本發(fā)明涉及地震信號處理，特別涉及一種地震結構張量的特征向量的確定方法、估算地層傾角的方法及裝置。

背景技術：

1、地震結構張量源于圖像處理領域的圖像結構算法，同時也逐步成為地震勘探中廣泛使用的基礎屬性參數(shù)之一。在地震資料解釋過程中，通過計算地震結構張量可以得到局部構造特征向量，進一步可以估算地層傾角。(在計算傾角的時候，通過結構張量的特征向量的方向與傾角方向垂直這一關系，從而確定估計結果)。實際上，基于結構張量的特征向量除了是計算局部傾角的重要途徑，還可以用于斷層解釋，不整合分析，導向濾波等任務，并由此發(fā)展了一系列相關的地震資料解釋方法。目前，由于地震資料本身質量的問題，噪聲往往會大大影響結構張量計算結果，針對二維或者三維圖像結構張量的穩(wěn)定求取，也發(fā)展了一系列基于局部統(tǒng)計優(yōu)化的穩(wěn)定算法，但是在三維計算中十分耗費算力。

2、隨著大數(shù)據(jù)人工智能技術的發(fā)展，地球物理工作者開始思考如何用深度神經(jīng)網(wǎng)絡來實現(xiàn)傳統(tǒng)的地球物理技術，比如初至拾取、斷層識別，都取得了很好的效果，提高了效率。最新的文獻表明，通過制作大量的地層傾屬性標簽可以實現(xiàn)基于監(jiān)督的屬性高效計算，這給快速計算地震結構張量及相關特征向量計算提供了思路。但是，在具體實際應用中，由于實際數(shù)據(jù)在面元大小、采樣間隔、資料主頻的具有多樣性，監(jiān)督訓練的屬性標簽與實際數(shù)據(jù)中存在差異，會大大影響訓練網(wǎng)絡參數(shù)的泛化能力，對屬性的預測結果有關鍵的影響。

技術實現(xiàn)思路

1、鑒于上述問題，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地解決上述問題的一種地震結構張量的特征向量的確定方法、估算地層傾角的方法及裝置。

2、第一方面，本發(fā)明實施例提供一種地震結構張量的特征向量的確定方法，包括：

3、對目標地震數(shù)據(jù)進行預處理；

4、將預處理后的目標地震數(shù)據(jù)，輸入至預先訓練完成的特征向量計算模型中；

5、通過所述特征向量計算模型輸出所述目標地震數(shù)據(jù)的特征向量；

6、所述特征向量計算模型，是通過下述方式訓練得到的：

7、對深度神經(jīng)網(wǎng)絡模型進行預訓練；

8、使用實際資料中獲取到的地震數(shù)據(jù)作為訓練樣本數(shù)據(jù)，輸入經(jīng)過預訓練得到的深度神經(jīng)網(wǎng)絡模型中，通過無監(jiān)督訓練的方式，對所述經(jīng)過預訓練得到的深度神經(jīng)網(wǎng)絡模型的參數(shù)進行調整，得到所述特征向量計算模型。

9、在一個實施例中，所述對深度神經(jīng)網(wǎng)絡模型進行預訓練，包括：

10、使用合成的地震剖面數(shù)據(jù)作為訓練樣本數(shù)據(jù)，輸入至所述深度神經(jīng)網(wǎng)絡模型；

11、通過無監(jiān)督訓練的方式，對神經(jīng)網(wǎng)絡模型的參數(shù)進行調整，得到預訓練后的深度神經(jīng)網(wǎng)絡模型。

12、在一個實施例中，所述使用實際資料中獲取到的地震數(shù)據(jù)作為訓練樣本數(shù)據(jù)，輸入經(jīng)過預訓練得到的深度神經(jīng)網(wǎng)絡模型中，通過無監(jiān)督訓練的方式，對所述經(jīng)過預訓練得到的深度神經(jīng)網(wǎng)絡模型的參數(shù)進行調整，得到所述特征向量計算模型，包括：

13、將所述訓練樣本數(shù)據(jù)，輸入深度神經(jīng)網(wǎng)絡模型；所述深度神經(jīng)網(wǎng)絡模型采用卷積神經(jīng)網(wǎng)絡為基本單元，包括若干個殘差塊結構；通過所述神經(jīng)網(wǎng)絡模型輸出每個采樣處的特征向量u(x)各個分量的估計值；

14、將所述u(x)各個分量的估計值，代入預設的損失函數(shù)：

15、

16、其中：e(x,y)＝||g(y)-[g(y)tu(x)]u(x)||y∈ωx；

17、上述ωx代表空間位置x處局部范圍，x代表空間中的位置向量，其分量為每個坐標軸的坐標，y代表鄰域ωx范圍內所有的空間位置點，g(y)-[g(y)t?u(x)]u(x)為ωx內的梯度向量g(y)在單位法線向量u(x)的投影；

18、根據(jù)損失函數(shù)計算出的損失值，通過誤差反向傳播，實現(xiàn)對深度神經(jīng)網(wǎng)絡模型參數(shù)的調整；

19、所述訓練樣本數(shù)據(jù)為包含inline方向和crossline方向的二維采樣數(shù)據(jù)；或者所述訓練樣本數(shù)據(jù)為包含inline方向、crossline方向以及時間方向的三維采樣數(shù)據(jù)。

