一种基于地球物理引导无监督学习的反褶积方法及系统与流程

l2正则化。
17.其中，对于人工神经网络输出的反褶积结果，使用硬阈值函数对其进行 稀疏约束，其公式如下：
[0018][0019]
其中x表示变量，μ表示阈值。
[0020]
第二方面，本技术提供了一种基于地球物理引导无监督学习的反褶积系 统，包括：
[0021]
人工神经网络，用于根据观测地震数据输出反褶积结果；
[0022]
运算单元，用于将反褶积结果与地震子波进行褶积运算得到重建地震数 据；
[0023]
比较单元，用于通过比较观测地震数据和重建地震数据得到训练损失；
[0024]
更新单元，用于将训练损失进行反向传播，通过深度学习框架的自动微 分功能得到神经网络各参数的梯度，进而由优化算法利用所述梯度更新所述 人工神经网络的参数。
[0025]
第三方面，本技术实施例提供了一种计算机可读存储介质，其上存储有 计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0026]
第四方面，本技术实施例提供了一种计算机设备，包括存储器、处理器 及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述 程序时实现上述任一项所述方法的步骤。
[0027]
本技术实施例基于地球物理引导无监督学习的反褶积方法及系统具有 如下有益效果：
[0028]
本技术基于地球物理引导无监督学习的反褶积方法包括：将观测地震数 据输入人工神经网络，所述人工神经网络输出反褶积结果；将反褶积结果与 地震子波进行褶积得到重建地震数据；通过比较观测地震数据和重建地震数 据得到训练损失；将训练损失进行反向传播，通过深度学习框架的自动微分 功能得到神经网络各参数的梯度，进而由优化算法利用所述梯度更新所述人 工神经网络的参数。本发明为基于深度学习的反褶积方法，与传统方法相比， 人机交互更少，智能程度较高。本发明为无监督学习方法，不需使用大量数 据训练人工神经网络，且引入地球物理约束，反褶积结果遵守地球物理规律， 较为合理。
附图说明
[0029]
图1为本技术实施例基于地球物理引导无监督学习的反褶积方法流程示 意图；
[0030]
图2为本技术实施例基于地球物理引导无监督学习的反褶积方法另一种 流程示意图；
[0031]
图3为本发明使用的卷积神经网络结构示意图；
[0032]
图4(a)为使用overthrust模型合成的地震数据；
[0033]
图4(b)为图4(a)对应的真实反射系数；
[0034]
图4(c)为图4(a)对应的使用传统方法稀疏反褶积得到的反褶积结 果；
[0035]
图4(d)为图4(a)对应的使用本方案智能反褶积由三维卷积神经网 络得到的反褶积结果；
[0036]
图5(a)为图4(a)对应的真实反射系数；
[0037]
图5(b)为图4(a)对应的使用智能反褶积稀疏约束参数μ＝0时取得 的反褶积结果；
[0038]
图5(c)为图4(a)对应的使用智能反褶积稀疏约束参数μ＝0.05时取 得的反褶积结果；
[0039]
图5(d)为图4(a)对应的使用智能反褶积稀疏约束参数μ＝0.1时取得 的反褶积结果；
[0040]
图6(a)为图4(b)所示真实反射系数中t＝0.098s的时间切片；
[0041]
图6(b)为图6(a)相应时间切片使用稀疏反褶积得到的反褶积结果；
[0042]
图6(c)为图6(a)相应时间切片使用二维卷积神经网络得到的反褶 积结果；
[0043]
图6(d)为图6(a)相应时间切片使用三维卷积神经网络得到的反褶 积结果；
[0044]
图7为本技术实施例基于地球物理引导无监督学习的反褶积系统的结构 示意图。
具体实施方式
[0045]
下面结合附图和实施例对本技术进行进一步的介绍。
[0046]
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理 解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例，不同实 施例之间可以替换或者合并组合，因此本技术也可认为包含所记载的相同和 /或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c， 另一个实施例包含特征b、d，那么本技术也应视为包括含有a、b、c、d 的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下 内容中有明确的文字记载。
[0047]
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或 示例进行限制。可以在不脱离本技术内容的范围的情况下，对描述的元素的 功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。 例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、 省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示 例中。
[0048]
