本發(fā)明涉及地震波勘探，特別是涉及到一種地震波勘探領(lǐng)域的地質(zhì)信息優(yōu)化提取方法。

背景技術(shù)：

1、石油天然氣是我國重要的戰(zhàn)略資源，油氣勘探作為油氣資源開采的第一個關(guān)鍵環(huán)節(jié)，其技術(shù)的發(fā)展與提升更是領(lǐng)域內(nèi)研究人員研究的重點。在油氣勘探中，基于人工制造強烈振動，并對巖層所返回的折射波進(jìn)行分析從而得到地質(zhì)構(gòu)造以及油氣必圈的地震波勘探方法是物理勘探中最重要的方法。近年來，各種基于地震波測量的地震傳感器得到廣泛研究。然而傳統(tǒng)地震傳感器例如壓電傳感器、動圈傳感器等大多由電子元件構(gòu)成，極易受到電磁干擾，很難滿足實際應(yīng)用中精度以及可靠性要求。

2、分布式光纖聲波傳感系統(tǒng)(di?stributed?acoustic?sensing，das)具有易彎曲、體積小、靈敏度高、本征安全等諸多優(yōu)點，并可以實現(xiàn)光纖沿線動態(tài)應(yīng)變的長距離、分布式、實時采集，目前被廣泛應(yīng)用于油氣田勘探等諸多領(lǐng)域。然而由于光纖靈敏度非常高，且勘探對象復(fù)雜，環(huán)境多變。因此急需有效的識別算法對于地質(zhì)信息的類別進(jìn)行有效判別，從而獲得更加準(zhǔn)確的資源信息。近年來，隨著計算機(jī)技術(shù)以及人工智能的發(fā)展，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等在油氣das模式識別領(lǐng)域得到廣泛應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)(cnn)因其具有強大的特征學(xué)習(xí)能力被頻繁應(yīng)用于對于地震信號的識別。然而，網(wǎng)絡(luò)層絡(luò)層數(shù)的不斷加深從而獲得更高的識別精度一直是制約卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用的關(guān)鍵問題。大多數(shù)cnn分類算法對關(guān)鍵特征的信息不具有高靈敏度，并且容易受到非關(guān)鍵特征信息的干擾，導(dǎo)致分類結(jié)果不準(zhǔn)確。因此急需構(gòu)建更加有效的卷積神經(jīng)網(wǎng)絡(luò)模型。

3、在申請?zhí)枺篶n202110752889.9的中國專利申請中，涉及到一種測井約束下的高維閉環(huán)網(wǎng)絡(luò)地震反演方法。該方法具體包括如下步驟：步驟1：搭建卷積神經(jīng)網(wǎng)絡(luò)；包括一個正演網(wǎng)絡(luò)和一個反演網(wǎng)絡(luò)；步驟2：準(zhǔn)備訓(xùn)練數(shù)據(jù)；包括測井波阻抗數(shù)據(jù)、插值波阻抗數(shù)據(jù)和合成地震數(shù)據(jù)；步驟3：訓(xùn)練網(wǎng)絡(luò)并進(jìn)行微調(diào)：對正演網(wǎng)絡(luò)和反演網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后將一維的測井?dāng)?shù)據(jù)應(yīng)用到二維模型和三維模型上，并進(jìn)行微調(diào)；步驟4：預(yù)測及評估：首先對地震數(shù)據(jù)進(jìn)行反演；然后對反演結(jié)果進(jìn)行正演得到重構(gòu)地震數(shù)據(jù)；最后使用該重構(gòu)地震數(shù)據(jù)對反演結(jié)果的有效性進(jìn)行評估。該方法無需額外收集輸入和參考圖像，能夠保證良好的橫向連續(xù)性，精度高于傳統(tǒng)及其他深度學(xué)習(xí)反演方法。

4、在申請?zhí)枺篶n201310414827.2的中國專利申請中，涉及到三維地震信號中的有監(jiān)督波形分類方法，蛀牙包括步驟數(shù)據(jù)預(yù)處理、特征選擇和分類標(biāo)識。有益效果在于本發(fā)明以三維地震信號資料及測井?dāng)?shù)據(jù)信息為基礎(chǔ)，通過遺傳算法對提取的屬性特征進(jìn)行優(yōu)化，利用svm分類算法，將所分析的三維地震目的層段數(shù)據(jù)進(jìn)行波形分類劃分，識別不同的地震相，進(jìn)而為后續(xù)地震資料解釋提供可靠地支持，提高對巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測及隱蔽性油氣藏預(yù)測等的可靠性。相對于僅用svm設(shè)計分類器相比，加入了遺傳算法進(jìn)行特征選擇，降低了svm分類器的設(shè)計復(fù)雜度，從而提高了波形分類處理效率。

