2. 自然资源部海底矿产资源重点实验室, 广州海洋地质调查局, 广东广州 510760;
3. 中海石油(中国)有限公司湛江分公司, 广东湛江 524057
2. Key Laboratory of Marine Mineral Resources, Ministry of Natural Resources, Guangzhou Marine Geological Survey, Guangzhou 510760, China;
3. Zhanjiang Branch Company, CNOOC Ltd., Zhanjiang 524057, China
速度分析是常规地震资料处理中的重要环节之一[1-2], 是地震资料后续处理(如多次波压制[3-4]、时深转换[5]、偏移成像[6-7]和反演[8-9]等)的基础。为了获取速度分析的结果, 需要在速度谱上进行速度拾取, 这一过程目前基本上是人工操作, 需花费大量的人工时间。受地震噪声、多次波、侧面波、绕射波以及构造复杂性和构造的空间变化等的影响, 只有受过训练的处理员才能得到正确或精度较高的速度拾取结果。虽然受过训练的地震资料处理员人工拾取速度谱判别能力强, 具有一定的灵活性, 但是人工拾取存在拾取效率低、耗时长等缺点, 在进行大面积三维地震资料处理时这一问题显得更为突出。因此, 有必要研究一种快速且有效的自动拾取速度谱的方法, 以减少地震资料处理人员的人工操作。
近些年, 随着地震勘探程度的深入和技术条件的改善, 速度自动拾取方法的研究取得了较大进步。现有的地震速度自动拾取方法可以分为两大类:第一类是最优化搜寻方法, 它采用最优化算法和最大相似度量准则, 在考虑实际地质条件的前提下设定速度约束条件, 对初始速度模型加以扰动, 自动寻找速度谱中叠加能量的全局最优解, 从而获得合理的速度模型。最优化速度拾取方法实际上是一种反演方法, 多以层速度模型作为初始模型, 通过反演方式, 例如共轭梯度法[10]、非线性最优化法[11-14]、蒙特卡洛法[15-18]、路径积分优化法[19-20]等, 获得最优的层速度模型。严格地说, 这些方法并不是速度拾取方法。还有一种基于机器视觉和层速度的启发式组合匹配, 提取速度谱上与实际结果最大相关的一组能量团峰值的自动拾取方法[21], 在本质上仍然是一种反演方法。基于最优化搜寻的速度谱自动拾取方法存在的主要问题是:①需要适当的先验约束; ②当初始层速度与真实速度偏离较大时, 该方法的计算效率较低, 甚至得出错误结果; ③对于地质条件复杂的地区, 例如速度横向巨变的地区, 速度拾取的准确性很低。第二类地震速度自动拾取方法基于人工智能技术, 它利用智能算法对速度谱中的能量团峰值进行识别, 获取叠加速度。在早期研究中, 一些学者提出了基于BP神经网络[22-23], 或者将BP神经网络与二叉排序树[24]、模糊数学[25]等相结合的叠加速度自动拾取方法。由于传统人工神经网络存在计算量大、学习速度慢、容易陷入局部极小值或出现过拟合等问题, 加上早期计算资源的限制, 该方法无法达到满意的效果, 因而相关的研究也逐渐减少。近年来随着计算机硬件的提升和深度学习的快速发展, 人工智能技术已经成功应用于地震岩相反演[26]、噪声压制[27-28]、储层预测[29-30]、测井岩性识别[31]等物探领域, 但是基于深度学习技术的自动速度拾取研究并不多。MA等[32]和BISWAS等[33]分别提出了基于卷积神经网络(convolutional neural network, CNN)和循环神经网络(recurrent neural network, RNN)的叠加速度自动拾取方法。然而这些方法只适用于简单地质条件下的速度谱自动拾取, 且拾取效果较差, 甚至在速度反转的情况下需要附加人为干预。
总结上述两类方法的特点, 发现仍然有两个主要问题未能解决:①对于复杂地质情况的区域, 拾取结果的准确性不高; ②在自动拾取之前, 这些方法需要根据先验知识来设置合理的计算时窗、搜索半径, 添加约束等人为干预过程, 并没有完全实现智能化和自动化。
为解决上述两个问题, 本文提出了基于深度学习的地震叠加速度智能拾取方法, 模仿地震处理员拾取速度的过程, 来实现速度的自动拾取。该方法将速度谱视为图像, 并依据所拾取的“时间-速度”对具有时间序列的特点, 提出了一种基于CNN和长短期记忆(long-short term memory, LSTM)模型的混合神经网络模型, 采用张量流(Tensorflow)深度学习框架来自动拾取速度谱上的“时间-速度”对。理论和实际地震数据的训练和测试结果, 验证了该方法的速度拾取精度、效率和自动化程度。