现有传统基于信号处理或数学算法类的反褶积方法大多未能充分利用 工区可靠的测井资料，反褶积结果同测井曲线相关度较低，可信度低。此外， 传统反褶积方法在应用时，需要根据不同数据设置合适的参数，往往导致人 机交互繁多、智能程度低，且处理结果存有较强的人为因素影响。近期提出 的智能反褶积方法，多为监督学习，需要利用理论模型生成大量训练数据监 督人工神经网络学习过程，很少对机器学习过程进行施加地球物理约束。
[0049]
实施例一
[0050]
如图1所示，本技术基于地球物理引导无监督学习的反褶积方法包括： s101，将观测地震数据输入人工神经网络，所述人工神经网络输出反褶积结 果；s103，将反褶积结果与地震子波进行褶积得到重建地震数据；s105，通 过比较观测地震数据和重建地震数据得到训练损失；s107，将训练损失进行 反向传播，通过深度学习框架的自动微分功能得到神经网络各参数的梯度， 进而由优化算法利用所述梯度更新所述人工神经网络的参数。
[0051]
本方案为基于深度学习的反褶积方法，与传统方法相比，人机交互更少， 智能程度较高。本方案为无监督学习方法，不需使用大量数据训练人工神经 网络，且引入地球物
理约束，反褶积结果遵守地球物理规律，较为合理。
[0052]
实施例二
[0053]
针对拟解决的地球物理引导无监督学习反褶积问题，设计并建立适量的 神经元计算节点和多层次运算结构(也即人工神经网络)。人工神经网络 (artificial neural network，ann)是从信息处理角度对人脑神经元网络进 行抽象，建立模型，按不同的连接方式组成不同的网络。
[0054]
如图2所示，本发明构建了一个卷积神经网络(convolutional neuralnetwork,cnn)，用以从观测地震数据获取反褶积结果，将反褶积结果与地 震子波进行褶积得到重建地震数据，通过比较观测地震数据和重建地震数据 得到训练损失，然后将训练损失进行反向传播，通过深度学习框架的自动微 分功能得到神经网络各参数的梯度，进而由优化算法利用这些梯度更新神经 网络参数。本方案在训练神经网络时，只需要观测地震数据和地震子波，不 需要提供标签，为无监督学习。卷积神经网络cnn是人工神经网络ann的 一种。
[0055]
如图3所示，图3展示了图2中包含的卷积神经网络，该卷积神经网络 是一个端到端的u-net，它由左半编码路径和右半解码路径组成。左半编码 路径将地震数据作为原始输入，通过卷积层和激活层提取特征信息即特征图， 每经过一个池化操作，特征图的尺寸就会降低同时数量翻倍。右半解码路径 通过卷积层和激活层解析特征图隐含的信息，每经过一个上采样操作，特征 图的数量就会减少同时尺寸翻倍。最后，使用1
×
1卷积层和激活层将特征 图映射为反褶积结果。编码路径与解码路径结构对称，确保了神经网络的输 入输出尺寸一致。编码路径和解码路径之间的连接箭头表示复制操作，与折 线表示的“超链接”操作一样，将卷积神经网络较高层计算的梯度传播到较 低层，帮助卷积神经网络克服梯度消失问题。
[0056]
在神经网络的训练阶段(图2中的损失函数部分，自动微分、反向传播、 优化算法部分)，使用了均方误差(mean squared error，mse)作为回归 评价指标，其公式如下：
[0057][0058]
其中y
ref
和y
pre
分别代表真实值和预测值，l表示y
ref
中所含元素是数量，||
·
||2表 示l2正则化。
[0059]
对于神经网络输出的反褶积结果，我们使用硬阈值函数对其进行稀疏约 束，其公式如下：
[0060][0061]
其中x表示变量，μ表示阈值。
[0062]
在神经网络的测试阶段，使用信噪比(signal-to-noise ratio，s/n) 来评价反褶积结果的质量，其公式如下：
[0063][0064]
如图2所示，本发明工作过程如下：
[0065]
a)获取下述参数：人工神经网络ann的随机初始化参数θ0，拟处理的实 际地震数
据d
obs
，利用井震匹配标定提取的地震子波w，最大迭代次数 l
max
；
[0066]
b)初始化：迭代变量l＝0；
[0067]
c)重复进行下述各d至i步骤l
max
次；
[0068]
d)将d
obs
输入人工神经网络ann(θ
l+1
)得到反褶积结果r
l+1
；
[0069]
e)根据需要对r
l+1
施加稀疏约束；
[0070]
f)计算重建地震数据d
syn
＝w*r
l+1
(*表示褶积运算)；
[0071]
g)计算损失函数loss(d
syn
,d
obs
)＝f(w*r
l+1-d
obs
)(f为回归评价指标，如mse)；
[0072]
h)由loss通过深度学习框架的自动微分、反向传播及优化算法将θ
l
更新 为θ
l+1
；
[0073]
i)将l更新为l+1；
[0074]
j)得出反褶积结果
[0075]
本发明为基于深度学习的反褶积方法，与传统方法相比，人机交互更少， 智能程度较高。本方案为无监督学习方法，不需使用大量数据训练人工神经 网络，且引入地球物理约束，反褶积结果遵守地球物理规律，较为合理。
[0076]
实施例三
[0077]
overthrust模型是在地震勘探数据处理方法研究中应用较多的例子。该 模型的处理结果主要在图4、图5和图6中进行展示。在此模型实验过程中， 采用了实际地震子波作为震源子波，时间采样间隔2毫秒。使用overthrust 模型与实际地震子波褶积得到三维地震数据，然后分别采用传统方法和本方 案智能反褶积方法对该三维地震数据进行反褶积处理。
