申请/专利权人：中国石油天然气股份有限公司

申请日：2020-09-10

公开（公告）日：2024-06-28

公开（公告）号：CN114167500B

主分类号：G01V1/36

分类号：G01V1/36;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.03.29#实质审查的生效;2022.03.11#公开

摘要：一种基于卷积神经网络的邻炮干扰分离方法及装置，方法包括：选取地震数据中任意两炮数据，将邻炮干扰数据与主炮数据叠加，得到第一输入数据，邻炮干扰数据为第一标签数据；通过高效混叠采集方式得到实际数据，对实际数据利用稀疏反演方法进行邻炮干扰分离，将分离前的数据作为第二输入数据，将分离后的数据作为第二标签数据；根据道集抽取方法，将上述数据变换到检波点道集，划分为测试集与训练集；对卷积神经网络的参数进行初始化，获得初始模型，将训练集输入至初始模型，得到邻炮干扰分离模型，进行邻炮干扰分离处理。本发明能够有效分离邻炮噪声，提高分离效率、精度及地震资料信噪比，为地震资料定量解释和储层预测提供高质量基础数据。

主权项：1.一种基于卷积神经网络的邻炮干扰分离方法，其特征在于，所述方法包括：选取地震数据中任意两炮数据，分别作为主炮数据及邻炮干扰数据，将所述邻炮干扰数据按照随机时间延迟与所述主炮数据叠加，得到的混叠数据作为网络学习的第一输入数据，所述邻炮干扰数据作为网络学习的第一标签数据；通过高效混叠采集方式得到含有邻炮干扰的实际数据，对所述实际数据利用稀疏反演方法进行邻炮干扰分离，将邻炮干扰分离前的实际数据作为网络学习的第二输入数据，将分离后的邻炮干扰数据作为网络学习的第二标签数据；根据道集抽取方法，将所述第一输入数据、第二输入数据、第一标签数据及第二标签数据变换到检波点道集，并按照预设比例将变换后的数据划分为测试集与训练集；对预设的卷积神经网络的参数进行初始化，获得卷积神经网络的初始模型，将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到邻炮干扰分离模型，并利用所述邻炮干扰分离模型进行邻炮干扰分离处理；其中，所述将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到邻炮干扰分离模型包括：将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到第一输出层数据，根据所述第一输出层数据与所述训练集中的标签数据进行对比，判断预测精度是否满足预设条件，若满足预设条件，则将经过模型训练的初始模型作为邻炮干扰分离模型；将所述测试集输入至所述邻炮干扰分离模型进行模型测试，得到第二输出层数据，将第二输出层数据与测试集中的标签数据进行对比，得到所述邻炮干扰分离模型的去噪性能测试结果；其中，所述将所述训练集输入至所述卷积神经网络的初始模型进行模型训练，得到第一输出层数据包括：将所述训练集作为输入层数据，输入至所述卷积神经网络的初始模型进行模型训练；将所述输入层数据与n个卷积核进行卷积运算，将运算结果输入ReLU激活函数，利用如下公式得到所述输入层数据的基本特征，其中，n为正整数； 其中，Ml-1是第l-1层的神经元节点的集合，为第l层第j个神经元节点的数据，为第l-1层第i个神经元节点的数据，为连接第l-1层的第i个神经元节点与第l层第j个神经元节点的卷积核权值矩阵，为第l层第j个神经元节点的偏置矩阵，符号“*”表示卷积运算；将运算结果输入ReLu激活函数，通过卷积神经网络的ReLu激活函数层实现；其中，ReLu激活函数层是指当为第l-1层第i个神经元节点的数据时，其对应的第l层第i个神经元节点的数据表示为： 将所述输入层数据的基本特征经过多个特征提取单元的处理，得到邻炮干扰数据的本质特征，所述特征提取单元包含一个具有n个卷积核的卷积层、一个BN层及一个ReLu激活函数层，其中，所述BN层用于对数据进行归一化处理，对于数据x＝{x1,x2,…,xm}，m为数据长度，经过所述BN层的处理后得到数据yi＝BNγ,βxi，其中i＝1,2,...,m，γ，β为学习参数，BNγ,βxi利用如下公式实现： 其中，ε为非零极小值，缺省值为1×10-6；将所述邻炮干扰数据的本质特征与n个卷积核进行卷积运算，获得所述第一输出层数据。

全文数据：

权利要求：

百度查询： 中国石油天然气股份有限公司 基于卷积神经网络的邻炮干扰分离方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD