地震分辨率通过一个连续的卷积神经网络来改善

科学领域:

• 地质物理学 地质物理学
• 道工程 道工程是指道工程.
• 人工智能的人工智能

背景情况:

• 薄层软岩层是导致道变形的首要原因.
• 在地质勘探期间准确检测这些薄层对于有效的道设计和缓解策略至关重要.
• 传统的地震方法缺乏必要的准确性,无法精确地检测薄床.

研究的目的:

• 开发一种高分辨率 (HR) 地震信号处理方法,以改进薄层岩石检测.
• 建立一个深度学习模型,能够将低分辨率 (LR) 地震数据增强为HR地震数据.
• 通过实际的地震数据验证拟议方法的有效性,用于地质预测.

主要方法:

• 使用前建模生成了低分辨率 (LR) 和高分辨率 (HR) 地震数据的深度学习数据集.
• 一个一维的顺序卷积神经网络 (1D SCNN) 架构被设计用于映射LR到HR的地震序列.
• 在准备好的数据集上训练了SCNN模型,并应用于后堆和前堆的地震数据.

主要成果:

• 经过训练的HR地震处理模型在将LR地震数据转换为HR时取得了很高的准确性.
• 该方法有效地提高了地震分辨率,并恢复了高频地震能量.
• 增强的地震数据可以更好地识别薄层岩石.

结论:

• 提出的基于SCNN的HR地震处理方法显著提高了检测薄层岩石的能力.
• 这种先进的地质预测技术为规划和实施防止道变形的措施提供了可靠的基础.
• 该方法在现实世界的地震数据上证明了其实际适用性和有效性.