本發(fā)明涉及地震數(shù)據(jù)處理，尤其涉及一種基于dice指數(shù)的地震相識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、在石油勘探領(lǐng)域，通過對(duì)沉積相的研究，可以了解和研究地質(zhì)時(shí)期的古地理面貌以及盆地的發(fā)展史，進(jìn)而可以找到有利于油氣形成的條件以及分布規(guī)律，指導(dǎo)石油的勘探和開發(fā)；沉積相研究還能幫助了解儲(chǔ)層的物性結(jié)構(gòu)以及砂體空間的展布，從而提高油田的經(jīng)濟(jì)效益；在尋找非構(gòu)造的隱蔽油氣藏時(shí)，沉積相和沉積環(huán)境的研究就顯得更為重要。在對(duì)地震相的準(zhǔn)確劃分的基礎(chǔ)上根據(jù)地震地層參數(shù)的變化，將同一地震層序中具有相似參數(shù)的地層單元連接起來，做出地震相的平面分布圖，對(duì)它進(jìn)行分析，進(jìn)而找出地震相與沉積相之間的對(duì)應(yīng)關(guān)系，以此將地震相圖“轉(zhuǎn)相”而形成沉積相圖。沉積相圖或沉積環(huán)境圖是地震相分析的綜合表達(dá)或最終成果。地震波形分類分析主要適用于平行結(jié)構(gòu)、地層厚度變化較小、構(gòu)造比較簡(jiǎn)單的地區(qū)，這樣沿標(biāo)準(zhǔn)層往下或往上開時(shí)窗進(jìn)行波形分類分析時(shí)，能保持在等時(shí)格架內(nèi)，不穿越地震道，效果較好。

2、對(duì)于地層厚度變化較大的地區(qū)，如盆地邊部的楔狀地層，由于不等厚，統(tǒng)一開時(shí)窗常常導(dǎo)致穿軸引起的穿時(shí)現(xiàn)象，造成研究精度下降。在構(gòu)造復(fù)雜地區(qū)，因影響因素多，需先進(jìn)行目標(biāo)保持振幅處理，以便取得較好的效果。因此地層結(jié)構(gòu)變化造成的地震反射特征的變化，是在進(jìn)行地震波形分類時(shí)需要考慮的關(guān)鍵因素，引入地層結(jié)構(gòu)信息地震參數(shù)進(jìn)行地震相分析是十分有必要的。傳統(tǒng)的沉積相研究是在巖心觀察、測(cè)井曲線形態(tài)研究等基礎(chǔ)上建立沉積相模式，進(jìn)行單井相劃分；利用地震反射振幅強(qiáng)弱、連續(xù)性好壞、頻率高低、反射幾何外形和內(nèi)部結(jié)構(gòu)等屬性編制地震相圖，進(jìn)行地震相向井間沉積相的轉(zhuǎn)換。這種方法不但費(fèi)時(shí)費(fèi)力，而且人為性較大，具有一定的不確定性，其精度很難滿足隱蔽油氣藏勘探開發(fā)對(duì)沉積相研究的需要。波形分類地震相分析采用神經(jīng)網(wǎng)絡(luò)和模式識(shí)別技術(shù)，對(duì)某一層段內(nèi)的實(shí)際地震數(shù)據(jù)道逐道對(duì)比其波形特征和地震屬性特征，細(xì)致刻畫其橫向變化，從而得到地震異常平面分布規(guī)律，即地震波形分類圖。目前，波形分類地震相分析以得到的地震相平面圖直觀且色彩豐富開始在沉積相研究中日益受到重視，在國內(nèi)的初步應(yīng)用取得了較好的效果。

