一种基于时间注意力机制的地震数据分类方法

本发明涉及地震检测，特别是涉及一种基于时间注意力机制的地震数据分类方法。

背景技术：

1、水力压裂技术作为一种应用在低渗透油田裂缝勘探中的评价手段，已经在油气勘探中发挥了极其重要的作用，并被广泛应用在油田增产和页岩气等新能源开采的监测中。通过在井中和地面布设地震仪，可记录大量因水力压裂而产生的地震数据，所以在计算资源有限的情况下，数据处理和分析时需要从这些数据中尽可能高效的提取数据所蕴含的有用信息。深度神经网络拥有自动提取特征和自学习的优点，并在许多分类问题上取得了成功，现有的深度学习模型大多致力于解决地震数据分类的相关任务，但对从地震数据中提取的所有特征采用相同的处理策略，使得特征间的相关性并没有被很好的利用。

2、基于时间的注意力机制是在计算资源有限的情况下，弱化对无用信息的关注度，将计算资源分配给更重要的任务，同时解决信息超载问题的一种资源分配方案。在利用深度学习模型处理地震数据时引入基于时间的注意力机制，使得模型聚焦于对当前任务更为关键的信息，降低对无用信息的关注度，甚至过滤掉无用信息，充分利用特征间的相关性解决地震数据分类问题。因此，本发明提出一种基于时间注意力机制的地震数据分类方法来解决上述技术问题。

技术实现思路

1、本发明的目的是针对上述技术问题，提出一种基于时间注意力机制的地震数据分类方法，优化处理地震数据特征的能力，提升地震数据的分类精度。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于时间注意力机制的地震数据分类方法,包括：

4、采集地震数据，对所述地震数据进行处理，生成频谱图，其中，所述地震数据为时间序列数据；

5、对所述频谱图进行特征提取，获取带有权重的时段特征和全局特征；

6、根据所述带有权重的时段特征和全局特征获取所述地震数据的分类结果。

7、进一步地，对所述地震数据进行处理包括：

8、采用频域变换将所述时间序列数据转换为频域数据，并将所述频域数据保存为频谱图，其中，所述频域变换包括快速傅里叶变换、短时傅里叶变换。

9、进一步地，获取所述带有权重的时段特征和全局特征包括：

10、提取所述频谱图的浅层特征，并对所述频谱图的浅层特征采用并行分支结构分别提取所述频谱图的时段特征和全局特征。

11、进一步地，提取所述频谱图的浅层特征包括：

12、基于卷积神经网络构建浅层特征提取模块，将所述频谱图输入所述浅层特征提取模块中提取所述频谱图的浅层特征，其中，所述浅层特征提取模块包括二维卷积层、批归一化层和elu激活层，所述二维卷积层之间以残差的形式连接，所述二维卷积层后连接所述批归一化层和所述elu激活层。

13、进一步地，所述并行分支结构包括上分支部和下分支部；

14、所述上分支部用于通过所述频谱图的浅层特征提取所述频谱图的深层特征，并基于提取到的深层特征提取所述频谱图的时段特征；

15、所述下分支部用于通过所述频谱图的浅层特征提取所述频谱图的全局特征。

16、进一步地，提取所述频谱图的深层特征包括：

17、基于残差网络构建深层特征提取模块，将所述频谱图的浅层特征输入所述深层特征提取模块中提取所述频谱图的深层特征，其中，所述深层特征提取模块包括残差块，所述残差块包括直接映射单元和残差单元，获取所述直接映射单元和残差单元的输出结果后进行求和，所述直接映射单元包括二维卷积层、批归一化层、elu激活层和dropout层，所述残差单元包括elu激活层和最大池化层。

18、进一步地，提取所述频谱图的时段特征包括：

19、基于时间的注意力机制构建时段特征提取模块，将所述频谱图的深层特征输入所述时段特征提取模块中提取所述频谱图的时段特征，其中，所述时段特征提取模块包括权重计算单元和特征提取单元，获取所述权重计算单元和特征提取单元并行计算输出的结果后进行特征拼接；

