-
公开(公告)号：CN118226516A
公开(公告)日：2024-06-21
申请号：CN202410318552.0
申请日：2024-03-20
Applicant: 吉林大学
IPC: G01V1/28 , G01V1/30 , G06T3/4046 , G06T3/4053
Abstract: 本发明一种基于深度学习的地震成像方法，包括模型选择，数据集收集，使用有限差分法对时域内的二维声波方程进行求解，模拟波场并获取地震记录作为网络输入；计算相邻两层介质之间的波速差异，并据此计算反射率系数，得到反射率模型，用作标签数据；建立耦合Transformer和卷积神经网络的深度神经网络，并采用ASFF法进行多级特征的融合；选择MSE作为损失函数，R‑squared作为评估指标，进行神经网络训练，实现从地震记录到反射率模型的直接映射。本方法简化了地震成像过程，提高了地下结构成像的精度和可靠性，加速地震成像计算过程，提高了成像速度和效率，实验结果表明，在推断地下结构方面具有显著的准确性和可靠性。
-
公开(公告)号：CN108680957B
公开(公告)日：2019-08-13
申请号：CN201810490671.9
申请日：2018-05-21
Applicant: 吉林大学
Abstract: 本发明提供一种基于加权的局部互相关时频域相位反演方法，是将地震数据的时频域相位信息引入到互相关目标函数中，将其称为基于加权的局部互相关时频域相位反演方法。通过相位信息的引入缓解了全波形反演对初始速度模型的依赖。同时在时频域目标函数中加入权重因子，能够很好地增强抗噪声能力和反演的稳定性。在低频段的加权的局部互相关时频域相位反演方法中，可以得到一个良好的初始速度模型，然后将其用于高频带加权的局部互相关时频域相位反演方法中，最终可以得到高分辨率反演结果。在同时缺失低频分量和强高斯背景噪声的测试中表明，基于加权的局部互相关时频域相位反演方法具有较强的抗噪能力和不依赖初始速度模型等优点。
-
Patent Agency Ranking
公开(公告)号：CN108680957A
公开(公告)日：2018-10-19
申请号：CN201810490671.9
申请日：2018-05-21
Applicant: 吉林大学
CPC classification number: G01V1/307 , G01V1/36 , G01V1/364 , G01V2210/324 , G01V2210/63
Abstract: 本发明提供一种基于加权的局部互相关时频域相位反演方法，是将地震数据的时频域相位信息引入到互相关目标函数中，将其称为基于加权的局部互相关时频域相位反演方法。通过相位信息的引入缓解了全波形反演对初始速度模型的依赖。同时在时频域目标函数中加入权重因子，能够很好地增强抗噪声能力和反演的稳定性。在低频段的加权的局部互相关时频域相位反演方法中，可以得到一个良好的初始速度模型，然后将其用于高频带加权的局部互相关时频域相位反演方法中，最终可以得到高分辨率反演结果。在同时缺失低频分量和强高斯背景噪声的测试中表明，基于加权的局部互相关时频域相位反演方法具有较强的抗噪能力和不依赖初始速度模型等优点。
-
公开(公告)号：CN116359982A
公开(公告)日：2023-06-30
申请号：CN202310279895.6
申请日：2023-03-22
Applicant: 吉林大学
Abstract: 本发明涉及一种基于卷积神经网络的少量震源虚拟炮信号增强方法，利用卷积神经网络对地震数据中的相干噪声及虚假同相轴进行识别和压制。将地下被动源震源数量较少虚拟炮记录作为训练数据，并将震源数量较多的虚拟炮记录作为训练标签，从标签中学习有效信号的特征，以此来压制相干噪声和虚假同相轴，并在波形不够连续的部位进行波形恢复。对于震源分布不够均匀的虚拟炮记录，采用震源分布较广泛的虚拟炮记录作为标签，此时网络的任务不仅要压制相干噪声、虚假同相轴，恢复波形的连续性和延展性，还要将直线相交型的同相轴恢复成双曲线型的同相轴。在进行被动源采集时，可降低其对地震记录的影响，最终获得较好的效果，提高被动源地震勘探的适用性。
-
公开(公告)号：CN113093272A
公开(公告)日：2021-07-09
申请号：CN202110333088.9
申请日：2021-03-29
Applicant: 吉林大学
Abstract: 本发明是用卷积核提取模拟数据和观测数据的特征并根据特征极性对每个采样点进行编码编码后构造一个衰减矩阵，将该矩阵乘以模拟数据从而自适应的识别出模拟数据中与观测数据发生了周期跳跃的部分并将其衰减，进而减小这部分数据对梯度的干扰。有效的消除了周期跳跃现象对反演结果的影响，提高了全波形反演在观测数据缺失低频信息以及初始模型不准确时的反演结果精度。本发明结合多震源混合编码策略，进一步提高反演的计算效率。能够在观测数据含强噪声的情况下获得准确的反演结果，在保持计算效率不变的情况下有效的减少了周期跳跃现象的发生，并且具有很强的抗噪性，非常适用于实际地震勘探，该方法能使地震勘探反演效果显著提高。
-
公开(公告)号：CN117169956A
公开(公告)日：2023-12-05
申请号：CN202311128908.6
申请日：2023-09-04
Applicant: 吉林大学
IPC: G01V1/28
Abstract: 本发明适用于地震勘探技术领域，提供了一种基于MDUNETR的短时被动源地震数据直接重构方法，包括如下步骤：步骤一、被动源地震数据模拟；步骤二、制作训练数据集；步骤三、构建MDUNETR网络模型；步骤四、模型训练。本发明中的一种基于MDUNETR的短时被动源地震数据直接重构方法，基于深度学习技术，仅需短时段的被动源地震记录即可获得重构结果，说明本模型在捕获地震数据的复杂时空模式和生成准确预测方面具有重要意义，且能够减少前期假设对重构结果的影响，提高数据利用效率，并且提高时间效率，实现数据的快速实时处理。
-
公开(公告)号：CN118259354A
公开(公告)日：2024-06-28
申请号：CN202410130373.4
申请日：2024-01-31
Applicant: 吉林大学
IPC: G01V1/30
Abstract: 本发明一种基于深度学习的主被动源地震数据联合反演方法，包括在训练和测试模型上，收集收据集；进行合成地震数据的模拟；建立具有双输入的神经网络结构；降采样后变换、嵌入处理，进行特征提取；提取浅层、中层和深层的特征，提供一个多尺度的特征空间；应用卷积层，提取和精炼上述特征并调整维度，主动源和被动源的多级特征分别进行融合；进行神经网络训练。本发明通过深度学习技术，成功实现了被动地震数据与主动源数据的高级特征融合；深度学习模型能学习复杂的地震数据表示，将两种类型的数据有机地结合，提高了反演模型对地下结构的理解和表达能力；这种融合使得模型能更全面、更准确地捕捉地下介质的特征，包括复杂的地质层次和介质变化。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
