一种基于深度卷积生成对抗网络的叠前地震波形分类方法

摘要

本发明提供了一种基于深度卷积生成对抗网络的叠前地震波形分类方法，属于地震相分析领域。本发明根据深度卷积生成对抗网络(DCGAN)对叠前地震波形进行半监督分类，先使用无标签样本让网络学习到叠前地震数据的特征，然后用少量有标签网络精调。本发明能从大量无标签数据中学习数据分布特性，具有很好的特征表示能力。相对于其他半监督方法需要使用多个分类器来增加训练样本，训练方法更简单。相对于其他深度学习特征提取方法，无须启发式损失函数，也能很好地表征图像。

说明书

技术领域

本发明属于地震相分析领域，特别涉及一种基于深度卷积生成对抗网络的叠前地震波形分类方法。

背景技术

地震相分析的方法就是通过在划分地震层序的基础上，利用各种地震参数之间的差别以及参数之间的关系，将地震层序划分为不同的区域，然后再进行推断地质结构。地震相分析中应考虑的参数有：反射振幅、主反射频率、反射极性、层速度、反射连续性、反射结构、反射丰度、地震相单元几何、与其它单元的关系。地震数据就是地表检波器接收到的反射信号，然后，将地震信号的细微变化和地下结构信息进行映射，该操作可以通过信号分类技术来完成。地震相数据的解释可以是直接的，也可以是间接的。直接解释的目的是找出引起地震相单元地震特征的地质原因。所以，直接解释可能旨在预测岩性、孔隙度、流体含量，相对年龄，超压页岩、类型分层，对应的地震相单元及其地质背景地质体几何。间接解释的目的是得出一些关于沉积过程和环境、沉积物搬运方向和地质演化(海侵、消退、沉降、隆起、侵蚀)方面的结论。除了提供地震相分类，地震信号分类还可以通过同时评估瞬时属性，相似性及声阻抗的和AVO多属性分析相结合来更好地表达地下信息。地震相分析结果可在地震相剖面和地震相图上显示。根据该区现有的地震资料和地质条件，地震相图可能有不同的类型，如显示不同地震相单元分布的一般地震相图、砂泥岩比图、交错层理方向图和古迁移图等。

叠前地震波是不同方位地表角检波器接收到的原始反射信号，对于检波点都可以利用多重维度的数据来进行描述地下结构信息。叠前地震信号和叠后信号是密切相关的，叠后信号是通过叠加已经用速度模型“校正”或“迁移”的叠前信号获得的。速度模型是从地震时差中获得的，其中运动学可利用的叠前地震事件(通常是初级反射)的偏移。因此叠后数据量较小，数据维度也偏小，失去了原始的信息。如今，大数据技术的快速发展为叠前信号的处理提供了充分的技术支持，从而弥补了以往波形分类算法只能处理叠后信息的不足。

在石油勘探的初期，会产生大量的的叠前地震数据，这些数据可以通过无监督聚类技术来完成地震相分析，从而映射地下结构信息，进而预测以及选择测井的合理位置。而在获得一定数量测井属性后，可以结合测井数据、岩心等对地震相校准。通常使用机器学习中的有监督方法，自动根据测井信息对储层数据进行分类。但是由于测井数据相对地震数据是稀疏的，测井数据只能代表局部地质信息，在传统的有监督分类方法中，分类结果往往较差。

发明内容

为了解决现有技术中的问题，本发明提出了一种基于深度卷积生成对抗网络的叠前地震波形分类方法，基于深度学习技术，围绕地震叠前波形的去噪、特征提取、无监督学习和半监督学习等方面进行研究，研究出如何使用叠前地震波形更好地生成地震相图，有效帮助地质的解释工作。

一种基于深度卷积生成对抗网络的叠前地震波形分类方法，包括以下步骤：

步骤1，对叠前地震数据进行预处理，进行结构导向滤波后根据层位提取样本数据，根据测井位置选取测井邻域数据为有标签数据，其余数据为无标签数据；

步骤2，输入所述无标签数据至深度卷积生成对抗网络进行训练；

步骤3，将所述深度卷积生成对抗网络中判别器的最后一层替换为softmax分类器，构造分类网络模型；

步骤4，输入所述有标签数据至所述分类网络模型进行精调；

步骤5，输入地震工业数据至精调后的分类网络模型，得到所有样本的分类结果和地震相图。

进一步地，所述步骤1包括以下流程：

对叠前地震数据进行结构导向滤波降噪，根据层位提取样本数据；

根据测井位置，选取测井邻域数据为有标签样本，测井的类型为数据样本的标签，其余数据为无标签样本。

进一步地，所述步骤2包括以下流程：

输入所述无标签数据训练所述深度卷积生成对抗网络，所述深度卷积生成对抗网络包括生成器和判别器，生成器的输入为服从均匀分布的噪声矢量，输出为与所述无标签数据相同大小的地震数据；所述无标签数据为所述判别器的输入，所述判别器的输出为一个二分类器。

