在地震勘探中,一個十分關(guān)鍵的任務(wù)就是地震資料的解釋,其中三維地震數(shù)據(jù)中地質(zhì)異常體的識別十分重要。尤其是鹽丘的識別,對研究者們理解鹽構(gòu)造、建立地震偏移速度模型等都具有非常重要的作用。雖然目前自動化的方法已經(jīng)被應(yīng)用到計算鹽丘屬性和提取鹽丘邊界過程中,但鹽丘的解釋識別仍然是個耗時耗力的工作。傳統(tǒng)的方法基于物理原理、幾何構(gòu)造等派生出地震屬性,但是這些屬性可能無法完全表達(dá)包含噪聲且地質(zhì)特征復(fù)雜的真實地震數(shù)據(jù)。為了降低上述問題的影響,實現(xiàn)鹽丘的自動化解釋并減少人力、時間成本的消耗,本文將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到鹽丘解釋問題中�；谏疃葘W(xué)習(xí)的技術(shù)使得提高大型三維地震數(shù)據(jù)集下鹽丘識別的效率和精度成為可能,是一個非常關(guān)鍵的研究方向。本文從原始的三維地震振幅數(shù)據(jù)體出發(fā),研究了基于卷積神經(jīng)網(wǎng)絡(luò)和基于全卷積神經(jīng)網(wǎng)絡(luò)的鹽丘識別方法。本文的主要工作如下:1.針對人工解釋鹽丘效率低以及地震屬性識別流程復(fù)雜的問題,本文提出了一種基于改進(jìn)的AlexNet網(wǎng)絡(luò)的鹽丘識別分割方法。通過將適用于自然圖像的AlexNet模型進(jìn)行一定改進(jìn),以樣點為中心構(gòu)建二維小片,使其適用于原始的三維地震振幅數(shù)據(jù),能夠有效識別地質(zhì)特征。選擇卷積神經(jīng)網(wǎng)絡(luò)模型可以自動選擇對分類最有利的特征,能避免手動選擇特征或地質(zhì)屬性的問題,在簡化識別流程的同時有效識別出鹽丘。2.為了解決基于卷積神經(jīng)網(wǎng)絡(luò)的方法在鹽丘邊界處識別不準(zhǔn)確且計算開銷較大的問題,本文提出了一種基于U-Net的鹽丘分割方法。在原始U-Net的基礎(chǔ)上針對地震數(shù)據(jù)進(jìn)行結(jié)構(gòu)和參數(shù)的調(diào)整,使網(wǎng)絡(luò)模型能更高效地識別地質(zhì)特征。UNet從地震振幅圖像級別的鹽丘分類識別延伸到了像素級別的分類,通過數(shù)據(jù)擴(kuò)張更有效的利用標(biāo)簽數(shù)據(jù),在獲取上下文信息的同時能夠?qū)崿F(xiàn)精確的鹽丘分類,識別分割效果明顯優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)。最后通過對整個三維地震數(shù)據(jù)體進(jìn)行分割,構(gòu)建三維鹽丘模型。本文通過荷蘭F3的實際三維地震數(shù)據(jù)體來驗證所提出的方法,結(jié)果表明所提出的方法能準(zhǔn)確的進(jìn)行自動的鹽丘分類,所得到的鹽丘邊界和人工解釋的邊界基本吻合,也證明了計算機(jī)視覺能成功應(yīng)用在地震勘探領(lǐng)域,值得進(jìn)一步研究。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：P631.4
【部分圖文】：

