[发明专利]基于深度卷积神经网络和随机森林的地震层位追踪方法

说明书

本发明公开了一种基于深度卷积神经网络和随机森林的地震层位追踪方法，属于油气勘探领域中地震资料层位自动追踪技术。本发明的基于深度卷积神经网络和随机森林的地震层位追踪方法包括以下步骤：步骤1、地震资料增强处理；步骤2、层位样本标签构建与优选，建立样本库；步骤3、深度卷积神经网络训练及优化参数，获取目标地质层位地震数据高层特征；步骤4、基于深度卷积神经网络训练的高层特征和地震波形专业特征向量数据集，将深度卷积网络输出进行调整，接入随机森林分类器训练，构建分类树；步骤5、地震反射同向轴自动识别，根据分类树的结果识别同一层位同相轴并自动追踪。该发明的基于深度卷积神经网络和随机森林的地震层位追踪方法不仅能够进一步提高地震反射同向轴自动追踪精度，同时也大大提高层位追踪的效率，在油气勘探领域地质目标层位自动追踪方面具有很好的应用推广前景。

技术领域

本发明涉及油气勘探领域中目标地质层位地震反射同相轴自动追踪方法，具体提供一种基于深度卷积神经网络和随机森林的地震层位追踪方法。

背景技术

油气勘探地质目标日趋复杂，勘探工作的要求越来越精细，研究人员工作量和解释难度均大大增加，以深度学习等核心算法的人工智能技术在人脸、语音识别等多个领域带来了革命性的突破，也作为最具潜力的技术之一在油气勘探相关领域得到广泛关注。但油气勘探面临的问题更加复杂，智能识别技术仍处在理论研究和模型测试阶段。

层位识别与解释是沉积相分析、储层预测等油气勘探工作的基础。手工同相轴追踪通常采用的方法是根据地震波动力学和运动学特性，识别地震波形中地震同相轴极值点或过零点，其面对的问题是效率低下且无法避免主观性影响、可验证性差。之后出现了根据“种子点”特征找出相邻道相似种子点的波形特征追踪、相关追踪、及蚂蚁追踪等新的层位自动追踪技术，其优势是指向性且强效率较高，但存在的问题是现有技术只能在地层构造比较简单的情况下达到构造解释的要求，在地质构造复杂的情况下其精度无法满足勘探需求。

从地震层位解释需求来看，地震数据作为一种时间序列信号，与语音识别具有极大的相似性。地震层位追踪本质上可以在数学上定义分类，将复杂的层位追踪问题转换为地震波形单元分类问题。所以以深度学习方法为核心的大数据技术可为层位自动追踪提供更有效的工具，该技术具有更强的非线性表征能力，可生成具有端到端功能的智能模型，能够大大降低工作量并保证解释精度。

在种类繁多的深度学习网络模型中，深度卷积神经网络(DCNN)因其可以学习到更高层的抽象特征，在空间结构特征提取方面具有较强的优势，是高层特征提取方面应用效果最好的一种模型。随机森林作为基于决策树的一种集成学习算法，是通过多个数来平衡误差进而产生高准确度的分类器，是分类算法中性能较好的算法之一。因此，本专利选择为油气勘探中最基本的层位同向轴自动追踪问题作为应用场景，整合了深度卷积神经网络和随机森林算法各自技术优势，重塑了地震层位解释工作专业流程，将深度卷积神经网络作为地震波形高层特征提取器，随机森林作为分类识别器，实现了一种基于深度卷积神经网络和随机森林的一体化方法来解决油气勘探领域地震反射波同相轴自动追踪问题，大大提高了地质目标层位追踪的工作效率及精度，实现了深度学习在油气勘探领域的技术应用落地。

发明内容

本发明的目的在于针对目前地震层位追踪精度和效率问题，提供一种基于深度卷积神经网络和随机森林的地震层位追踪方法。该方法将深度卷积神经网络作为地质目标层位的地震反射波高层特征提取器，多维度表征地震波形单元高层特征，扩充了地震波形专业特征向量数据集，继承了传统的基于地震波形专业特征的层位波形追踪技术的优势，然后利用随机森林对地质目标层位地震数据进行分类，进一步提高地震同向轴自动追踪精度，同时也大大提高了层位追踪的效率。