[发明专利]一种基于深度学习的断层智能识别方法及系统

权利要求书

1.一种基于深度学习的断层智能识别方法，其特征在于，包括：

根据输入的地震数据，生成断层以及断层对应的标签，并构建断层样本库，由所述断层样本库提供训练样本及其标签；

构建基于图像分割的卷积神经网络，并由所述训练样本及标签对所述卷积神经网络进行训练，得到对三维地震数据中的断层进行智能检测的网络模型；

对所述网络模型的参数进行数据标准化和数据增广，并选择优化的损失函数，提升所述网络模型识别断层的能力；

将真实的地震数据输入所述网络模型进行预测，将预测结果进行评价，并调整完善训练样本。

2.如权利要求1所述基于深度学习的断层智能识别方法，其特征在于，所述生成断层以及断层对应的标签采用正演的方法，包括：

采用两种类型的垂直剪切位移场S₁(x,y,z)和S₂(x,y,z)，将地震数据的成像通过所述两种类型的垂直剪切位移场从平面空间转换到具有不同弯曲结构的褶皱空间；

采用体积矢量场在地质褶皱结构模型中模拟断层结构，通过随机选择的断层参数来模拟各种广义的断层。

3.如权利要求2所述基于深度学习的断层智能识别方法，其特征在于，所述通过随机选择的断层参数来模拟各种广义的断层，包括：

在地震数据中模拟断裂；

在断面处给定沿断层走向的最长直径和沿断层倾斜方向的最小直径，确定断层平面上的位移场，构造断层位移；

构造断层面扰动，扰动断层平面以获得真实的断层面；

从断层面外推位移场构建断层体积位移场，以估算围绕该断面附近的断层的上盘和下盘的倾向位移分量，进而生成断层。

4.如权利要求3所述基于深度学习的断层智能识别方法，其特征在于，所述模拟断裂包括：

随机选择参考点(X₀,Y₀,Z₀)、走向和倾角θ参数，将参考点从全局坐标转换为局部坐标，在地震数据中实现模拟断裂。

5.如权利要求3所述基于深度学习的断层智能识别方法，其特征在于，所述构造断层面扰动，包括：

在断层附近随机生成M个扰动点，采用双调和样条插值方法，从这些扰动点插值一个平滑且弯曲的表面。

6.如权利要求3所述基于深度学习的断层智能识别方法，其特征在于，所述从断层面外推位移场构建断层体积位移场，以估算围绕该断面附近的断层的上盘和下盘的倾向位移分量，进而生成断层，包括：

根据所述位移场对断层上盘中的任意点和断层下盘中的任意点，分别计算相应的倾向位移；

将断层上盘和下盘的位移符号反转，生成逆断层；

计算断层上盘和下盘中的法向位移；

通过所述倾向位移和所述法向位移，将所述逆断层变换成褶皱坐标，生成断层。

7.如权利要求6所述基于深度学习的断层智能识别方法，其特征在于，所述通过所述倾向位移和所述法向位移，将所述逆断层变换成褶皱坐标，生成断层，包括：

将褶皱坐标转换为平面局部坐标；

在所述平面局部坐标中加载断层的所述倾向位移和所述法向位移，将所述平面局部坐标变换回褶皱坐标。

8.一种基于深度学习的断层智能识别系统，其特征在于，包括：

第一处理模块，根据输入的地震数据，生成断层以及断层对应的标签，并构建断层样本库，由所述断层样本库提供训练样本及其标签；

第二处理模块，构建基于图像分割的卷积神经网络，并由所述训练样本及标签对所述卷积神经网络进行训练，得到对三维地震数据中的断层进行智能检测的网络模型；

优化模块，对所述网络模型的参数进行数据标准化和数据增广，并选择优化的损失函数，提升所述网络模型识别断层的能力；

智能识别模块，将真实的地震数据输入所述网络模型进行预测，将预测结果进行评价，并调整完善训练样本。