5、在申請?zhí)枺篶n202211206267.7的中國專利申請中，涉及到一種基于深度學(xué)習(xí)的實時微地震震級計算方法及裝置，包括：構(gòu)建基于das的水平井微地震監(jiān)測系統(tǒng)；構(gòu)建訓(xùn)練數(shù)據(jù)集；構(gòu)建震級計算模塊：震級計算模塊包括頻率譜和時間波形兩個輸入分支，兩個輸入分支使用3層的卷積結(jié)構(gòu)，分別提取微地震事件的頻率特征和波形特征，然后進(jìn)行模型融合，再通過2個全連接層，最后輸出計算震級；震級計算模塊的輸入為單個das微地震應(yīng)變數(shù)據(jù)，輸出為計算震級，用計算震級與理論震級高斯分布的誤差來更新網(wǎng)絡(luò)參數(shù)；使用訓(xùn)練數(shù)據(jù)集訓(xùn)練震級計算模塊；對實際數(shù)據(jù)進(jìn)行分析處理。該發(fā)明的震級計算方法提高了對微地震震級的快速估算能力，無需將應(yīng)變數(shù)據(jù)進(jìn)行轉(zhuǎn)換，改善了微地震震級估算準(zhǔn)確性。

6、在申請?zhí)枺篶n202110830865.0的中國專利申請中，涉及到一種面波智能反演勘探方法、存儲介質(zhì)及終端設(shè)備，方法包括步驟：通過采用正演算法來生成用于訓(xùn)練的樣本，基于所述樣本來訓(xùn)練cnn形成分類器，訓(xùn)練后的分類器可以直接通過瑞利波頻譜對地層模型進(jìn)行類型預(yù)測，根據(jù)所述瑞利波頻譜的分類結(jié)果及其對應(yīng)的物理參數(shù)范圍，自動設(shè)置地層模型的初始模型；根據(jù)所述初始模型以及從瑞利波頻譜中提取的頻散曲線，用粒子群法對初始模型進(jìn)行迭代調(diào)整，最終得到地層的s波速度模型結(jié)果。該發(fā)明通過訓(xùn)練得到的分類器可直接處理二維矩陣數(shù)據(jù)，從而避免了手動設(shè)計特征；分類器可直接通過瑞利波頻譜來預(yù)測地層的動力學(xué)信息且具有很高的準(zhǔn)確性以及計算效率。該發(fā)明方法在探測低速層方面有良好的應(yīng)用前景。

7、以上現(xiàn)有技術(shù)均與本發(fā)明有較大區(qū)別，未能解決我們想要解決的技術(shù)問題，為此我們發(fā)明了一種新的地震波勘探領(lǐng)域的地質(zhì)信息優(yōu)化提取方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種可以對于地質(zhì)信息的類別進(jìn)行有效判別，從而獲得更加準(zhǔn)確的資源信息的地震波勘探領(lǐng)域的地質(zhì)信息優(yōu)化提取方法。

2、本發(fā)明的目的可通過如下技術(shù)措施來實現(xiàn)：地震波勘探領(lǐng)域的地質(zhì)信息優(yōu)化提取方法，該地震波勘探領(lǐng)域的地質(zhì)信息優(yōu)化提取方法包括：

3、步驟1，搭建數(shù)據(jù)庫；

4、步驟2，搭建1dse-resnext網(wǎng)絡(luò)模型，并對網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

5、步驟3，將網(wǎng)絡(luò)softmax層之前的特征向量輸出保存；

6、步驟4，將步驟3中輸出的特征向量輸入svm，訓(xùn)練svm分類器；

7、步驟5，通過訓(xùn)練好的svm分類器得到最終識別結(jié)果。

8、本發(fā)明的目的還可通過如下技術(shù)措施來實現(xiàn)：

9、在步驟1，通過放炮地震波現(xiàn)場實驗行數(shù)據(jù)采集，并對所采集數(shù)據(jù)進(jìn)行分割預(yù)處理，搭建數(shù)據(jù)庫。

10、在步驟1，通過在油田現(xiàn)場進(jìn)行人工放炮數(shù)據(jù)采集，采集油田地質(zhì)信息數(shù)據(jù)以及普通無油地質(zhì)信號，并對所采集數(shù)據(jù)進(jìn)行分割預(yù)處理，構(gòu)建數(shù)據(jù)庫。

11、在步驟2，網(wǎng)絡(luò)主結(jié)構(gòu)由四個se-resnext結(jié)構(gòu)組成，包括殘差結(jié)構(gòu)和se塊；resnext相當(dāng)于一簡化版的inceptionnet，不同之處是resnext其分支的拓?fù)浣Y(jié)構(gòu)是相同的，并同時增加了層間殘差跳聯(lián)；而se模塊，主要包含壓縮和激勵兩部分，對每個通道上的權(quán)重進(jìn)行了顯式建模，然后再對原feature?map加權(quán)，使其每個通道具有不同的重要程度；整個網(wǎng)絡(luò)主要分為輸入層，卷積層，池化層，輸出層四部分。

