基于卷积神经网络的多波匹配方法与流程

本发明属于多波匹配技术领域，尤其涉及一种基于卷积神经网络的多波匹配方法。

背景技术：

多波地震勘探是进行岩性油气藏和隐蔽油气藏勘探的一种非常有潜力的手段，但是，由于诸多原因，多波多分量理论研究和油气田实际勘探地质需求的结合问题、复杂条件下的转换波地震资料处理问题和多波综合解释、全波属性的地质应用等问题一直没有取得显著进展，并且已经成为制约多波地震勘探技术进一步发展的“瓶颈”。而解决这些问题的基础是做好多波多分量资料处理，提供高质量的各向同性和各向异性处理成果。其中多波传播机理的基础研究、多波资料中的纵横波匹配方法研究是目前多波地震资料后续处理的重点和难点，是多波精确成像和叠前纵横波联合反演以及岩性识别、储层预测和含气性识别的重要基础，是体现多波多分量地震勘探技术实际勘探开发应用价值的关键。因此，基于多波传播机理，研究纵横波高精度的匹配新方法，有利于充分利用多波多分量地震资料、准确认识多波地质响应特征，突出多波多分量地震资料解决地质问题的能力，具有重大的意义。

目前多波匹配有基于反射特征的匹配方法和基于多波层位的匹配方法，前者通过横波，(简称pp波)和纵波(简称ps波)波地震数据的波形和波组特征进行对比生成γ0值，然后基于该γ0值实现两者的时间域匹配。后者首先分别基于pp波和ps波地震数据追踪解释出对应的层位。然后通过标定对应层位产生时移体，最后将时移体应用于ps地震数据，实现ps与pp地震数据的匹配。目前的多波匹配技术存在的主要问题是精度不高。第一，目前的多波初始匹配基本上是通过单纯的对pp波与ps波的层位进行匹配完成的，这样初始匹配的精度就会很粗糙，精度不高。第二，目前地震勘探对多波匹配的精度要求越来越高，而目前多波精细匹配的精度并不理想，低精度的精细匹配已经严重影响了多波的联合解释和联合反演。

机器学习已经在图像处理和语音信号识别方面得到了很大的进展。而地震成像和图像具有相似性，地震数据则与语音信号也具有相似性。所以，在图像处理和语音信号识别中的机器学习算法，是能够应用到地震勘探领域的。但是传统的机器学习方法并不能有效的提取地震数据中的特征，所以在地震领域中，寻求一种能够捕捉复杂地质特征的机器学习算法是十分重要的。

随着勘探目标要求的提高，多波匹配技术的研究越来越受到人们的重视，纵横波匹配技术已经成为地球物理学的研究热点。jamese.g(1996)详细介绍了纵横波速度比()的求取方法，并用最大相关法求取γ0，平均γ0，层间γ0等，使用vsp资料验证从pp波和ps波剖面中求取γ0，且γ0可以用短波长振幅反演。1997年，wai-kinchan等在时间对数域内，利用常数γ0值多次试算法，对纵、横波进行了匹配。但该匹配方法具有局限性，只能应用于特定的目的层。2001年，jamesg等通过扫描pp波和ps波的γ0谱，然后拾取其γ0平均值，采用最大相似性原理，在时间域内将pp波和ps波匹配了起来。nahm在2002年在进行pp波和ps波的匹配工作时，采用校准两者的相位时间切片，通过这种方法，他成功地将两者匹配了起来，并对匹配后的数据进行分析和处理运用到实际的地震勘探中，最终发现了五块油气田，他的成功证实了多波匹配在地质勘探中的作用。同年，在多波匹配应用上，michaelv.d首先求出了pp波和ps波的纵横波速度比和泊松比，并利用pp波和ps波的纵横波速度比和泊松比在深度域内对pp波和ps波的进行了匹配，匹配成功后，他将这一理论应用在墨西哥湾油气田里面，匹配结果很好地描绘了墨西哥湾油气田的浅海沉积相的特性，并对天然和油气田的开发起了重要的作用。2004年，michalenicke在研究多波匹配算法时，采用迭代的思想进行多波匹配，他通过求取pp波和ps波的属性并对其进行多次迭代运算，并将运算结果通过低通滤波器进行滤波，然后计算得出pp波和ps波的时差，并将这种时差进行多次迭代运算，最终得到比较精确的纵横波速度比，由此实现了多波匹配，事实证明，这种匹配方法得出的精度还是很高的。2008年，jianxinjerryyuan等在计算pp波和ps波反射波最大相似系数时采用了模拟退火算法，利用求得的最大相似系数实现pp波和ps波时间上的匹配。通过时间变化的谱白化实现pp波和ps波频率上的匹配，然后进行相位校正。该研究不管是在在理论模型还是实际数据中，都取得了较好的效果。2009年，rishib和vijayk在时间上实现了pp波和ps波精确匹配之后，利用pp波和ps波中、远偏移距地震道信息，通过拓展ps的高频信息来提高分辨率，以此实现pp波和ps波频率上的匹配。

