張 兵
(中國石油化工股份有限公司石油物探技術(shù)研究院,江蘇南京211103)
速度建模是地震數(shù)據(jù)處理中的重要步驟之一,通常需要在疊加速度譜上根據(jù)能量團(tuán)精細(xì)拾取時間-速度對,然后迭代更新均方根速度模型,并通過時深轉(zhuǎn)換得到深度域的初始層速度,最后借助層析反演不斷提高速度模型的精度。這個過程需要花費(fèi)大量時間和精力來人工拾取速度譜,尤其是在地表、地下結(jié)構(gòu)復(fù)雜的低信噪比探區(qū),地震散射噪聲、多次波等廣泛發(fā)育,速度譜能量團(tuán)的聚焦性非常差,速度拾取需要豐富的地震處理經(jīng)驗和地質(zhì)認(rèn)識[1]。隨著采集數(shù)據(jù)規(guī)模的增加,速度建模的工作量劇增,人工拾取速度譜難以跟上實際生產(chǎn)的節(jié)奏,適應(yīng)復(fù)雜低信噪比地區(qū)的自動化速度建模尤其是層速度建模變得非常迫切。
近年來,機(jī)器學(xué)習(xí)方法在自然語言理解、視覺目標(biāo)識別等許多領(lǐng)域都發(fā)揮了巨大作用[2]。地球物理學(xué)家也積極探索深度學(xué)習(xí)技術(shù)在噪聲壓制[3-4]、初至拾取[5]、速度譜拾取與建模、地震數(shù)據(jù)重建與插值、散射波成像[6-7]等地震數(shù)據(jù)處理中的應(yīng)用。其中基于深度學(xué)習(xí)的速度譜自動拾取與建模方法研究可以分為兩個方向:一是利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)實現(xiàn)時間-速度對的自動拾取,然后通過常規(guī)方法建立速度模型;二是借助深度神經(jīng)網(wǎng)絡(luò)直接利用觀測地震數(shù)據(jù)建立層速度模型。其中,從速度譜中自動拾取時間-速度對建立疊加速度模型,可以看作是對速度譜圖像中能量團(tuán)的識別和定位,主要思路為通過卷積神經(jīng)網(wǎng)絡(luò)(CNN)[8]、遞歸神經(jīng)網(wǎng)絡(luò)模型(RNN)[9]、CNN和長短期記憶(LSTM)混合結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型[10]、YOLO(You Only Look Once)和LSTM混合神經(jīng)網(wǎng)絡(luò)模型[11]從速度譜中提取時間-速度對或估計均方根速度誤差,并通過含噪數(shù)據(jù)訓(xùn)練提升神經(jīng)網(wǎng)絡(luò)拾取的穩(wěn)定性,或者基于全連接神經(jīng)網(wǎng)絡(luò)模型自動實現(xiàn)全工區(qū)時間-速度對質(zhì)量控制與速度建模約束,剔除拾取質(zhì)量較差的點,省去人工檢査和修改,提高建模效率,對于高信噪比模型數(shù)據(jù)取得了較好的建模效果[12]。神經(jīng)網(wǎng)絡(luò)自動化層速度建模,則直接根據(jù)觀測地震數(shù)據(jù)建立層速度模型,可以看作是通過神經(jīng)網(wǎng)絡(luò)建立地震數(shù)據(jù)與層速度模型的非線性關(guān)系,受地震數(shù)據(jù)質(zhì)量影響非常大,主要思路是基于深層神經(jīng)網(wǎng)絡(luò)模型(DNN)[13]、CNN[14]和生成性對抗網(wǎng)絡(luò)(GANS)[15]建立數(shù)據(jù)空間與模型空間的映射關(guān)系,直接根據(jù)單炮或多炮道集估計背景層速度模型[16],理論模型的測試結(jié)果表明,深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型能夠從高信噪比模型數(shù)據(jù)實際炮集中提取有意義的速度信息,在層速度建模方面具有應(yīng)用潛力,不過受資料信噪比的影響比較大。
