一种基于贝叶斯判别的折射波初至优选方法及系统与流程

1.本发明涉及石油勘探技术领域，尤指一种基于贝叶斯判别的折射波初至优选方法及系统。


背景技术：

2.目前，折射波静校正是解决复杂地区中长波长静校正问题的一种有效方法。在折射波静校正方法中，一个关键的技术环节是从初至信号中优选出与有效折射波对应的初至信号，进行计算得到折射波静校正量。目前大多采用人机交互方式进行初至优级选，剔除不合理的初至信息，因而存在剔除不合理、剔除时间较长并且在操作过程中容易出错等实际问题。
3.针对上述问题，目前尚未提出有效的解决方案。


技术实现要素：

4.为解决上述问题，本发明提出了一种基于贝叶斯判别的折射波初至优选方法及系统。该方法及系统将机器学习中的贝叶斯判别方法引入折射波静校正的初至优选中，能够解决海量地震炮集数据中折射波初至筛选中人工交互方式低、操作过程易出错等实际问题，有效提高折射波初至筛选的效率及准确性。
5.在本发明实施例的第一方面，提出了一种基于贝叶斯判别的折射波初至优选方法，该方法包括：
6.获取初至数据；
7.对所述初至数据进行线性动校正处理，得到初至样本，并将所述初至样本分成训练样本和判别样本；
8.根据所述训练样本生成贝叶斯分类器；
9.利用所述贝叶斯分类器，判断所述判别样本中的初至信息是否为有效折射波初至信息，根据判断结果得到有效折射波初至信息；
10.根据所述有效折射波初至信息进行折射波静校正计算，得到炮点和检波点的折射波静校正量。
11.在本发明实施例的第二方面，提出了一种基于贝叶斯判别的折射波初至优选系统，该系统包括：
12.数据获取模块，用于获取初至数据；
13.线性动校正处理模块，用于对所述初至数据进行线性动校正处理，得到初至样本，并将所述初至样本分成训练样本和判别样本；
14.训练模块，用于根据所述训练样本生成贝叶斯分类器；
15.判断模块，用于利用所述贝叶斯分类器，判断所述判别样本中的初至信息是否为有效折射波初至信息，根据判断结果得到有效折射波初至信息；
16.静校正计算模块，用于根据所述有效折射波初至信息进行折射波静校正计算，得
到炮点和检波点的折射波静校正量。
17.在本发明实施例的第三方面，提出了一种计算机设备，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计算机程序时实现基于贝叶斯判别的折射波初至优选方法。
18.在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于贝叶斯判别的折射波初至优选方法。
19.本发明提出的基于贝叶斯判别的折射波初至优选方法及系统，适用于存在稳定折射层的复杂地表地区，可以有效地实现对大数据量、低信噪比地震资料的有效折射波初至信息的快速筛选以及静校正计算，与现有技术相比，能够大大提高初至判识的效率和准确度，提高折射波静校正的精度，具有良好的应用前景。
附图说明
20.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
21.图1是本发明一实施例的基于贝叶斯判别的折射波初至优选方法的流程示意图。
22.图2是本发明一具体实施例的生成贝叶斯分类器的详细流程示意图。
23.图3是本发明一具体实施例的判断有效折射波初至的详细流程示意图。
24.图4是本发明一实施例的基于贝叶斯判别的折射波初至优选系统的架构示意图。
25.图5是本发明一具体实施例的训练模块的架构示意图。
26.图6是本发明一具体实施例的判断模块的架构示意图。
27.图7是本发明一实施例的计算机设备结构示意图。
具体实施方式
28.下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
29.本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
30.根据本发明的实施方式，提出了一种基于贝叶斯判别的折射波初至优选方法及系统，该方法及系统将机器学习中的贝叶斯判别方法引入折射波静校正的初至优选中，解决海量地震炮集数据中折射波初至筛选中人工交互方式低、操作过程易出错等实际问题，有效提高折射波初至筛选的效率及准确性。
31.下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
32.图1是本发明一实施例的基于贝叶斯判别的折射波初至优选方法的流程示意图。如图1所示，该方法包括：
33.步骤s101，获取初至数据；
34.步骤s102，对所述初至数据进行线性动校正处理，得到初至样本，并将所述初至样本分成训练样本和判别样本；
35.步骤s103，根据所述训练样本生成贝叶斯分类器；
36.步骤s104，利用所述贝叶斯分类器，判断所述判别样本中的初至信息是否为有效折射波初至信息，根据判断结果得到有效折射波初至信息；
37.步骤s105，根据所述有效折射波初至信息进行折射波静校正计算，得到炮点和检波点的折射波静校正量。