20、所述权重计算单元包括全局平均池化层、全连接层、mish激活层和sigmoid函数，基于所述全局平均池化层对所述深层特征进行特征通道压缩，通过所述全连接层、mish激活层、sigmoid函数生成所述特征通道的权重，并将所述权重加权到所述深层特征上；所述特征提取单元包括二维卷积层和elu激活层，对所述深层特征进行进一步特征提取。

21、进一步地，提取所述频谱图的全局特征包括：

22、基于卷积神经网络构建全局特征提取模块，将所述频谱图的浅层特征输入所述全局特征提取模块中提取所述频谱图的全局特征，其中，所述全局特征提取模块包括二维卷积层、全局平均池化层、全连接层和elu激活层，通过所述二维卷积层和所述全局平均池化层对所述浅层特征进行特征降维和进一步深层特征提取，利用所述全连接层对所提取的进一步深层特征进行映射，获取所述全局特征，且所述全连接层后连接所述elu激活层。

23、进一步地，获取所述地震数据的分类结果包括：

24、将提取的所述频谱图的时段特征和全局特征进行特征融合，并输入softmax函数，获取所述地震数据的分类结果。

25、本发明的有益效果为：

26、本发明通过卷积神经网络提取地震数据的浅层特征，随后采用并行分支结构，在上分支中，应用残差网络提取深层特征，对深层特征使用基于时间的注意力机制获取带有权值的时段特征；在下分支中，使用卷积神经网络从浅层特征中提取全局特征。对所提取的深度特征进行融合判定，能够提高深度学习模型对地震数据全局属性的关注，充分利用了原始数据的特征，不仅优化了对地震数据特征的处理能力，更提升了两种地震数据的分类精度。

技术特征：

1.一种基于时间注意力机制的地震数据分类方法，其特征在于，包括：

2.根据权利要求1所述的基于时间注意力机制的地震数据分类方法，其特征在于，对所述地震数据进行处理包括：

3.根据权利要求1所述的基于时间注意力机制的地震数据分类方法，其特征在于，获取所述带有权重的时段特征和全局特征包括：

4.根据权利要求3所述的基于时间注意力机制的地震数据分类方法，其特征在于，提取所述频谱图的浅层特征包括：

5.根据权利要求3所述的基于时间注意力机制的地震数据分类方法，其特征在于，所述并行分支结构包括上分支部和下分支部；

6.根据权利要求5所述的基于时间注意力机制的地震数据分类方法，其特征在于，提取所述频谱图的深层特征包括：

7.根据权利要求5所述的基于时间注意力机制的地震数据分类方法，其特征在于，提取所述频谱图的时段特征包括：

8.根据权利要求5所述的基于时间注意力机制的地震数据分类方法，其特征在于，提取所述频谱图的全局特征包括：

9.根据权利要求3所述的基于时间注意力机制的地震数据分类方法，其特征在于，获取所述地震数据的分类结果包括：

技术总结
本发明涉及一种基于时间注意力机制的地震数据分类方法，包括：采集地震数据，对所述地震数据进行处理，生成频谱图，其中，所述地震数据为时间序列数据；对所述频谱图进行特征提取，获取带有权重的时段特征和全局特征；根据所述带有权重的时段特征和全局特征获取所述地震数据的分类结果。本发明提取了地震数据的浅层特征、深层特征、时段特征和全局特征，进行融合判定，能够提高深度学习模型对地震数据全局属性的关注，且充分利用了原始数据的特征，能够优化对地震数据特征的处理能力，提升对地震数据的分类精度。

技术研发人员：朱亚东洋,赵曙光,蓝波,张晓燕,张路纲
受保护的技术使用者：北京石油化工学院
技术研发日：
技术公布日：2024/1/12