[发明专利]基于地震数据的溶洞地质体提取方法、装置、设备及介质

权利要求书

1.一种基于地震数据的溶洞地质体提取方法，其特征在于，所述方法包括：

获取地震数据，所述地震数据为三维矩阵，所述矩阵中的数据为振幅；

将所述地震数据输入深度学习U型神经网络中计算概率，得到概率矩阵，所述深度学习U型神经网络是预先训练的用于根据地震数据确定概率矩阵的计算模型；

根据所述概率矩阵，生成溶洞地质体图像，所述溶洞地质体图像用于表示溶洞所在位置和类型。

2.根据权利要求1所述的方法，其特征在于，所述获取地震数据之前，所述方法还包括：

获取标签，所述标签包括初始标签和引入褶皱后的标签，所述初始标签和所述引入褶皱后的标签包括多个三维坐标，用于表示每个溶洞的位置；

从训练数据集中获取预设数量个训练数据，所述训练数据集中包括多个训练数据，每个训练数据为三维矩阵，所述矩阵中的数据为振幅；

根据所述标签，所述预设数量个训练数据以及初始的U型神经网络进行训练直至训练次数达到预设次数，得到所述深度学习U型神经网络。

3.根据权利要求2所述的方法，其特征在于，所述获取标签，包括：

获取根据预先构建的物理模型得到的初始地震数据，所述初始地震数据为三维矩阵，所述矩阵中的数据为振幅；

根据所述初始地震数据，计算得到所述初始标签；

将所述初始地震数据进行引入褶皱处理，得到第一处理数据；

根据所述第一处理数据，计算得到所述引入褶皱后的标签。

4.根据权利要求3所述的方法，其特征在于，所述从训练数据集中获取预设数量个训练数据之前，所述方法还包括：

对所述初始地震数据和所述第一处理数据进行切割处理，得到第二处理数据；

对所述第二处理数据进行归一化处理，得到所述训练数据集。

5.根据权利要求2所述的方法，其特征在于，所述根据所述标签，所述预设数量个训练数据以及初始的U型神经网络进行训练直至训练次数达到预设次数，得到所述深度学习U型神经网络，包括：

根据所述预设数量个训练数据以及初始的U型神经网络计算得到概率矩阵；

根据所述概率矩阵和所述标签，计算得到差值矩阵；

根据所述差值矩阵和预设的损失函数，得到损失值，所述损失值用于更新U型神经网络；

根据所述损失值对初始的U型神经网络进行更新，得到训练后的U型神经网络；

重新从所述训练数据集中获取预设数量个训练数据，根据新获取的预设数量个训练数据以及训练后的U型神经网络计算得到新的概率矩阵，根据新的概率矩阵和所述标签计算得到新的差值矩阵，根据新的差值矩阵和所述损失函数的得到新的损失值，再根据新的损失值再次进行更新，重复本步骤直至训练次数达到预设次数，得到深度学习U型神经网络。

6.根据权利要求4所述的方法，其特征在于，所述对所述第二处理数据进行归一化处理，得到所述训练数据集之后，所述方法还包括：

对所述训练数据集进行旋转处理，得到旋转后的训练数据集；

对所述标签进行旋转处理，得到旋转后的标签；

相应的，所述根据所述标签，所述预设数量个训练数据以及初始的U型神经网络进行训练直至训练次数达到预设次数，得到所述深度学习U型神经网络，包括：

根据从所述训练数据集与所述旋转后的训练数据集中获取的预设数量个训练数据以及初始的U型神经网络计算得到概率矩阵；

根据所述概率矩阵，所述标签和所述旋转后的标签，计算得到差值矩阵；

根据所述差值矩阵和预设的损失函数，得到损失值，所述损失值用于更新U型神经网络；

根据所述损失值对初始的U型神经网络进行更新，得到训练后的U型神经网络；

重新从所述训练数据集与所述旋转后的训练数据集中获取预设数量个训练数据，根据新获取的预设数量个训练数据以及训练后的U型神经网络计算得到新的概率矩阵，根据新的概率矩阵、所述标签和所述旋转后的标签计算得到新的差值矩阵，根据新的差值矩阵和所述损失函数的得到新的损失值，再根据新的损失值再次进行更新，重复本步骤直至训练次数达到预设次数，得到深度学习U型神经网络。