在进行地震数据处理时，单纯使用人工方法拾取速度谱需要耗费大量时间并且效率较低。

因此，如何提高地震速度拾取的效率是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于深度学习的地震速度自动拾取方法，有效提高了地震速度拾取的效率。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的地震速度自动拾取方法，包括：

获取地震数据与标签；

将所述地震数据与所述标签输入到预先训练好的深度学习模型中，得到速度拾取结果；

其中，深度学习模型的结构包括：三块残差块组成的残差网络，在残差网络后还添加有长短时记忆网络和全连接层；

每个残差块均由三层卷积层构成；各个残差块以及残差块各层卷积层之间的激活函数均为Relu函数；长短时记忆网络和全连接层之间的激活函数为Relu函数。

优选的，深度学习模型的训练方法包括：

构建训练集数据与标签；

构建深度学习模型；

将训练集数据与标签输入到构建好的深度学习模型中进行训练，并利用迁移学习对深度学习模型做进一步训练。

优选的，构建训练集数据与标签的具体步骤包括：

建立水平层状速度模型；

基于波动方程对水平层状速度模型进行正演模拟，得到地震记录；

基于地震记录合成CMP道集；

基于CMP道集计算速度谱；

将速度谱按照时间轴等分为m个区域，显示能量信息的区域形状，其他区域能量值设置为0，得到处理后的速度谱；

将处理后的速度谱与原速度谱进行叠加，得到训练集数据；

提取每个区域中能量最大值点所对应的速度值，并将该速度值作为标签。

优选的，利用迁移学习对深度学习模型做进一步训练的具体步骤包括：

在实际地震数据中提取n个速度谱，并利用人工拾取速度的方式获取标签；

基于n个速度谱得到迁移训练数据集，并基于迁移训练数据集和对应的标签对深度学习模型做进一步训练。