一种地震数据的处理方法、装置、存储介质和电子设备与流程
本公开属于地震资料数据处理,尤其涉及一种地震数据的处理方法、装置、存储介质和电子设备。
背景技术:
1、随着深度学习算法的快速发展,其在数据处理领域的应用逐渐增多,包括:图像去噪、超分辨率、模式识别等方面。深度学习算法通过分析大量样本数据,揭示数据之间的非线性关系,有效处理复杂、高维数据问题。尽管深度学习在多个领域展现出优势,但在地震数据处理领域的应用还相对有限,为油气地球物理行业带来新的研究机会。
2、以往采用cnn(convolutional neural networks,卷积神经网络)提高分辨率算法中,网络训练精度也对网络去噪效果起着重要影响。当训练样本不具代表性或样本量过少时,所得到的训练后模型的性能将会有所退化。为了保证网络的训练精度,传统做法需要构建高质量的训练集。传统方法在利用卷积神经网络进行地震资料分辨率提升的研究中,主要依赖于两种数据训练策略:一是通过对高分辨率地震数据进行滤波退化处理后用于训练;二是使用未经提频处理的原始数据进行常规的高分辨率处理后用于训练。这两种方法虽然在一定程度上能够提升地震资料的分辨率,但均存在明显的局限性。滤波退化处理的数据往往失去了部分原始信号的特征,而未经提频处理的数据则可能缺乏高频信息,这两种情况都会影响训练模型的效果和准确性。
3、如何提高经由模型处理所得的地震数据的分辨率,以及优化去噪性能,是待处理的技术问题。
技术实现思路
1、基于此,有必要针对现有技术无法提高地震资料的分辨率,去噪性能差的缺陷,提供一种地震数据的处理方法、装置、存储介质和电子设备。
2、第一方面,本发明实施例提供了一种地震数据的处理方法,所述方法包括:
3、获取目标区域的地震剖面数据和目标区域的预处理后的实际地震数据,所述地震剖面数据包括高频地震剖面数据和低频地震剖面数据;
4、基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成训练集;
5、将所述训练集中的训练数据输入至多尺度增强级联残差网络中进行训练及模型优化,直至当前条件符合停止迭代条件,停止迭代及优化,得到优化后的训练模型;
6、基于所述优化后的训练模型对目标区域的待处理地震数据进行处理,得到处理后的地震数据。
7、可选地,所述停止迭代条件包括:模型已收敛,或者,
8、当前迭代次数已达到预设迭代次数。
9、可选地,在所述基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成训练集之前,所述方法还包括:
10、获取第一模型;
11、获取测井数据解释所得到的反射系数序列、高频地震波形和高频下的第一噪声项;
12、将所述反射系数序列、所述高频地震波形和高频下的第一噪声项输入至所述第一模型中进行处理,输出所述高频地震剖面数据;以及
13、获取第二模型;
14、获取所述反射系数序列、低频地震波形和低频下的第二噪声项;
15、将所述反射系数序列、所述低频地震波形和所述第二噪声项输入至所述第二模型中进行处理,输出所述低频地震剖面数据。
16、可选地,在所述将所述训练集中的训练数据输入至多尺度增强级联残差网络中进行训练及模型优化之前,所述方法还包括:
17、获取所述多尺度增强级联残差网络,以及获取多尺度增强级联残差网络的级联残差结构,所述多尺度增强级联残差网络包括尺度卷积核;
18、通过所述多尺度卷积核捕获地震剖面数据的细节信息;
19、通过所述级联残差结构增强待优化模型的学习性能。
20、可选地,所述基于所述优化后的训练模型对目标区域的待处理地震数据进行处理,得到处理后的地震数据,包括:
21、获取所述目标区域的待处理地震数据;
22、对所述目标区域的待处理地震数据进行降噪处理,得到降噪处理后的地震数据;
23、将所述降噪处理后的地震数据输入至所述优化后的训练模型中进行处理,得到所述处理后的地震数据。
24、可选地,在所述基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成训练集之前,所述方法还包括:
25、获取目标区域的实际地震数据;
26、根据预设方式对所述实际地震数据进行预处理,得到所述预处理后的实际地震数据。
27、可选地,所述预设方式包括:去噪方式、对数据进行标准化处理。
28、可选地,在所述得到优化后的训练模型之后,所述方法还包括:
29、基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成测试集;
30、基于所述测试集中的测试数据对所述多尺度增强级联残差网络的性能进行评估,得到评估结果。
31、可选地,所述评估结果至少包括:与分辨率提升效果相关的评估结果、与去噪性能相关的评估结果。
32、可选地,基于所述测试集中的测试数据对所述多尺度增强级联残差网络的性能进行评估所采用的评估指标至少包括:信噪比、结构相似性和视觉效果。