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，hubel和wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(convolutionalneuralnetworks-简称cnn)。现在，cnn已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。k.fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是alexander和taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。2012年，krizhevsky等[16]提出的alexnet在大型图像数据库imagenet的图像分类竞赛中以准确度超越第二名11％的巨大优势夺得了冠军，使得卷积神经网络成为了学术界的焦点。alexnet之后，不断有新的卷积神经网络模型被提出，比如牛津大学的vgg(visualgeometrygroup)、google的googlenet、微软的resnet等，这些网络刷新了alexnet在imagenet上创造的纪录。并且，卷积神经网络不断与一些传统算法相融合，加上迁移学习方法的引入，使得卷积神经网络的应用领域获得了快速的扩展。一些典型的应用包括：卷积神经网络与递归神经网络(recurrentneuralnetwork，rnn)结合用于图像的摘要生成[]以及图像内容的问答；通过迁移学习的卷积神经网络在小样本图像识别数据库上取得了大幅度准确度提升；以及面向视频的行为识别模型——3d卷积神经网络等。

一般地，cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

目前，多波匹配的主要采取的方式还是在同向轴上人工拾取大量的种子点，然后计算出其值，并以同向轴为基准，将γ0值用不同的插值方式插满数据体。得到需要的γ0体，然后通过采样的方式将ps波进行压缩重采样。然后再通过频率，相位等方式进行校正。这种方式的弊端为只以同向轴为基准进行匹配，没有考虑其他大量点的匹配，校正也只是对较少的点进行，并没有考虑同向轴与周围数据之间的关系，如果解释的误差较大，那么势必会对最后的结果有着巨大的影响。所以现有的方式的匹配程度是比较粗略的。

