【技术实现步骤摘要】
本专利技术涉及地震数据处理，具体是一种基于深度学习的三维地震断层自动识别方法。
技术介绍
1、工业现代化的不断推进，整个社会对能源的需求也日益增加。尽管有许多新能源相继问世，但石油和天然气仍然是目前不可或缺的能源之一，因此对油气的开发与勘探也显得至关重要。地下断层是受到应力挤压、拉伸而产生的断裂聚集带。这些断层不仅是油气田的边界，更是油气运移和聚集的关键通道。因此，对断层进行精准解释对于石油勘探尤为关键。而且断层形态复杂多变，利用常规的断层解释方法不仅过程繁琐、耗时，并且结果难以进行重复验证。
技术实现思路
1、针对上述现有技术的不足，本专利技术提供一种基于深度学习的三维地震断层自动识别方法，将三维地震数据体视为三维图像，利用深度学习及计算机视觉的方法进行断层解释，这样不仅能大幅减少人为因素的干扰和错误发生的概率，同时还能显著缩短断层解释所需的时间，提升工作效率。
2、本专利技术提供的技术方案：一种基于深度学习的三维地震断层自动识别方法，包括以下步骤：
3、(1)自动建模生成三维地震数据以及精准的断层标签，得到三维地震图像数据集，将数据集分为训练集和测试集；
4、(2)以训练集的三维合成地震数据和其标签作为输入，训练改进的双通道结构的3d-unet的卷积神经网络或者融合了注意力机制和残差学习的ag-3d-unet网络，利用测试集进行验证，得到训练好的地震断层识别模型；
5、(3)输入真实地震数据，通过地震断层识别模型对输入的待预测图像
6、进一步的，所述步骤(1)中建模包括构建断层结构模型和进行断层的标记，断层结构模型的构建包括构建水平反射系数模型，再构建褶皱系数反射模型，最后再构建同时具有含有断层和褶皱的反射系数模型。
7、进一步的，构建水平反射系数模型的具体方法如下：通过使用随机数序列来代表不同地层对地震波的反射强度，在(x,y,z)坐标空间中建立水平的反射系数模型f(x,y,z)，f(x,y,z)表示空间中每一个点所具有的反射系数。
8、进一步的，构建褶皱系数反射模型的具体方法如下：采用垂直剪切平面模型，褶皱是由两个位移场s1(x,y,z)和s2(x,y,z)的组合来定义，s1(x,y,z)创建纯倾斜结构，s2(x,y,z)增加弯曲结构，通过使用这两种类型的位移场s1(x,y,z)和s2(x,y,z)，实现了将样本从平面空间转换到褶皱坐标空间。
9、进一步的，构建含有断层和褶皱的反射系数模型的具体方法如下：随机选择一个参考点作为断层的起点，指定断层的走向角和倾角来确定断层的方向，并构建一个局部坐标系，其中x轴对应走向方向，y轴对应倾斜方向，z轴指向法线方向，在断层面上定义了一个理想的椭圆函数作为位移场d(x,y,z)＝0，精确的描述和模拟断层的位移特性，再采用了三维位移场的方法来实现在三维结构模型中创建断层，
10、对褶皱结构模型进行坐标变换得到(x,y,z)，其次，在局部坐标(x,y,z)中应用断层位移，最后进行坐标变换将(x,y,z)变回得到一个同时含有断层和褶皱的反射系数模型。
11、进一步的，将含有断层和褶皱的反射系数模型与雷克子波进行卷积，在模型中添加一些随机噪声，以此来模拟现实地震数据中的干扰，最终生成三维地震图像。
12、进一步的，所述断层的标记是通过创建一个与地震数据模型相同大小的标签数组来实现的。
13、进一步的，所述改进的双通道结构的3d-unet的卷积神经网络是基于3d-unet原始架构衍生而来，模型包含两个独立的数据流，分别以不同的方式转换和提取输入地震图像的视觉特征，在编码和解码连接部分加入了空洞空间金字塔来增大感受野捕捉多尺度的图像信息，
14、在改进后的双通道结构的3d-unet网络中，具有两个独立的分支作为下采样部分，这些分支负责将输入的地震图像转换为潜在空间中的特征图，分支中的每组层都由一对三维卷积层，大小为(2,2,2)的卷积核，以及一个步长为2的三维池化层组成，并在编码器的最后部分加入drop层来防止模型过拟合，在解码部分，两个编码器通道输出与解码器上一层输出通过跳跃连接进行特征拼接，最后经过一个1×1×1卷积层和sigmoid函数得到输出结果。
15、进一步的，在改进的双通道结构的3d-unet的卷积神经网络训练阶段，使用了混合损失函数来评估断层识别的准确性，
16、混合损失函数公式如下lmix＝α×l1+(1-α)×l2
17、其中l1为平衡交叉熵损失函数，l2为dice损失函数，α为权重系数。
18、平衡交叉熵损失函数：
19、
20、dice损失函数：
21、
22、式中：
23、n是图像中的像素总数，pi是模型预测第i个像素为正类(在断层识别中即预测为断层)的概率，yi是第i个像素的真实标签，β表示非故障像素和总的图像像素之间的比率。
24、进一步的，所述融合了注意力机制和残差学习的ag-3d-unet网络是在unet网络的结构基础上，减少了卷积层的数量以及每层卷积的参数量，然后将注意力模块加入到编码器和其对应的上一层解码器之间的连接层，并将融合特征传递给下一层的解码器，并在网络的每个卷积层后加入残差连接。