3、基于卷積神經(jīng)網(wǎng)絡(luò)的地震相圖像分割存在以下問題：(1)圖像中相鄰像素的標(biāo)簽具有獨(dú)立性，沒有考慮到標(biāo)簽之間的一致性與相關(guān)性；(2)卷積核的大小限制了感受野的大小，卷積網(wǎng)絡(luò)只能提取到局部特征，導(dǎo)致了網(wǎng)絡(luò)無法分割出精細(xì)的地層邊界；(3)卷積神經(jīng)網(wǎng)絡(luò)針對(duì)每個(gè)相鄰像素塊逐個(gè)卷積，導(dǎo)致計(jì)算上具有較高的冗余性。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問題，提出了本發(fā)明以便提供克服上述問題或者至少部分地解決上述問題的一種基于dice指數(shù)的地震相識(shí)別方法及系統(tǒng)。

2、根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于dice指數(shù)的地震相識(shí)別方法，所述識(shí)別方法包括：

3、步驟1，將野外探測(cè)所得地震原始資料進(jìn)行處理后，獲得地震剖面圖像集；

4、步驟2，將所述地震剖面圖像集進(jìn)行劃分，構(gòu)建地震剖面圖像集樣本，并將所述地震剖面圖像集樣本劃分為訓(xùn)練集和驗(yàn)證集；

5、步驟3，構(gòu)建全卷積deeplabv3+神經(jīng)網(wǎng)絡(luò)模型；

6、步驟4，將訓(xùn)練集輸入至全卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型；

7、步驟5，將待識(shí)別的地震剖圖像輸入訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型中，得到剖面圖像地震相分割粗結(jié)果圖像；

8、步驟6，根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)輸出的粗分割結(jié)果，獲得全連接crf模型處理后的細(xì)分割融合結(jié)果；

9、步驟7，根據(jù)所述細(xì)分割融合結(jié)果劃分出需要進(jìn)行重新分類的連通域。

10、可選的，所述步驟1，將野外探測(cè)所得地震原始資料進(jìn)行處理后，獲得地震剖面圖像集具體包括：

11、將野外探測(cè)所得地震原始資料進(jìn)行數(shù)據(jù)解編，獲得地震道數(shù)據(jù)；

12、對(duì)所述地震道數(shù)據(jù)進(jìn)行編輯處理；

13、經(jīng)增益恢復(fù)后，抽cdp道集；

14、將干擾噪聲去除；

15、采用校正偏移處理，獲得地震剖面圖像集。

16、可選的，所述對(duì)所述地震道數(shù)據(jù)進(jìn)行編輯處理具體包括：

17、對(duì)信噪比低于閾值的地震道進(jìn)行充零處理；

18、將極性反轉(zhuǎn)的工作道進(jìn)行改正。

19、可選的，所述采用校正偏移處理，獲得地震剖面圖像集具體包括：采用靜、動(dòng)校正，共深度點(diǎn)迭加和偏移處理后，得到地震剖面圖像集。

20、可選的，所述將干擾噪聲去除具體包括：采用反褶積、濾波將干擾噪聲去除。

21、可選的，所述步驟3，構(gòu)建全卷積deeplabv3+神經(jīng)網(wǎng)絡(luò)模型具體包括：

22、構(gòu)建全卷積deeplabv3+神經(jīng)網(wǎng)絡(luò)模型，引入帶有空洞卷積的空間金字塔池化模塊；

23、采用不同膨脹系數(shù)的空洞卷積；

24、采用預(yù)訓(xùn)練模型進(jìn)行模型權(quán)重的初始化。

25、可選的，所述步驟4，將訓(xùn)練集輸入至全卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型：

26、將訓(xùn)練集輸入至全卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練；

27、在學(xué)習(xí)過程中，采用dice指數(shù)損失函數(shù)ldice和多元交叉熵?fù)p失函數(shù)lce組成的混合損失函數(shù)lloss來描述分類結(jié)果與真實(shí)地層之間的接近程度；

28、在所述多元交叉熵?fù)p失函數(shù)的基礎(chǔ)上，引入dice指數(shù)損失函數(shù)，使得所述全卷積神經(jīng)網(wǎng)絡(luò)模型，在分類樣本極度不均衡的條件下，依舊能較好評(píng)價(jià)分類結(jié)果的相似度；

