地震相解释方法、装置和介质与流程

摘要: 本技术属于地震相解释,尤其涉及一种地震相解释方法、装置和介质。背景技术:1、地震相是指在地震剖面上能够识别出的一组具有相似反射特征的地层单元,反射特征包括反射振...
地震相解释方法、装置和介质与流程

本技术属于地震相解释,尤其涉及一种地震相解释方法、装置和介质。

背景技术:

1、地震相是指在地震剖面上能够识别出的一组具有相似反射特征的地层单元,反射特征包括反射振幅、反射频率、反射连续性、反射几何形态等。通过对地震相进行解释,能够推断出地下的沉积环境、岩性和构造特征等,对于油气勘探开发等领域具有重要作用。

2、目前,在对地震相进行解释时,是以剖面上的某个区域为最小解释单元进行解释,存在精确性欠佳的问题。

技术实现思路

1、本技术的实施例提供了一种地震相解释方法、装置和介质,进而至少在一定程度上能够对地震剖面进行像素级的地震相解释,提高地震相解释的精确性。

2、本技术的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本技术的实践而习得。

3、根据本技术实施例的第一方面,提供了一种地震相解释方法,包括:

4、获取地震剖面图像;

5、将所述地震剖面图像输入到地震相解释模型中,以得到地震相结果图像,所述地震相结果图像包括若干个像素点,所述像素点携带有地震相类别信息以及多种地震参数信息;

6、其中,所述地震相解释模型是通过将训练集输入到待训练网络中训练得到的,所述训练集包括多个地震剖面样本图以及每个所述地震剖面样本图对应的地震相标签,所述地震相标签包括地震相类别标签以及多种地震参数标签,所述待训练网络配置为基于所述训练集进行像素级的地震相解释。

7、可选地,所述地震相结果图像的大小与所述地震剖面图像的大小相同,所述地震相结果图像的每一所述像素点的像素值用于表征所述像素点属于不同地震相类别的概率。

8、可选地,所述地震剖面图像包括第一方向的第一剖面图像和第二方向的第二剖面图像,所述地震相解释模型包括第一解释模型和第二解释模型,所述第一方向和所述第二方向相互垂直,所述将所述地震剖面图像输入到所述地震相解释模型中,以得到地震相结果图像,包括:

9、将所述第一剖面图像输入到所述第一解释模型中,以输出第一结果图像;

10、将所述第二剖面图像输入到所述第二解释模型中,以输出第二结果图像;

11、在三维空间中合成所述第一结果图像和所述第二结果图像,得到所述地震相结果图像。

12、可选地,在所述获取地震剖面图像之前,所述方法包括:

13、获取所述多个地震剖面样本图以及每个所述地震剖面样本图对应的地震相标签,建立所述训练集,所述地震相标签包括所述地震相类别标签以及所述多种地震参数标签;

14、基于所述训练集对所述待训练网络进行训练,以输出像素级的地震相解释图像,其中,所述待训练网络包括编码器、解码器和分类器,所述编码器配置为降低所述地震剖面样本图的图像尺寸得到编码特征图,所述解码器配置为恢复所述编码特征图的空间分辨率,并保留所述编码器提取到的高层次特征,得到解码特征图,所述分类器配置为基于所述解码特征图进行地震相解释,得到所述地震相解释图像。

15、可选地,在所述基于所述训练集对所述待训练网络进行训练的过程中,所述方法还包括:

16、获取所述分类器输出的每一种地震相类别的所述地震相解释图像对应的损失函数,根据各个所述损失函数确定所述分类器的第一损失函数;

17、基于所述第一损失函数对所述待训练网络进行优化训练。

18、可选地,所述获取所述分类器输出的每一种地震相类别的所述地震相解释图像对应的损失函数,根据各个所述损失函数确定所述分类器的第一损失函数,包括:

19、基于如下的公式获取所述分类器输出的每一种地震相类别的所述地震相预测结果对应的损失函数,根据各个所述损失函数确定所述分类器的总损失函数:

20、

21、其中,ti表示第i种地震相类别的标签类别集合,ci表示第i种地震相类别的解释类别集合,|ti|表示集合ti中元素的总量,|ci|表示集合ci中元素的总量,wi表示第i种地震相类别的权重系数,m表示地震相类别的数量。

22、可选地,所述训练集包括:第一训练集和第二训练集,所述第一训练集包括第一方向的地震剖面样本图和对应的地震相标签,所述第二训练集包括第二方向的地震剖面样本图和对应的地震相标签,所述第一方向和所述第二方向相互垂直;

23、所述待训练网络包括:第一待训练网络和第二待训练网络;

24、所述基于所述训练集对所述待训练网络进行训练,包括:

25、第一步骤:基于所述第一训练集以及预设的第一学习率对所述第一待训练网络进行训练,在所述第一待训练网络的损失稳定后,得到第一待验网络;

26、第二步骤:基于所述第二训练集以及预设的第二学习率对所述第二待训练网络进行训练,在所述第二待训练网络的损失稳定后,确定第二待验网络;

27、第三步骤:迁移所述第一待训练网络和所述第二待训练网络,基于预设的第三学习率对所述第一待验网络和所述第二待验网络进行训练,并基于第二损失函数对所述第一待验网络和所述第二待验网络进行优化训练,其中,所述第三学习率小于所述第一学习率且小于所述第二学习率;

28、重复执行所述第一步骤至所述第三步骤,直至得到所述第一待训练网络对应的第一解释模型,以及所述第二待训练网络对应的第二解释模型。

29、可选地,所述第二损失函数通过如下方式确定:

30、

31、其中,t1i表示第一方向剖面的地震相的标签类别集合,c1i表示第一方向剖面的地震相的解释类别集合,|t1i|和|c1i|分别表示集合t1i中元素的总量和集合c1i中元素的总量,t2i表示第二方向剖面的地震相的标签类别集合,c2i表示第二方向剖面的地震相的解释类别集合,|t2i|和|c2i|分别表示集合t2i中元素的总量和集合c2i中元素的总量,w1i表示第一方向剖面的第i种地震相类别的权重系数,w2i表示第二方向剖面的第i种地震相类别的权重系数,n1表示表示第一方向剖面的地震相类别的数量,n2表示第二方向剖面的地震相类别的数量。

32、根据本技术实施例的第二方面,提供了一种地震相解释装置,包括:

33、获取单元,用于获取地震剖面图像;

34、解释单元,用于将所述地震剖面图像输入到地震相解释模型中,以得到地震相结果图像,所述地震相结果图像包括若干个像素点,所述像素点携带有地震相类别信息以及多种地震参数信息;

35、其中,所述地震相解释模型是通过将训练集输入到待训练网络中训练得到的,所述训练集包括多个地震剖面样本图以及每个所述地震剖面样本图对应的地震相标签,所述地震相标签包括地震相类别标签以及多种地震参数标签,所述待训练网络配置为基于所述训练集进行像素级的地震相解释。

36、根据本技术实施例的第三方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条计算机程序指令,所述至少一条计算机程序指令由处理器加载并执行以实现如第一方面任一所述的方法所执行的操作。

37、根据本技术实施例的第四方面,提供了一种电子设备,包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如第四方面任一所述的方法所执行的操作。

38、本发明实施例提供的一个或者多个技术方案,至少实现了如下技术效果或者优点:

39、本技术的地震相解释方法,包括:获取地震剖面图像;将地震剖面图像输入到地震相解释模型中,以得到地震相结果图像,地震相结果图像包括若干个像素点,像素点携带有地震相类别信息以及多种地震参数信息;其中,地震相解释模型是通过将训练集输入到待训练网络中训练得到的,训练集包括多个地震剖面样本图以及每个地震剖面样本图对应的地震相标签,地震相标签包括地震相类别标签以及多种地震参数标签,待训练网络配置为基于训练集进行像素级的地震相解释。由此,本技术实施例通过提供更精细化的地震相标签来对待训练网络进行训练,使得训练得到的地震相解释模型能够对地震剖面进行像素级的解释,即每个像素点都携带地震相类别信息和多种地震参数信息,从而使得地震相解释的最小单元为像素,提高了地震相解释的精确性。

40、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本技术。