一种地震层位追踪方法、设备以及存储介质与流程

1.本发明涉及地震资料解释领域，具体涉及一种地震层位追踪方法、设备以及存储介质。


背景技术：

2.地震勘探包括采集、处理、解释三大环节。层位解释是地震资料解释过程中最为耗时且不可回避的基础环节之一，高精度层位自动追踪是解释人员的迫切需求，也是方法研究人员的长期攻关方向。传统层位自动追踪方法主要是依据波形相似性原理，从波形相关性的角度判断预测点与种子点之间的相似特征，从而追踪预测点的过程。由于所利用的信息少，当地震同相轴连续性差时，就容易产生追踪错误。
3.深度学习是现代人工智能技术的核心方法之一。它利用多层卷积、激活、池化、归一化、回馈以及全连接等操作，构建复杂神经网络系统，用于建立标签数据中输入与输出之间的复杂非线性关系(模型训练过程)，并把这种关系应用到测试集中，得到预测结果(模型应用过程)。
4.深度学习方法能够较为准确地提取目的层的各种特征，是自动化层位解释技术的重要发展方向，追踪效果在一定程度上优于传统方法。但在目前公开发表的文献中，大多数是利用现有的智能化图像处理技术，直接将地震剖面当作图像进行处理，而忽略了地震剖面所代表的地层横向连续、纵向分层等特殊性，也没能考虑种子点和参考层的作用，因此在同相轴连续性差时也容易追踪不准。


技术实现要素：

5.有鉴于此，为了克服上述问题的至少一个方面，本发明实施例提出一种地震层位追踪方法，包括以下步骤：
6.s1，获取地震剖面并对所述地震剖面中的若干条第一方向测线进行层位解释以得到每一条已解释的第一方向测线中每一地震道对应的目的层纵坐标；
7.s2，将每一条已解释的第一方向测线中的每一地震道作为种子地震道分别向左侧和右侧未解释的地震道扩展预设宽度以得到每一种子地震道对应的两个剖面段，其中每一个剖面段中包括一个种子地震道和其他多个未解释地震道；
8.s3，获取每一个剖面段对应的多个地震属性以及每一个剖面段中种子地震道的参数，其中所述参数包括目的层纵坐标；
9.s4，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标；
10.s5，将所述剖面段中的一个地震道作为种子地震道，并向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，并返回步骤s3，直到所有的未解释的地震道全都解释完成以得到目的层对应的第一全区纵坐标；
11.s6，根据所述第一全区纵坐标计算所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果。
12.在一些实施例中，s6，根据所述第一全区纵坐标计算所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果，进一步还包括：
13.将步骤s1-s5中的第一方向测线替换成第二方向测线以得到第二方向测线对应的第二全区纵坐标；
14.求取所述第一全区纵坐标与所述第二全区纵坐标在每一地震道的均值以得到全区纵坐标；
15.根据所述全区纵坐标得到所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果。
16.在一些实施例中，步骤s5，将所述剖面段中的一个地震道作为种子地震道，并向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，进一步包括：
17.响应于向左侧或向右侧可扩展的宽度大于预设宽度，将所述剖面段中的最外侧的地震道作为种子地震道向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道和其他多个未解释的地震道；
18.响应于向左侧或向右侧可扩展的宽度小于预设宽度，将所述剖面段中距离边界等于所述预设宽度的地震道作为种子地震道向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道。
19.在一些实施例中，s6，根据所述全区振幅平均值对所述全区纵坐标进行校正，进一步包括：
20.根据校正门槛控制系数与所述全区振幅平均值得到阈值；
21.响应于所述目的层为波峰目的层，判断所述全区纵坐标中的每一个目的层纵坐标对应的点的振幅值是否大于所述阈值；
22.响应于目的层纵坐标对应的点的振幅值大于阈值，以该目的层纵坐标对应的点为中心向上下各抽取预设个数的采样点并对每一个采样点对应的振幅做插值处理以得到多个振幅值，从所述多个振幅值中选择振幅值最大的点所对应的目的层纵坐标作为校正结果。
23.在一些实施例中，s6，根据所述全区振幅平均值对所述全区纵坐标进行校正，进一步包括：
24.根据校正门槛控制系数与所述全区振幅平均值得到阈值；
25.响应于所述目的层为波谷目的层，判断所述全区纵坐标中的每一个目的层纵坐标对应的点的振幅值是否小于所述阈值；
26.响应于目的层纵坐标对应的点的振幅值小于阈值，以该目的层纵坐标对应的点为中心向上下各抽取预设个数的采样点并对每一个采样点对应的振幅做插值处理以得到多个振幅值，从所述多个振幅值中选择振幅值最小的点所对应的目的层纵坐标作为校正结
果。
27.在一些实施例中，还包括：
28.根据校正结果调整门槛控制系数的大小并根据同向轴的宽窄调整采样点的个数。
