基于卷积神经网络的地震数据重构与模型构建研究
发布时间：2020-12-20 16:43
时至21世纪20年代,随着油气资源的不断勘探开发,相对简单和便于开采的油气矿已经逐渐建设完毕,而地震勘探的研究重心也不由地往地下更深处和构造更复杂区域转移。为了应对各种更加艰巨的挑战,地震勘探在完善原有技术的同时,对新技术和新方法的研究也不可落下,其中人工智能领域内的深度学习无疑是这方面的佼佼者。近年来,深度学习的理论方法和配套软件硬件的发展尤为迅速,在国际上的许多领域中不断做出突破,获得了以往无法比拟的巨大成功。这成功引领了一股使用深度学习作为新突破点的潮流,地震勘探领域也不例外,虽然起步较晚,但新成果与新突破却如泉涌般连绵不绝,使得对深度学习的研究已经发展成一大热点。传统的地震勘探从数据采集到数据处理和解释的各个流程中,都需要施工和研究人员的丰富经验和高强度重复性作业。将深度学习引入地震勘探领域,不仅可以在传统地震勘探已经成熟的领域缓减工作人员的作业压力,还能在传统地震勘探尚未突破完全的领域做出新的优化改进,使地震勘探往更深更复杂区域进发的目标迈出了新的步伐。本文使用深度学习理论,针对地震勘探的特点设计构建了四个卷积神经网络,分别命名为废道检测卷积神经网络、去噪与插值卷积神经网络、...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
模拟神经元结构
而神经网络是由多个神经元组合在一起构建的组合运算。如图(2.2)所示,该神经网络具有3层网络深度,一般第一层为输入层,最后一层为输出层,中间的统称为隐藏层,网络的深度是去除输入层后剩下的需要优化算法调整的层数数量。图中所有神经元对输入的响应组合在一起得到最后的输出y。本论文中将神经元分为两部分显示,z是神经元对输入的线性运算,是对z进行非线性激活后的输出。为了方便显示,接下来都将使用向量表示,以该图为例,输入层,T表示转置运算,隐藏层1的线性响应为,隐藏层1的非线性激活响应为,用上标表示第几层,下标表示所在层中的第几个神经元,则隐藏层2的线性响应为,其非线性激活响应为,输出层的线性响应为,其非线性激活响应为。未在图中显示的还有每层之间的参数w与b,其中偏置参数w则比较复杂,其中
理论上,leaky relu函数不仅继承了relu函数的优点,还克服了“神经元死亡”的缺陷,但在实际应用表现中,与relu函数并没有大的差距。2.1.3 代价函数
【参考文献】：
期刊论文
[1]深度学习在油气地震勘探中的应用[J]. 郭珺,邹鑫,周子康,余新浩,李绍泽. 中国石油和化工标准与质量. 2019(20)
[2]基于相似性重构低频数据的金属矿频域全波形反演[J]. 毛博,韩立国. 地球物理学报. 2019(10)
[3]数据域初至波走时与成像域反射波走时联合层析速度建模方法[J]. 张兵,王华忠. 地球物理学报. 2019(07)
[4]反射波层析反演速度建模方法[J]. 冯波,吴成梁,王华忠. 石油物探. 2019(03)
[5]一种神经网络改进小波的地震数据随机噪声去除方法[J]. 陈亮,陈丽芳,刘保相. 地震工程学报. 2019(02)
[6]基于GPU并行的时间域全波形优化共轭梯度法快速GPR双参数反演[J]. 冯德山,王珣. 地球物理学报. 2018(11)
[7]希尔伯特谱白化方法在海洋地震资料高分辨率处理中的应用[J]. 颜中辉,方刚,徐华宁,刘俊,施剑,潘军,王建强. 海洋地质与第四纪地质. 2018(04)
[8]一种基于高效迭代解法的频率域全波形反演[J]. 解飞,黄建平,李振春. 地球物理学报. 2018(08)
[9]井震联合网格层析各向异性速度建模研究及应用[J]. 韩令贺,胡自多,冯会元,刘威,杨哲,王艳香. 岩性油气藏. 2018(04)
[10]速度建模特色技术的实际应用[J]. 程玉坤,刘建红,周振晓,姜绍辉,郝晓光,王磊. 石油地球物理勘探. 2017(S2)
博士论文
[1]地震数据剩余静校正与人工智能去噪研究[D]. 高晗.中国科学技术大学 2018
[2]南海复杂构造地震成像及其应用研究[D]. 王红丽.中国科学院大学(中国科学院海洋研究所) 2018
[3]基于低频地震波场重构的全波形反演研究[D]. 张盼.吉林大学 2018
[4]基于初始模型优化的稀疏高效全波形反演方法[D]. 段超然.吉林大学 2018
[5]非光滑约束的高精度全波形反演方法研究[D]. 王志强.吉林大学 2018
[6]海洋宽频地震勘探方法与应用研究[D]. 李洪建.吉林大学 2016
[7]基于压缩感知和稀疏表示的地震数据重建与去噪[D]. 唐刚.清华大学 2010
硕士论文
[1]基于深度学习的海上地震勘探相干噪声压制方法研究[D]. 孙婧.吉林大学 2019
[2]基于生成对抗网络的地震数据插值[D]. 王静.哈尔滨工业大学 2019
[3]基于深度卷积网络的地震数据插值[D]. 孟乔.哈尔滨工业大学 2019
[4]基于卷积神经网络的地震数据去噪研究[D]. 顾航.东北石油大学 2019
