【摘 要】
：
初至表示地震波最先到达检波器的时刻,是地震资料的一种重要信息。近年来,随着勘探任务的复杂化和勘探规模的扩大化,初至拾取工作面临着很多新的挑战。其中,主要有地震记录的缺道和低信噪比的问题。为此,往往需要引入额外的处理环节,例如插值或者去噪等。这些环节不仅增加了人力物力的消耗,同时也影响着初至拾取结果的准确性。全卷积神经网络是一种被广泛应用于图像、语音领域的深度学习工具。其强大的数据信息挖掘能力和表征
论文部分内容阅读
初至表示地震波最先到达检波器的时刻,是地震资料的一种重要信息。近年来,随着勘探任务的复杂化和勘探规模的扩大化,初至拾取工作面临着很多新的挑战。其中,主要有地震记录的缺道和低信噪比的问题。为此,往往需要引入额外的处理环节,例如插值或者去噪等。这些环节不仅增加了人力物力的消耗,同时也影响着初至拾取结果的准确性。全卷积神经网络是一种被广泛应用于图像、语音领域的深度学习工具。其强大的数据信息挖掘能力和表征能力能够有效地处理多种问题。本文通过将初至视为背景和有效波的边界,将初至拾取问题转化成了图像语义分割问题。在此基础上,利用深度学习端对端的特性,通过微调,使方法能够直接处理包含缺道或者低信噪比的数据,舍弃额外的处理环节。通过对网络中间结果的可视化及分析对比,本文展示了网络对缺道和低信噪比数据的处理机制。进一步增加了方法的可解释性。方法对来自实际资料的近3000个单炮数据进行了测试。结果显示,对于缺道比例在50%以内的单炮,方法的分类准确率平均超过了99%。对于经过加噪20%处理的单炮数据,方法能够对其中80%以上的单炮进行精确的初至拾取,即结果的误差被控制在允许的手工拾取误差范围内。
其他文献
安全生产一直是石油生产及化工领域的关注话题,海洋油气开采更是如此。对于深水油气田开发,所处的为高压、强腐蚀性及复杂的海底环境,并且水下生产系统复杂,零部件众多,一旦出现故障,可能造成原油的泄露,影响安全正常生产,造成海洋污染和严重的经济损失。深海油气田开发水下生产系统的安全运行得益于水下控制系统可靠性水平的不断提高,水下控制系统作为水下油气系统的关键设施,较陆地控制系统更难控制与维护,因此对其可靠
现实生活中存在许多复杂的数据,例如:社交网络中的用户交互、产品购买和有机蛋白质之间的交互等等。可将其描述成一个由相互作用的边连接的节点构成的网络,即复杂网络。社区发现是复杂网络分析的重要技术之一,其目的是发现网络中具有内部高内聚性,但与网络的其余部分相对隔离的一组节点。可见,社区发现有助于了解构成复杂网络的性质、动态行为,从而提高网络数据的可视化水平。近年来,随着各种网络的规模急剧增长,检测大型网
近三年来,深度学习（DL）在多聚焦图像融合领域的理论研究是一个热点课题。多聚焦图像融合的目的是将部分聚焦的图像整合到一个全聚焦的单个图像中,为了达到这个目的,本文针对基于深度学习的多聚焦彩色图像融合方法展开研究,主要研究成果如下:（1）基于DCNN和QUADTREE的多聚焦图像融合算法此项工作中主要解决DCNN算法中没有对未知区域处理的问题。首先利用DCNN算法得到粗糙的聚焦概率图,通过设定两个自
近年来,为更好地满足油气生产需求,各种新技术被陆续引入到水下生产系统中。水下生产系统的工程建设和应急维护需要综合考虑环境、经济、安全等相关因素,很多操作都不被允许实施。因此,本文结合虚拟现实仿真技术、半实物仿真技术与监控技术,对水下生产虚拟现实仿真操作监控系统进行设计与实现,该系统可为无经验的操作人员和管理人员提供丰富的水下施工经验,降低作业风险。本文首先对操作监控系统进行了详细的分析,结合工程建
调制识别是介于信号检测和解调之间的一种非协作通信识别技术,其主要任务是实现对已调信号的智能接收、处理和分类。数字信号识别的准确性关系到国计民生的多个方面,在民用领域调制识别可以实现无线电频谱管理和智能化控制,在军事领域可以实现对敌方情报的监测并保护国家信息安全,经过多年的研究已经获得了许多成果。随着调制方式和信道环境复杂度的提升,如何在低信噪比下精准识别各种调制方式成为一个重要问题。因此,面对未来
物体三维重建已经广泛应用于自动驾驶、3D打印、虚拟仿真以及VR游戏等多种场景,涉及了生物学、神经科学、生态学和农业等多个领域。随着深度学习的发展应用以及大规模三维物体重建数据集的建立,利用深度神经网络从单幅图像中恢复物体三维形状引起了越来越多的关注。现有的深度学习方法通过采用不同的几何表示和不同的深度神经网络框架进行单视图物体三维重建已经获得了不同程度的成功,然而这些工作在重建精度和不同类别物体重
页岩气的勘探开采在近年来成为全球热点。我国也在加快页岩气的开发,这不仅有利于我国向能源清洁转型,也是天然气工业的必然选择。在页岩气藏开发之前,做好产能预测有重要意义。常规的产能预测方法对数据特征的提取不充分,而深度神经网络能够充分学习到数据的特征,使得预测出的产能有较高的可信度。因此可以将深度神经网络应用于页岩气产能预测中,作为产能预测方法的补充。本文基于页岩气藏数值模拟软件生成的大量数据,利用C
逆变器作为一种实现电能转换的核心装置,在各种领域中均占有重要地位。随着微电子技术与现代控制技术的发展,全数字化和智能化是目前逆变器的发展方向。合理的PWM脉冲控制方法和波形数字控制策略的选择与设计能直接影响逆变器系统的总体性能。本文以三相三线逆变器作为研究对象,为实现逆变器的全数字化控制,论文主要做了以下工作:首先,对当前现有的PWM控制技术中对比分析,选择SVPWM控制技术作为三相逆变器的脉冲控
油田智能化是未来石油行业发展的趋势,人工智能技术的进步为各行各业的产业升级带来了新希望。油气集输系统是整个石油地面工程的核心部分,传统的油气集输系统控制依赖于人工PID参数整定和精细化管理,生产流程需要人工检测数据以及手动调整控制参数,操作难度大、存在安全隐患且不具备普适性,同时在油气输送过程中易造成较高能耗、低资源利用率,使得生产成本的陡然上升。因此,本文针对以上问题,提出一种基于强化学习的油气
由于地层的复杂性和隐蔽性,当今钻井作业严重依赖于井上、井下的双向信号传输,以及人类专家的经验决策。然而,针对深井、超深井等复杂井况,高质量的实时信号传输难以实现,且依据理论建立的岩石力学模型不足以支撑实时钻井决策。因此,本文提出了一种基于深度学习的智能导钻方法,有望为地质导向的实时决策提供一种新思路。本文的主要工作包括:（1）提出一种基于特征选择和广角眼机制的感知增强方法。该方法能够提高测井数据质