【技术实现步骤摘要】
本专利技术涉及石油天然气勘探领域，特别涉及一种提高地震数据密度的模型构建、提高地震数据密度的方法。
技术介绍
1、随着油气勘探的不断深入，勘探对象日益复杂，尤其是薄层、小断层、裂缝等的识别及预测，对地震资料的分辨率提出了更高的要求。而提高地震资料分辨率一直是地球物理学家研究的难点，目前，提高地震资料的分辨率的方法有两种：提高地震资料频率和提高地震资料的密度。其中，提高地震资料频率的方法比较成熟，包括通过地震数据处理来增强有效信号、拓展地震数据的有效频带、分频获得地震数据高频成分等多种方法，已经开发出一批商业化软件，且在实际生产应用中取得了较好的效果。但是对于提高地震资料的密度的方法，现有技术主要以采集高密度地震资料为主，具体地，通过提高空间采样率以实现地震波场的无假频采样，虽然可以将有用信号和噪声全面、高保真地记录下来，利于后续有效信号恢复及噪声去除。但由于依赖地震资料的采集，往往成本高、周期长。
2、近年来，随着计算机技术的飞速发展，以深度学习为代表的人工智能被广泛的应用到油气勘探开发的各个环节当中。基于统计学的深度学习，有效提高地震数据的密度、提高地震资料的分辨率，对于油气勘探，具有重要意义。
技术实现思路
1、鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种提高地震数据密度的模型构建、提高地震数据密度的方法。
2、第一方面，本专利技术实施例提供一种提高地震数据密度的模型构建方法，包括
3、获取目标层段的
4、向每个所述剖面矩阵中插入若干列，并设置插入若干列后的剖面矩阵中的数据，分别生成每个剖面矩阵对应的原始数据矩阵、待加密数据矩阵、随机数据矩阵以及标识矩阵，作为训练样本，插入的所述若干列表征加密地震道，所述若干列上的数据表征加密地震数据；
5、将各所述训练样本输入至预搭建的深度学习模型中进行训练，在训练的迭代过程中，计算深度学习模型的损失函数，根据所述损失函数的结果，调整所述深度学习模型的第一参数，直到所述损失函数达到预设的收敛条件，得到训练完成的提高地震数据密度模型；所述提高地震数据密度模型输出提高密度后的地震数据矩阵。
6、在一个实施例中，向所述剖面矩阵中插入若干列，并设置插入若干列后的剖面矩阵中的数据，生成剖面矩阵对应的原始数据矩阵、待加密数据矩阵、随机数据矩阵以及标识矩阵，作为训练样本，包括：
7、向所述剖面矩阵中每相邻的两列之间插入预设数量的列，得到扩展矩阵，所述扩展矩阵包括加密列和原始列，所述加密列为插入的列，所述原始列为非插入的列；
8、复制所述扩展矩阵，得到第一复制矩阵，并将所述第一复制矩阵中加密列上的数据设置为零，原始列上的数据不变，得到待加密数据矩阵；
9、复制所述扩展矩阵，得到第二复制矩阵，并将所述第二复制矩阵中加密列上的数据设置为随机数，原始列上的数据设置为0，得到随机数据矩阵；
10、复制所述扩展矩阵，得到第三复制矩阵，并将所述第三复制矩阵中加密列上的数据设置为0，原始列上的数据设置为1，得到标识矩阵；
11、将所述插入列后的矩阵中加密列上的数据设置为空，原始列上的数据不变，得到原始数据矩阵；
12、将所述原始数据矩阵、待加密数据矩阵、随机数据矩阵以及标识矩阵，作为剖面矩阵对应的训练样本。
13、在一个实施例中，所述预搭建的深度学习模型包括生成器和判别器；
14、将所述训练样本输入至预搭建的深度学习模型中进行训练，包括：
15、将训练样本中的待加密数据矩阵、随机数据矩阵以及标识矩阵输入至所述生成器中进行加密，得到训练样本对应的加密数据矩阵；
16、将训练样本的原始数据矩阵、标识矩阵和得到的加密数据矩阵，输入至所述判别器中，得到所述判别器输出的概率矩阵，所述概率矩阵中的元素表征在所述加密数据矩阵中所述元素位置对应的数据为真实地震数据的概率。
17、在一个实施例中，所述生成器包括编码器和解码器；
18、所述将训练样本中的待加密数据矩阵、随机数据矩阵以及标识矩阵输入至所述生成器中进行加密，得到训练样本对应的加密数据矩阵，包括：
19、将训练样本中的待加密数据矩阵、随机数据矩阵以及标识矩阵输入至编码器中进行特征提取，得到第一向量；
20、采用语义编码算法，对所述第一向量降维，得到第二向量；
21、将所述第二向量输入至所述解码器的长短时记忆循环神经网络模块中，得到训练样本对应的加密数据矩阵，所述加密数据矩阵与训练样本中任意矩阵的维度一致。