29.在一些实施例中，s6，校正结果进行平滑处理以得到最终追踪结果，进一步还包括：
30.利用均值法或中值滤波法对校正结果进行平滑处理。
31.在一些实施例中，s4，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标，进一步包括：
32.构建神经网络，其中所述神经网络包括一个核为1且膨胀系数为1的第一卷积层、一个核为3且膨胀系数为1的第二卷积层、一个核为3且膨胀系数为2的第三卷积层、一个核为3且膨胀系数为5的第四卷积层、将四个卷积层的输出进行横向拼接的cat层、与所述cat层连接的reshape层、与所述reshape层连接的特征提取层、与所述特征提取层连接的回归层，其中回归层采用cnn+gru+fc串联的方式实现回归预测；
33.构建训练集并对所述神经网络进行训练。
34.在一些实施例中，构建训练集并对所述神经网络进行训练，进一步包括：
35.获取已解释的地震骨干剖面；
36.沿着所述地震骨干剖面中的每一条测线分别提取多个预设宽度的剖面段；
37.获取每一个剖面段对应的n个地震属性以及每一个剖面段中每一个地震道的参数，其中所述参数包括地震道的目的层纵坐标、参考层的纵坐标、第一方向测线编号、第二方向测线编号；
38.将每一个剖面段的所述n个地震属性作为标签的前n个通道的数据并将每一个地震道的参数作为最后一个通道的数据以构建标签的输入，将所述剖面段中每一地震道的目的层纵坐标组合为一个向量以构建标签的输出，其中，标签的输入中只保留第一个地震道的目的层纵坐标，其余地震道的目的层纵坐标置零或置为参考层的纵坐标；
39.以每一个剖面段对应的标签的输入和输出训练所述神经网络。
40.在一些实施例中，所述参数还包括起始纵坐标、采样点个数、目的层同向轴属性编号，其中当为波峰时，目的层同向轴属性编号为0，当为波谷时，目的层同向轴属性编号为1。
41.在一些实施例中，还包括：
42.将用于构建标签的地震属性的数量加1作为标签的通道数；
43.根据选择的时窗范围和采样率得到标签的高度；
44.根据同向轴的连续性确定标签的宽度。
45.在一些实施例中，还包括：
46.根据目的层的最大纵坐标和最小纵坐标确定所述时窗范围。
47.基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机设备，包括：
48.至少一个处理器；以及
49.存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如上所述的任一种地震层位追踪方法的步骤。
50.基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种地震层位追踪方法的步骤。
51.本发明具有以下有益技术效果之一：本发明提出的地震层位自动追踪方法，充分考虑地层的横向连续性、纵向分层性，以及在解释过程中需要参考种子点和标志层信息等实际需求，利用现有地球物理技术和计算机技术，将种子点、参考层、位置信息和多种地震属性纳入学习标签，并与改进的densenet网络与插值校正技术相结合，有效提高了层位自动追踪的精度。
附图说明
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
53.图1为一个研究区示意图；
54.图2对图1所示的研究区布点采集得到的三维数据体；
55.图3为图2所示的三维数据体的内部示意图；
56.图4为对图2所示的三维数据体进行切片得到剖面的过程示意图；
57.图5为一个剖面示意图；
58.图6为标注有目的层纵坐标的剖面示意图；
59.图7为本发明的实施例提供的地震层位追踪方法的流程示意图；
60.图8为工区测线俯视图；
61.图9为本发明实施例中对某点追踪结果校正的效果图；
62.图10为本发明实施例中连续性较好的同相轴的追踪结果对比图，其中图10中(a)是直接采用开源densenet的追踪结果，(b)是采用本发明的深度学习网络追踪的结果，(c)是在(b)的基础上再经过波峰校正后的结果；
63.图11为本发明实施例中连续性较差的同相轴的追踪结果对比图，其中图11中的(a)是手工解释的结果，(b)是传统自动追踪方法的追踪结果，(c)是用本发明的深度学习网络追踪并进行波峰校正后的结果，(d)是在(c)基础上用3点均值法进行平滑后的结果；
64.图12为本发明实施例中第999个标签的前3个通道的数据。其中图12中的(a)对应地震振幅属性、(b)对应瞬时相位属性、(c)对应积分道属性；
65.图13为本发明的实施例提供的计算机设备的结构示意图；
66.图14为本发明的实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
67.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
68.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应
理解为对本发明实施例的限定，后续实施例对此不再一一说明。
