[发明专利]基于深度学习的地震数据插值处理方法及系统

说明书

本发明公开了一种基于深度学习的地震数据插值处理方法及系统。该方法可以包括：步骤1，设置神经网络结构，根据神经网络结构，将按道存储的地震数据分解为按采样点存储的采集点地震数据；步骤2，设置神经网络循环次数阈值和误差控制参数；步骤3，根据神经网络结构、神经网络循环次数阈值和误差控制参数，将采集点地震数据输入到神经网络结构，以采样点的振幅值作为输出的检验数据，获得神经网络插值参数；步骤4，根据神经网络插值参数，将缺失数据替代采集点地震数据，重复步骤3，获得缺失数据的振幅值，进而获得重建数据。本发明通过深度学习神经网络，对地震数据进行多维插值处理，实现地震数据的重建。

技术领域

本发明涉及地震勘探领域，更具体地，涉及一种基于深度学习的地震数据插值处理方法及系统。

背景技术

地震数据处理中数据规则化处理是一个重要环节，它对改善数据的面元属性，提高地震资料的信噪比和偏移处理的成像效果有很大的优势。地震资料采集中，由于地面环境的不确定，常常出现无法满覆盖采集的地区，需要对采集空缺处的地震数据进行插值处理。在三维连片处理中，由于多工区数据的不一致和不规则情况，需要对数据进行统一的规则化处理，同样需要高精度的插值技术。随着地震勘探技术的发展，对高密度、宽方位地震采集的要求越来越高，而高密度宽方位采集意味着高投入。因此，有必要开发一种基于深度学习的地震数据插值处理方法及系统。

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

本发明提出了一种基于深度学习的地震数据插值处理方法及系统，其能够通过深度学习神经网络，对地震数据进行多维插值处理，实现地震数据的重建。

根据本发明的一方面，提出了一种基于深度学习的地震数据插值处理方法。所述方法可以包括：步骤1：设置神经网络结构，根据所述神经网络结构，将按道存储的地震数据分解为按采样点存储的采集点地震数据；步骤2：设置神经网络循环次数阈值和误差控制参数；步骤3：根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数，将所述采集点地震数据输入到所述神经网络结构，以所述采样点的振幅值作为输出的检验数据，获得神经网络插值参数；步骤4：根据所述神经网络插值参数，将缺失数据替代所述采集点地震数据，重复步骤3，获得缺失数据的振幅值，进而获得重建数据。

优选地，所述神经网络结构包括一个输入层、多个中间层与一个输出层。

优选地，所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。

优选地，所述缺失数据包括炮点坐标、检波点坐标、采样时间。

优选地，所述步骤3包括：子步骤301：将所述采集点地震数据输入到所述神经网络结构，根据插值参数，获得计算振幅值；子步骤302：判断循环次数是否达到，神经网络循环次数阈值，若是，则以所述插值参数为所述神经网络插值参数，若否，则进行子步骤303；子步骤303：计算所述采样点的振幅值与所述计算振幅值的差值，判断所述差值是否小于所述误差控制参数，若是，则以所述插值参数为所述神经网络插值参数，若否，则调整所述插值参数，重复子步骤301-303。

根据本发明的另一方面，提出了一种基于深度学习的地震数据插值处理系统，其特征在于，该系统包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：步骤1：设置神经网络结构，根据所述神经网络结构，将按道存储的地震数据分解为按采样点存储的采集点地震数据；步骤2：设置神经网络循环次数阈值和误差控制参数；步骤3：根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数，将所述采集点地震数据输入到所述神经网络结构，以所述采样点的振幅值作为输出的检验数据，获得神经网络插值参数；步骤4：根据所述神经网络插值参数，将缺失数据替代所述采集点地震数据，重复步骤3，获得缺失数据的振幅值，进而获得重建数据。