38.为了对上述基于贝叶斯判别的折射波初至优选方法进行更为清楚的解释，下面结合每一步骤进行详细说明。
39.步骤s101：
40.读取工区内微测井提供的高速层速度数据、地震炮集数据对应的初至数据。
41.步骤s102：
42.对所述初至数据进行线性动校正处理，得到初至样本，并将所述初至样本分成训练样本和判别样本。
43.具体的，对初至数据进行线性动校正处理，线性动校正速度为高速层的地震波传播速度，例如，可用微测井资料提供的高速层速度资料。
44.在线性动校正后的初至时间服从高斯分布(式1)或混合高斯分布(式2)：
[0045][0046][0047]
其中，t为线性动校后的初至走时，如式3：
[0048][0049]
t0为原始初至走时，x为对应的偏移距，v是选用的线性动校正速度，通常选用微测井资料提供的高速层速度作为线性动校正速度，使得线性动校正后的初至时间大致服从零均值高斯分布；
[0050]
在式1中，μ和σ分别为高斯模型的均值和方差。
[0051]
在式2中，m为混合高斯模型的个数，λc是每个高斯模型所占的比例，μc和σc分别为每个高斯模型的均值和方差。
[0052]
进一步的，可以判断线性动校后的折射波初至走时服从高斯分布或混合高斯分布；
[0053]
如服从高斯分布，计算相应的均值和方差：
[0054]
[0055][0056]
ti为高斯分布模型的初至走时，n是样本的个数。
[0057]
如果服从混合高斯模型，则先判别混合高斯模型的个数，通常选取m＝2或3即可满足实际需求。利用aic准则判断混合高斯模型的个数，即定阶。aic准则的计算公式如下：
[0058]
aic＝2*nlogl 2*m；
ꢀꢀꢀ
(6)
[0059]
其中，n是样本的个数，l是样本的负对数似然函数，m是混合高斯模型的个数。
[0060]
分别计算混合高斯模型个数m＝2和3对应的aic值，如果aic(m＝2)《aic(m＝3)，则认为线性动校后的初至服从m＝2的混合高斯模型；如果aic(m＝2)》aic(m＝3)，认为初至服从m＝3的混合高斯模型。
[0061]
步骤s103：
[0062]
根据所述训练样本生成贝叶斯分类器。
[0063]
参考图2，为本发明一具体实施例的生成贝叶斯分类器的详细流程示意图。如图2所示，步骤s103的详细过程为：
[0064]
步骤s1031，在训练样本中拾取有效折射波初至(第一类样本)以及非有效折射波初至(第二类样本)，其中，有效折射波初至为信号，非有效折射波初至为噪声。
[0065]
步骤s1032，设置信号和噪声的先验概率p(ω1)与p(ω2)及信号和噪声的条件概率密度p(t|ω1)和p(t|ω2)，在设置的条件下利用概率函数估计方法预估信号样本和噪声样本的概率密度函数。概率函数估计方法可以采用如parzen窗法等，即可估计此条件下的概率密度函数(pdf，probability density function)。
[0066]
步骤s1033，根据所述概率密度函数生成贝叶斯分类器。
[0067]
步骤s104：
[0068]
利用所述贝叶斯分类器，判断所述判别样本中的初至信息是否为有效折射波初至信息，根据判断结果得到有效折射波初至信息。
[0069]
参考图3，为本发明一具体实施例的判断有效折射波初至的详细流程示意图。如图3所示，步骤s104的详细过程为：
[0070]
步骤s1041，根据所述判别样本中的初至信息，在先验概率p(ω1)与p(ω2)及条件概率密度p(t|ω1)和p(t|ω2)的条件下，利用贝叶斯公式把先验概率转换为后验概率；其中，样本总体概率密度p(t)分布为：
[0071]
p(t)＝p(t|ω1)p(ω1) p(t|ω2)p(ω2)；
ꢀꢀꢀ
(7)
[0072]
后验概率为：
[0073][0074][0075]
其中，p(ω1|t)为信号的后验概率，p(ω2|t)为噪声的后验概率；
[0076]
步骤s1042，根据式7、8、9得到后验概率，根据后验概率判断所述判别样本中的初至信息是否为有效折射波初至信息；其中，
[0077]
若p(ω1|t)＞p(ω2|t)，判断当前初至信息为有效折射波初至信息；
[0078]
若p(ω1|t)≤p(ω2|t)，判断当前初至信息为非有效折射波初至信息(噪声)。
[0079]
步骤s1043，根据判断结果得到有效折射波初至信息。
[0080]
步骤s105：
[0081]
根据所述有效折射波初至信息进行折射波静校正计算，得到炮点和检波点的折射波静校正量。
[0082]
本发明提出的基于贝叶斯判别的折射波初至优选方法将机器学习中的贝叶斯判别方法引入折射波静校正的初至优选中，能够解决海量地震炮集数据中折射波初至筛选中人工交互方式低、操作过程易出错等实际问题，有效提高折射波初至筛选的效率及准确性。
[0083]
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0084]