1 方法原理 1.1 速度谱的特征基于地震数据CMP道集计算的速度谱是速度分析的主要表现形式, 其具有两个鲜明的特点:一是速度谱可以看作图像, 其上的能量峰值对应地震处理员所需要拾取的叠加速度——“时间-速度”对; 二是这些“时间-速度”对在速度谱上存在着特定的空间关系, 一般情况下叠加速度会随着时间的增加而增大, 说明其具有明显的序列特征。这两个速度谱的基本特征为本文后续的算法设计提供了科学依据。
1.2 深度学习及其网络结构设计深度学习中最为常见并且应用最为广泛的模型是CNN和RNN。其中, CNN模型可以提取数据在空间结构上的关系, 在图像识别领域表现出巨大的优势[34-35]。RNN模型可以提取长短时的间隔信息, 擅长于预测时间序列, 但由于传统RNN模型存在梯度爆炸或者梯度消失的问题[36-37], 在本文中将用其改进模型——LSTM模型。
从速度谱中拾取叠加速度, 可以看作是对速度谱图像中能量团的识别和定位, 我们通过深度学习方法来实现对能量团的识别。首先利用CNN模型在图像识别上的能力来提取速度谱图像中能量团的特征, 并对能量团的位置进行预测; 再基于“时间-速度”对的时序特性, 利用LSTM模型对时间序列的预测优势来进一步提高“时间-速度”对识别的准确度。该方法所涉及的相关神经网络原理、网络结构及其重要参数如下。
1.2.1 卷积神经网络卷积神经网络主要由输入层、卷积层、池化层、全连接层、丢弃(Dropout)层等层级结构组成。卷积层的前向实现过程为:
$ \boldsymbol{a}_{i, k}=f\left(x_{i} * \boldsymbol{W}_{k}+b_{k}\right) $ | (1) |
式中:ai, k是经过卷积层中第k个卷积核对输入的训练集的第i个图像数据xi进行卷积处理得到的卷积特征矩阵; “*”表示卷积运算; Wk表示第k个卷积的权值矩阵; bk为第k个卷积核对应的阈值; f(·)为非线性激活函数。本文采用ReLU型激活函数, 其形式如下:
$ f(x)=\max (0, x) $ | (2) |
池化层能够有效减少特征和参数, 降低计算的复杂度, 因此, 在完成卷积计算后采用最大池化的方法来最大化图像特征。最大池化采用以下公式:
$ \boldsymbol{c}_{j}=\max \operatorname{pool}\left(\boldsymbol{a}_{i, k}\right) $ | (3) |
其中, cj为池化层产生的第j个池化特征矩阵, pool为池化运算。
利用Dropout层减轻网络过拟合现象, 随机将经过Dropout层的某些池化特征矩阵设置为0, 其计算过程为:
$ \boldsymbol{D}(x)=\boldsymbol{R} \odot x $ | (4) |
(4) 式表示将该层的数据矩阵x中的某些值随机地置为0。其中, R=RandomZero(p)表示根据概率p随机产生一个使某些值为0、其余值为1的矩阵, ⊙表示Hadamard积, D(x)表示训练阶段经过Dropout层后得到的数据矩阵。
全连接层的前向计算过程为:
$ \boldsymbol{a}_{i, l}=f\left(W_{l} \boldsymbol{a}_{i, l-1}+b_{l}\right) $ | (5) |
式中:ai, l表示经过第l个全连接层后第i个图像数据的特征向量; bl和Wl分别代表第l个神经元的阈值和权重。
1.2.2 长短期记忆模型LSTM模型是一种特殊的循环神经网络。一个LSTM模型由一个细胞状态和3个门(输入、输出、遗忘)组成, 如图 1所示。LSTM模型遗忘门的数学表达式为:
$ f^{(t)}=\sigma\left[\boldsymbol{W}_{f} h^{(t-1)}+\boldsymbol{U}_{f} x^{(t)}+\boldsymbol{b}_{f}\right] $ | (6) |
式中:f(t)表示遗忘上一层隐藏细胞状态的概率; h(t-1)表示序列的上一隐藏状态; x(t)表示当前时刻序列的输入; Wf和Uf代表权重矩阵; bf代表偏置向量; σ为sigmoid激活函数。(7)式和(8)式为LSTM模型输入门的数学表达式:
$ i^{(t)}=\sigma\left[\boldsymbol{W}_{i} h^{(t-1)}+\boldsymbol{U}_{i} x^{(t)}+\boldsymbol{b}_{i}\right] $ | (7) |
$ g^{(t)}=\tanh \left[\boldsymbol{W}_{g} h^{(t-1)}+\boldsymbol{U}_{g} x^{(t)}+\boldsymbol{b}_{g}\right] $ | (8) |
式中:i(t)和g(t)为这两个输入门的输出; Wi, Ui, Wg, Ug为输入门的权重矩阵; bi和bg为输入门的偏置向量。更新细胞状态的数学表达式为:
$ c^{(t)}=c^{(t-1)} \odot f^{(t)}+i^{(t)} \odot g^{(t)} $ | (9) |
式中:c(t)表示当前的细胞状态; c(t-1)表示上一序列的细胞状态。(10)式和(11)式为输出门两部分的数学表达式:
$ o^{(t)}=\sigma\left[\boldsymbol{W}_{o} h^{(t-1)}+\boldsymbol{U}_{o} x^{(t)}+\boldsymbol{b}_{o}\right] $ | (10) |
$ h^{(t)}=o^{(t)} \odot \tanh \left[c^{(t)}\right] $ | (11) |
式中:o(t)为输出门的输出; Wo和Uo为输出门的权重矩阵; bo为输出门的偏置向量; h(t)表示当前隐藏状态。当前序列预测输出的数学表达式为:
$ y^{(t)}=\varphi\left[\boldsymbol{W}_{h} h^{(t)}+\boldsymbol{b}_{h}\right] $ | (12) |
式中:y(t)为当前序列的预测输出; Wh和bh分别表示预测输出的权重矩阵和偏置向量。
1.3 模型结构设计与训练根据速度谱特征, 对速度谱的自动拾取可以看作二维图像的识别问题, 即针对速度谱中能量团的空间位置进行识别。由深度学习理论可知, CNN模型采用多个卷积层堆叠的形式来描述数据的空间属性, 并能够很好地提取图像特征, 但是无法模拟时间序列。在研究中发现, 仅仅利用单一的CNN模型来识别和定位速度谱中的能量团位置, 所获得的结果精确度不够高。因此, 本文依据叠加速度“时间-速度”对具有时间序列的特点, 将CNN和LSTM两种模型结合, 利用LSTM模型隐藏单元的记忆模块来保存“时间-速度”对的长间隔信息, 对“时间-速度”对进行修正, 以获得准确的识别结果。
图 2为用于速度自动拾取的混合神经网络模型结构。该模型分为2个模块:一是卷积神经网络模块, 将速度谱图像输入到卷积层, 利用滑动窗口, 提取速度谱中能量团的特征, 计算能量团的位置, 获取“时间-速度”对序列; 二是循环神经网络模块, 将卷积层生成的“时间-速度”对序列依次输入到LSTM模型各节点, 预测新的“时间-速度”对序列。
卷积神经网络模块包括4个卷积层、4个池化层、3个全连接层。其中每个池化层置于卷积层之后, 全连接层则设置在最后一个池化层的后面。LSTM模型模块要求其输入层向量维度与卷积神经网络的输出相对应, 其中隐藏层使用至少20个神经元, 输出层为“时间-速度”对, 与卷积神经网络模块最后一层的神经元个数相同。
对模型进行训练时, 本文将3通道RGB图像输入至模型中, 每次输入100张彩色速度谱图像及其平均值。实验采用随机梯度下降算法进行优化, 并利用自适应学习率算法来更新所有模型参数的学习率。其中, 基础学习率为0.01, 步长为0.001, 学习率的指数衰减速率为0.9, 每当训练1000次时调整一次学习率, 一共训练10000次。本文所有的实验均在张量流(Tensorflow)深度学习框架下运行, 并使用GPU加速训练过程。
2 实验与结果分析 2.1 理论数据建立了一个数量庞大的速度谱图像数据库, 为了增加模拟速度谱的多样性和测试速度谱识别的普适性, 共设计了10000个6~10层的一维层状地质模型, 每层的厚度为300~500m, 每层的速度变化范围为1500~3000m/s。利用射线追踪方法对上述地质模型进行正演, 选用主频为40Hz的雷克子波, 褶积计算得到共中心点(CMP)道集, 并在模拟中考虑了多次波(图 3)。对CMP道集进行速度扫描, 共计算得到10000张速度谱图像(图 4)。
在使用卷积神经网络对图像进行处理前, 为了程序设计简单且适用于不同地区、不同测线、不同参数计算得到的速度谱, 我们对速度谱图像进行了缩放, 将其转换为大小统一的401×401像素的图像(图 5)。本次实验将模拟生成的10000张速度谱图像分为训练集和测试集两部分, 其中80%的速度谱图像作为训练集, 用于训练本文设计的速度谱识别深度学习模型; 20%的速度谱图像作为测试集来对方法进行检验。
为了量化网络模型的学习效果, 本文利用均方差(公式(13))和预测精度(公式(14))两个指标来比较不同深度学习模型识别速度谱的有效性和准确性。
$ R_{\mathrm{RMSE}}=\sqrt{\frac{\sum_{i=1}^{n}\left[\left(x_{c, i}^{p}-x_{c, i}^{t}\right)^{2}+\left(y_{c, i}^{p}-y_{c, i}^{t}\right)^{2}\right]}{n}} $ | (13) |