[0078]
为判断传统方法与本方案智能反褶积方法的优劣，在图4中展示了两种 方法的反褶积结果。图4(a)为使用overthrust模型合成的地震数据，图4 (b)为图4(a)对应的真实反射系数，图4(c)为使用传统方法稀疏反褶 积得到的反褶积结果，图4(d)为使用本方案智能反褶积处理的结果。通过 对比图4(c)和图4(d)，本方案在信噪比上略高于传统方法，取得了较 好的反褶积结果。表明本方案相较传统方法可以得到更高精度和可信度的反 褶积结果。
[0079]
本方案有一个重要的参数，即稀疏约束参数，为验证其取值对反褶积 结果的影响，在图5中展示了不同值对应的反褶积结果。图5(a)为图4 (a)对应的真实反射系数，图5(b)、(c)、(d)分别为图4(a)对应 的使用智能反褶积当稀疏约束参数分别设置为0、0.05、0.1时取得的反褶 积结果。通过对比图5(a)-(d)这四张图，可以看出，随着稀疏约束参数 的增大，反褶积结果的信噪比在提升。表明在本方案中，适当增强稀疏约束 可以提高反褶积结果的精度。
[0080]
本方案构建的卷积神经网络有二维和三维两种，为判断这两种神经网络 的优劣，在图6中展示了对某一时间切片的处理结果。图6(a)为图4(b) 所示真实反射系数中的时间切片，图6(b)为图6(a)相应时间切片使用 稀疏反褶积得到的反褶积结果，图6(c)-(d)为分别图6(a)相应时间切 片使用二维和三维卷积神经网络得到的反褶积结果。通过对比图6(b)与图 6(c)-(d)，本方案比传统方法取得了更好的反褶积结果。通过对比图6 (c)与图6(d)，三维卷积神经网络虽然在信噪比上略低于二维卷积神经 网络，但却更接近真实反射系数，精度更高。证实了本发明方法的有效性、 优越性。
[0081]
如图7所示，本技术基于地球物理引导无监督学习的反褶积系统包括： 人工神经
网络201，用于根据观测地震数据输出反褶积结果；运算单元202， 用于将反褶积结果与地震子波进行褶积运算得到重建地震数据；比较单元 203，用于通过比较观测地震数据和重建地震数据得到训练损失；更新单元 204，用于将训练损失进行反向传播，通过深度学习框架的自动微分功能得 到神经网络各参数的梯度，进而由优化算法利用所述梯度更新所述人工神经 网络的参数。
[0082]
本技术中，基于地球物理引导无监督学习的反褶积系统实施例与基于地 球物理引导无监督学习的反褶积方法实施例基本相似，相关之处请参考基于 地球物理引导无监督学习的反褶积方法实施例的介绍。
[0083]
本技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器 上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述 任一项所述方法的步骤。
[0084]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现上述基于地球物理引导无监督学习的反褶积 方法步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包 括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、 eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳 米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的 媒介或设备。
[0085]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法， 可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如， 所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分 方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特 征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、 或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通 信连接，可以是电性的、机械的或其它形式的。
[0086]
在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也 可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一 个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加 软件功能单元的形式实现。
[0087]
以上介绍仅为本发明的优选实施例而已，并不用于限制本发明，对于本 领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。