本发明的有益效果：本发明提供了一种基于深度卷积生成对抗网络的叠前地震波形分类方法，根据深度卷积生成对抗网络(DCGAN)对叠前地震波形进行半监督分类，先使用无标签样本让网络学习到叠前地震数据的特征，然后用少量有标签网络精调。本发明能从大量无标签数据中学习数据分布特性，具有很好的特征表示能力。相对于其他半监督方法需要使用多个分类器来增加训练样本，训练方法更简单。相对于其他深度学习特征提取方法，无须启发式损失函数，也能很好地表征图像。

附图说明

图1为本发明实施例的流程图。

图2为DCGAN的训练网络结构图。

图3为DCGAN的分类网络结构图。

具体实施方式

下面结合附图对本发明的实施例做进一步的说明。

请参阅图1，本发明提供了一种基于深度卷积生成对抗网络的叠前地震波形分类方法，通过以下流程实现：

步骤1，对叠前地震数据进行预处理，进行结构导向滤波后根据层位提取样本数据，根据测井位置选取测井邻域数据为有标签数据，其余数据为无标签数据。

本实施例中，对叠前地震数据进行结构导向滤波降噪，根据层位提取样本数据。

根据测井位置，选取测井邻域数据为有标签样本，测井的类型为数据样本的标签，其余数据为无标签样本。

步骤2，输入所述无标签数据至深度卷积生成对抗网络进行训练。

本实施例中，训练网络为深度卷积生成对抗网络(DCGAN)，请参阅图2，其是在生成对抗网络(GAN)的基础上结合卷积神经网络(CNN)得到的一种网络模型，深度卷积生成对抗网络中的生成器和判别器为卷积神经网络，具体有：

用生成器的带步长卷积替换所有的池化层；

用判别器的微步幅卷积替换所有池化层；

在生成器和判别器上都使用批标准化(Batch-normalization)，这个策略能有效地解决初始化不当引起训练崩溃的问题，但如果将批标准化应用于所有层又会引起模型的不稳定，所以采取的措施为在生成器的输出层和判别器的输入不适用批标准化；

删除深度网络中的全连接层；

生成器中输出层用Tanh激活函数，其他所有层用ReLU激活函数；

判别器中所有层的激活函数都用LeakyReLU。

本实施例中，对于生成器，输入为100维的均匀噪声，第一层为全连接层，将100维的向量投影成4×4大小的feature map，通道数为512。然后一次用四层步长为3×3的带步长卷积，这样使得每次卷积后图像尺寸加倍，通道数减半。最后转换成32×32的单通道图像，这些图像就是生成的假样本。对于判别器，输入为真实的样本和生成器生成的样本，均为32×32的单通道图像。判别器与生成器的各层的图像尺寸和通道数保持一致。判别器的前四层依次图像尺寸减半，通道数加倍，生成高级特征表示。最后一层为一个logistics回归二分类器，输出为一个标量，即样本为真的概率。训练中超参数设置如下：采用mini-batch进行训练，训练的batchsize为64，采用ADAM优化器进行训练，学习率设置为0.001；设置LeakyReLU的斜率为0.2。

本实施例中，输入无标签数据训练深度卷积生成对抗网络。生成器G的输入为服从均匀分布的噪声矢量，输出为与无标签数据相同大小的地震数据，生成器从随机分布的数据中生成“伪造”的叠前地震波形；判别器D的输入为无标签数据和生成器生成的伪造数据，输出为一个标量，即一个二分类器，输出是否为真实的训练样本，判别器判别输入的地震波形数据，是真实的还是伪造的。通过大量的无标签数据对训练网络进行训练。

步骤3，将所述深度卷积生成对抗网络中判别器的最后一层替换为softmax分类器，构造分类网络模型。

步骤4，输入所述有标签数据至所述分类网络模型进行精调。

本实施例中，输入有标签数据对分类网络模型训练分类器进行精调，如图3所示。

步骤5，输入地震工业数据至精调后的分类网络模型，得到所有样本的分类结果和地震相图。

本实施例中，将地震工区数据输入该分类网络，得到所有样本的分类结果，并绘制地震相图，结合实际地质信息和原理对结果加以分析。

通过两个网络进行博弈交替训练，使生成器生成的样本符合训练样本的概率分布。使用DCGAN进行半监督分类，分类网络会利用样本的分布信息，使得分类效果更好。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。