[5]基于深度学习的城市浅层地震数据降噪方法研究[D]. 肖继文.中国地质大学(北京) 2019
[6]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
[7]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[8]高精度Radon变换及其应用研究[D]. 巩向博.吉林大学 2008
[9]基于VSP的高分辨率地震数据处理方法研究[D]. 张显文.吉林大学 2007
本文编号：2928200
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
模拟神经元结构
而神经网络是由多个神经元组合在一起构建的组合运算。如图(2.2)所示,该神经网络具有3层网络深度,一般第一层为输入层,最后一层为输出层,中间的统称为隐藏层,网络的深度是去除输入层后剩下的需要优化算法调整的层数数量。图中所有神经元对输入的响应组合在一起得到最后的输出y。本论文中将神经元分为两部分显示,z是神经元对输入的线性运算,是对z进行非线性激活后的输出。为了方便显示,接下来都将使用向量表示,以该图为例,输入层,T表示转置运算,隐藏层1的线性响应为,隐藏层1的非线性激活响应为,用上标表示第几层,下标表示所在层中的第几个神经元,则隐藏层2的线性响应为,其非线性激活响应为,输出层的线性响应为,其非线性激活响应为。未在图中显示的还有每层之间的参数w与b,其中偏置参数w则比较复杂,其中
理论上,leaky relu函数不仅继承了relu函数的优点,还克服了“神经元死亡”的缺陷,但在实际应用表现中,与relu函数并没有大的差距。2.1.3 代价函数
【参考文献】：
期刊论文
[1]深度学习在油气地震勘探中的应用[J]. 郭珺,邹鑫,周子康,余新浩,李绍泽. 中国石油和化工标准与质量. 2019(20)
[2]基于相似性重构低频数据的金属矿频域全波形反演[J]. 毛博,韩立国. 地球物理学报. 2019(10)
[3]数据域初至波走时与成像域反射波走时联合层析速度建模方法[J]. 张兵,王华忠. 地球物理学报. 2019(07)
[4]反射波层析反演速度建模方法[J]. 冯波,吴成梁,王华忠. 石油物探. 2019(03)
[5]一种神经网络改进小波的地震数据随机噪声去除方法[J]. 陈亮,陈丽芳,刘保相. 地震工程学报. 2019(02)
[6]基于GPU并行的时间域全波形优化共轭梯度法快速GPR双参数反演[J]. 冯德山,王珣. 地球物理学报. 2018(11)
[7]希尔伯特谱白化方法在海洋地震资料高分辨率处理中的应用[J]. 颜中辉,方刚,徐华宁,刘俊,施剑,潘军,王建强. 海洋地质与第四纪地质. 2018(04)
[8]一种基于高效迭代解法的频率域全波形反演[J]. 解飞,黄建平,李振春. 地球物理学报. 2018(08)
[9]井震联合网格层析各向异性速度建模研究及应用[J]. 韩令贺,胡自多,冯会元,刘威,杨哲,王艳香. 岩性油气藏. 2018(04)
[10]速度建模特色技术的实际应用[J]. 程玉坤,刘建红,周振晓,姜绍辉,郝晓光,王磊. 石油地球物理勘探. 2017(S2)
博士论文
[1]地震数据剩余静校正与人工智能去噪研究[D]. 高晗.中国科学技术大学 2018
[2]南海复杂构造地震成像及其应用研究[D]. 王红丽.中国科学院大学(中国科学院海洋研究所) 2018
[3]基于低频地震波场重构的全波形反演研究[D]. 张盼.吉林大学 2018
[4]基于初始模型优化的稀疏高效全波形反演方法[D]. 段超然.吉林大学 2018
[5]非光滑约束的高精度全波形反演方法研究[D]. 王志强.吉林大学 2018
[6]海洋宽频地震勘探方法与应用研究[D]. 李洪建.吉林大学 2016
[7]基于压缩感知和稀疏表示的地震数据重建与去噪[D]. 唐刚.清华大学 2010
硕士论文
[1]基于深度学习的海上地震勘探相干噪声压制方法研究[D]. 孙婧.吉林大学 2019
[2]基于生成对抗网络的地震数据插值[D]. 王静.哈尔滨工业大学 2019
[3]基于深度卷积网络的地震数据插值[D]. 孟乔.哈尔滨工业大学 2019
[4]基于卷积神经网络的地震数据去噪研究[D]. 顾航.东北石油大学 2019
[5]基于深度学习的城市浅层地震数据降噪方法研究[D]. 肖继文.中国地质大学(北京) 2019
[6]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
[7]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[8]高精度Radon变换及其应用研究[D]. 巩向博.吉林大学 2008
[9]基于VSP的高分辨率地震数据处理方法研究[D]. 张显文.吉林大学 2007
本文编号：2928200
本文链接：https://www.wllwen.com/shoufeilunwen/jckxbs/2928200.html