然而,上述兩類基于深度學(xué)習(xí)的自動化速度拾取與建模方法,仍然有兩個問題需要進(jìn)一步解決:一是自動化時間-速度對拾取方法對低信噪比數(shù)據(jù)速度譜的拾取適用性不強(qiáng),并且拾取時間-速度對的方法沒有克服速度分析基于水平層狀介質(zhì)假設(shè)的近似,難以適用于復(fù)雜構(gòu)造情況下的速度建模;二是自動化層速度建模方法對輸入地震數(shù)據(jù)的波形非常敏感,通過深度神經(jīng)網(wǎng)絡(luò)直接將地震數(shù)據(jù)映射為速度模型的泛化性不夠好,難以在實際資料應(yīng)用中取得穩(wěn)定的效果。
為此,本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)和疊加速度譜的時間域地震層速度自動建模方法,該方法將速度譜整體作為輸入數(shù)據(jù),削弱了地震波形對背景層速度估計的影響,將時間域?qū)铀俣茸鳛闃?biāo)簽數(shù)據(jù),通過卷積神經(jīng)網(wǎng)絡(luò)模型直接估計地震層速度而不是拾取時間-速度對,能夠在一定程度上降低時間-速度對拾取對速度譜信噪比的要求,同時克服了水平層狀假設(shè)的限制,通過一系列隨機(jī)模型訓(xùn)練實現(xiàn)了速度譜到層速度的自動建模,最后用理論模型數(shù)據(jù)和復(fù)雜低信噪比資料測試驗證了該方法在地震層速度建模中的實用性。
卷積神經(jīng)網(wǎng)絡(luò)算法近兩年來得到了較多應(yīng)用,作為一種高效的深度學(xué)習(xí)算法,通過多層結(jié)構(gòu)的設(shè)計能自動學(xué)習(xí)不同層次的特征,提升模型分類能力和泛化能力,通過卷積核的局部感知和權(quán)值共享降低網(wǎng)絡(luò)模型復(fù)雜度,將數(shù)據(jù)量龐大的數(shù)據(jù)體不斷降維,提高訓(xùn)練效率[17]。典型的卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層、全連接層組成。卷積自編碼器(CAE)使用卷積層和池化層替代全連接層,編碼過程采用卷積方式將輸入數(shù)據(jù)壓縮到一個稀疏表示空間里,重建過程就是基于該稀疏編碼進(jìn)行重構(gòu),卷積自編碼器能很好地保留二維信號的空間信息[18]。
其中,卷積層可采用下述公式表示:
hk=σ(xWk+bk)
(1)
式中:W為卷積核;k為卷積核的個數(shù),對應(yīng)于神經(jīng)網(wǎng)絡(luò)的通道數(shù);b是每個卷積核對應(yīng)的偏置;x為輸入矩陣;h為卷積后生成的特征矩陣;σ表示激活函數(shù)。卷積層的作用是檢測前一相鄰層特征的局部連接情況,相當(dāng)于一個濾波器,提取更抽象的特征。
池化層是將語義上相似的特性合并為一個,提取不變特征,降低模型維度,并且在一定程度上增強(qiáng)了網(wǎng)絡(luò)對于噪聲和輕微擾動的魯棒性。
目標(biāo)函數(shù)是衡量預(yù)測值與期望值差異的范數(shù),深度學(xué)習(xí)算法進(jìn)行訓(xùn)練的數(shù)學(xué)原理實際是對目標(biāo)函數(shù)進(jìn)行最優(yōu)化,通過最小化期望輸出與實際輸出之間的差異,不斷調(diào)整每一層的權(quán)重和偏差,使得目標(biāo)函數(shù)最小化。為了提高訓(xùn)練模型的穩(wěn)定性和泛化性,應(yīng)采用正則化方法。其中,L1正則化指權(quán)值向量中各個元素的絕對值之和,L2正則化是指權(quán)值向量中各個元素的平方和然后再求平方根,兩者都可以在一定程度上防止過擬合,提高網(wǎng)絡(luò)模型的泛化能力。因為L1正則化產(chǎn)生稀疏權(quán)值矩陣,可以用于特征選擇,考慮到地下層速度模型的稀疏性,建議采用L1正則化。