技术实现要素：

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种基于卷积神经网络的多波匹配方法。

本发明的技术方案是：一种基于卷积神经网络的多波匹配方法，包括以下步骤：

a、对横波和纵波数据进行预处理；

b、将步骤a中预处理后的横波和纵波数据根据预设步长划分空间网格；

c、计算步骤b中空间网格的网格点位移量；

d、将横波和纵波数据进行融合并提取特征向量；

e、将步骤d中特征向量及对应的位移量作为训练样本，训练卷积神经网络；

f、按照步骤a-d对横波和纵波数据进行处理得到匹配数据体，建立三维时窗对匹配数据体进行遍历得到所有点的位移量，根据得到的位移量对纵波进行重采样完成多波匹配。

进一步地，所述步骤a对横波和纵波数据进行预处理具体为根据纵横波速度比将纵波数据压缩到横波数据时间范围，压缩后的纵波数据与横波数据具有等长度。

进一步地，所述步骤b将步骤a中预处理后的横波和纵波数据根据预设步长划分空间网格具体包括以下分步骤：

b1、计算已知点坐标中x,y,z的最大值和最小值，确定剖分区域；

b2、根据设定x,y,z方向的剖分步长对剖分区域进行划分，得到空间网格。

进一步地，所述步骤c计算步骤b中空间网格的网格点位移量具体包括以下分步骤：

c1、对空间网格进行编号建立索引，以空间网格左上角的顶点标识该空间网格，并将已知点信息记录在对应的空间网格中；

c2、采用最大相关系数法对纵波数据的空间网格的网格点进行调整并记录调整值；

c3、依次计算所有空间网格的网格点位移量。

进一步地，所述步骤c2中采用最大相关系数法对纵波数据的空间网格的网格点进行调整的调整值计算公式为：

其中，s(j1,j2)为最优的调整值，j1和j2分别为第j1道横波数据和第j2道横波数据，l为设定的位移量范围，l为位移量范围内的位移量取值，f为横波数据，gl为对应位移量l的纵波数据。

进一步地，所述步骤d中将横波和纵波数据进行融合具体为将横波中一个点的数据表示为(xpp,ypp,zpp,fpp)，纵波中一个点的数据表示为(xps,yps,zps,fps)，则融合后的数据表示为(xpp,ypp,zpp,(fpp,fps))。

进一步地，所述步骤d中提取特征向量具体为在融合后的数据体上选取以网格点为中心的n×n×m大小的数据作为特征向量。

进一步地，所述步骤e中的卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层。

进一步地，所述步骤f中建立三维时窗对匹配数据体进行遍历得到所有点的位移量具体为建立大小为n×n×m的三维时窗，在匹配数据体上依次滑动三维时窗，直到三维时窗的中心遍历完所有点，将三维时窗的数据点作为输入，得到的输出为时窗中心点的位移量。

本发明的有益效果是：本发明通过对纵波数据按照速度比压缩，将纵波数据和横波数据进行粗略匹配，再将整个纵波数据和横波数据按照设定步长划分空间网格，计算网格点位移量，并将横波和纵波数据进行融合并提取特征向量，通过训练卷积神经网络对横波和纵波数据进行匹配，大大提高了匹配精度和效率，降低了工作量。

附图说明

图1是本发明的基于卷积神经网络的多波匹配方法的流程示意图。

图2是本发明实施例中卷积神经网络结构示意图。

图3是本发明实施例中匹配过程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明的基于卷积神经网络的多波匹配方法的流程示意图。一种基于卷积神经网络的多波匹配方法，包括以下步骤：

a、对横波和纵波数据进行预处理；

b、将步骤a中预处理后的横波和纵波数据根据预设步长划分空间网格；

c、计算步骤b中空间网格的网格点位移量；

d、将横波和纵波数据进行融合并提取特征向量；

e、将步骤d中特征向量及对应的位移量作为训练样本，训练卷积神经网络；

f、按照步骤a-d对横波和纵波数据进行处理得到匹配数据体，建立三维时窗对匹配数据体进行遍历得到所有点的位移量，根据得到的位移量对纵波进行重采样完成多波匹配。

在步骤a中，本发明对横波和纵波数据进行预处理具体为根据纵横波速度比将纵波数据压缩到横波数据时间范围，压缩后的纵波数据与横波数据具有等长度。在进行横波和纵波匹配的时候，通过纵横波速度比将纵波压缩到横波时间范围，压缩过后，纵波的波形会发生变化。采用不同的纵横波速度比进行压缩，纵波的波形的变化是不同的，对匹配的影响也是不同的。一般情况下的纵横波速度比值取到2到3左右，并且为由上到下依次增加。这种情况下，纵波的波形和横波的波形最相似，同时提高匹配效率。纵横波速度比过大或者过小都会使纵波的波形变化的与横波的波形相差过大，而波形的变化势必会引起纵波频宽的变化，导致纵波与横波的相似度变低。由此可见，纵横波速度比对多波匹配的影响很大。

本发明通过对横波和纵波数据进行预处理可以简化匹配算法复杂度，以及通过将物理的先验知识代入到算法中，可以提升结果的精确度。在不同速度比下需要压缩的时间比例的计算公式具体为