69.在本发明的实施例中，如图1所示的研究区，可以通过在地面上进行布点，以得到该研究区的如图2所示的资料，即一个三维数据体。如图3所示，该三维数据体内部的每一个点都有xyz坐标和一个振幅值。如图4和图5所示，如果沿着某一条线垂直切，就是一条剖面(一条测线)。剖面上每一地震道(图5所示的剖面具有6个地震道)都有许多个“采样点”组成，每一个采用点都有xyz坐标和一个振幅值。如图6所示，图6中的圆点即为目的层纵坐标对应的点，把每一地震道的目的层的纵坐标标注出来，就是解释，解释的关键是确定目的层纵坐标。根据本发明的一个方面，本发明的实施例提出一种地震层位追踪方法，如图7所示，其可以包括步骤：
70.s1，获取地震剖面并对所述地震剖面中的若干条第一方向测线进行层位解释以得到每一条已解释的第一方向测线中每一地震道对应的目的层纵坐标；
71.s2，将每一条已解释的第一方向测线中的每一地震道作为种子地震道分别向左侧和右侧未解释的地震道扩展预设宽度以得到每一种子地震道对应的两个剖面段，其中每一个剖面段中包括一个种子地震道和其他多个未解释地震道；
72.s3，获取每一个剖面段对应的多个地震属性以及每一个剖面段中种子地震道的参数，其中所述参数包括目的层纵坐标；
73.s4，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标；
74.s5，将所述剖面段中的一个地震道作为种子地震道，并向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，并返回步骤s3，直到所有的未解释的地震道全都解释完成以得到目的层对应的第一全区纵坐标；
75.s6，根据所述第一全区纵坐标计算所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果。
76.本发明提出的方案可以提高弱连续同相轴的层位自动追踪精度。
77.在一些实施例中，步骤s1中，获取地震剖面并对所述地震剖面中的若干条第一方向测线进行层位解释以得到每一条已解释的第一方向测线中每一地震道对应的目的层纵坐标，具体的，目的层坐标可以指目的层t0值，t0值是指所解释的层位在时间域地震剖面上的纵坐标。也可以是目的层d值，d值是指所解释的层位在深度域地震剖面上的纵坐标。第一方向测线可以是inline测线(主测线)，也可以是xline或trace测线(联络线)。
78.需要说明的是，如图8所示的测线俯视图，在该示意图中，每一个点代表一地震道，所有的点组成一个测线，沿着该测线垂直切即可得到如图4和图5所示的地震剖面，也即每一个测线剖面包括多个地震道。纵向和横向的点分别组成两个方向的测线，一个称为主测线，另一个方向称为联络线。也即每一地震道既属于主测线剖面段，也属于联络线剖面段。
79.在一些实施例中，步骤s2中将每一条已解释的第一方向测线中的每一地震道作为种子地震道分别向左侧和右侧未解释的地震道扩展预设宽度以得到每一种子地震道对应的两个剖面段，其中每一个剖面段中包括一个种子地震道和其他多个未解释地震道，具体的，若第一方向测线为inline测线，则沿可以每一条已解释的inline线，逐地震道沿xline
方向并向两侧各扩展出一条宽度为w的剖面段，即向两则未解释的地震道各扩展出一条宽度为w的剖面段。如图5所示的剖面，若中间的地震道作为已解释的inline方向测线中的地震道，其余地震道作为xline方向上未解释的地震道，则可以沿xline方向并向两侧扩展得到剖面段。
80.例如对于一个具有356条inline测线、836条xline测线的工区，工区东、西部均有数据缺失，因此工区不是规则的356
×
836的测线网格。可以选择了第20、120、220、320条inline测线和第200、400、600条xline测线作为骨干剖面，并利用商业解释软件提供的功能完成解释。
81.以第一条inline线的扩展为例，记inline号为i、xline号为j的地震道为ti,j。第一条inline线线号为inline20，道号为xline1～xline836，则其上各个地震道分别记为t20,1，t20,2，
…
，t20,836。inline20上第一个地震道t20,1向xline增大及减小的方向各扩展出一条宽度为16的剖面段，这样每一个剖面段分别包括地震道(t20,1，t21,1，
…
，t35,1)和(t20,1，t19,1，
…
，t5,1)；第二个地震道t20,2扩展出的剖面段包括的地震道为(t20,2，t21,2，
…
，t35,2)和(t20,2，t19,2，
…
，t5,2)，依次类推。然后将其他已解释线(inline120、220、320)的各点按相同方法扩展。这样，每一个剖面段的第一个地震道为已解释的第一方向测线剖面上的种子地震道，其具有已知的目的层纵坐标。
82.在一些实施例中，步骤s3中，获取每一个剖面段对应的多个地震属性以及每一个剖面段中种子地震道的参数，其中所述参数包括目的层纵坐标，具体的，地震属性有各类振幅、相位、频率等上百种，可通过传统的、公知的方法计算生成，也可通过现有的商业化解释软件生成。作为优选，可以选择地震振幅、瞬时相位、积分道等3种属性用于构建标签，具体应用本发明时可以根据研究经验选择其他属性。
