人工智能和视速度约束的地震波初至拾取方法

作     者：David Cova 刘洋 丁成震 魏程霖 胡飞 李韵竹 David COVA;LIU Yang;DING Chengzhen;WEI Chenglin;HU Fei;and LI Yunzhu

作者机构：中国石油大学(北京)油气资源与探测国家重点实验室北京102249 中国石油大学(北京)CNPC物探重点实验室北京102249 中国石油大学(北京)克拉玛依校区石油学院新疆克拉玛依834000 东方地球物理公司研究院河北涿州072751 

出 版 物：《石油地球物理勘探》 (Oil Geophysical Prospecting)

年 卷 期：2021年第56卷第3期

页      面：419-435,I0007页

核心收录：

学科分类：081801[工学-矿产普查与勘探] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家科技重大专项“致密气有效储层预测技术”(2016ZX05047-002)资助 

主　　题：初至拾取 视速度 深度学习 卷积神经网络 图像分割 

摘      要：初至拾取是近地表静校正处理的重要步骤之一。随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题。传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高。在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)在语义分割方面有突出优势,它可以处理不同大小的地震道集的数据,并且可以进行高分辨率的像素分类,但是这种方法存在定位精度不足的缺点。U-Net结构是FCN的一种变体,凭借较高精度和易于实现的特点,可以较好解决初至拾取问题,但在数据信噪比较低的情况下准确度会下降。为了解决以上问题,提出四个关键技术点:采用处理流程对振幅进行平衡以提高预测精度;比较U-Net与三种不同复杂度的U-Net变体(UNet++、Wide U-Net和Attention U-Net),从不同角度解决分割问题;选取合适的超参数优化网络;通过视速度约束提高分割图像精度。结果表明U-Net获得了更高的精度和效率,并在陆地地震数据应用中取得了较好的效果。