为了克服人工拾取地震速度谱效率低、耗时长等缺点,提出了一种基于深度学习的地震叠加速度自动拾取方法。其核心是模仿地震数据处理人员在速度谱上拾取速度的行为和过程,实现叠加速度的自动拾取。将速度谱视为图像,并依据所拾取的“时间...为了克服人工拾取地震速度谱效率低、耗时长等缺点,提出了一种基于深度学习的地震叠加速度自动拾取方法。其核心是模仿地震数据处理人员在速度谱上拾取速度的行为和过程,实现叠加速度的自动拾取。将速度谱视为图像,并依据所拾取的“时间-速度”对具有时间序列的特点,设计了一个复杂的能用于速度拾取的卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)模型混合结构神经网络模型。该模型经过训练,可以对输入的速度谱进行自动拾取,并输出“时间速度”对序列。理论和实际地震数据测试结果表明,相对于基于反演过程的传统速度拾取算法,基于深度学习的地震速度谱自动拾取方法无需附加任何约束和干预,不仅实现了完全自动化的速度拾取,而且具有更高的拾取精度。展开更多
初至拾取是微地震数据处理的基本步骤及重要环节,在低信噪比情况下,传统的初至拾取方法性能不佳,无法满足实际需求。为此,提出一种新算法,该算法将时域微地震数据映射到Shearlet域,利用AIC(Akaike Information Criterion)模型对Shearle...初至拾取是微地震数据处理的基本步骤及重要环节,在低信噪比情况下,传统的初至拾取方法性能不佳,无法满足实际需求。为此,提出一种新算法,该算法将时域微地震数据映射到Shearlet域,利用AIC(Akaike Information Criterion)模型对Shearlet域各尺度层的数据实现初步识别,最小AIC值作为初至时刻。通过大量实验验证Shearlet-AIC算法在低至-13 d B信噪比下自动拾取的准确性,证实该算法优于传统初至拾取算法,解决了传统初至拾取算法在低信噪比时难以有效拾取微地震初至的难题。展开更多
文摘为了克服人工拾取地震速度谱效率低、耗时长等缺点,提出了一种基于深度学习的地震叠加速度自动拾取方法。其核心是模仿地震数据处理人员在速度谱上拾取速度的行为和过程,实现叠加速度的自动拾取。将速度谱视为图像,并依据所拾取的“时间-速度”对具有时间序列的特点,设计了一个复杂的能用于速度拾取的卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)模型混合结构神经网络模型。该模型经过训练,可以对输入的速度谱进行自动拾取,并输出“时间速度”对序列。理论和实际地震数据测试结果表明,相对于基于反演过程的传统速度拾取算法,基于深度学习的地震速度谱自动拾取方法无需附加任何约束和干预,不仅实现了完全自动化的速度拾取,而且具有更高的拾取精度。
文摘初至拾取是微地震数据处理的基本步骤及重要环节,在低信噪比情况下,传统的初至拾取方法性能不佳,无法满足实际需求。为此,提出一种新算法,该算法将时域微地震数据映射到Shearlet域,利用AIC(Akaike Information Criterion)模型对Shearlet域各尺度层的数据实现初步识别,最小AIC值作为初至时刻。通过大量实验验证Shearlet-AIC算法在低至-13 d B信噪比下自动拾取的准确性,证实该算法优于传统初至拾取算法,解决了传统初至拾取算法在低信噪比时难以有效拾取微地震初至的难题。