83.在一些实施例中，步骤s4中，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标，具体的，当将每一个剖面段的标签输入到神经网络中后，即可得到该剖面段中其他地震道的目的层纵坐标，得到第一轮追踪结果r1。
84.例如对于剖面段(t20,1，t21,1，
…
，t35,1)中，在输入到神经网络之前，只有地震道t20,1的目的层纵坐标已知，输入到神经网络后，地震道t21,1，
…
，t35,1的目的层纵坐标均已通过神经网络推理得到。这样，将所有的剖面段输入到神经网络后，编号为5-19，21-35，105-119，121-135，205-219，221-235，305-319，321-335的inline线完成解释，也即其上所有的地震道均解释得到目的层纵坐标。
85.需要说明的是，推理时标签的尺寸需要与训练神经网络时训练集的标签的尺寸相同，例如训练集的标签的尺寸为c
×h×
w，即通道数c、高h、宽w，则推理时的标签的尺寸同样为c
×h×
w。具体标签构建过程可以参见下文构建训练集过程。
86.在一些实施例中，可以在全区范围内选择并解释目的层附近的标志层，作为目的层自动追踪的参考层。然后将参考层的纵坐标也作为构建标签的元素。
87.在一些实施例中，步骤s5中，将所述剖面段中的一个地震道作为种子地震道，并向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，并返回步骤s3，直到所有的未解释的地震道全都解释完成以得到目的层对应的第一全区纵坐标，进一步包
括：
88.响应于向左侧或向右侧可扩展的宽度大于预设宽度，将所述剖面段中的最外侧的地震道作为种子地震道向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道和其他多个未解释的地震道；
89.响应于向左侧或向右侧可扩展的宽度小于预设宽度，将所述剖面段中距离边界等于所述预设宽度的地震道作为种子地震道向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道。
90.具体的，可以以第一轮的剖面段为基础，用与上一步相似的方法，向xline的双方向在未解释区域中扩展出新的剖面段，构建新的剖面段和对应的标签，并输入到网络中得到第二轮追踪结果r2。
91.例如可以将inline16、105、205、305左侧扩展，inline35、135、235、335向右侧方向扩展，构建新的剖面段和对应的标签，输入到网络中得到第二轮追踪结果r2。其中，第一轮推理中，已对测线inline5-19中的所有地震道完成解释，但是由于工区一共有356条inline测线，因此若直接以测线inline5中的地震道为种子地震道则无法构建相同宽度的剖面段，因此以测线inline16为基准向左侧扩展得到剖面段，此时得到的剖面段包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，即如果某个方向上可扩展数据的宽度小于w，可通过向反方向调整起始线位置的方式，使可扩展宽度等于w，以确保全区数据均被覆盖。重复扩展不影响最终的追踪效果。
92.需要说明的是，当不同的测线向两个方向上扩展剖面段重合后，则不再进行扩展，例如，当inline35向右侧方向扩展的同时inline105向左侧方向扩展，若干次扩展后，如果inline35-inline105全部完成解释，则该区间不再扩展。
93.重复上述过程，得到若干个中间追踪结果r3、r4、
……
，直到全区的层位追踪完毕，合并r1、r2、
……
，得到全区初步追踪结果，记为r。
94.在一些实施例中，步骤s6，根据所述全区振幅平均值对所述全区纵坐标进行校正，进一步包括：
95.根据校正门槛控制系数与所述全区振幅平均值得到阈值；
96.响应于所述目的层为波峰目的层，判断所述全区纵坐标中的每一个目的层纵坐标对应的点的振幅值是否大于所述阈值；
97.响应于目的层纵坐标对应的点的振幅值大于阈值，以该目的层纵坐标对应的点为中心向上下各抽取预设个数的采样点并对每一个采样点对应的振幅做插值处理以得到多个振幅值，从所述多个振幅值中选择振幅值最大的点所对应的目的层纵坐标作为校正结果。
98.在一些实施例中，s6，根据所述全区振幅平均值对所述全区纵坐标进行校正，进一步包括：
99.根据校正门槛控制系数与所述全区振幅平均值得到阈值；
100.响应于所述目的层为波谷目的层，判断所述全区纵坐标中的每一个目的层纵坐标对应的点的振幅值是否小于所述阈值；
101.响应于目的层纵坐标对应的点的振幅值小于阈值，以该目的层纵坐标对应的点为
中心向上下各抽取预设个数的采样点并对每一个采样点对应的振幅做插值处理以得到多个振幅值，从所述多个振幅值中选择振幅值最小的点所对应的目的层纵坐标作为校正结果。
102.具体的，以波峰目的层为例，可以首先求初步追踪结果r对应的全区地震振幅平均值a，并设置校正门槛控制系数c(0《c《0.2)。
103.对层位r的每一点r，分以下两种情况进行校正：如果r对应的振幅值a《c*a，则保持其纵坐标值不变。否则，以其纵坐标值为中心，向上下各抽取10个采样点，并对这21个点所对应的振幅值做三次样条插值，加密为201个点，然后求这201个点中振幅最大的点所对应的纵坐标值，作为校正结果。