其中，tpp为横波的传播时间，tps为纵波的传播时间，vp为横波的传播速度，vs为纵波的传播速度，γ0为纵横波速度比。

在步骤b中，本发明根据步骤a中预处理后的横波和纵波数据得到了两个比较相近的数据体，再根据预设步长对两个数据体划分空间网格，具体包括以下分步骤：

b1、计算已知点坐标中x,y,z的最大值和最小值，确定剖分区域；

b2、根据设定x,y,z方向的剖分步长对剖分区域进行划分，得到空间网格。

在步骤c中，本发明计算剖分后得到的空间网格的网格点位移量，具体包括以下分步骤：

c1、对空间网格进行编号建立索引，以空间网格左上角的顶点标识该空间网格，并将已知点信息记录在对应的空间网格中；

c2、采用最大相关系数法对纵波数据的空间网格的网格点进行调整并记录调整值；

c3、依次计算所有空间网格的网格点位移量。

在步骤c1中，本发明对剖分后的空间网格进行编号建立索引，以空间网格左上角的顶点标识该空间网格，并将已知点信息记录在对应的空间网格中，从而使得每一个横波上的空间网格点就有一个纵波上的空间网格点与之对应。

在步骤c2中，本发明采用最大相关系数法对纵波数据的空间网格的网格点进行调整并记录调整值，使得纵波数据体上的空间网格点在经过了调整之后能够与横波数据体上的点进行匹配。采用最大相关系数法对纵波数据的空间网格的网格点进行调整的调整值计算公式为：

其中，s(j1,j2)为最优的调整值，j1和j2分别为第j1道横波数据和第j2道横波数据，l为设定的位移量范围，l为位移量范围内的位移量取值，f为横波数据，gl为对应位移量l的纵波数据。

在步骤c3中，本发明计算拉平种子点移动量，定义长度为j的向量m用来存储每个地震道的拉平种子点移动量。依次计算所有空间网格的网格点位移量，计算公式为

m(j2)＝s(j1,j2)-s(j1,j1)

其中，m(j2)为空间网格的网格点位移量。

这样，每个纵波数据体上的空间网格点上的位移量就已经得到了。但在通常的解释中，人工进行匹配的层位与相应的层位也是一种重要的条件，因为人工解释的匹配层位是本发明在最终结果中较为重要的考察点。本发明期望通过机器学习的方法可以找出隐藏的在现象后面的联系，但是也同样应该关注本来就明显的特征。所以本发明也可以在此基础上加入匹配层位的位移量，将波上的层位点与波上的层位点对应起来，并记录下位移量。

在步骤d中，本发明得到的样本数据为网格点+层位点，为了建立特征向量到标签的一种映射，这里的标签就是样本点的位移量，将横波数据和纵数据融合为一个整体，具体为将横波中一个点的数据表示为(xpp,ypp,zpp,fpp)，纵波中一个点的数据表示为(xps,yps,zps,fps)，对于一队横波和纵波的空间网格点，它们的空间坐标是相同的，因此融合后的数据表示为(xpp,ypp,zpp,(fpp,fps))，即将一个三维的数据体融合为一个四维的数据。

本发明在融合后的数据上选取以每个样本数据为中心的n×n×m大小的数据作为特征向量输入，对应的种子点位移量作为数据的标签，将得到的数据体向量化，同标签一起输入到卷积神经网络中，并对神经网络进行训练。

在步骤e中，本发明将步骤d中特征向量及对应的位移量作为训练样本，训练卷积神经网络，卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；相比于直接的全连接神经网络，本发明降低了参数的数量，增强了数据与其周围数据的联系，使得本发明能够更好的更快的训练神经网络；并且由于前面两个优点，使本发明能够较容易的对于网络进行扩展，通过进行有效扩展来进行精度提升。通过将传统的匹配问题与机器学习结合起来，使得人工识别的层位以及通过最大相关系数法的获得的匹配数据能够有效的结合起来，并且通过此来进行卷积神经网络的训练，最终得到每一个点的位移量。本发明通过提升训练数据量或者是增加限制条件(如平滑度等)来对算法进行提升。并且在样本足够的情况下，理论上通过多次反复训练的卷积神经网络可以在不同的数据下进行重复使用，降低工作量。

