10.13810/j.cnki.issn.1000-7210.2022.06.002
基于VNet深度学习架构的低序级断层智能识别方法
低序级断层识别是油气勘探开发的重要环节,传统的相干体、谱分解、曲率、蚂蚁体、边缘检测等方法虽然能够提高断层识别的效果和精度,但是对断距较小的低序级断层识别效果不佳.基于人工智能技术的全卷积神经网络(FCN)深度学习方法,为识别低序级断层提供了新的途径.在UNet基础上提出的VNet模型深度学习架构,可以在上、下采样过程中增加信号的感受野,尽可能地在提取大尺度断层信息的同时保留和提取小尺度断层信息.选用正演模拟数据和实际地震数据分别对UNet模型、VNet模型进行测试,通过选择合适的损失函数、迭代次数,优选合适模型权重参数对两者进行模型训练和断层识别效果对比,结果表明,基于VNet模型方法提取的信息更丰富,在识别低序级断层方面更有效.
地震数据、断层识别、低序级断层、深度学习、VNet
57
P631
江西省核地学数据科学与系统工程技术研究中心开放基金项目;地震大数据高分辨率处理方法研究;江西省自然科学基金资助项目;东华理工大学校级课题
2023-03-16(万方平台首次上网日期,不代表论文的发表时间)
共11页
1276-1286