29、并采用驗(yàn)證集對(duì)訓(xùn)練過程中的模型參數(shù)進(jìn)行調(diào)整，得到訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型。

30、可選的，所述混合損失函數(shù)lloss的計(jì)算公式：

31、

32、其中，λce表示多元交叉熵?fù)p失函數(shù)的權(quán)重；λdice表示dice指數(shù)損失函數(shù)的權(quán)重；c表示地震相的總類數(shù)；n表示輸入地震剖面上所包含的像素點(diǎn)總數(shù)；yc,n表示標(biāo)簽數(shù)據(jù)，實(shí)際地震剖面上第n個(gè)像素點(diǎn)是否為第c類地震相，若是則為1，不是則為0；zc,n表示神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，其物理意義為對(duì)應(yīng)點(diǎn)被預(yù)測(cè)為第c類地震相的可能性；pc,n表示對(duì)zc,n進(jìn)行softmax函數(shù)歸一化后的結(jié)果；ε表示平滑系數(shù)。

33、可選的，所述步驟6，根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)輸出的粗分割結(jié)果，獲得全連接crf模型處理后的細(xì)分割融合結(jié)果具體包括：

34、根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)輸出的粗分割結(jié)果；

35、初始化全連接條件隨機(jī)場(chǎng)(conditional?random?fields,crf)模型中能量函數(shù)得到像素點(diǎn)原始?xì)w屬標(biāo)簽概率值；

36、計(jì)算全連接crf模型，迭代修正地震剖面分割圖像中最大概率圖譜，獲得全連接crf模型處理后的細(xì)分割融合結(jié)果。

37、可選的，所述計(jì)算全連接crf模型的步驟具體包括：

38、步驟6.1，構(gòu)建能量函數(shù)e(x|i)，能量函數(shù)由一元?jiǎng)莺瘮?shù)θi(xi)和二元?jiǎng)莺瘮?shù)θij(xi,xj)構(gòu)成；

39、步驟6.1中，定義全連接crf對(duì)于標(biāo)簽分配方案x的能量函數(shù)e(x|i)的計(jì)算公式為：

40、

41、θi(xi)＝-logp(xi)

42、

43、其中，i表示當(dāng)前輸入像素向量；x表示當(dāng)前觀測(cè)像素預(yù)測(cè)的標(biāo)簽；θi(xi)表示一元?jiǎng)莺瘮?shù)，定義在觀測(cè)位置xi的狀態(tài)特征函數(shù)；xi表示為當(dāng)前輸入像素；p(xi)該像素的地震相分類的概率值；

44、θij(xi,xj)表示二元?jiǎng)莺瘮?shù)，定義在不同觀測(cè)位置上的轉(zhuǎn)移特征函數(shù)；μ(xi,xj)表示標(biāo)簽兼容項(xiàng)，當(dāng)xi和xj的地震相預(yù)測(cè)分類標(biāo)簽不一致時(shí)，值為1，反之為0；ω1表示表面核的權(quán)值參數(shù)；ω2表示平滑核的權(quán)值參數(shù)；pi表示像素i的位置編碼；pi表示像素j的位置編碼；ii表示像素i的顏色編碼；ij表示像素j的顏色編碼；σα表示位置向量p的方差系數(shù)；σβ表示顏色向量i的方差系數(shù)；σγ表示平滑項(xiàng)的方差系數(shù)；

45、步驟6.2，將能量函數(shù)值歸一化求取像素歸屬地震相分類標(biāo)簽的概率值，并按最大概率取該像素所對(duì)應(yīng)的標(biāo)簽，直到全部像素點(diǎn)歸屬于各自分類標(biāo)簽的概率值迭代達(dá)到90％以上退出迭代；