对于卷积层，最为重要的两个选择因素是卷积核的选择以及激活函数的选择。对于卷积核，本发明选择3d卷积核，它与通常使用的2d卷积核相比，是在其基础上扩张了一维，但是本质上是相同的。激活函数选择relu函数，表示为

f(x)＝max(0,x)

由于relu激活函数运算速度快，对于在地震数据下的应用能够较其他激活函数有着更高的效率。并且使用relu函数(它的倒数为1)可以减轻梯度下降消失的问题。最后它能降低神经元的活跃度，能更好的模拟人脑工作时候的情形。

池化层的作用主要是通过减少卷积层之间的连接，降低运算复杂程度。池化的方法很多，有maxpooling和meanpooling。在这里我们选择maxpooling，实际上就是在n×n×m的样本中取最大值，作为采样后的样本值。本发明选择maxpooling可以最大程度的保留样本数据的特征，凸显出数据的最大相关性。

全连接层的主要作用是对提取出来的特征进行聚合。全卷积层和前一层的所有的特征点进行连接，一般全连接层的神经元数m也是2的幂次。一般全连接层的激活函使用sigmoid函数，它是一种s型生长曲线，全连接层通过输出函数连接到输出层。常用输出函数softmax，表示为

训练卷积神经网络的方法具体包括以下分步骤：

d1、从样本集中取一个样本(x,yp)，将x输入网络；

d2、计算相应的实际输出op；

d3、计算实际输出与相应的理想输出的差；

d4、按极小化误差的方法反向传播调整权矩阵。

其中，步骤d1和d2为向前传播阶段，步骤d3和d4为向后传播阶段。

本发明以5*5*20*2的数据体作为样本数据为例进行输入。对于数据样本，本发明一般选择时间方向上的维度大于其他两个坐标方向上的维度。这是由于在实际地震中，时间方向上的关系不如其他两个方向上的敏感，并且γ0值在面方向上变化不会特别大，所以选择样本时我们有意识将增加时间方向的维度，保证了数据在时间方向上有足够的样本点。通过将横波数据和纵波数据融合，并以样本点为中心，按照三维时窗大小获取其周围的点，这样可以得到多个个三维两通道的数据。

如图2所示，为本发明实施例中卷积神经网络结构示意图。卷积神经网络的具体结构为：第一层为一个有32个卷积核的卷积层，其中每个卷积核大小为3*3*5*2。通过该层后，可以得到32个特征体，再通过一个1*1*2的池化层，将数据进行降采样，此时数据大小为4*4*8。之后的第三层为一个有64个卷积核的卷积层，其中卷积核大小为3*3*5。此时得到64个大小为2*2*4特征体，第四层同第三层一样的池化层。最后是全连接层。第一个全连接层有128个神经元，其中每个神经元都和和上一层64个特征体中的每个神经元相连。第二个全连接层(也就是输出层)的每个神经元，则和第一个全连接层的每个神经元相连，本发明通过softmax函数将上一层的128维向量计算出最后的输出结果，也就是位移量。优选地，在训练的时候可以对输出的位移量设置一个阈值，以便保证位移量不会过大，导致匹配畸变。

在步骤f中，如图3所示，为本发明实施例中匹配过程示意图。本发明将待匹配的横波和纵波数据按照步骤a-d对横波和纵波数据进行处理得到匹配数据体，建立大小为n×n×m的三维时窗，在匹配数据体上依次滑动三维时窗，直到三维时窗的中心遍历完所有点，将三维时窗的数据点作为输入，得到的输出为时窗中心点的位移量；当三维时窗中的数据点位于边界时，本发明通过补零的方式补全输入数据体；在遍历完所有的点后，根据得到的位移量对纵波进行重采样完成横波和纵波的多波匹配。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。