33、第二方面,本发明实施例提供了一种地震数据的处理装置,所述装置包括:
34、获取模块,用于获取目标区域的地震剖面数据和目标区域的预处理后的实际地震数据,所述地震剖面数据包括高频地震剖面数据和低频地震剖面数据;
35、生成模块,用于基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成训练集;
36、训练及优化模块,用于将所述训练集中的训练数据输入至多尺度增强级联残差网络中进行训练及模型优化,直至当前条件符合停止迭代条件,停止迭代及优化,得到优化后的训练模型;
37、处理模块,用于基于所述优化后的训练模型对目标区域的待处理地震数据进行处理,得到处理后的地震数据。
38、可选地,所述停止迭代条件包括:模型已收敛,或者,
39、当前迭代次数已达到预设迭代次数。
40、可选地,所述获取模块还用于:在所述基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成训练集之前,获取第一模型;以及获取测井数据解释所得到的反射系数序列、高频地震波形和高频下的第一噪声项;
41、所述处理模块还用于:
42、将所述反射系数序列、所述高频地震波形和高频下的第一噪声项输入至所述第一模型中进行处理,输出所述高频地震剖面数据;以及
43、所述获取模块还用于:在所述基于目标区域的地震剖面数据和目标区域的预处理后的实际地震数据,生成训练集之前,获取第二模型;以及获取所述反射系数序列、低频地震波形和低频下的第二噪声项;
44、所述处理模块还用于:
45、将所述反射系数序列、所述低频地震波形和所述第二噪声项输入至所述第二模型中进行处理,输出所述低频地震剖面数据。
46、可选地,所述获取模块还用于:在所述将所述训练集中的训练数据输入至多尺度增强级联残差网络中进行训练及模型优化之前,获取所述多尺度增强级联残差网络,以及获取多尺度增强级联残差网络的级联残差结构,所述多尺度增强级联残差网络包括尺度卷积核;
47、所述装置还包括:
48、捕获模块,用于通过所述多尺度卷积核捕获地震剖面数据的细节信息;
49、增强模块,用于通过所述级联残差结构增强待优化模型的学习性能。
50、可选地,所述处理模块具体用于:
51、获取所述目标区域的待处理地震数据;
52、对所述目标区域的待处理地震数据进行降噪处理,得到降噪处理后的地震数据;
53、将所述降噪处理后的地震数据输入至所述优化后的训练模型中进行处理,得到所述处理后的地震数据。
54、可选地,所述获取模块还用于:在所述基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成训练集之前,获取目标区域的实际地震数据;
55、所述处理装置还包括:
56、预处理模块,用于根据预设方式对所述实际地震数据进行预处理,得到所述预处理后的实际地震数据。
57、可选地,所述预设方式包括:去噪方式、对数据进行标准化处理。
58、可选地,所述生成模块还用于:在所述得到优化后的训练模型之后,基于所述目标区域的地震剖面数据和所述目标区域的预处理后的实际地震数据,生成测试集;
59、所述处理装置还包括:
60、评估模块,用于基于所述测试集中的测试数据对所述多尺度增强级联残差网络的性能进行评估,得到评估结果。
61、可选地,所述评估结果至少包括:与分辨率提升效果相关的评估结果、与去噪性能相关的评估结果。
62、可选地,基于所述测试集中的测试数据对所述多尺度增强级联残差网络的性能进行评估所采用的评估指标至少包括:信噪比、结构相似性和视觉效果。
63、第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面的方法。
64、第四方面,提供了一种电子设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面的方法。
65、在本发明实施例中,获取目标区域的地震剖面数据和目标区域的预处理后的实际地震数据,地震剖面数据包括高频地震剖面数据和低频地震剖面数据;基于目标区域的地震剖面数据和目标区域的预处理后的实际地震数据,生成训练集;将训练集中的训练数据输入至多尺度增强级联残差网络中进行训练及模型优化,直至当前条件符合停止迭代条件,停止迭代及优化,得到优化后的训练模型;以及基于优化后的训练模型对目标区域的待处理地震数据进行处理,得到处理后的地震数据。本发明实施例提供的处理方法,由于引入高频地震剖面数据和低频地震剖面数据生成训练集,通过多尺度增强级联残差网络更全面地学习地震数据的特征,不仅显著提高了经由优化后的训练模型处理所得的地震数据的分辨率,还优化了去噪性能。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com