我的新闻

中国石油大学(北京)学术报告:基于深度残差网络的断层自动解释及波阻抗反演


2019-08-12

中国石油大学(北京)学术报告:基于深度残差网络的断层自动解释及波阻抗反演

摘要:深度学习的概念自提出后就逐渐成为机器学习的一个重要分支并得到快速发展。深度卷积神经网络(CNNs)由于其出色的特征提取以及强非线性表达能力而被广泛应用于计算机视觉及语音识别。随着网络深度的增加,可增大网络容量及复杂度,但也会使基于随机梯度下降的网络训练变得越加困难,甚至出现深层网络训练和测试误差都增加的现象。残差网可以很好地缓解网络深度增加带来的网络训练困难问题,在检测、定位和分割等应用中的精度高于传统网络模型。本报告介绍利用残差网络模型进行三维断层自动解释及波阻抗反演的应用。

利用残差网络模型进行断层自动解释时,首先利用地震子波与反射系数卷积合成多组三维地震数据,建立用于深度网络学习断层特征的样本数据;其次,将残差网络中的残差块结构加入全卷积神经网络中用于断层特征学习。用于断层解释时,输入为叠后三维地震数据,输出为相同维度的三维数据体,其中每一输出值代表输入三维地震数据相同位置处断层的概率。实际算例测试表明,该方法可对三维地震数据中的断层进行有效识别,残差模块的加入可进一步提高深度卷积神经网络断层识别的准确率。

Marmousi模型训练及测试表明,全卷积残差网络模型波阻抗预测有更高的精度及横向连续性。利用Marmousi模型训练所得模型对Overthrust拼接模型进行波阻抗预测时,只需引入迁移学习方法,利用Overthrust模型少数道对网络参数进行微调,亦可得到高精度的波阻抗预测结果,表明基于残差网络的迁移学习在波阻抗预测中的潜力。



版权所有:西安交通大学 站点设计:网络信息中心 陕ICP备05001571号 IPhone版本下载 IPhone版本下载    Android版本下载 Android版本下载
欢迎您访问我们的网站,您是第 位访客
推荐分辨率1024*768以上 推荐浏览器IE7 Firefox 以上