基于小样本卷积神经网络的主动源地震初至拾取方法
编号：63
稿件编号：1333 访问权限：仅限参会人
更新：2021-06-07 16:25:28 浏览：808次
口头报告
摘要
地震成像结果的准确性取决于初至到时的拾取精度，而人工挑选初至会极大地增加生产成本。前人研究表明深度学习可以应用于初至的自动拾取，然而传统的深度学习方法往往需要大量人工挑选的初至作为神经网络的训练集。文章利用U型卷积神经网络拾取单炮多道P波初至，结果表明P波初至拾取的均方根误差会随着训练集数量的增加而减少，训练集采用35炮和597炮数据时对应的均方根误差分别为11.4和6.5ms。文章参考半监督学习中数据增强方法，选取适合主动源数据的增强方法用于拓展训练集。结果显示，以人工拾取总数据量的5%（35炮）作为小样本并进行有效数据增强操作后，实现了均方根误差在5.5ms（约3个采样点）以内，比未经增强的误差减少51%。与传统的深度学习方法相比，文章应用的数据增强方法可以在小样本的情况下实现主动源地震初至的高精度拾取。
关键字
初至拾取,深度学习,Dense-U-Net,小样本训练集,均方根误差
发表评论