$ P_{\mathrm{PA}}=1-\frac{\sum_{i=1}^{n}\left(\frac{\left|x_{c, i}^{p}-x_{c, i}^{t}\right|}{x_{c, i}^{t}}+\frac{\left|y_{c, i}^{p}-y_{c, i}^{t}\right|}{y_{c, i}^{t}}\right)}{2 n} $ | (14) |
其中, RRMSE为均方差, PPA为预测精度, xc, it, yc, it表示速度谱第i个能量团中心坐标的真实值, xc, ip, yc, ip表示学习一遍后从速度谱上识别出的第i个能量团中心坐标值(预测值), n表示能量团总个数。RRMSE和PPA分别反映了人工神经网络的预测值与真实值的误差和预测值的准确率。
为了体现LSTM模型对时间序列的预测优势和验证CNN+LSTM混合模型的有效性, 在训练过程中, 本文在相同的数据集上分别采用了CNN模型和CNN+LSTM模型来进行速度谱识别。其中, CNN模型与图 2中左侧卷积神经网络的结构相同, 训练结果如图 6和图 7所示。由图 6可以看出, 随着迭代次数的增加, 两种模型的RRMSE值都能逐渐减小并趋于平稳, 表明两种模型都是收敛的。另外, CNN模型的RRMSE值大于CNN+LSTM模型的RRMSE值, 说明CNN+LSTM模型识别误差较小。图 7给出了CNN模型和CNN+LSTM模型的PPA值变化趋势。其中, CNN模型的PPA值最高达到33.3%, CNN+LSTM模型的PPA值最高达到89.5%, 表明CNN+LSTM模型具有更好的识别精度。
训练后的模型被用于识别剩余的2000张速度谱图像。CNN模型和CNN+LSTM模型的预测识别结果如图 8所示。由图 8可以看出, CNN+LSTM模型的识别结果比单一CNN模型的识别结果更接近真实模型, 这说明LSTM模型能够很好地利用速度谱中时间与速度对的时序性, 提高速度谱识别结果的准确率。
采用海上某二维测线对本文方法进行了测试。该测线共抽取了7000个CMP道集。对这些CMP道集进行预处理、去噪和速度扫描之后, 获得了相应的速度谱。本文将80%的速度谱作为训练集, 20%作为测试集。在训练时, 将速度谱图像作为人工神经网络模型的训练输入, 由人工拾取的“时间-速度”对作为人工神经网络模型的训练输出。
分别采用CNN和CNN+LSTM两种模型进行速度谱识别, 利用RRMSE和PPA值来比较两者的拾取效果。另外, 在计算RRMSE和PPA时, 因为是实际数据, 我们用人工拾取的“时间-速度”对代替了(13)式和(14)式中的真实速度值。在经过10000次学习后, CNN模型的RRMSE值大于CNN+LSTM模型的RRMSE值(图 9), CNN模型的PPA值最高达到26.4%, 远小于CNN+LSTM模型的最高PPA值81.3%(图 10)。该结果与理论数据的学习结果一致, 说明对于实际地震数据速度谱, CNN+LSTM模型无论在拾取误差还是拾取准确率上均优于CNN模型。
表 1列出了CNN模型和CNN+LSTM模型分别对训练集、测试集速度谱识别的RRMSE值和PPA值统计结果。由表 1可知, 无论是训练集还是测试集, CNN模型的RRMSE值均大于CNN+LSTM模型的RRMSE值, CNN模型的PPA值均小于CNN+LSTM模型的PPA值, 这表明CNN+LSTM模型所拾取的“时间-速度”对更接近人工拾取的“时间-速度”对。另外, 在不同数据集上, CNN+LSTM模型在测试集拾取的整体效果与训练集相近, 而CNN模型测试集拾取的整体效果与训练集相差较大, 说明CNN+LSTM模型具有更强的泛化能力。
采用CNN模型和CNN+LSTM模型分别对两个CMP道集(图 11)计算出的速度谱进行自动拾取, 结果如图 12所示。由图 12可知, 与单一CNN模型相比, CNN+LSTM模型自动拾取结果与人工拾取结果更为吻合, 也验证了CNN+LSTM模型对速度谱自动拾取的可行性。另外, 为了进一步检验拾取结果的正确性, 本文对CMP100道集运用人工拾取的叠加速度和CNN+LSTM模型拾取的叠加速度分别进行动校正, 结果如图 13所示。由图 13可见, 人工拾取叠加速度与CNN+LSTM模型自动拾取叠加速度动校正结果的同相轴拉平程度相当, 说明CNN+LSTM模型自动拾取的叠加速度可以完全替代人工拾取的叠加速度。图 14显示了实际资料利用人工拾取的叠加速度和CNN+LSTM模型自动拾取的叠加速度所得到的叠加剖面。其中, 图 14a采用的是每间隔20个CMP进行一次人工拾取得到的叠加速度(共350个CMP道集), 图 14b采用的是由本文方法对7000个CMP进行自动拾取得到的叠加速度。对比图 14a和图 14b可以看出, 两个叠加剖面中的反射同相轴总体上非常接近。