利用地震道直接建立深度域?qū)铀俣饶P途哂刑魬?zhàn)性,首先是因為它涉及到從地震道(t-x)到空間/模型域(z-x)的數(shù)據(jù)轉(zhuǎn)換,兩者不在同一個數(shù)據(jù)域,而本文采取時間域?qū)铀俣瓤梢院芮擅畹亟鉀Q這個問題。某一時刻處的時間域?qū)铀俣扰c該時刻附近速度譜的能量團(tuán)分布有關(guān),并且該關(guān)系可以被深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)所識別。在水平層狀介質(zhì)情況下,速度譜的能量團(tuán)可以直接反映該時刻的疊加速度,進(jìn)而通過DIX公式得到該時刻的層速度。然而當(dāng)?shù)叵陆Y(jié)構(gòu)復(fù)雜變化時,速度譜能量團(tuán)與疊加速度以及層速度之間變成了復(fù)雜的非線性對應(yīng)關(guān)系,此時直接拾取能量團(tuán)的做法會導(dǎo)致速度建模的誤差急劇變大。雖然如此,目前生產(chǎn)中仍然廣泛使用根據(jù)速度譜估計背景速度的流程,這表明速度譜確實包含了確定當(dāng)前位置處地下速度的有效信息。
將速度譜作為神經(jīng)網(wǎng)絡(luò)的輸入而不是根據(jù)能量團(tuán)直接拾取速度譜上的時間-速度對,可以克服復(fù)雜構(gòu)造對速度譜能量團(tuán)的影響,同時有效忽略了地震波形對速度估計的影響,從而克服了實際資料地震波形的極大差異,保證了基于模擬數(shù)據(jù)的訓(xùn)練網(wǎng)絡(luò)模型應(yīng)用于實際數(shù)據(jù)的泛化能力。
采用時間域?qū)铀俣茸鳛闃?biāo)簽數(shù)據(jù),首先是因為相對于深度域?qū)铀俣?時間域?qū)铀俣群童B加速度譜之間有更直接的空間對應(yīng)關(guān)系,有利于卷積核提取對應(yīng)的局部特征,其次時間域?qū)铀俣饶P蜆?biāo)簽與速度譜具有相同的時間長度,而深度域?qū)铀俣葎t往往難以確定具體的深度,此外時間域?qū)铀俣饶P捅染礁俣饶P头直媛矢?并且可以方便地轉(zhuǎn)換為均方根速度模型和深度域?qū)铀俣饶P汀?/p>
卷積神經(jīng)網(wǎng)絡(luò)能夠自動提取速度譜的多尺度特征信息,實現(xiàn)速度譜的稀疏、穩(wěn)定表達(dá),對隨機(jī)噪聲具有很強(qiáng)的抗干擾性,同時還能保留速度譜的空間位置信息,因此本文采用疊加速度譜作為輸入,時間域?qū)铀俣茸鳛闃?biāo)簽,通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)從速度譜到時間域?qū)铀俣饶P偷淖詣咏ⅰ?/p>
基于卷積自編碼器模型,使用張量流(TensorFlow)的深度學(xué)習(xí)框架構(gòu)建了一個28層卷積深度神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)由14個卷積層、7個池化層、7個上采樣層和sigmoid激活函數(shù)構(gòu)成。在算法選擇上使用了L1正則化和隨機(jī)梯度下降(SGD)算法來計算損失函數(shù),采用自適應(yīng)矩估計(ADAM)優(yōu)化算法、階梯型學(xué)習(xí)率進(jìn)一步優(yōu)化計算過程。該方法對應(yīng)的目標(biāo)函數(shù)為:
(2)
圖1為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖,圖中每一層的數(shù)字參數(shù)代表圖像高度×圖像寬度×通道數(shù);upsample代表上采樣,用鄰近值插值。該神經(jīng)網(wǎng)絡(luò)的基本組件為編碼降維層和解碼增維層。其中編碼降維層由7組二維卷積層(conv)與最大池化層(maxpool)(取2×2小區(qū)域中的最大值)組成[19],解壓增維層由7組一維卷積層與上采樣層組成,其中卷積核尺寸均為3×3。