论文部分内容阅读
时至21世纪20年代,随着油气资源的不断勘探开发,相对简单和便于开采的油气矿已经逐渐建设完毕,而地震勘探的研究重心也不由地往地下更深处和构造更复杂区域转移。为了应对各种更加艰巨的挑战,地震勘探在完善原有技术的同时,对新技术和新方法的研究也不可落下,其中人工智能领域内的深度学习无疑是这方面的佼佼者。近年来,深度学习的理论方法和配套软件硬件的发展尤为迅速,在国际上的许多领域中不断做出突破,获得了以往无法比拟的巨大成功。这成功引领了一股使用深度学习作为新突破点的潮流,地震勘探领域也不例外,虽然起步较晚,但新成果与新突破却如泉涌般连绵不绝,使得对深度学习的研究已经发展成一大热点。传统的地震勘探从数据采集到数据处理和解释的各个流程中,都需要施工和研究人员的丰富经验和高强度重复性作业。将深度学习引入地震勘探领域,不仅可以在传统地震勘探已经成熟的领域缓减工作人员的作业压力,还能在传统地震勘探尚未突破完全的领域做出新的优化改进,使地震勘探往更深更复杂区域进发的目标迈出了新的步伐。本文使用深度学习理论,针对地震勘探的特点设计构建了四个卷积神经网络,分别命名为废道检测卷积神经网络、去噪与插值卷积神经网络、地震信号宽频处理卷积神经网络、速度自接建模卷积神经网络。从命名中不难看出它们的作用就是检测地震数据中的废道,对地震数据进行噪声去除和缺失地震道插值,将有效地震信号的频带往两端延拓和自接建立勘探区域的介质速度模型。可以将本文的四个卷积神经网络和相应研究成果概括如下:(1)针对在地震数据采集过程中,由于诸多自然环境的干扰和一些人为因素而使地震数据中存在废道的现象,本文使用深度学习原理构建了一个卷积神经网络来进行废道的自动识别,以提高采集效率和减轻野外工作人员的判断负担,并称其为废道检测卷积神经网络。在本文中将废道通过其产生的原因大致分为四种,分别是空道、反道、单频干扰和强噪声干扰,而设计的废道检测卷积神经网络的作用就是对输入的地震记录进行两次判别,即是不是废道和是哪种废道。为了完成该目的而设计的特殊分类标签和代价函数,在经过模拟数据训练学习和测试后证明完全可靠。最后顺利通过实际地震数据的测试后,证明了废道检测卷积神经网络的出色设计拥有巨大的生产应用前景。(2)针对地震数据中的随机噪声和废道导致的地震数据不完整现象,构建了一个去噪与插值卷积神经网络。使用该卷积神经网络同步实现地震数据的去噪和插值相比于传统地震数据中去噪和插值两个模块,处理效率明显得到了提升。为了实现地震数据的同步去噪与插值目标,在DNCNN卷积神经网络能够优秀地学习随机噪声的基础上,结合去噪自编码器概念,在全连接卷积神经网络结构中间添加沙漏型全连接层,将整个卷积神经网络分为编码区和解码区两部分,将输入信息先压缩再放大,能逐步提炼有效标签。而该卷积神经网络在经过模拟数据训练学习后,对模拟测试数据的优秀表现,成功证明了该卷积神经网络在理论上的成功。最后的实际测试数据的对比则证明了训练数据是卷积神经网络能否成功的重要因素,也佐证了一句名言:未来掌握在拥有更多数据的人手里。(3)针对全波形反演在实际应用中,因为缺少可靠的地震数据低频分量而陷入局部极小值,从而导致失败的现象,本文通过将深度学习视为一种类似回归的操作,构建了一个名为地震信号宽频处理卷积神经网络的卷积神经网络。该卷积神经网络能够完成地震数据的宽频操作,使地震数据的有效信号向频率的两端延拓,即从不含低频分量和高频分量的地震数据中学习出相应的低频分量与高频分量。在通过模拟数据的训练和顺利测试后,将该卷积神经网络应用至全波形反演实验中,与未使用该卷积神经网络输出的错误反演结果相比,使用该卷积神经网络输出的低频分量能有效建立起速度模型的宏观信息,为全波形反演的应用提供良好起始,而高频分量则能使全波形反演结果更加清晰,地下构造更为直观。最后针对无法判断实际地震数据的宽频处理效果,提出了放大目标靶策略,通过将目标区域泛化,加大了卷积神经网络的训练目标包含真实目标的概率,使地震信号宽频处理卷积神经网络的输出更具可行性。(4)针对全波形反演运算量庞大导致的效率低下问题,本文尝试使用深度学习理论构建一个卷积神经网络,期望其能直接从地震数据中提取高精度速度模型,以提升高精度速度建模的效率,并称之为速度直接建模卷积神经网络。由于速度建模可以算是一种另类的图像处理,因此依旧选择卷积神经网络作为速度建模卷积神经网络的整体框架。而地震数据的数据量过大,不做优化直接输入则会对卷积神经网络造成巨大的负担,故最后选择地震数据的自激自收记录作为输入,这能在数据量尽可能小的前提下,保证数据中携带尽可能多的地下信息。经过模拟数据的训练和测试后,发现速度建模卷积神经网络的输出虽然没有明显错误,但与实际速度还存在一定差距。如果将该输出速度模型结合全波形反演,同样能得到优秀的高精度速度建模效果。最后,本文构建的速度直接建模卷积神经网络虽然尚未成熟,但在模拟数据实验中已经展现出了巨大的潜力,值得未来投入更多的精力,相信会得到令人满意的回报。