[发明专利]地震数据插值方法及系统

说明书

公开了一种地震数据插值方法及系统。该方法包括：建立期望炮集，获得初始炮集；设定初始第一权重、初始第二权重、初始第一数据扰动项、初始第二数据扰动项；进行卷积神经网络提取，将获得的结果作为初始炮集，重复进行提取，将获得的结果作为压缩炮集；进行全连接计算，获得全连接炮集，根据全连接炮集进行双线性内插，获得复原炮集；通过最小均方差函数，计算优化炮集，根据优化炮集，建立插值计算模型；将目标炮集代入插值计算模型，获得插值后的炮集。本发明通过大量数据训练神经网络模型，通过自主机器学习完成缺失地震道的数据重构，避免人为干涉，提高地震预处理环节的效率，实现真正意义上的智能化插值技术。

技术领域

本发明涉及地球物理勘探技术领域，更具体地，涉及一种地震数据插值方法及系统。

背景技术

在地震勘探采集过程中，由于经济成本限制、检波器异常、坏道、地区开采限制等因素，往往导致地震数据出现缺失道或者偏移距不够大等问题，这对于地震资料处理的一些环节影响较大，特别是高分辨率处理、波动方程偏移、全波形反演等技术往往需要完整的规则数据。数据插值技术作为地震资料数据重构的重要手段，在这方面起着不可替代的作用。

随着地震勘探技术的不断发展，目前已经有多种插值方法，从方法上区分，目前主要分为三类：第一类是预测滤波器插值技术，这种方法主要是将数据傅里叶变换到频率域，设计预测滤波器算子进行数据重构。该类方法对于规则地震资料缺失具有较好的插值效果，但对于不规则的缺失数据而言，该方法多解性较强，效果不佳；第二类方法是基于波动方程的地震资料插值，通过地震资料道之间的因果相关性进行约束插值。该方法相对于预测滤波器类方法适应性更强，对于规则或者非规则的缺失数据插值均具有较好的效果，但由于该方法基于波动方程，因此对速度场的精度要求较高，错误的速度场往往产生较大的误差；第三类是基于多域变换的方法，目前大多数主流方法均属于该类，它通过将数据进行某种变换再利用各种算法进行数据插值，包括拉东变换、傅里叶变换、小波变换等方法。虽然这类方法不需要地质模型约束，且对于非规则缺失数据插值效果较好，但该类方法需要人为设定阈值，插值效果依赖于处理人员的经验，且该类方法往往耗费大量的人力及时间，因此该类方法也存在着一些不足。因此，有必要开发一种智能化的地震数据插值方法及系统。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种地震数据插值方法及系统，其能够通过采用有监督学习的深度学习方式，利用大量数据训练神经网络模型，通过自主机器学习完成缺失地震道的数据重构，避免人为干涉，提高地震预处理环节的效率，实现真正意义上的智能化插值技术。

根据本发明的一方面，提出了一种地震数据插值方法。所述方法可以包括：建立包括多个单炮记录的期望炮集，将所述期望炮集中的每个单炮记录随机删除部分地震道，获得初始炮集；设定初始第一权重、初始第二权重、初始第一数据扰动项、初始第二数据扰动项；根据所述初始第一权重、初始第一数据扰动项、所述初始炮集，进行卷积神经网络提取，将获得的结果作为所述初始炮集，重复进行卷积神经网络提取，将获得的结果作为压缩炮集；根据所述初始第二权重、初始第二数据扰动项、所述压缩炮集，进行全连接计算，获得全连接炮集，根据所述全连接炮集进行双线性内插，获得复原炮集；根据所述复原炮集与所述期望炮集，通过最小均方差函数，计算优化炮集，根据所述优化炮集，获得优化第一权重、优化第二权重、优化第一数据扰动项、优化第二数据扰动项，建立插值计算模型；将目标炮集代入所述插值计算模型，获得插值后的炮集。

优选地，根据所述复原炮集与所述期望炮集，通过最小均方差函数，计算优化炮集包括：步骤501：设定优化阈值；步骤502：通过最小均方差函数，计算所述复原炮集与所述期望炮集的均方差；步骤503：判断所述均方差是否小于所述优化阈值，若是，则以所述复原炮集为所述优化炮集，若否，则调节所述初始第一权重、所述初始第二权重、所述初始第一数据扰动项、所述初始第二数据扰动项，获得新的复原炮集，重复步骤502-503，直至所述均方差小于所述优化阈值。