在本次实验中, 我们设计的程序在一台处理器为Intel i7-7700HQ, 内存32GB, GPU为Nvidia Quadro M2200(显存4GB)的笔记本电脑上运行, CNN+LSTM模型对7000张速度谱进行自动拾取仅用了30min, 远远小于人工拾取时间。
3 结论本文利用卷积神经网络在图像目标识别上的优势以及LSTM模型的时序性特点, 设计了一种用于速度谱智能拾取的CNN和LSTM混合神经网络模型, 在没有人为干预的情况下分别采用理论数据和实际地震数据对该模型进行测试, 并分析了算法的应用效果, 为解决地震资料速度谱自动拾取问题提供了一种新的方案。通过分析和实验结果得到以下结论:
1) CNN+LSTM混合结构模型不仅能够提取速度谱图像的空间结构特征, 而且能够提取“时间-速度”对的时间序列特征, 速度谱识别结果有较高的准确率;
2) 与传统的基于反演的速度拾取算法相比, 本文方法虽然在训练阶段需要花费大量时间, 但是当模型训练完成后, 能够快速拾取“时间-速度”曲线, 并且不需要任何人工干预, 自动化程度更高。
一般情况下, 深度学习需要大量的训练数据, 以图像识别为例, 其基本数据训练集都在几万张图片以上。但在本文研究中, 无论是理论速度谱数据集, 还是实际速度谱数据集, 数据量仍然偏少, 尽管速度谱识别的准确率超过了80%。在实际应用中, 增加更多的实际数据来进行学习或训练, 可以持续提高速度“拾取”的准确率。
[1] |
潘宏勋, 方伍宝. 地震速度分析方法综述[J]. 勘探地球物理进展, 2006, 29(5): 305-311. PAN H X, FANG W B. Review of seismic velocity analysis methods[J]. Progress in Exploration Geophysics, 2006, 29(5): 305-311. |
[2] |
潘宏勋, 孙开峰, 叶勇. 地震速度分析技术新进展[J]. 勘探地球物理进展, 2008, 31(3): 172-177. PAN H X, SUN K F, YE Y. Review of seismic velocity analysis methods[J]. Progress in Exploration Geophysics, 2008, 31(3): 172-177. |
[3] |
COOKE D, BONA A, HANSEN B. Simultaneous time imaging, velocity estimation, and multiple suppression using local event slopes[J]. Geophysics, 2009, 74(6): WCA65-WCA73. DOI:10.1190/1.3242751 |
[4] |
李列, 谢玉洪, 李志娜, 等. 海上多次波压制与成像方法研究进展[J]. 地球物理学进展, 2015, 30(2): 446-453. LI L, XIE Y H, LI Z N, et al. Research progress on offshore multiple attenuation and imaging[J]. Progress in Geophysics, 2015, 30(2): 446-453. |
[5] |
CAMERON M, FOMEL S, SETHIAN J. Time-to-depth conversion and seismic velocity estimation using time-migration velocity[J]. Geophysics, 2008, 73(5): VE205-VE210. DOI:10.1190/1.2967501 |
[6] |
张敏, 李振春. 偏移速度分析与建模方法综述[J]. 勘探地球物理进展, 2007, 30(6): 422-427. ZHANG M, LI Z C. Review of migration velocity model building[J]. Progress in Exploration Geophysics, 2007, 30(6): 422-427. |
[7] |
FEI W, MCMECHAN G A. 3D common-reflection-point-based seismic migration velocity analysis[J]. Geophysics, 2006, 71(5): S161-S167. DOI:10.1190/1.2227523 |
[8] |
