基于深度学习的智能检波器数据存储方法及相关设备

本发明涉及人工智能，具体而言，涉及一种基于深度学习的智能检波器数据存储方法及相关设备。

背景技术：

1、检波器在油气勘探中扮演着关键的角色，用于探测、测量和分析地下地质结构和油气资源。其在油气勘探中的主要应用领域：地震勘探。地震勘探作为最常见的油气勘探方法之一，它利用地震波传播来探测地下地质结构。地震检波器被用来记录地震波的到达时间和振幅（如通过振动源形成振动，检波器可以采集地质结构反射的波），以重建地下层的结构，这种技术有助于确定潜在的油气储层位置和性质。

2、对于油气勘探来说，形成的检波器数据是海量的，将一般需要包括多个数据存储设备的分布式存储系统进行存储。在现有技术中，一般是按照采集时间，将一个数据存储设备存储满之后，再启用另一个数据存储设备，如此，使得后续的应用查找便利性不高，即存在着检波器数据存储管理的可靠度相对不高的问题。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的智能检波器数据存储方法及相关设备，以提高智能检波器数据存储管理的可靠度。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种基于深度学习的智能检波器数据存储方法，包括：

4、挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量，并组合形成所述目标检波器数据的第一勘探检波向量序列，每一个所述局部检波器数据基于部署于目标油气勘探区域中的检波器阵列所包括的一个检波器进行相应的信息采集操作以得到，所述第一勘探检波向量序列用于反映所述目标检波器数据具有的表面语义信息；

5、依据所述第一勘探检波向量序列，进行至少一次关联的向量深度挖掘处理，输出所述目标检波器数据的第二勘探检波向量序列，所述第二勘探检波向量序列用于反映所述目标检波器数据具有的深度语义信息；

6、基于所述第二勘探检波向量序列，进行数据类型识别，输出所述目标检波器数据对应的数据类型识别信息；

7、基于所述目标检波器数据对应的数据类型识别信息，对所述目标检波器数据进行分类存储处理，使得所述目标检波器数据被存储至与所述数据类型识别信息相对应的数据存储设备。

8、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，依据所述第一勘探检波向量序列，进行至少一次关联的向量深度挖掘处理，输出所述目标检波器数据的第二勘探检波向量序列，其步骤包括：

9、将所述第一勘探检波向量序列，或者相邻的前一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列，确定为所述关联的向量深度挖掘处理对应的检波图谱成员组合；所述检波图谱成员组合中的一个检波图谱成员，对应于所述第一勘探检波向量序列中的一个所述第一勘探检波向量，或所述候选勘探检波向量序列中的一个候选勘探检波向量；

10、基于所述检波图谱成员组合中各成员之间的关联关系，确定出检波图谱关联线组合，所述检波图谱关联线组合中的检波图谱关联线用于反映所述检波图谱成员之间的关联关系；

11、基于所述检波图谱成员组合、所述检波图谱关联线组合，确定出所述关联的向量深度挖掘处理对应的检波数据图谱，所述检波数据图谱包括所述检波图谱成员组合和所述检波图谱关联线组合；

12、对于所述检波数据图谱中的每一个检波图谱成员，将其关联检波图谱成员融合到该检波图谱成员，并将融合形成的中间检波向量进行调整，使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量；

13、基于每一个所述检波图谱成员对应的中间勘探检波向量，得到所述目标检波器数据的第二勘探检波向量序列。

14、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，基于所述检波图谱成员组合中各检波图谱成员之间的关联关系，确定出检波图谱关联线组合，其步骤包括：

15、分析出所述检波图谱成员组合中各检波图谱成员之间的关联性参数，以用于反映相应的检波图谱成员之间的关联程度；

16、对于每一个所述检波图谱成员，将各其它检波图谱成员依照与该检波图谱成员之间的关联性参数进行大小排序，并根据大小排序的结果，对所述检波图谱成员和关联性参数最大的目标数量个其它检波图谱成员进行检波图谱关联线的配置；

17、基于每一个所述检波图谱成员配置的检波图谱关联线，得到所述检波图谱成员组合相应的检波图谱关联线组合。

18、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，所述对于所述检波数据图谱中的每一个检波图谱成员，将其关联检波图谱成员融合到该检波图谱成员，并将融合形成的中间检波向量进行调整，使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量，其步骤包括：

19、对于所述检波数据图谱中的每一个检波图谱成员，分析出与其区别程度最高的关联检波图谱成员，并对所述检波图谱成员与所述关联检波图谱成员的勘探检波向量进行聚合，形成对应的聚合勘探检波向量；

20、分别将所述检波数据图谱中的每一个检波图谱成员对应的聚合勘探检波向量进行卷积运算，输出所述检波数据图谱中的每一个检波图谱成员对应的融合形成的中间检波向量；

21、将融合形成的中间检波向量进行调整，使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量。

22、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，将融合形成的中间检波向量进行调整，使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量，其步骤包括：

23、基于配置的权重参数，将融合形成的中间检波向量进行加权计算，输出相应的加权融合中间检波向量；

24、将所述加权融合中间检波向量进行激励处理，输出相应的激励融合中间检波向量；

25、基于所述激励融合中间检波向量，得到所述检波图谱成员对应的中间勘探检波向量。

26、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，所述基于所述激励融合中间检波向量，得到所述检波图谱成员对应的中间勘探检波向量，其步骤包括：