輸入數(shù)據(jù)為CMP道集(或反動校后的CRP道集)對應(yīng)的速度譜,通過7層卷積+最大池化搭建的編碼降維過程,可以逐步提取速度譜的多尺度特征信息,并且可以很好地過濾掉隨機(jī)噪聲。通過7層卷積+上采樣過程,逐步恢復(fù)數(shù)據(jù)尺寸,最后通過sigmoid激活函數(shù)輸出期望結(jié)果。目標(biāo)輸出為CMP道集零偏移距處對應(yīng)的層速度。要注意的是,卷積的計算窗口有重疊(卷積核每次只移動一步),而采樣的計算窗口沒有重疊。訓(xùn)練開始對所有卷積核權(quán)重進(jìn)行隨機(jī)初始化,而對偏置進(jìn)行全零初始化。
圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意
與CNN網(wǎng)絡(luò)一樣,卷積神經(jīng)網(wǎng)絡(luò)也需要大量預(yù)設(shè)樣本進(jìn)行訓(xùn)練。本研究使用的樣本數(shù)據(jù)來源于二維聲波模擬CMP道集計算的速度譜,標(biāo)簽數(shù)據(jù)是CMP道集零偏移距處對應(yīng)的時間域?qū)铀俣?。同時,為了增加訓(xùn)練模型的泛化能力,獲得適用性強(qiáng)的神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練樣本應(yīng)當(dāng)多樣化、隨機(jī)性強(qiáng)。
本文采用隨機(jī)生成速度模型的方式產(chǎn)生11000個速度模型,速度模型的地層數(shù)量、地層傾角、層速度均為隨機(jī)產(chǎn)生,其中地層數(shù)量為2~15,地層傾角為-60°~60°,層速度為1000~6500m/s,以確保生成樣本的隨機(jī)性。對每個生成的隨機(jī)速度模型(圖2a),采用聲波正演模擬方法生成對應(yīng)的CMP道集(圖2b),然后通過掃描疊加產(chǎn)生疊加速度譜(圖2c)作為訓(xùn)練輸入數(shù)據(jù)。同時為了增強(qiáng)訓(xùn)練集的抗噪性,在CMP道集中加入不同信噪比的隨機(jī)噪聲,然后生成對應(yīng)的速度譜,共獲得55000個訓(xùn)練樣本,我們使用50000個模擬數(shù)據(jù)進(jìn)行訓(xùn)練,剩余5000個作為測試。訓(xùn)練標(biāo)簽數(shù)據(jù)是每個CMP道集零偏移距處對應(yīng)的時間域?qū)铀俣?此時采用最大速度進(jìn)行歸一化處理,使所有的速度值變化范圍為0~1。
圖2 隨機(jī)訓(xùn)練樣本a 速度模型; b CMP道集; c 速度譜
我們使用TensorFlow構(gòu)建神經(jīng)網(wǎng)絡(luò),并在Ten-sorFlow進(jìn)行訓(xùn)練和測試。訓(xùn)練在一個臺式機(jī)上進(jìn)行,該機(jī)配置:4核CPU,32G內(nèi)存,1塊GTX1070Ti顯卡,8G顯存。訓(xùn)練的batch大小為128,采用隨機(jī)梯度下降法迭代求解,訓(xùn)練誤差迅速減少到4%以內(nèi)(圖3)。圖4給出了在遞增速度模型和倒轉(zhuǎn)速度模型驗證集上的測試結(jié)果??梢钥闯?測試集數(shù)據(jù)的期望輸出(藍(lán)色)與該數(shù)據(jù)采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型計算得到的速度模型(紅色)非常接近,CMP速度反演結(jié)果精度高,即使對于速度模型倒轉(zhuǎn)情況,也有很好的適用性,沒有出現(xiàn)過擬合現(xiàn)象,不過對于薄層的分辨率有待進(jìn)一步提高,這可能與第7層卷積網(wǎng)絡(luò)的神經(jīng)元太少有關(guān)。
圖3 訓(xùn)練誤差收斂曲線
圖4 驗證集層速度建模測試結(jié)果a 遞增速度模型測試結(jié)果; b 倒轉(zhuǎn)速度模型測試結(jié)果
