文献类型： 中文期刊

作者： 李建平 ¹ ; 张硕伟 ¹ ; 丁仁伟 ¹ ; 麻晓敏 ¹ ; 赵俐红 ¹ ; 赵硕 ¹ ;

作者机构： 1.山东科技大学地球科学与工程学院;山东省物化探勘查院;海洋矿产资源评价与探测技术功能实验室青岛海洋科学与技术国家实验室

关键词： 初至拾取;U-Net;残差学习模块;亚像素卷积方法;SD-Net;迁移学习

期刊名称： 石油地球物理勘探

ISSN： 1000-7210

年卷期： 2023 年 02 期

页码： 251-262

收录情况： EI ; 北大核心 ; CSCD

摘要： 针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。