104.对于波谷目的层可采用相似的方法，保留大于门槛振幅值c*a的点的t0值，并将门槛范围内的点的t0值校正到最小振幅所对应的位置，实现校正。
105.例如，如图9所示，原始追踪点位于虚线上振幅最大处，其(时间，振幅)坐标为(9.9，89)，经校正后的追踪点位于实线上振幅最大处，其坐标为(10.8，90.1)，层位被校正到波峰最大值上。
106.在一些实施例中，还包括：
107.根据校正结果调整门槛控制系数的大小并根据同向轴的宽窄调整采样点的个数。
108.具体的，可根据校正效果，调整门槛控制系数c的大小；以及根据同相轴的宽窄，调整用于插值的采样点的个数。
109.在一些实施例中，s6，校正结果进行平滑处理以得到最终追踪结果，进一步还包括：
110.利用均值法或中值滤波法对校正结果进行平滑处理。
111.具体的，可采用公知的曲线平滑方法，如均值法、中值滤波法等，对校正结果进行平滑。例如，可以对校正结果进行3点均值平滑。
112.在一些实施例中，图10示出了连续性较好的同相轴的追踪结果对比。其中(a)是直接采用开源的神经网络(例如densenet)的追踪结果，层位波动较大；(b)是采用本发明提出的深度学习网络追踪的结果，最终结果基本合理但未完全落在波峰上；(c)是在(b)的基础上再经过波峰校正后的结果，可见(c)的结果精度最高，能够满足生产需求。图11是连续性较差的同相轴的追踪结果对比。其中图(a)是手工解释的结果，用于对比参照；(b)是传统自动追踪方法的追踪结果，出现了明显错误；(c)是本发明的深度学习网络追踪并校正后的结果，可见其很好地处理了“串相位”的问题(椭圆标注位置)；(d)是在(c)的基础上用传统的均值法进行平滑后的结果，可见其与(a)基本重合，仅在方框标注处不正确。总体正确率远超传统方法。
113.在一些实施例中，s6，根据所述第一全区纵坐标计算所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果，进一步还包括：
114.将步骤s1-s5中的第一方向测线替换成第二方向测线以得到第二方向测线对应的第二全区纵坐标；
115.求取所述第一全区纵坐标与所述第二全区纵坐标在每一地震道的均值以得到全区纵坐标；
116.根据所述全区纵坐标得到所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果。
117.具体的，可以通过两种测线得到追踪结果，即当基于inline测线得到全区追踪结果r后，在xline方向重复上述过程，得到另一套全区追踪结果xr，并由公式(r+x r)/2取两个方向的追踪结果的平均值，作为全区初步追踪结果r。
118.在一些实施例中，s4，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标，进一步包括：
119.构建神经网络，其中所述神经网络包括一个核为1且膨胀系数为1的第一卷积层、一个核为3且膨胀系数为1的第二卷积层、一个核为3且膨胀系数为2的第三卷积层、一个核为3且膨胀系数为5的第四卷积层、将四个卷积层的输出进行横向拼接的cat层、与所述cat层连接的reshape层、与所述reshape层连接的特征提取层、与所述特征提取层连接的回归层，其中回归层采用cnn+gru+fc串联的方式实现回归预测；
120.构建训练集并对所述神经网络进行训练。
121.具体的，可以选择pytorch平台提供的densenet网络的特征提取层(feature层)作为基础网络。并且在feature层之前增加具有不同感受野的卷积层，将其输出沿w方向拼接，并通过reshape转换为一个通道数为3的张量，作为feature层的输入。
122.例如，可以首先分别对输入数据进行1次核大小为1、dilation＝1的卷积，1次核大小为3、dilation＝1的卷积，1次核大小为3、dilation＝2的卷积，以及1次核大小为3、dilation＝5的卷积。这4个卷积层的输入通道数都为c，输出通道数都为6。之后，将这些卷积层的输出利用cat层沿w方向拼接，拼接结果的通道数仍然为6。然后再通过reshape，将其转换为一个通道数为3的张量，作为feature层的输入。
123.接着，将densenet后端的分类层改为回归层。优选的，可以将densenet后端的分类层改为回归层。作为优选，可以采用cnn+gru+fc串联的方式实现回归预测。其中cnn是卷积层，gru是循环神经网络层，fc是全连接层。网络设计确保了三者串联的输出是长度为16的一维向量，与标签的输出的形态保持一致。
124.优选的，网络的损失函数采用均方损失mseloss函数，优化函数采用adam函数。设置网络超参数的初始值可以为：批大小50，学习率0.002，迭代次数250次。然后按照深度学习领域公知的方法，补充其他必要代码，特别是质控代码，以构建完整的深度学习网络。
125.最后利用训练集标签训练改进后的网络。包括：按照深度学习领域公知的方法，将训练集输入改进后的深度学习网络，进行网络训练并保存网络参数；利用质控手段，根据精度需求，调整网络结构及超参数，直至达到预期的预测精度要求。如有必要，可适当增加训练集标签数量。
126.在一些实施例中，构建训练集并对所述神经网络进行训练，进一步包括：
