三维地震数据中盐丘识别方法研究
发布时间：2020-09-17 18:11
在地震勘探中,一个十分关键的任务就是地震资料的解释,其中三维地震数据中地质异常体的识别十分重要。尤其是盐丘的识别,对研究者们理解盐构造、建立地震偏移速度模型等都具有非常重要的作用。虽然目前自动化的方法已经被应用到计算盐丘属性和提取盐丘边界过程中,但盐丘的解释识别仍然是个耗时耗力的工作。传统的方法基于物理原理、几何构造等派生出地震属性,但是这些属性可能无法完全表达包含噪声且地质特征复杂的真实地震数据。为了降低上述问题的影响,实现盐丘的自动化解释并减少人力、时间成本的消耗,本文将卷积神经网络应用到盐丘解释问题中。基于深度学习的技术使得提高大型三维地震数据集下盐丘识别的效率和精度成为可能,是一个非常关键的研究方向。本文从原始的三维地震振幅数据体出发,研究了基于卷积神经网络和基于全卷积神经网络的盐丘识别方法。本文的主要工作如下:1.针对人工解释盐丘效率低以及地震属性识别流程复杂的问题,本文提出了一种基于改进的AlexNet网络的盐丘识别分割方法。通过将适用于自然图像的AlexNet模型进行一定改进,以样点为中心构建二维小片,使其适用于原始的三维地震振幅数据,能够有效识别地质特征。选择卷积神经网络模型可以自动选择对分类最有利的特征,能避免手动选择特征或地质属性的问题,在简化识别流程的同时有效识别出盐丘。2.为了解决基于卷积神经网络的方法在盐丘边界处识别不准确且计算开销较大的问题,本文提出了一种基于U-Net的盐丘分割方法。在原始U-Net的基础上针对地震数据进行结构和参数的调整,使网络模型能更高效地识别地质特征。UNet从地震振幅图像级别的盐丘分类识别延伸到了像素级别的分类,通过数据扩张更有效的利用标签数据,在获取上下文信息的同时能够实现精确的盐丘分类,识别分割效果明显优于卷积神经网络。最后通过对整个三维地震数据体进行分割,构建三维盐丘模型。本文通过荷兰F3的实际三维地震数据体来验证所提出的方法,结果表明所提出的方法能准确的进行自动的盐丘分类,所得到的盐丘边界和人工解释的边界基本吻合,也证明了计算机视觉能成功应用在地震勘探领域,值得进一步研究。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P631.4
【部分图文】：
切片上都有可能同时存在多个闭合轮廓，相邻切片上属于同一对象的轮廓线也可能有很大差别，当待提取的结构复杂时会产生错误的连接。图2-1 移动立方体等值面简化后的 15 种情况立方块法（ContourTracing）[32]首先根据等值面的数值将三维体数据二值化，再将每个边界上的体元与所有外向的边界面相连。该方法的算法过程十分简单，不存在插值的操作，对数据进行独立的处理，适合进行并行运算。主要问题是提取到
y Wx (2-10)2.4.2.4 激励层图2-5 常见的几种激活函数激励层通常为卷积层后的隐藏层，用于对卷积层的输出结果做非线性映射，这些操作是通过激励函数来实现的。神经网络中的每个神经元节点都将上一层神经元的对应的输出值作为本身的输入值，并将输出值传递给位于下一层的神经元。输入层神经元节点比较特别，会直接将输入属性值传递到下一层（隐藏层或输出层）。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数（又称激励函数）。在没有激励函数的情况下，卷积神经网络的某层输出会直接线性组合输入到下一层，这样会导致网络不能完全逼近实际情况。而非线性的激励函数，能够强化网络的表达能力，使其更加接近实际情况。早期的卷积神经网络主要采用 sigmoid
