基于卷积神经网络的智能化地震数据插值技术

• 作者: 张兵 郑浩
• 来源期刊: 地球物理学进展
• 学科: 地球科学
• 关键词: 深度学习 卷积神经网络 地震数据 插值 自编码器
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 应用地球物理学Ⅰ(油气及金属矿产地球物理勘探)
• 页码范围: 721-727
• 页数: 7页
• 分类号: P631
• 语种: 中文
• DOI: 10.6038/pg2020DD0013

摘要

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张兵		44	251	9.0	15.0
2	郑浩		9	6	2.0	2.0