切片上都有可能同時存在多個閉合輪廓，相鄰切片上屬于同一對象的輪廓線也可能有很大差別，當(dāng)待提取的結(jié)構(gòu)復(fù)雜時會產(chǎn)生錯誤的連接。圖2-1 移動立方體等值面簡化后的 15 種情況立方塊法（ContourTracing）[32]首先根據(jù)等值面的數(shù)值將三維體數(shù)據(jù)二值化，再將每個邊界上的體元與所有外向的邊界面相連。該方法的算法過程十分簡單，不存在插值的操作，對數(shù)據(jù)進(jìn)行獨(dú)立的處理，適合進(jìn)行并行運(yùn)算。主要問題是提取到

y Wx (2-10)2.4.2.4 激勵層圖2-5 常見的幾種激活函數(shù)激勵層通常為卷積層后的隱藏層，用于對卷積層的輸出結(jié)果做非線性映射，這些操作是通過激勵函數(shù)來實現(xiàn)的。神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)元節(jié)點都將上一層神經(jīng)元的對應(yīng)的輸出值作為本身的輸入值，并將輸出值傳遞給位于下一層的神經(jīng)元。輸入層神經(jīng)元節(jié)點比較特別，會直接將輸入屬性值傳遞到下一層（隱藏層或輸出層）。在多層神經(jīng)網(wǎng)絡(luò)中，上層節(jié)點的輸出和下層節(jié)點的輸入之間具有一個函數(shù)關(guān)系，這個函數(shù)稱為激活函數(shù)（又稱激勵函數(shù)）。在沒有激勵函數(shù)的情況下，卷積神經(jīng)網(wǎng)絡(luò)的某層輸出會直接線性組合輸入到下一層，這樣會導(dǎo)致網(wǎng)絡(luò)不能完全逼近實際情況。而非線性的激勵函數(shù)，能夠強(qiáng)化網(wǎng)絡(luò)的表達(dá)能力，使其更加接近實際情況。早期的卷積神經(jīng)網(wǎng)絡(luò)主要采用 sigmoid

圖2-6 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)圖（4）ResNetResNet（ResidualNeuralNetwork）由 Kaiming He 提出一種卷積神經(jīng)網(wǎng)絡(luò)。通過使用 ResNet 殘差模塊成功訓(xùn)練出了 152 層的神經(jīng)網(wǎng)絡(luò)，錯誤率可降低為 3.57%同時參數(shù)規(guī)模比 VGG 網(wǎng)絡(luò)小，具有十分明顯的效果。ResNet 的結(jié)構(gòu)能大大地提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，并且提升了模型的準(zhǔn)確率，同時 ResNet 具有良好的擴(kuò)展性。ResNet 的主要思想是為網(wǎng)絡(luò)添加直接連接通道，即 HighwayNetwork 的思想。以前的網(wǎng)絡(luò)結(jié)構(gòu)是性能輸入的非線性轉(zhuǎn)換，而 Highway Network 則允許保留先前網(wǎng)絡(luò)層的一定比例的輸出。ResNet 的思想和 HighwayNetwork 的思想也十分相似，允許原始輸入直接傳遞到后續(xù)層。如圖所示，這一層的神經(jīng)網(wǎng)絡(luò)不需要學(xué)習(xí)完整的輸出，而是學(xué)習(xí)之前網(wǎng)絡(luò)輸出的殘差，因此 ResNet 又叫做殘差網(wǎng)絡(luò)。2.4.4 全卷積神經(jīng)網(wǎng)絡(luò)傳統(tǒng) CNN 的強(qiáng)大功能體現(xiàn)在通過多層結(jié)構(gòu)自動學(xué)習(xí)圖像中的各種特征，這些

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 李興華;李艷軍;李剛;;一種改進(jìn)的地震數(shù)據(jù)道均方根值屬性算法[J];物探裝備;2013年01期

2 周晶;張延慶;李建華;;邊緣檢測技術(shù)探測鹽丘[J];天然氣工業(yè);2007年S1期

相關(guān)碩士學(xué)位論文 前3條

1 童悍操;一個基于區(qū)域分割的圖論圖像分割方法的改進(jìn)[D];清華大學(xué);2012年

2 唐闖;基于邊緣檢測的圖像分割算法研究[D];燕山大學(xué);2012年

3 劉東菊;基于閾值的圖像分割算法的研究[D];北京交通大學(xué);2009年

本文編號：2821051