基于深度学习的地震数据速度场异常自动识别方法研究

Reconstructing the subsurface geological structures accurately and efficiently is the main goal of high-resolution velocity model building (VMB), especially capturing the potential geological structure anomalies. The efficient and automatic establishment of the velocity model anomalies is a decisive step in the VMB process. Traditional methods usually use the post-migration-imaging data, and often rely on the experience and technique of the processing and interpretation engineers. The quality of the velocity model is unstable and the VMB process is inefficient. In this project, based on the convolutional neural network deep-learning method, a new method of velocity model anomalies automatic detection is established, which uses the pre-migration-imaging shot gathers. The proposed method avoids the error caused by the migration algorithm and saves the time consumed by the migration imaging. It can provide precise velocity model anomalies distribution and improve the efficiency in the early stage of the VMB. At the same time, this method reduces the dependence on the processors and interpreters greatly, also reduces the artificial intervention error, and improves the VMB accuracy. The expected results of this project can establish an extensible framework for geophysical-geological attribute automatic detection, which is based on deep-learning. The framework can use the self-learning and iterative functions of the deep-learning network. With expansion and accumulation of the training data sets, the framework can optimize the deep-learning network continuously.

准确高效的重建隐伏地质结构是高分辨率速度场建模的主要任务，特别是捕捉具有潜能的地质结构异常。高效自动的建立速度场异常模型是速度场建模过程中起决定性作用的一步。现有方法一般都面向偏移成像后的数据，而且往往都依赖于技术人员的经验以及技术水平，建模质量不稳定、效率较低。本项目面向偏移成像前的炮集数据，建立基于卷积神经网络深度学习方法的速度场异常快速自动识别新方法。该方法能够有效的避免偏移成像算法带来的误差，而且节省了偏移成像所消耗的时间，在速度场建模初期就能够提供高精度速度场异常分布，提高建模效率。同时该方法可大幅度降低对技术人员的依赖，减少人工介入引入的误差，提高建模精度。本项目的预期研究成果有望建立一套具有可扩展性的基于深度学习的地球物理-地质属性自动识别框架。该框架可以利用深度学习网络的自我学习和迭代功能，通过对训练数据集的持续扩充和积累，实现深度学习网络的持续优化，使之持续发挥价值。

本项目着眼于基于深度学习的地震数据的速度场异常自动识别方法研究，准确高效的重建隐伏地质结构是高分辨率速度场建模的主要任务，高效自动的建立速度场异常模型是速度场建模过程中至关重要的步骤。现有成熟的方法基本都面向偏移成像后的数据，而且高度依赖于技术人员的经验以及技术水平，建模质量不稳定、效率较低。本项目利用叠前炮集数据，通过卷积神经网络深度学习方法建立速度场异常快速自动识别新方法。该方法能够有效的避免偏移成像算法带来的误差，而且节省偏移成像所消耗的时间，在速度场建模初期就能够提供高精度速度场异常分布，提高建模效率。本项目研究成果基本建立了一套具有可扩展性的基于深度学习的速度场异常自动识别框架。该框架可以利用深度学习网络的自我学习和迭代功能，通过对训练数据集的持续扩充和积累，实现深度学习网络的持续优化。在深度学习框架搭建的同时，本项目也积累了炮集-速度场对数据集，是后续研究工作的有益积累。在项目研究过程之中，共发表论文4篇，授权发明专利1项。