27、将所述激励融合中间检波向量进行非线性的映射处理，输出相应的第一非线性的映射检波向量；对所述第一非线性的映射检波向量进行卷积运算，并对形成的卷积向量和所述检波图谱成员对应的第一勘探检波向量进行叠加运算，形成所述检波图谱成员对应的中间勘探检波向量；

28、或者将所述激励融合中间检波向量进行卷积运算，并对形成的卷积向量和所述检波图谱成员的第一勘探检波向量进行叠加运算，形成所述检波图谱成员对应的叠加勘探检波向量；

29、将所述叠加勘探检波向量进行卷积运算，并对形成的卷积向量进行非线性的映射处理，输出相应的第二非线性的映射检波向量；

30、将所述第二非线性的映射检波向量进行卷积运算，以及，对形成的卷积向量和所述检波图谱成员对应的叠加勘探检波向量进行叠加运算，形成所述检波图谱成员对应的中间勘探检波向量。

31、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，所述基于所述第二勘探检波向量序列进行数据类型识别，输出所述目标检波器数据对应的数据类型识别信息，其步骤包括：

32、将所述第二勘探检波向量序列进行降维压缩处理，输出所述第二勘探检波向量序列相应的降维勘探检波向量；

33、将所述降维勘探检波向量进行卷积运算，并将形成的卷积向量进行映射处理，形成所述目标检波器数据属于各个数据类型的参数分布；

34、基于所述目标检波器数据属于各个数据类型的参数分布，确定出所述目标检波器数据的数据类型识别信息，在所述参数分布包括的各参数中，所述数据类型识别信息表征的数据类型对应的参数具有最大值。

35、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，在所述挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量，并组合形成所述目标检波器数据的第一勘探检波向量序列的步骤以前，所述基于深度学习的智能检波器数据存储方法还包括：

36、依据提取到的样本检波器数据簇，将迁移学习网络组合中的第一检波数据识别模型进行更新，所述第一检波数据识别模型的模型规模大于所述迁移学习网络组合中的第二检波数据识别模型的模型规模，所述第一检波数据识别模型属于迁移学习中的教师模型，第二检波数据识别模型属于迁移学习中的学生模型；

37、依据所述样本检波器数据簇，将所述第二检波数据识别模型进行更新，且在更新的过程中基于所述第一检波数据识别模型，对所述第二检波数据识别模型的更新进行引导，实现知识迁移学习。

38、在一些优选的实施例中，在上述基于深度学习的智能检波器数据存储方法中，所述依据提取到的样本检波器数据簇，将迁移学习网络组合中的第一检波数据识别模型进行更新的步骤，包括：

39、将提取到的样本检波器数据簇的至少部分样本检波器数据，加载到迁移学习网络组合中的第一检波数据识别模型，并基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布，计算出相应的数据类型识别误差，再基于所述数据类型识别误差，对所述第一检波数据识别模型的模型参数进行更新；

40、并且，所述依据所述样本检波器数据簇，将所述第二检波数据识别模型进行更新，且在更新的过程中基于所述第一检波数据识别模型，对所述第二检波数据识别模型的更新进行引导，实现知识迁移学习的步骤，包括：

41、分别将所述样本检波器数据簇的至少部分样本检波器数据，加载到所述第一检波数据识别模型和所述第二检波数据识别模型中，基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至少一个，并结合所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至 少一个，计算出相应的目标误差确定规则的目标误差，再基于所述目标误差，对所述第二检波数据识别模型的模型参数进行更新，所述目标误差确定规则包括第一误差计算规则和以下三种误差计算规则中的至少一种误差计算规则：

42、第二误差计算规则、第三误差计算规则和第四误差计算规则；

43、其中，所述第一误差计算规则用于反映所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布与所述样本检波器数据簇中样本检波器数据的数据类型实际信息之前的区别；

44、所述第二误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员之间的区别；

45、所述第三误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员的关联检波图谱成员之间的区别；

46、所述第四误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型输出的相应的样本检波器数据属于各个数据类型的参数分布之间的区别。

47、本发明实施例还提供一种基于深度学习的智能检波器数据存储相关设备，该相关设备为管理设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于深度学习的智能检波器数据存储方法。

48、本发明实施例提供的基于深度学习的智能检波器数据存储方法及相关设备，可以挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量，并组合形成第一勘探检波向量序列；依据第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理，输出目标检波器数据的第二勘探检波向量序列；基于第二勘探检波向量序列进行数据类型识别，输出目标检波器数据对应的数据类型识别信息；基于目标检波器数据对应的数据类型识别信息，对目标检波器数据进行分类存储处理，使得目标检波器数据被存储至与数据类型识别信息相对应的数据存储设备。基于前述内容，可以对检波器数据进行分类存储，使得在应用查找时，相似的（同类的）检波器数据便于进行查找，可以在一定程度上提高智能检波器数据存储管理的可靠度（现有技术中，一般是基于采集的时间进行存储）。

49、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明。