王华忠, 王雄文, 王西文. 地震波反演的基本问题分析[J]. 岩性油气藏, 2012, 4(6): 1-9. WANG H Z, WANG X W, WANG X W. Analysis of the basic problems of seismic wave inversion[J]. Lithologic Reservoirs, 2012, 4(6): 1-9. DOI:10.3969/j.issn.1673-8926.2012.06.002 |
[9] |
CHAURIS H, COCHER E. From migration to inversion velocity analysis[J]. Geophysics, 2017, 82(3): S207-S223. DOI:10.1190/geo2016-0359.1 |
[10] |
TOLDI L T. Velocity analysis without picking[J]. Geophysics, 1989, 54(2): 191-199. DOI:10.1190/1.1442643 |
[11] |
ZHANG L. Automatic picking and its applications[J]. Stanford Exploration Project, 1991, SEP-70: 275-292. |
[12] |
张建彬, 林年添, 张栋, 等. 基于非线性函数的速度谱智能拾取[J]. 地球物理学进展, 2016, 31(2): 856-860. ZHANG J B, LIN N T, ZHANG D, et al. Intelligent picking of velocity spectrum based on nonlinear function[J]. Progress in Geophysics, 2016, 31(2): 856-860. |
[13] |
AHMED M A, FERHAN Y A. Automatic seismic velocity picking[J]. Expanded Abstracts of 82nd Annual Internat SEG Mtg, 2012, 1-5. |
[14] |
ABBAD B, URSIN B, RAPPIN D. Automatic nonhyperbolic velocity analysis[J]. Geophysics, 2009, 74(2): U1-U2. DOI:10.1190/1.3075144 |
[15] |
DAVID E L. Monte Carlo automatic velocity picks[J]. Stanford Exploration Project, 1997, SEP-75: 1-25. |
[16] |
陈志德, 刘宽, 李成斌. 三维叠前深度偏移速度分析及蒙特卡洛自动层速度拾取[J]. 地球物理学报, 2002, 45(2): 246-253. CHEN Z D, LIU K, LI C B. 3D pre-stack depth migration velocity analysis and automatic Monte Carlo velocity picking in depth[J]. Chinese Journal of Geophysics, 2002, 45(2): 246-253. DOI:10.3321/j.issn:0001-5733.2002.02.011 |
[17] |
张正和, 吴清岭, 张海燕. 蒙特卡洛法速度谱的自动拾取[J]. 大庆石油地质与开发, 2002, 21(3): 79-80. ZHANG Z H, WU Q L, ZHANG H Y. Automatic velocity picking from stack velocity spectrum by Monte Carlo non-linear optimization[J]. Petroleum Geology & Oilfield Development in Daqing, 2002, 21(3): 79-80. DOI:10.3969/j.issn.1000-3754.2002.03.029 |
[18] |
CHOI H, BYUN J, SEOL S J. Automatic velocity analysis using bootstrapped differential semblance and global search methods[J]. Exploration Geophysics, 2010, 41(1): 31-39. |
[19] |