在介绍了本发明示例性实施方式的方法之后，接下来，参考图4至图6对本发明示例性实施方式的基于贝叶斯判别的折射波初至优选系统进行介绍。
[0085]
基于贝叶斯判别的折射波初至优选系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0086]
基于同一发明构思，本发明还提出了一种基于贝叶斯判别的折射波初至优选系统，如图4所示，该系统包括：
[0087]
数据获取模块410，用于获取初至数据；
[0088]
线性动校正处理模块420，用于对所述初至数据进行线性动校正处理，得到初至样本，并将所述初至样本分成训练样本和判别样本；
[0089]
训练模块430，用于根据所述训练样本生成贝叶斯分类器；
[0090]
判断模块440，用于利用所述贝叶斯分类器，判断所述判别样本中的初至信息是否为有效折射波初至信息，根据判断结果得到有效折射波初至信息；
[0091]
静校正计算模块450，用于根据所述有效折射波初至信息进行折射波静校正计算，得到炮点和检波点的折射波静校正量。
[0092]
在一实施例中，所述数据获取模块410具体用于：
[0093]
读取工区内微测井提供的高速层速度数据、地震炮集数据对应的初至数据。
[0094]
在一实施例中，参考图5，为本发明一具体实施例的训练模块的架构示意图。如图5所示，所述训练模块430包括：
[0095]
拾取单元431，用于在训练样本中拾取有效折射波初至以及非有效折射波初至，其中，有效折射波初至为信号，非有效折射波初至为噪声；
[0096]
概率密度函数预估单元432，用于设置信号和噪声的先验概率p(ω1)与p(ω2)及信号和噪声的条件概率密度p(t|ω1)和p(t|ω2)，在设置的条件下利用概率函数估计方法预估信号样本和噪声样本的概率密度函数；
[0097]
贝叶斯分类器生成单元433，用于根据所述概率密度函数生成贝叶斯分类器。
[0098]
在一实施例中，参考图6，为本发明一具体实施例的判断模块的架构示意图。如图6所示，所述判断模块440包括：
[0099]
转换单元441，用于根据所述判别样本中的初至信息，在先验概率p(ω1)与p(ω2)及条件概率密度p(t|ω1)和p(t|ω2)的条件下，利用贝叶斯公式把先验概率转换为后验概率；其中，样本总体概率密度p(t)分布为：
[0100]
p(t)＝p(t|ω1)p(ω1) p(t|ω2)p(ω2)；
[0101]
后验概率为：
[0102][0103][0104]
其中，p(ω1|t)为信号的后验概率，p(ω2|t)为噪声的后验概率；
[0105]
判断单元442，用于判断所述判别样本中的初至信息是否为有效折射波初至信息；其中，
[0106]
若p(ω1|t)＞p(ω2|t)，判断当前初至信息为有效折射波初至信息；
[0107]
若p(ω1|t)≤p(ω2|t)，判断当前初至信息为非有效折射波初至信息；
[0108]
有效信息获取单元443，用于根据判断结果得到有效折射波初至信息。
[0109]
应当注意，尽管在上文详细描述中提及了基于贝叶斯判别的折射波初至优选系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
[0110]
基于前述发明构思，如图7所示，本发明还提出了一种计算机设备700，包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序730，所述处理器720执行所述计算机程序730时实现前述基于贝叶斯判别的折射波初至优选方法。
[0111]
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述基于贝叶斯判别的折射波初至优选方法。
[0112]
本发明提出的基于贝叶斯判别的折射波初至优选方法及系统，适用于存在稳定折射层的复杂地表地区，可以有效地实现对大数据量、低信噪比地震资料的有效折射波初至信息的快速筛选以及静校正计算，与现有技术相比，能够大大提高初至判识的效率和准确度，提高折射波静校正的精度，具有良好的应用前景。
[0113]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0114]
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、
以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0115]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0116]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0117]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。