127.获取已解释的地震骨干剖面；
128.沿着所述地震骨干剖面中的每一条测线分别提取多个预设宽度的剖面段；
129.获取每一个剖面段对应的n个地震属性以及每一个剖面段中每一个地震道的参数，其中所述参数包括地震道的目的层纵坐标、参考层的纵坐标、第一方向测线编号、第二方向测线编号；
130.将每一个剖面段的所述n个地震属性作为标签的前n个通道的数据并将每一个地震道的参数作为最后一个通道的数据以构建标签的输入，将所述剖面段中每一地震道的目的层纵坐标组合为一个向量以构建标签的输出，其中，标签的输入中只保留第一个地震道的目的层纵坐标，其余地震道的目的层纵坐标置零或置为参考层的纵坐标；
131.以每一个剖面段对应的标签的输入和输出训练所述神经网络。
132.在一些实施例中，所述参数还包括起始纵坐标、采样点个数、目的层同向轴属性编号，其中当为波峰时，目的层同向轴属性编号为0，当为波谷时，目的层同向轴属性编号为1。
133.在一些实施例中，还包括：
134.将用于构建标签的地震属性的数量加1作为标签的通道数；
135.根据选择的时窗范围和采样率得到标签的高度；
136.根据同向轴的连续性确定标签的宽度。
137.在一些实施例中，还包括：
138.根据目的层的最大纵坐标和最小纵坐标确定所述时窗范围。
139.具体的，可以选择并解释骨干剖面。骨干剖面由inline方向、xline方向各3条以上均匀分布的剖面，以及一条连井的任意线剖面组成为宜。用传统的、公知的方法或商业软件进行目的层解释。可选的，在全区范围内选择并解释目的层附近的标志层，作为目的层自动追踪的参考层。标志层要求全区稳定发育，特征明显，能够准确利用传统的、公知的方法实现自动解释。例如，对于具有工区356条inline测线、836条xline测线的工区，可以选择第20、120、220、320条inline测线剖面和第200、400、600条xline测线剖面作为骨干剖面，并利用商业解释软件提供的功能完成解释。
140.然后确定每一个标签的尺寸，包括通道数c、高h、宽w三个参数。其中c等于拟用于构建标签的地震属性的个数加1。h为所选择的每一道的采样点个数，由所选择的时窗范围t和地震数据采样率s计算得到，h＝t/s+1。时窗范围t可以是全区统一的，由目的层最大及最小t0值分别外推200ms以上得到为宜；也可以是全区浮动的，由目的层插值得到的粗略层位向上、向下各外推500ms以上得到为宜。t0值是指所解释的层位在时间域地震剖面上的纵坐标，其单位为毫秒ms。w为所选择的每个标签的地震数据道数，根据同相轴的连续性，以8～16道为宜。对于深度域剖面，只需将上述步骤中的时间域t0值改为深度域的d值、对应的单位从毫秒ms改为米m即可，其他操作不变。例如，可以采用的地震属性为3个，因此c＝4。根据目的层t0值范围确定了全区统一的时窗范围为1400ms～1700ms，t＝300，采样率s＝1，因此h＝301。根据同相轴的连续性，设置w＝16。
141.接着确定需要用于构建标签的地震属性。地震属性有各类振幅、相位、频率等上百种，可通过传统的、公知的方法计算生成，也可通过现有的商业化解释软件生成。作为优选，本发明选择地震振幅、瞬时相位、积分道等3种属性用于构建标签，具体应用本发明时可以根据研究经验选择其他属性。
142.接着沿着已解释的每一条测线剖面提取n个宽度为w，高度为h的剖面段，并获取剖面段对应的地震振幅、瞬时相位、积分道等3种属性。提取过程分剖面逐道进行。假设提取的滚动量为k(1≤k≤w)，则第一个剖面段对应的地震道为(1、2、
……
、w)，第二个剖面段对应的地震道为(k+1、k+2、
……
、k+w)，依此类推。若一条剖面的总道数为m，则n＝(m-w)//k+1。操作符“//”表示地板除法，其运算结果取比商小的最大整数。同一个剖面段的3种属性分别
作为1个训练集标签的第一、第二、第三通道。如图5所示的剖面，可以将前两个地震道作为一个剖面段，中间两个地震道作为一个剖面段，最后两个地震道作为一个剖面段。
143.例如，在已解释的骨干剖面以及与之对应的瞬时相位和积分道剖面上，设置k＝1，7条测线(第20、120、220、320条inline测线和第200、400、600条xline测线)共提取了4307个剖面段。同一个剖面段的地震振幅、瞬时相位、积分道三种属性分别作为练集标签的第一、第二、第三通道。其中第999个标签的前3个通道如图12所示。图中的横线是层位所在的位置。可见这3种属性从不同角度表现了层位所在位置的数据特征，这将有利于提高层位追踪的精度。
144.需要说明的是，同一个剖面段的地震振幅、瞬时相位、积分道三种属性，指在地震振幅、瞬时相位、积分道剖面段的相同位置上提取的剖面段，其可以作为同一个剖面段的3种属性。
145.接着构建标签的第四个通道的数据。在每个剖面段的每一道对应的位置上，按统一格式写入该道的地震道起始t0值、采样点个数、inline号、xline号、本道的目的层t0值、参考层的t0值以及目的层同相轴属性编号等7个数据。每个数据连续写3遍，占据h方向上的第1～第21个位置，其余的位置充0或nan。nan表示空值。如果没有参考层，则在对应位置充0或nan。同相轴属性编号为：波峰为0，波峰为1。然后将第1道以外的其余道的目的层t0值全部改写为0或nan。
