06年4月2023
浅层地震数据盐分化可能相当困难和耗时,即使是经验丰富的人解析器也是如此盐体及其周围沉积物常起碳氢化合物陷阱作用,使盐成像成为碳氢提取过程的一个重要部分。
探索地球物理最近的一项进步是通过机器学习实现数字化,用于地震处理、成像和判读展示卷积神经网络如何能发挥强工具作用, 精确分类盐体及其周围沉积
项目的目标是识别盐体并比较不同的评价度量系统分析不同地震属性对盐分治的影响多通道UNET和剩余网搭建预测盐体UNET有效使用时输出大小类似于输入并有一定空间分辨率帮助创建分割掩码和图像处理
图1显示在每个卷积层后提取特征地图架构模型初步输入已被判定为震放大数据二元掩码标签-0(非盐体)和1(盐体)。为改善模型性能,工作流引入两个附加属性:显性地图和轮廓显性地图属性用两种方法计算-OpenCV光谱残留法和Vanilla集成梯度法,轮廓特征帮助理解盐体清晰边界
模型中培训数据类型被重新设计为三大设置:仅地震组合和震加特征并发和震加轮廓混合图2显示经培训模型预测结果,测试数据通过结合地震特征和特征生成
整个比较基础是计算IOU尺度和每种方法的损失准备表(1)显示结果以加深理解
| 类型类型 | IOU度量 | 损耗 |
|---|---|---|
| 无穷度量 | 0.867 | 0.11 |
| 使用Vanilla梯度模型的度量精度 | 0.874 | 0.105 |
| 使用OpenCV的度量耐用 | 0.96 | 0.02 |
| 矩阵应用轮廓测量地震数据 | 0.95 | 0.03 |
深学习算法用不同的评价度量和损耗计算进行彻底评价实施两种不同的策略并根据其性能进行比较第一个策略用二进制标签IOU参数计算第二项策略整合各种属性作为附加输入通道显示有希望结果并用稳定培训过程提高模型性能
最后,基于U-Net深学习算法的实际策略显示盐边界检测精度和强度更高,ML(Machine学习)辅助地震判读大有希望应用
探索机制学习和AI优化地下工作流的方法