以2D marmousi模型為基礎(chǔ),并添加一個遞增背景速度構(gòu)建速度模型,如圖5所示。共正演851炮,炮距為20m,每炮128道,道距40m,偏移距范圍為-2560~2520m,采樣點數(shù)為1000,采樣間隔為3ms,水平地表觀測。第一層速度在2500m/s左右,CMP范圍為874~2828。基于正演模擬得到的CMP道集(圖6a),常規(guī)方法利用商業(yè)軟件計算速度譜(圖6b)并人工拾取速度譜時間-速度對建立均方根速度模型;而本文訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型可以直接輸入速度譜(圖6c)自動計算時間域?qū)铀俣?然后利用Dix公式得到均方根速度模型。
圖5 測試速度模型
不同CDP處基于人工拾取的速度譜通過Dix公式得到的時間域?qū)铀俣?、深度學(xué)習(xí)方法得到的時間域?qū)铀俣纫约皹?biāo)準(zhǔn)模型時間域?qū)铀俣鹊膶Ρ热鐖D7所示。由圖7可以看出,深度學(xué)習(xí)方法得到的層速度與人工拾取方法得到的層速度整體趨勢一致,不過深度學(xué)習(xí)方法得到的層速度與標(biāo)準(zhǔn)模型層速度更加吻合,速度誤差更小,尤其是在復(fù)雜構(gòu)造地區(qū)和中深層區(qū)域的速度保持了很好的穩(wěn)定性。圖8給出了人工拾取時間-速度對建立的均方根速度模型和本文深度學(xué)習(xí)建立的均方根速度模型。由圖8可以看出,兩者中淺層比較接近,中下部差別較大,人工拾取時間-速度對建立的均方根速度模型明顯速度偏高。
圖6 正演模擬得到的CMP道集(a)及商業(yè)軟件生成的歸一化速度譜(b)和卷積神經(jīng)網(wǎng)絡(luò)輸入的歸一化速度譜(c)
圖7 不同位置處速度曲線對比a CDP251層速度曲線對比; b CDP421層速度曲線對比
圖9給出了采用圖8所示速度模型進(jìn)行疊前時間偏移得到的成像剖面。由圖9可以看出,兩種速度模型得到的疊前時間偏移剖面整體面貌比較接近,不過在復(fù)雜斷裂發(fā)育的模型中部區(qū)域,基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)速度模型偏移剖面聚焦性更好,繞射收斂效果明顯。圖10給出了采用圖8所示速度模型進(jìn)行疊前時間偏移得到的不同位置處的偏移道集。由圖10可以看出,兩種方法得到的道集同相軸的拉平效果相當(dāng),但是在復(fù)雜構(gòu)造區(qū)域,深度學(xué)習(xí)均方根速度模型對應(yīng)的成像道集更平。
圖8 均方根速度模型對比a 人工拾取均方根速度模型; b 深度學(xué)習(xí)均方根速度模型
圖9 不同速度模型得到的疊前時間偏移剖面a 人工拾取均方根速度模型得到的疊前時間偏移剖面; b 深度學(xué)習(xí)均方根速度模型得到的疊前時間偏移剖面
圖10 疊前時間偏移成像道集對比a 人工拾取均方根速度模型CIG251; b 深度學(xué)習(xí)均方根速度模型CIG251; c 人工拾取均方根速度模型CIG421; d 深度學(xué)習(xí)均方根速度模型CIG421
模型數(shù)據(jù)測試結(jié)果表明,與人工拾取時間-速度對建模方法相比,本文基于深度學(xué)習(xí)的自動化速度建模方法對復(fù)雜構(gòu)造區(qū)域的速度模型具有更好的適應(yīng)性。而且在建模效率方面,人工拾取用時26220s(每個CDP都拾取速度),自動化速度建模用時小于3600s,建模效率提升數(shù)百倍以上,具有非常明顯的優(yōu)勢,初步驗證了本文方法的有效性。
選擇東部某陸地三維工區(qū)的地震數(shù)據(jù)檢驗本文方法的應(yīng)用效果。該工區(qū)地形比較平緩,地下構(gòu)造復(fù)雜,火成巖廣泛發(fā)育。數(shù)據(jù)采集方式:震源距為200m,檢波點距為50m,經(jīng)過處理后的偏移距范圍為500~3000m,CDP范圍為1342~1782,共100條線。實際資料的CMP道集和歸一化后的速度譜如圖11所示。圖中CMP道集信噪比較低,速度譜的能量團(tuán)聚焦性差,淺層覆蓋次數(shù)太少,速度譜能量不集中,中深層受復(fù)雜噪聲影響能量團(tuán)非常分散,給人工拾取帶來了很大挑戰(zhàn)。
