叠前地震波形分类方法研究

摘要

在油气勘探领域中，地震相图一般通过模式识别技术对地震信号进行分类生成，它对地下油气储层的确定有重要的作用。叠前地震波形相对于叠后地震波形来说，维度更高，数据量更大，包含的信息也更丰富。 叠前地震信号维度高，直接处理容易引发维度灾难、计算量过大、分类效果不精确等问题。现有的有监督学习方法使用测井信息作为有标签数据对模型进行训练，然后使用该模型进行地震相分类。测井信息数量在大规模地震数据中是少量的，容易引起过拟合等问题，使分类结果不精确。针对上述问题本文从叠前地震信号预处理、降维和特征提取、聚类算法以及半监督学习等方面，结合深度学习展开研究，具体工作如下： 一、提出基于深度卷积自编码器的叠前地震波形分类方法： （1）针对叠前地震波形维度较高，信息复杂的特点，引入深度卷积自编码器对叠前地震波形提取特征。深度卷积自编码器具备非常好的特征提取能力，能够提取叠前地震信号的深层次的非线性特征。同时，由于卷积神经网络的权值是共享的，所以本算法的计算复杂度非常低，适用于大规模的叠前地震波形数据。 （2）引入模糊自组织映射网络算法对叠前地震波形数据的特征进行分类。在传统的无监督分类方法中，每个样本数据的分类结果是确定的，即样本会被分到某个特定的簇。而本算法使用一个隶属度表示每个样本的分类结果，从而用这个隶属度展示地震相分类的结果。使用模糊自组织映射网络生成的地震相图比传统方法提供的信息更丰富，错误的情况更低，更能反应地质结构，为进一步的地震解释提供基础。 二、提出基于深度卷积生成对抗网络的半监督叠前地震波形分类方法： 在一个工区中，只有少量的测井数据（即有标签数据），这些数据相对于整个工区的地震数据是稀疏的。如果使用有监督分类方法（如SVM、神经网络等）会很容易产生过拟合。针对此问题，本文提出了基于深度卷积生成对抗网络的半监督叠前地震波形分类方法，该方法既保留了深度卷积神经网络的特征提取能力，又能通过有标签数据辅助训练。使用该算法能得到更为精确和合理的结果。

目录

第一个书签之前

摘要

Abstract

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究历史与现状

1.2.1 无监督方法

1.2.2 有监督方法

1.3 本文的主要工作与创新

1.4 本论文的结构安排

第二章 叠前地震波形分类技术原理

2.1 叠前地震数据降噪预处理

2.2 叠前地震数据降维和特征提取

2.2.1 主成分分析

2.2.2 奇异值分解

2.2.3 自编码器

2.3 分类识别算法

2.3.1 无监督算法

2.3.2 半监督算法

2.4 本章小结

第三章 基于深度卷积自编码器的无监督叠前地震波形分类方法

3.1 深度神经网络

3.1.1 多隐层前馈神经网络

3.1.2 反向传播算法

3.2 卷积神经网络

3.2.1 卷积

3.2.2 池化

3.2.3 激活函数

3.2.4 批量归一化

3.3 学习算法及训练策略

3.3.1 数据预处理

3.3.2 网络模型参数初始化

3.4.1 深度卷积自编码器

3.4.2 数据预处理和建模

3.4.3 无监督的特征学习

3.5 基于FSOM算法的无监督叠前地震波形分类

3.5.1 自组织映射神经网络

3.5.2 模糊自组织映射网络

3.6.1 算法总体描述

3.6.2 算法实际应用

3.7 本章小结

第四章 基于深度卷积生成对抗网络的叠前地震波形分类方法

4.1 生成对抗网络的基本原理

4.1.1 网络模型的产生

4.1.2 网络模型的数学物理描述

4.2 深度卷积对抗生成网络

4.2.1 网络模型的基本结构

4.2.2 网络模型的性能分析

4.3 算法总体描述及应用

4.3.1 算法总体描述

4.3.2 算法实际应用

4.4 本章小结

第五章 总结与展望

5.1 全文总结

5.2 工作展望

致 谢

参考文献

攻硕期间取得的研究成果