基于语义切分的首段自动采摘技术( First break automatic picking technology based on semantic segmentation )

Y Xu C Yin Y Pan Y Ni T Yang attribute data deep network model first break label data Semantic segmentation

随着高密度、高强度采集技术在复杂油田的广泛应用，大量低信噪比数据的初至拾取是一项极具挑战性的工作。传统的初至点自动拾取方法（Akaike信息准则法、能量比法、相关法、边界检测法等）由于抗噪声性能较差，需要大量的人工调整。大量的调整影响了采摘的精度和效率。初至拾取约占整个加工周期的三分之一，严重制约着石油勘探开发的进度。为了克服上述缺点，本文提出了基于语义分割的初至点自动拾取技术。首先，利用常用的Akaike信息判据法和交互平差法，设计初始波赋予时间，从勘探区不同分区的新采集资料中选取一定数量的初至波；然后对时间内的数据进行预处理，提取多个初至属性特征并进行特征增强，得到多维特征数据块，同时对初至进行标记。其次，利用UNET+IKE编解码网络实现了从主波属性数据到初至标记的端到时的特征学习。编解码网络的编解码过程用于融合初级波属性特征的提取和特征定位。同时，对各层进行归一化处理，并利用ReLU函数作为非线性因子，提高网络模型对低信噪比初级波的泛化能力和灵敏度。最后，利用优化的深度网络模型对数据的初至点进行预测，以提高初至点拾取的精度和效率。该方法创新性地融合了多种常规自动拾取方法（Akaike信息准则法、能量比法、相关法、边界检测法等）提取一次波的多个属性特征，并利用改进的UNET§IKE编解码网络提高了训练网络模型对初至波检测的精度。模型数据证明了新方法的可行性。用实际资料与Akaike信息准则法进行了对比试验，验证了该方法对低信噪比资料具有较高的拾取精度和稳定的初至波处理能力，应用于高产采集的低信噪比地震记录具有显著优势，能够满足大量资料近地表建模和静态计算对精度和效率的要求。这篇文章受版权保护。保留所有权利

SciDown文献求助系统（解决99%问题） Public Download Wiley ResearchGate