圖11 實際資料CMP道集(a)與歸一化后的速度譜(b)
圖12a和圖12b分別給出了人工拾取的均方根速度模型和采用本文方法建立的均方根速度模型;圖13 給出了采用不同均方根速度模型得到的疊前時間偏移剖面。由圖12和圖13可以看出,兩個均方根速度模型的整體速度分布特征一致,偏移效果整體相當(dāng),但本文方法建立的速度模型與偏移剖面構(gòu)造形態(tài)更加一致。圖14給出了不同建模方法在不同位置處的疊前時間偏移成像道集。由圖14可以看出,深度學(xué)習(xí)速度建模與人工拾取速度建模得到的成像道集拉平整體相當(dāng)。但在建模效率方面,深度學(xué)習(xí)速度建模在不到300s的時間內(nèi)就可以完成三維工區(qū)的均方根速度建模,而人工拾取往往耗費(fèi)幾個小時的時間。
圖12 采用人工拾取方法(a)和本文方法(b)建立的均方根速度模型
圖13 采用不同速度模型得到的疊前時間偏移剖面a 人工拾取方法建立的速度模型; b 本文方法建立的速度模型
圖14 不同建模方法在不同位置處的疊前時間偏移成像道集a 人工拾取速度建模CIG1450; b 深度學(xué)習(xí)速度建模CIG1450; c 人工拾取速度建模CIG1700; d 深度學(xué)習(xí)速度建模CIG1700
該實際資料的應(yīng)用結(jié)果表明,在復(fù)雜陸上探區(qū),本文提出的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)自動速度建模技術(shù)能夠克服復(fù)雜構(gòu)造和地震資料信噪比低的影響,建立更加符合地質(zhì)構(gòu)造特征的時間域?qū)铀俣饶P?具有一定的應(yīng)用前景。
本文介紹了多層卷積神經(jīng)網(wǎng)絡(luò)模型,設(shè)計了大規(guī)模隨機(jī)模型訓(xùn)練集,將速度譜作為輸入數(shù)據(jù),將時間域?qū)铀俣茸鳛闃?biāo)簽數(shù)據(jù),形成了能夠適應(yīng)復(fù)雜地區(qū)低信噪比地震資料的自動化速度建模神經(jīng)網(wǎng)絡(luò)。
將速度譜整體作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù),避免了拾取復(fù)雜構(gòu)造地區(qū)速度譜能量團(tuán)的時間-速度對,克服了常規(guī)速度分析水平層狀介質(zhì)假設(shè)的限制,同時消除了地震波形差異對速度估計的影響,增加了卷積神經(jīng)網(wǎng)絡(luò)自動速度建模的泛化能力。
將時間域?qū)铀俣茸鳛闃?biāo)簽數(shù)據(jù),增強(qiáng)了地震數(shù)據(jù)和速度模型的空間匹配,更有利于神經(jīng)網(wǎng)絡(luò)建立速度譜和層速度之間的映射關(guān)系,加速神經(jīng)網(wǎng)絡(luò)模型的收斂速度。
卷積神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)數(shù)據(jù)降維和特征抽取,克服“維數(shù)災(zāi)難”,增加建模的穩(wěn)定性。然而,過度壓縮往往導(dǎo)致必要建模信息的缺失,進(jìn)而引起薄層信息難以恢復(fù)。下一步的工作重點是優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu),提高深度學(xué)習(xí)自動化速度建模的精度并進(jìn)行大規(guī)模的實用化測試。
致謝:感謝中國石油化工股份有限公司石油物探技術(shù)研究院鄭浩、張林、宋林在技術(shù)試驗階段所做的工作!