有监督深度学习的地震资料提高分辨率处理方法OA北大核心CSTPCD
High-resolution seismic data processing method based on supervised deep learning
地震资料分辨率直接影响后续处理和解释成果精度因此备受关注.深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用.在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率.目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数.为此,提出一种基于强监督学习的地震资料高分辨率处理方法.该方法充分利用地下结构的空间…查看全部>>
The resolution of seismic data directly influences the subsequent processing and interpretation preci-sion,thus attracting considerable attention.Deep learning is widely used in solving reverse problems due to its capacity for automatic extraction of deep features and excellent nonlinear approximation.In the field of seismic exploration,the convolution operators in deep convolutional networks are consistent with the convolutional model of seismic data,which …查看全部>>
李斐;牛文利;刘达伟;王永刚;黄研
长庆油田勘探开发研究院,陕西西安 710018西安交通大学电子与信息学部,陕西西安 710064西安交通大学电子与信息学部,陕西西安 710064长庆油田勘探开发研究院,陕西西安 710018长庆油田勘探开发研究院,陕西西安 710018
地质学
有监督深度学习多尺度结构相似性损失L1损失生成对抗网络图像超分辨率重建
supervised deep learningmulti-scale structural similarity loss(MS-SSIM)L1 loss functiongenera-tive adversarial networkimage super-resolution reconstruction
《石油地球物理勘探》 2024 (4)
702-713,12
本项研究受国家自然科学基金面上项目"基于频率空间域信号子空间优化的叠前地震资料噪声压制方法"(42374135)和中国石油集团重大专项"致密砂岩气藏提高采收率关键技术研究"(2023ZZ25)联合资助.
评论