图2-6 VGG16 网络结构图（4）ResNetResNet（ResidualNeuralNetwork）由 Kaiming He 提出一种卷积神经网络。通过使用 ResNet 残差模块成功训练出了 152 层的神经网络，错误率可降低为 3.57%同时参数规模比 VGG 网络小，具有十分明显的效果。ResNet 的结构能大大地提高神经网络的训练速度，并且提升了模型的准确率，同时 ResNet 具有良好的扩展性。ResNet 的主要思想是为网络添加直接连接通道，即 HighwayNetwork 的思想。以前的网络结构是性能输入的非线性转换，而 Highway Network 则允许保留先前网络层的一定比例的输出。ResNet 的思想和 HighwayNetwork 的思想也十分相似，允许原始输入直接传递到后续层。如图所示，这一层的神经网络不需要学习完整的输出，而是学习之前网络输出的残差，因此 ResNet 又叫做残差网络。2.4.4 全卷积神经网络传统 CNN 的强大功能体现在通过多层结构自动学习图像中的各种特征，这些
本文编号：2821051
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P631.4
【部分图文】：
切片上都有可能同时存在多个闭合轮廓，相邻切片上属于同一对象的轮廓线也可能有很大差别，当待提取的结构复杂时会产生错误的连接。图2-1 移动立方体等值面简化后的 15 种情况立方块法（ContourTracing）[32]首先根据等值面的数值将三维体数据二值化，再将每个边界上的体元与所有外向的边界面相连。该方法的算法过程十分简单，不存在插值的操作，对数据进行独立的处理，适合进行并行运算。主要问题是提取到
y Wx (2-10)2.4.2.4 激励层图2-5 常见的几种激活函数激励层通常为卷积层后的隐藏层，用于对卷积层的输出结果做非线性映射，这些操作是通过激励函数来实现的。神经网络中的每个神经元节点都将上一层神经元的对应的输出值作为本身的输入值，并将输出值传递给位于下一层的神经元。输入层神经元节点比较特别，会直接将输入属性值传递到下一层（隐藏层或输出层）。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数（又称激励函数）。在没有激励函数的情况下，卷积神经网络的某层输出会直接线性组合输入到下一层，这样会导致网络不能完全逼近实际情况。而非线性的激励函数，能够强化网络的表达能力，使其更加接近实际情况。早期的卷积神经网络主要采用 sigmoid
图2-6 VGG16 网络结构图（4）ResNetResNet（ResidualNeuralNetwork）由 Kaiming He 提出一种卷积神经网络。通过使用 ResNet 残差模块成功训练出了 152 层的神经网络，错误率可降低为 3.57%同时参数规模比 VGG 网络小，具有十分明显的效果。ResNet 的结构能大大地提高神经网络的训练速度，并且提升了模型的准确率，同时 ResNet 具有良好的扩展性。ResNet 的主要思想是为网络添加直接连接通道，即 HighwayNetwork 的思想。以前的网络结构是性能输入的非线性转换，而 Highway Network 则允许保留先前网络层的一定比例的输出。ResNet 的思想和 HighwayNetwork 的思想也十分相似，允许原始输入直接传递到后续层。如图所示，这一层的神经网络不需要学习完整的输出，而是学习之前网络输出的残差，因此 ResNet 又叫做残差网络。2.4.4 全卷积神经网络传统 CNN 的强大功能体现在通过多层结构自动学习图像中的各种特征，这些
【参考文献】
相关期刊论文 前2条
1 李兴华;李艳军;李刚;;一种改进的地震数据道均方根值属性算法[J];物探装备;2013年01期
2 周晶;张延庆;李建华;;边缘检测技术探测盐丘[J];天然气工业;2007年S1期
相关硕士学位论文 前3条
1 童悍操;一个基于区域分割的图论图像分割方法的改进[D];清华大学;2012年
2 唐闯;基于边缘检测的图像分割算法研究[D];燕山大学;2012年
3 刘东菊;基于阈值的图像分割算法的研究[D];北京交通大学;2009年
本文编号：2821051
本文链接：https://www.wllwen.com/kejilunwen/kuangye/2821051.html