12、步驟2包括：

13、步驟21，將原始1d振動信號直接作為輸入，并發(fā)送到卷積層以進(jìn)行自適應(yīng)特征提??；

14、步驟22，應(yīng)用全局平均池來減少數(shù)據(jù)維度和訓(xùn)練參數(shù)；

15、步驟23，網(wǎng)絡(luò)使用softmax作為分類器。

16、在步驟21，使用一維卷積核代替原始的二維卷積核，一維卷積層可以具體被表示為：

17、

18、式中：l表示網(wǎng)絡(luò)層數(shù)；m表示輸入xl-1的通道數(shù)；ωi表示第i層卷積核的權(quán)重；b表示偏置函數(shù)；δ為非線性激活函數(shù)，目的在于使模型可以近似于任意非線性函數(shù)；*則代表卷積操作。

19、在步驟21，為了避免梯度消失問題，在添加之前縮放分支上的殘余特征；作為擠壓操作，全局平均池化層使用兩個完全連接的層來形成瓶頸結(jié)構(gòu)，以模擬信道之間的相關(guān)性，并輸出與輸入特征相同數(shù)量的權(quán)重。

20、在步驟21，se-resnext結(jié)構(gòu)可以表示為：

21、

22、其中x為輸入，y為輸出，l為拓?fù)浣Y(jié)構(gòu)；g為分支數(shù)。

23、在步驟22，應(yīng)用全局平均池來減少數(shù)據(jù)維度和訓(xùn)練參數(shù)，定義如下：

24、

25、其中，p為經(jīng)過池化后的輸出結(jié)果；avg表示將整個特征圖中所有的元素取平均輸出到下一層；k為池化核尺寸；cl+1為輸出；s為池化核補償；l為池化核尺寸；al(n)為第l個神經(jīng)元。

26、在步驟23，網(wǎng)絡(luò)使用softmax作為分類器，其表達(dá)式為：

27、

28、其中為zi第i個節(jié)點的輸出值，c為輸出節(jié)點的個數(shù)，即分類的類別個數(shù)；通過softmax函數(shù)就可以將多分類的輸出值轉(zhuǎn)換為范圍在[0,1]和為1的概率分布；adam優(yōu)化器用作訓(xùn)練優(yōu)化器，交叉熵用作損失函數(shù)；交叉熵定義為：

29、

30、r為真實值；為估計值。

31、在步驟4，softmax層之前的特征向量被保存并用作svm分類器的輸入，用于分類和識別，svm分類器用于最終分類步驟，以提高分類能力；運用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練所保存的特征向量訓(xùn)練svm分類器。

32、在步驟5，將待識別數(shù)據(jù)首先通過訓(xùn)練好的1dse-resnext網(wǎng)絡(luò)進(jìn)行特征提取，后通過訓(xùn)練好的svm分類器得到最終識別結(jié)果。

33、本發(fā)明中的地震波勘探領(lǐng)域的地質(zhì)信息優(yōu)化提取方法，應(yīng)用于油氣田勘探的模式識別算法，屬于分布式聲波傳感器地震波勘探領(lǐng)域，針對das應(yīng)用于油氣田勘探等領(lǐng)域時，由于光纖靈敏度非常高，且勘探對象復(fù)雜，環(huán)境多變等諸多原因。因此構(gòu)建有效的識別算法對于地質(zhì)信息的類別進(jìn)行有效判別，從而獲得更加準(zhǔn)確的資源信息。本發(fā)明所提出的1dse-resnext識別算法將一維卷積與resnext相結(jié)合，結(jié)合se結(jié)構(gòu)，通過引入層間跳聯(lián)，將單元輸入直接與單元輸出加在一起，然后再激活。這種操作有效改善了網(wǎng)絡(luò)反向傳播過程中的梯度消散問題，從而可使得訓(xùn)練深層網(wǎng)絡(luò)變得容易，有效提取數(shù)據(jù)的深層次特征。se結(jié)構(gòu)具有注意機(jī)制的擠壓和激勵塊通過篩選特征信息而不受非關(guān)鍵信息的影響，提高了分類能力，而支持向量機(jī)分類器可以進(jìn)一步提高分類精度。

34、本發(fā)明所提出的1dse-resnext識別算法使用強分類器svm代替原先網(wǎng)絡(luò)中用于分類的softmax層，從而提升了油氣勘探的識別精度。本發(fā)明為分布式光纖傳感在油氣勘探領(lǐng)域的應(yīng)用提供了新的參考，具有廣泛的應(yīng)用前景。