林年添, 刘洪, 李建勇. 基于Viterbi算法的复杂地质体速度约束化自动拾取[J]. 地球物理学进展, 2004, 19(2): 311-316. LIN N T, LIU H, LI J Y. Automatic picking velocity by the Viterbi algorithm for the complex geological case[J]. Progress in Geophysics, 2004, 19(2): 311-316. DOI:10.3969/j.issn.1004-2903.2004.02.017 |
[20] |
林年添, 刘洪, 李桂花, 等. 用于速度自动拾取的路径积分优化法与光顺处理技术[J]. 地球物理学报, 2013, 56(1): 246-254. LIN N T, LIU H, LI G H, et al. Auto-picking velocity by path-integral optimization and surface fairing[J]. Chinese Journal of Geophysics, 2013, 56(1): 246-254. |
[21] |
BEVERIDGE J R, ROSS C, WHITELY D, et al. Augmented geophysical data interpretation through automated velocity picking in semblance velocity images[J]. Machine Vision and Application, 2002, 13(3): 141-148. DOI:10.1007/s001380100068 |
[22] |
SCHMIDT J, HADSELL F A. Neural network stacking velocity picking[J]. Expanded Abstracts of 62nd Annual Internat SEG Mtg, 1992, 18-21. |
[23] |
FISH B C, KUSUMA T. A neural network approach to automate velocity picking[J]. Expanded Abstracts of 64th Annual Internat SEG Mtg, 1994, 185-188. |
[24] |
董林平, 何翔. 用人工神经网络自动拾取速度谱[J]. 石油地球物理勘探, 1996, 31(1): 98-100. DONG L P, HE X. Auto-picking velocity spectrum using artificial neural network[J]. Oil Geophysical Prospecting, 1996, 31(1): 98-100. |
[25] |
查朝阳. 利用神经网络拾取叠加速度[J]. 石油地球物理勘探, 1996, 31(6): 892-899. CHA C Y. Picking stack velocity using artificial neural network[J]. Oil Geophysical Prospecting, 1996, 31(6): 892-899. |
[26] |
刘力辉, 陆蓉, 杨文魁. 基于深度学习的地震岩相反演方法[J]. 石油物探, 2019, 58(1): 123-129. LIU L H, LU R, YANG W K. Seismic lithofacies inversion based on deep learning[J]. Geophysical Prospecting for Petroleum, 2019, 58(1): 123-129. DOI:10.3969/j.issn.1000-1441.2019.01.014 |
[27] |
张岩, 任伟建, 唐国维. 应用结构聚类字典学习压制地震数据随机噪声[J]. 石油地球物理勘探, 2018, 53(6): 1119-1127. ZHANG Y, REN W J, TANG G W. Random noise suppression on seismic data based on structured-clustering dictionary learning[J]. Oil Geophysical Prospecting, 2018, 53(6): 1119-1127. |
[28] |