46、步驟6.2中，像素點(diǎn)的后驗(yàn)概率值計(jì)算公式為：

47、

48、其中，z(i)表示歸一化因子，x表示當(dāng)前觀測(cè)像素預(yù)測(cè)的標(biāo)簽；

49、得到邊界精細(xì)化的地震相分割圖。

50、可選的，所述步驟7，根據(jù)所述細(xì)分割融合結(jié)果劃分出需要進(jìn)行重新分類的連通域還包括：

51、對(duì)各自需要進(jìn)行重新分類的連通域的邊界進(jìn)行八領(lǐng)域地震相分類類別進(jìn)行統(tǒng)計(jì)，用投票制用領(lǐng)域外的地震相分類更新當(dāng)前迭代至的像素位置，若統(tǒng)計(jì)結(jié)果有兩類票數(shù)一致，則延后處理；

52、其中，若出現(xiàn)單像素未被更新，隨機(jī)挑選等票地震相分類作為蓋像素點(diǎn)位置的最終優(yōu)化分類類別。

53、可選的，所述步驟7，根據(jù)所述細(xì)分割融合結(jié)果劃分出需要進(jìn)行重新分類的連通域具體包括：

54、本發(fā)明還提供了一種基于dice指數(shù)的地震相識(shí)別系統(tǒng)，應(yīng)用上述所述的一種基于dice指數(shù)的地震相識(shí)別方法，所述識(shí)別系統(tǒng)包括：

55、原始資料處理模塊，用于將野外探測(cè)所得地震原始資料進(jìn)行處理后，獲得地震剖面圖像集；

56、圖像集構(gòu)建模塊，用于將所述地震剖面圖像集進(jìn)行劃分，構(gòu)建地震剖面圖像集樣本，并將所述地震剖面圖像集樣本劃分為訓(xùn)練集和驗(yàn)證集；

57、模型構(gòu)建模塊，用于構(gòu)建全卷積deeplabv3+神經(jīng)網(wǎng)絡(luò)模型；

58、神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊，用于將訓(xùn)練集輸入至全卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型；

59、輸入訓(xùn)練模塊，用于將待識(shí)別的地震剖圖像輸入訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型中，得到剖面圖像地震相分割粗結(jié)果圖像；

60、細(xì)分割融合結(jié)果計(jì)算模塊，用于根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)輸出的粗分割結(jié)果，獲得全連接crf模型處理后的細(xì)分割融合結(jié)果；

61、融合結(jié)果劃分模塊，用于根據(jù)所述細(xì)分割融合結(jié)果劃分出需要進(jìn)行重新分類的連通域。

62、本發(fā)明提供的一種基于dice指數(shù)的地震相識(shí)別方法及系統(tǒng)，所述識(shí)別方法包括：步驟1，將野外探測(cè)所得地震原始資料進(jìn)行處理后，獲得地震剖面圖像集；步驟2，將所述地震剖面圖像集進(jìn)行劃分，構(gòu)建地震剖面圖像集樣本，并將所述地震剖面圖像集樣本劃分為訓(xùn)練集和驗(yàn)證集；步驟3，構(gòu)建全卷積deeplabv3+神經(jīng)網(wǎng)絡(luò)模型；步驟4，將訓(xùn)練集輸入至全卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型；步驟5，將待識(shí)別的地震剖圖像輸入訓(xùn)練完成的全卷積神經(jīng)網(wǎng)絡(luò)模型中，得到剖面圖像地震相分割粗結(jié)果圖像；步驟6，根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)輸出的粗分割結(jié)果，獲得全連接crf模型處理后的細(xì)分割融合結(jié)果；步驟7，根據(jù)所述細(xì)分割融合結(jié)果劃分出需要進(jìn)行重新分類的連通域。解決地震相分類邊界不夠精細(xì)且分割精度不高和由于剖面圖像噪聲引起的干擾的問題。本發(fā)明有力地支持了地震相剖面圖像的分割，對(duì)于幫助地質(zhì)勘探工作人員提高工作效率，具有重要的意義。解決地震相分類邊界不夠精細(xì)且分割精度不高和由于剖面圖像噪聲引起的干擾的問題。本發(fā)明有力地支持了地震相剖面圖像的分割，對(duì)于幫助地質(zhì)勘探工作人員提高工作效率。

63、上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的具體實(shí)施方式。