25、本专利技术采用了两种网络改进方法：一种是基于unet的双通道3d-unet，将网络改为双通道结构并加入aspp模块来加强特征提取能力，同时针对断层样本和非断层样本数据不平衡的问题，引入了混合交叉熵函数，从而提高模型对断层细节信息识别的准确率；另一种是融合了注意力机制和残差学习的ag-3d-unet，增加模型的特征表达能力，不引入过多的网络参数且提高断层识别的准确性。通过对比实际地震数据的识别结果，本专利技术无论是在断层识别的清晰度、断层连续性以及精确度上都有明显的提升，在实际地震数据断层解释中具有较高的实用价值。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的三维地震断层识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的三维地震断层识别方法，其特征在于，所述步骤(1)中建模包括构建断层结构模型和进行断层的标记，断层结构模型的构建包括构建水平反射系数模型，再构建褶皱系数反射模型，最后再构建同时具有含有断层和褶皱的反射系数模型。
3.根据权利要求2所述的一种基于深度学习的三维地震断层识别方法，其特征在于，构建水平反射系数模型的具体方法如下：通过使用随机数序列来代表不同地层对地震波的反射强度，在(x,y,z)坐标空间中建立水平的反射系数模型f(x,y,z)，f(x,y,z)表示空间中每一个点所具有的反射系数。
4.根据权利要求3所述的一种基于深度学习的三维地震断层识别方法，其特征在于，构建褶皱系数反射模型的具体方法如下：采用垂直剪切平面模型，褶皱是由两个位移场S1(x,y,z)和S2(x,y,z)的组合来定义，S1(x,y,z)创建纯倾斜结构，S2(x,y,z)增加弯曲结构，通过使用这两种类型的位移场S1(x,y,z)和S2(x,y,z)，实现了将样本从
5.根据权利要求4所述的一种基于深度学习的三维地震断层识别方法，其特征在于，构建含有断层和褶皱的反射系数模型的具体方法如下：随机选择一个参考点作为断层的起点，指定断层的走向角和倾角来确定断层的方向，并构建一个局部坐标系，其中x轴对应走向方向，y轴对应倾斜方向，z轴指向法线方向，在断层面上定义了一个理想的椭圆函数作为位移场d(x,y,z)＝0，精确的描述和模拟断层的位移特性，再采用了三维位移场的方法来实现在三维结构模型中创建断层，
6.根据权利要求5所述的一种基于深度学习的三维地震断层识别方法，其特征在于：将含有断层和褶皱的反射系数模型与雷克子波进行卷积，在模型中添加一些随机噪声，以此来模拟现实地震数据中的干扰，最终生成三维地震图像。
7.根据权利要求2所述的一种基于深度学习的三维地震断层识别方法，其特征在于：所述断层的标记是通过创建一个与地震数据模型相同大小的标签数组来实现的。
8.根据权利要求1所述的一种基于深度学习的三维地震断层识别方法，其特征在于：所述改进的双通道结构的3D-Unet的卷积神经网络是基于3D-Unet原始架构衍生而来，模型包含两个独立的数据流，分别以不同的方式转换和提取输入地震图像的视觉特征，在编码和解码连接部分加入了空洞空间金字塔来增大感受野捕捉多尺度的图像信息，
9.根据权利要求8所述的一种基于深度学习的三维地震断层识别方法，其特征在于：在改进的双通道结构的3D-Unet的卷积神经网络训练阶段，使用了混合损失函数来评估断层识别的准确性，
10.根据权利要求8所述的一种基于深度学习的三维地震断层识别方法，其特征在于：所述融合了注意力机制和残差学习的AG-3D-Unet网络是在Unet网络的结构基础上，减少了卷积层的数量以及每层卷积的参数量，然后将注意力模块加入到编码器和其对应的上一层解码器之间的连接层，并将融合特征传递给下一层的解码器，并在网络的每个卷积层后加入残差连接。
...【技术特征摘要】
1.一种基于深度学习的三维地震断层识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的三维地震断层识别方法，其特征在于，所述步骤(1)中建模包括构建断层结构模型和进行断层的标记，断层结构模型的构建包括构建水平反射系数模型，再构建褶皱系数反射模型，最后再构建同时具有含有断层和褶皱的反射系数模型。
3.根据权利要求2所述的一种基于深度学习的三维地震断层识别方法，其特征在于，构建水平反射系数模型的具体方法如下：通过使用随机数序列来代表不同地层对地震波的反射强度，在(x,y,z)坐标空间中建立水平的反射系数模型f(x,y,z)，f(x,y,z)表示空间中每一个点所具有的反射系数。
4.根据权利要求3所述的一种基于深度学习的三维地震断层识别方法，其特征在于，构建褶皱系数反射模型的具体方法如下：采用垂直剪切平面模型，褶皱是由两个位移场s1(x,y,z)和s2(x,y,z)的组合来定义，s1(x,y,z)创建纯倾斜结构，s2(x,y,z)增加弯曲结构，通过使用这两种类型的位移场s1(x,y,z)和s2(x,y,z)，实现了将样本从平面空间转换到褶皱坐标空间。
5.根据权利要求4所述的一种基于深度学习的三维地震断层识别方法，其特征在于，构建含有断层和褶皱的反射系数模型的具体方法如下：随机选择一个参考点作为断层的起点，指定断层的走向角和倾角来确定断层的方向，并构建一个局部坐标系，其中x轴对应走向方向，y轴对应倾斜方向，z轴指向法线方向，在断层面上定义了一个理想的椭圆函数作为位移场d...
【专利技术属性】
技术研发人员：刘柯，孙丽娜，刘术湘，白石磊，杨文，顿新海，曾严，毛梦霞，杨金昆，
申请(专利权)人：中冶武勘工程技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。