146.例如，其中一个标签位于工区inline220、xline400～416，标签第一道的t0值为1557。作为示例，这里假设参考层的t0值全为1510，则按照本发明的方法，该标签的第四个通道的部分道的数值如下表所示：
147.[0148][0149]
上述标签第四个通道数据的构建，主要是为深度学习网络提供所追踪点与其他点的空间位置关系，因此可以在顺序和格式上有所调整，也可以在内容上有所增减，但不能全部删除目的层t0值、参考层t0值、inline号及xline号这4项。
[0150]
然后将前面得到的各通道数据，沿c方向拼接为c＝4，高为h、宽为w的三维张量，作为训练集标签的输入。例如，可以沿c方向拼接为c＝4，高为301、宽为16的三维张量，作为训练集标签的输入。
[0151]
最后将每个剖面段所对应的w个目的层t0值组成一个长度为w的一维向量，作为训练集标签的输出。至此标签构建完成。
[0152]
本发明提出的地震层位自动追踪方法，充分考虑地层的横向连续性、纵向分层性，以及在解释过程中需要参考种子点和标志层信息等实际需求，利用现有地球物理技术和计算机技术，将种子点、参考层、位置信息和/或多种地震属性纳入学习标签，并与改进的densenet网络与插值校正技术相结合，有效提高了层位自动追踪的精度。
[0153]
基于同一发明构思，根据本发明的另一个方面，如图13所示，本发明的实施例还提供了一种计算机设备501，包括：
[0154]
至少一个处理器520；以及
[0155]
存储器510，存储器510存储有可在处理器上运行的计算机程序511，处理器520执行程序时执行如上的任一种地震层位追踪方法的步骤。
[0156]
基于同一发明构思，根据本发明的另一个方面，如图14所示，本发明的实施例还提
供了一种计算机可读存储介质601，计算机可读存储介质601存储有计算机程序指令610，计算机程序指令610被处理器执行时执行如上的任一种地震层位追踪方法的步骤。
[0157]
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
[0158]
此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。
[0159]
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
[0160]
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
[0161]
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
[0162]
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
[0163]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0164]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

技术特征：
1.一种地震层位追踪方法，其特征在于，包括以下步骤：s1，获取地震剖面并对所述地震剖面中的若干条第一方向测线进行层位解释以得到每一条已解释的第一方向测线中每一地震道对应的目的层纵坐标；s2，将每一条已解释的第一方向测线中的每一地震道作为种子地震道分别向左侧和右侧未解释的地震道扩展预设宽度以得到每一种子地震道对应的两个剖面段，其中每一个剖面段中包括一个种子地震道和其他多个未解释地震道；s3，获取每一个剖面段对应的多个地震属性以及每一个剖面段中种子地震道的参数，其中所述参数包括目的层纵坐标；s4，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标；s5，将所述剖面段中的一个地震道作为种子地震道，并向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，并返回步骤s3，直到所有的未解释的地震道全都解释完成以得到目的层对应的第一全区纵坐标；s6，根据所述第一全区纵坐标计算所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果。2.如权利要求1所述的方法，其特征在于，s6，根据所述第一全区纵坐标计算所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果，进一步还包括：将步骤s1-s5中的第一方向测线替换成第二方向测线以得到第二方向测线对应的第二全区纵坐标；求取所述第一全区纵坐标与所述第二全区纵坐标在每一地震道的均值以得到全区纵坐标；根据所述全区纵坐标得到所述目的层对应的全区振幅平均值，并根据所述全区振幅平均值对所述全区纵坐标进行校正并对校正结果进行平滑处理以得到最终追踪结果。3.如权利要求1或2所述的方法，其特征在于，步骤s5，将所述剖面段中的一个地震道作为种子地震道，并向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道，进一步包括：响应于向左侧或向右侧可扩展的宽度大于预设宽度，将所述剖面段中的最外侧的地震道作为种子地震道向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道和其他多个未解释的地震道；响应于向左侧或向右侧可扩展的宽度小于预设宽度，将所述剖面段中距离边界等于所述预设宽度的地震道作为种子地震道向左侧或右侧未解释的地震道扩展预设宽度以再次得到剖面段，其中再次得到的剖面段中包括一个种子地震道、若干个已解释的地震道和其他多个未解释的地震道。4.如权利要求1或2所述的方法，其特征在于，s6，根据所述全区振幅平均值对所述全区纵坐标进行校正，进一步包括：