22、在一个实施例中，所述编码器包括卷积模块和双向长短期记忆循环神经网络模块；
23、所述将训练样本中的待加密数据矩阵、随机数据矩阵以及标识矩阵输入至编码器中进行特征提取，得到第一向量，包括：
24、所述将训练样本中的待加密数据矩阵、随机数据矩阵以及标识矩阵输入至所述卷积模块中，进行特征提取和特征融合，得到融合后的特征向量；
25、将所述融合后的特征向量输入至所述双向长短时记忆循环神经网络模块中进行特征提取，得到第一向量。
26、在一个实施例中，所述将训练样本的原始数据矩阵、标识矩阵和得到的加密数据矩阵，输入至所述判别器中，得到所述判别器输出的概率矩阵，包括：
27、将训练样本的原始数据矩阵以及得到的加密数据矩阵，输入至判别器的长短时记忆循环神经网络模块进行特征提取，分别得到第三向量和第四向量；
28、根据所述第三向量和第四向量，得到概率矩阵；所述标识矩阵用于表征所述概率矩阵中每个元素位置对应的数据是真实地震数据还是加密地震数据。
29、在一个实施例中，所述深度学习模型的损失函数包括生成器损失函数和判别器损失函数；
30、所述在训练的迭代过程中，计算深度学习模型的损失函数，根据所述损失函数的结果，调整所述深度学习模型的第一参数的值，直到所述损失函数达到预设的收敛条件，得到训练完成的提高地震数据密度模型，包括：
31、在训练迭代过程中，计算所述判别器损失函数的值，直到所述判别器损失函数达到预设的收敛条件，固定所述判别器；在固定所述判别器后的训练迭代过程中，计算所述生成器损失函数的值，直到所述生成器器损失函数达到预设的收敛条件，则停止迭代，得到训练完成的提高地震数据密度模型；或
32、在训练迭代过程中，计算所述生成器损失函数的值，直到所述生成器器损失函数达到预设的收敛条件，固定所述生成器；在固定所述生成器后的训练迭代过程中，计算所述判别器损失函数的值，直到所述判别器损失函数达到预设的收敛条件，则停止迭代，得到训练完成的提高地震数据密度模型。
<本文档来自技高网...【技术保护点】
1.一种提高地震数据密度的模型构建方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，向所述剖面矩阵中插入若干列，并设置插入若干列后的剖面矩阵中的数据，生成剖面矩阵对应的原始数据矩阵、待加密数据矩阵、随机数据矩阵以及标识矩阵，作为训练样本，包括：
3.如权利要求2所述的方法，其特征在于，所述预搭建的深度学习模型包括生成器和判别器；
4.如权利要求3所述的方法，其特征在于，所述生成器包括编码器和解码器；
5.如权利要求4所述的方法，其特征在于，所述编码器包括卷积模块和双向长短期记忆循环神经网络模块；
6.如权利要求3所述的方法，其特征在于，所述将训练样本的原始数据矩阵、标识矩阵和得到的加密数据矩阵，输入至所述判别器中，得到所述判别器输出的概率矩阵，包括：
7.如权利要求3所述的方法，其特征在于，所述深度学习模型的损失函数包括生成器损失函数和判别器损失函数；
8.如权利要求1所述的方法，其特征在于，所述方法还包括：
9.一种提高地震数据密度的方法，其特征在于，包括：
<...【技术特征摘要】
1.一种提高地震数据密度的模型构建方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，向所述剖面矩阵中插入若干列，并设置插入若干列后的剖面矩阵中的数据，生成剖面矩阵对应的原始数据矩阵、待加密数据矩阵、随机数据矩阵以及标识矩阵，作为训练样本，包括：
3.如权利要求2所述的方法，其特征在于，所述预搭建的深度学习模型包括生成器和判别器；
4.如权利要求3所述的方法，其特征在于，所述生成器包括编码器和解码器；
5.如权利要求4所述的方法，其特征在于，所述编码器包括卷积模块和双向长短期记忆循环神经网络模块；
6.如权利要求3所述的方法，其特征在于，所述将训练样本的原始数据矩阵、标识矩阵和得到的加密数据矩阵，输入至所述判别器中，得到所述判别器输出的概率矩阵，包括：
7.如权利要求3所述的方法，其特征在于，所述深度学习模型的损失函数包括生成器损失函数和...
【专利技术属性】
技术研发人员：熊冉，郑剑锋，王慧，陈戈，曹鹏，黄理力，朱永进，俞广，邵冠铭，段军茂，
申请(专利权)人：中国石油天然气集团有限公司，
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。