20、在一個實施例中，采樣x處的局部范圍ωx為沿時間方向為較大的窗長，沿inline或者crossline方向選較小的窗長。

21、在一個實施例中，對目標地震數(shù)據(jù)進行預處理，包括：

22、若所述目標地震數(shù)據(jù)為二維，對所述目標地震數(shù)據(jù)進行3×3的模板濾波；

23、若所述目標地震數(shù)據(jù)為三維，對所述目標地震數(shù)據(jù)進行3×3×3的模板濾波。

24、第二方面，本發(fā)明實施例提供一種估算地層傾角的方法，包括：

25、獲得目標地震數(shù)據(jù)的特征向量；

26、獲取所述特征向量在橫向上的第一分量,以及所述特征向量在垂向上的第二分量；所述橫向為inline方向或crossline方向；所述垂向為時間方向；

27、根據(jù)橫向上地震網(wǎng)格間距，垂向深度采樣，對所述特征向量的所述第一分量和所述第二分量進行校正，得到特征向量在實際空間對應的幾何向量；

28、根據(jù)所述幾何向量，確定出目標地震數(shù)據(jù)所在地層傾角；

29、所述獲得目標地震數(shù)據(jù)的特征向量的步驟是通過如前述的一種地震結構張量的特征向量的確定方法實現(xiàn)的。

30、在一個實施例中，根據(jù)橫向上地震網(wǎng)格間距，垂向深度采樣，對所述特征向量的所述第一分量和所述第二分量進行校正，得到特征向量在實際空間對應的幾何向量，包括：

31、計算垂向深度采樣旅行時間：

32、計算特征向量在實際空間對應的幾何向量ureal(x)＝[u1×oint，u2×tint]；

33、tsample為采樣時間間隔，vel為參考速度；u1為所述特征向量在橫向上的第一分量,u2為所述特征向量在垂向上的第二分量；oint為橫向上地震網(wǎng)格間距；tint為垂向深度采樣；

34、所述根據(jù)所述幾何向量，確定出目標地震數(shù)據(jù)所在地層傾角，包括：

35、通過下述公式計算目標地震數(shù)據(jù)所在地層傾角。

36、第三方面，本發(fā)明實施例提供一種地震結構張量的特征向量的確定裝置，包括：

37、預處理模塊，用于對目標地震數(shù)據(jù)進行預處理；

38、預測模塊，用于將預處理后的目標地震數(shù)據(jù)，輸入至預先訓練完成的特征向量計算模型中；通過所述特征向量計算模型輸出所述目標地震數(shù)據(jù)的特征向量；

39、所述特征向量計算模型，是通過下述方式訓練得到的：

40、對深度神經(jīng)網(wǎng)絡模型進行預訓練；

41、使用實際資料中獲取到的地震數(shù)據(jù)作為訓練樣本數(shù)據(jù)，輸入經(jīng)過預訓練得到的深度神經(jīng)網(wǎng)絡模型中，通過無監(jiān)督訓練的方式，對所述經(jīng)過預訓練得到的深度神經(jīng)網(wǎng)絡模型的參數(shù)進行調整，得到所述特征向量計算模型。

42、第四方面，本發(fā)明實施例提供一種估算地層傾角的裝置，其特征在于，包括：

43、第一獲取模塊，用于獲得目標地震數(shù)據(jù)的特征向量；

44、第二獲取模塊，用于獲取所述特征向量在橫向上的第一分量,以及所述特征向量在垂向上的第二分量；所述橫向為inline方向或crossline方向；所述垂向為時間方向；

45、校正模塊，用于根據(jù)橫向上地震網(wǎng)格間距，垂向深度采樣，對所述特征向量的所述第一分量和所述第二分量進行校正，得到特征向量在實際空間對應的幾何向量；

46、地層傾角計算模塊，用于根據(jù)所述幾何向量，確定出目標地震數(shù)據(jù)所在地層傾角；

47、所述獲得目標地震數(shù)據(jù)的特征向量的步驟是通過如前述的一種地震結構張量的特征向量的確定方法實現(xiàn)的。

48、第五方面，本發(fā)明實施例提供一種計算設備，包括：存儲器、處理器及存儲于存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如前述的地震結構張量的特征向量的確定方法，或者實現(xiàn)如前述的估算地層傾角的方法。

49、第六方面，本發(fā)明實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如前述的地震結構張量的特征向量的確定方法，或者實現(xiàn)如前述的估算地層傾角的方法。

50、本發(fā)明實施例提供的上述技術方案的有益效果至少包括：

51、本發(fā)明實施例提供的地震結構張量的特征向量的確定方法、估算地層傾角的方法及裝置，通過深度神經(jīng)網(wǎng)絡模型訓練得到特征向量計算模型，在訓練過程中，先通過預訓練的方式獲得穩(wěn)定的參數(shù)，然后再通過實際地震資料作為樣本，對已經(jīng)過預訓練的深度神經(jīng)網(wǎng)絡模型采用無監(jiān)督學習的方式進行訓練，對預訓練的深度神經(jīng)網(wǎng)絡進行遷移和參數(shù)微調，能夠讓地震解釋人員應用于不同工區(qū)參數(shù)和資料特點的實際地震數(shù)據(jù)，由于不需要制作大量的標簽，可充分利用已有的地震資料，在應用過程中對實際數(shù)據(jù)的適用性很強，簡單易實現(xiàn)，并且可整體提高了地震數(shù)據(jù)的解釋效率。

52、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現(xiàn)和獲得。

53、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。