根据校正门槛控制系数与所述全区振幅平均值得到阈值；响应于所述目的层为波峰目的层，判断所述全区纵坐标中的每一个目的层纵坐标对应的点的振幅值是否大于所述阈值；响应于目的层纵坐标对应的点的振幅值大于阈值，以该目的层纵坐标对应的点为中心向上下各抽取预设个数的采样点并对每一个采样点对应的振幅做插值处理以得到多个振幅值，从所述多个振幅值中选择振幅值最大的点所对应的目的层纵坐标作为校正结果。5.如权利要求4所述的方法，其特征在于，s6，根据所述全区振幅平均值对所述全区纵坐标进行校正，进一步包括：根据校正门槛控制系数与所述全区振幅平均值得到阈值；响应于所述目的层为波谷目的层，判断所述全区纵坐标中的每一个目的层纵坐标对应的点的振幅值是否小于所述阈值；响应于目的层纵坐标对应的点的振幅值小于阈值，以该目的层纵坐标对应的点为中心向上下各抽取预设个数的采样点并对每一个采样点对应的振幅做插值处理以得到多个振幅值，从所述多个振幅值中选择振幅值最小的点所对应的目的层纵坐标作为校正结果。6.如权利要求5所述的方法，其特征在于，还包括：根据校正结果调整门槛控制系数的大小并根据同向轴的宽窄调整采样点的个数。7.如权利要求1所述的方法，其特征在于，s6，校正结果进行平滑处理以得到最终追踪结果，进一步还包括：利用均值法或中值滤波法对校正结果进行平滑处理。8.如权利要求1所述的方法，其特征在于，s4，根据所述多个地震属性和种子点的参数构建标签，并将所述标签输入到神经网络中得到每一个剖面段中未解释的地震道对应的目的层纵坐标，进一步包括：构建神经网络，其中所述神经网络包括一个核为1且膨胀系数为1的第一卷积层、一个核为3且膨胀系数为1的第二卷积层、一个核为3且膨胀系数为2的第三卷积层、一个核为3且膨胀系数为5的第四卷积层、将四个卷积层的输出进行横向拼接的cat层、与所述cat层连接的reshape层、与所述reshape层连接的特征提取层、与所述特征提取层连接的回归层，其中回归层采用cnn+gru+fc串联的方式实现回归预测；构建训练集并对所述神经网络进行训练。9.如权利要求8所述的方法，其特征在于，构建训练集并对所述神经网络进行训练，进一步包括：获取已解释的地震骨干剖面；沿着所述地震骨干剖面中的每一条测线分别提取多个预设宽度的剖面段；获取每一个剖面段对应的n个地震属性以及每一个剖面段中每一个地震道的参数，其中所述参数包括地震道的目的层纵坐标、参考层的纵坐标、第一方向测线编号、第二方向测线编号；将每一个剖面段的所述n个地震属性作为标签的前n个通道的数据并将每一个地震道的参数作为最后一个通道的数据以构建标签的输入，将所述剖面段中每一地震道的目的层纵坐标组合为一个向量以构建标签的输出，其中，标签的输入中只保留第一个地震道的目的层纵坐标，其余地震道的目的层纵坐标置零或置为参考层的纵坐标；
以每一个剖面段对应的标签的输入和输出训练所述神经网络。10.如权利要求9所述的方法，其特征在于，所述参数还包括起始纵坐标、采样点个数、目的层同向轴属性编号，其中当为波峰时，目的层同向轴属性编号为0，当为波谷时，目的层同向轴属性编号为1。11.如权利要求9所述的方法，其特征在于，还包括：将用于构建标签的地震属性的数量加1作为标签的通道数；根据选择的时窗范围和采样率得到标签的高度；根据同向轴的连续性确定标签的宽度。12.如权利要求11所述的方法，其特征在于，还包括：根据目的层的最大纵坐标和最小纵坐标确定所述时窗范围。13.一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如权利要求1-12任意一项所述的方法的步骤。14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-12任意一项所述的方法的步骤。

技术总结
本发明公开了一种地震层位追踪方法，其通过构建包含多种地震属性和种子点信息的深度学习训练集标签，并利用训练集标签训练改进后的神经网络，得到初步追踪结果，然后对初步追踪结果进行校正，以得到最终的层位自动追踪结果。充分考虑地层的横向连续性、纵向分层性，以及在解释过程中需要参考种子点和标志层信息等实际需求，利用现有地球物理技术和计算机技术，将种子点、参考层、位置信息和多种地震属性纳入学习标签，并与改进的DenseNet网络与插值校正技术相结合，有效提高了层位自动追踪的精度。本发明还公开了一种计算机设备以及可读存储介质。储介质。储介质。


技术研发人员：宋强功 杨平 陶春峰 郭锐 刘迪 李海鹰
受保护的技术使用者：中国石油集团东方地球物理勘探有限责任公司
技术研发日：2021.12.30
技术公布日：2023/7/20