韩卫雪, 周亚同, 池越. 基于深度学习卷积神经网络的地震数据随机噪声去除[J]. 石油物探, 2018, 57(6): 862-869. HAN W X, ZHOU Y T, CHI Y. Deep learning convolutional neural networks for random noise attenuation in seismic data[J]. Geophysical Prospecting for Petroleum, 2018, 57(6): 862-869. DOI:10.3969/j.issn.1000-1441.2018.06.008 |
[29] |
林年添, 付超, 张栋, 等. 无监督与监督学习下的含油气储层预测[J]. 石油物探, 2018, 57(4): 601-610. LIN N T, FU C, ZHANG D, et al. Supervised learning and unsupervised learning for hydrocarbon prediction using multiwave seismic data[J]. Geophysical Prospecting for Petroleum, 2018, 57(4): 601-610. DOI:10.3969/j.issn.1000-1441.2018.04.015 |
[30] |
吴正阳, 莫修文, 柳建华, 等. 裂缝性储层分级评价中的卷积神经网络算法研究与应用[J]. 石油物探, 2018, 57(4): 618-626. WU Z Y, MO X W, LIU J H, et al. Convolutional neural network algorithm for classification evaluation of fractured reservoirs[J]. Geophysical Prospecting for Petroleum, 2018, 57(4): 618-626. DOI:10.3969/j.issn.1000-1441.2018.04.017 |
[31] |
安鹏, 曹丹平. 基于深度学习的测井岩性识别方法研究与应用[J]. 地球物理学进展, 2018, 33(3): 1029-1034. AN P, CAO D P. Research and application of logging lithology identification based on deep learning[J]. Progress in Geophysics, 2018, 33(3): 1029-1034. |
[32] |
MA Y, JI X, FEI T W, et al. Automatic velocity picking with convolutional neural networks[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2066-2070. |
[33] |
BISWAS R, VASSILIOU A, STOMBERG R, et al. Stacking velocity estimation using recurrent neural network[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2241-2245. |
[34] |
LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444. DOI:10.1038/nature14539 |
[35] |
SERMANET P, KAVUKCUOGLU K, CHINTALA S, et al. Pedestrian detection with unsupervised multi-stage feature learning[J]. Expanded Abstracts of IEEE Conference on Computer Vision and Pattern Recognition, 2013, 3626-3633. |
[36] |
MIKOLOV T, KOMBRINK S, BURGET L, et al. Extensions of recurrent neural network language model[J]. Expanded Abstracts of IEEE International Conference on Acoustics, Speech and Signal Processing, 2011, 5528-5531. |
[37] |
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. DOI:10.1162/neco.1997.9.8.1735 |