基于深度卷积生成对抗网络的地震初至拾取

发布时间：2021-10-27 04:42

　　地震记录初至拾取质量往往受限于地震数据的复杂性,在陆地和浅海地震数据中尤为明显。为了更高效地拾取初至,提出了一种基于深度卷积生成对抗网络（DCGAN）的地震数据初至拾取方法,其关键在于构建一个适用于地震数据初至拾取的DCGAN,包含生成器与判别器两部分。生成器由一个全卷积神经网络（FCN）构成,用于学习地震炮集数据到初至波之间的特征映射;判别器由一个卷积神经网络（CNN）构成,用于辅助生成器训练。基于DCGAN的初至拾取方法的实现分为三步:数据预处理、网络训练和预测拾取。通过对不同卷积层数的网络结构的对比分析,确定了一个最优的DCGAN结构。一旦DCGAN的训练完成,利用其完成一炮地震数据的初至拾取仅需几秒的时间。将DCGAN方法应用于实际数据初至拾取并与现有初至拾取方法（如长短时窗比（STA/LTA）法和峰度赤池信息量准则（AIC）法）的拾取结果相比较,结果表明基于DCGAN的初至拾取方法的精度更高,能满足生产需要。 

【文章来源】：石油物探. 2020,59(05)北大核心CSCD

【文章页数】：9 页

【部分图文】：

典型的DCGAN生成器结构

用于初至拾取的DCGAN结构示意

首先对全部地震样本数据进行预处理，图3对比了其中某单炮样本数据预处理前后的结果。从图3a可以看出，原始地震单炮能量不均衡，近道能量是远道能量的几十甚至上百倍，此时如果直接用于训练会使整个训练过程无法收敛甚至崩溃，因此须做能量均衡和归一化处理。图3b为预处理后的单炮样本数据。图3c为选取人工拾取初至后的半波长数据，作为真实初至参与判别器训练。3.1 卷积层数对DCGAN拾取初至效果的影响

【参考文献】：
期刊论文
[1]一种新的TTI介质多参数联合层析反演方法[J]. 郭恺,杨林.  石油物探. 2019(03)
[2]人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例[J]. 蔡振宇,盖增喜.  北京大学学报(自然科学版). 2019(03)
[3]基于深度学习卷积神经网络的地震数据随机噪声去除[J]. 韩卫雪,周亚同,池越.  石油物探. 2018(06)
[4]基于全卷积神经网络的地震初至波拾取[J]. 刘佳楠,武杰.  信息技术与网络安全. 2018(11)
[5]构造约束全波形反演及其海上资料应用[J]. 胡光辉,李熙盛,郭丽,何兵红,孙思宇.  石油物探. 2018(04)
[6]高斯束偏移与高斯束层析反演速度建模[J]. 蔡杰雄.  石油物探. 2018(02)
[7]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮.  自动化学报. 2018(05)
[8]初至波能量比迭代拾取方法[J]. 许银坡,杨海申,杨剑,郭敏.  地球物理学进展. 2016(02)
[9]近地表反射和折射法的进展及应用[J]. 刘江平,王莹莹,刘震,潘小康,宗育泉.  地球物理学报. 2015(09)
[10]浅层折射波勘探中初至自动拾取新算法[J]. 徐钰,曾维辉,宋建国,徐维秀,陈楠.  石油地球物理勘探. 2012(02)

硕士论文
[1]基于深度卷积生成对抗网络的图像修复研究与应用[D]. 王鑫磊.重庆大学 2018



本文编号：3460895