盐体是具有良好气密性的地质构造,有利于油气储存,实现精细化盐体的解释极为必要。然而,不同于断层,盐体的特征较为复杂且形态差异大,常规方法易导致混淆和误判。此外,基于数据驱动的盐体识别模型在实际数据集上的泛化能力较差,因此目...盐体是具有良好气密性的地质构造,有利于油气储存,实现精细化盐体的解释极为必要。然而,不同于断层,盐体的特征较为复杂且形态差异大,常规方法易导致混淆和误判。此外,基于数据驱动的盐体识别模型在实际数据集上的泛化能力较差,因此目前在地震勘探中进行盐体的解释及可视化仍存在挑战。文章将盐体解释视为地震图像的语义分割问题,提出了基于迁移学习的上下文融合与混合注意力的智能盐体分割(Multi-path structure Mixed Attention and Transfer Optimized Net,MMTONet)方法。同时设计了一种基于盐体上下文特征融合模块,进而建立了改进注意力卷积混合的跳跃连接机制,以更好地弥补由下采样造成的信息损失,从而提高模型对盐体边界与高振幅噪声的像素级辨别能力。在此基础上,还设计了迁移学习的适配器微调策略,提升了模型在实际数据上的泛化能力。在地震数据集上的实验结果表明,MMTONet在提高分割精度和减少计算量、参数量方面均优于主流的语义分割方法。展开更多
地震相识别是地震数据解释的重要环节之一,深度学习技术可有效提高地震相自动识别的效率和准确性。然而,深度学习方法依赖大量的地震标注数据,在实际应用中标注成本高、难度大,且基础的测井数据无法直接使用。为此,提出了一种基于超稀...地震相识别是地震数据解释的重要环节之一,深度学习技术可有效提高地震相自动识别的效率和准确性。然而,深度学习方法依赖大量的地震标注数据,在实际应用中标注成本高、难度大,且基础的测井数据无法直接使用。为此,提出了一种基于超稀疏测井标注的半监督地震相自动识别方法。首先,在HRNet网络的基础上,构建一种使用一维测井标签进行监督的地震相识别网络模型。其次,针对地震数据的纵向特征,构建稀疏标签采样模块(SLSM)并围绕测井标签采样,不在纵向上对地震数据进行切割,保留其纵向深度特征,为后续的半监督学习任务奠定坚实的基础;最后,针对地震数据的横向相关性,提出区域生长训练策略(RGTS),通过迭代生长的方式将测井标签信息扩展到整个地震体。真实数据实验结果表明,所提出的网络模型仅使用占总数据量不足0.5%的32条一维测井标签,即可实现MIoU(Mean Intersection over Union)为79.64%的地震相识别结果。该方法可为测井资料少且局部分布的工区开展地震相识别研究提供参考,具有良好的应用前景。展开更多
文摘盐体是具有良好气密性的地质构造,有利于油气储存,实现精细化盐体的解释极为必要。然而,不同于断层,盐体的特征较为复杂且形态差异大,常规方法易导致混淆和误判。此外,基于数据驱动的盐体识别模型在实际数据集上的泛化能力较差,因此目前在地震勘探中进行盐体的解释及可视化仍存在挑战。文章将盐体解释视为地震图像的语义分割问题,提出了基于迁移学习的上下文融合与混合注意力的智能盐体分割(Multi-path structure Mixed Attention and Transfer Optimized Net,MMTONet)方法。同时设计了一种基于盐体上下文特征融合模块,进而建立了改进注意力卷积混合的跳跃连接机制,以更好地弥补由下采样造成的信息损失,从而提高模型对盐体边界与高振幅噪声的像素级辨别能力。在此基础上,还设计了迁移学习的适配器微调策略,提升了模型在实际数据上的泛化能力。在地震数据集上的实验结果表明,MMTONet在提高分割精度和减少计算量、参数量方面均优于主流的语义分割方法。
文摘地震相识别是地震数据解释的重要环节之一,深度学习技术可有效提高地震相自动识别的效率和准确性。然而,深度学习方法依赖大量的地震标注数据,在实际应用中标注成本高、难度大,且基础的测井数据无法直接使用。为此,提出了一种基于超稀疏测井标注的半监督地震相自动识别方法。首先,在HRNet网络的基础上,构建一种使用一维测井标签进行监督的地震相识别网络模型。其次,针对地震数据的纵向特征,构建稀疏标签采样模块(SLSM)并围绕测井标签采样,不在纵向上对地震数据进行切割,保留其纵向深度特征,为后续的半监督学习任务奠定坚实的基础;最后,针对地震数据的横向相关性,提出区域生长训练策略(RGTS),通过迭代生长的方式将测井标签信息扩展到整个地震体。真实数据实验结果表明,所提出的网络模型仅使用占总数据量不足0.5%的32条一维测井标签,即可实现MIoU(Mean Intersection over Union)为79.64%的地震相识别结果。该方法可为测井资料少且局部分布的工区开展地震相识别研究提供参考,具有良好的应用前景。
