針對(duì)傳統(tǒng)地震相分析方法難以有效表征地震相與地震數(shù)據(jù)間復(fù)雜的非線(xiàn)性映射關(guān)系,而人工解釋工作強(qiáng)度大、效率低的問(wèn)題,進(jìn)行了基于深度卷積神經(jīng)網(wǎng)絡(luò)模型開(kāi)展了地震相的智能識(shí)別技術(shù)研究。首先根據(jù)鉆井解釋和專(zhuān)家知識(shí)兩種方式構(gòu)建了地震相的訓(xùn)練樣本庫(kù),之后利用Tensorflow深度學(xué)習(xí)框架開(kāi)展了網(wǎng)絡(luò)參數(shù)尋優(yōu),再利用搭建好的網(wǎng)絡(luò)模型進(jìn)行了實(shí)際資料的訓(xùn)練和預(yù)測(cè)。測(cè)試結(jié)果表明,利用CNN構(gòu)建的河流相模型,預(yù)測(cè)成功率高于75%。因此,深度卷積網(wǎng)絡(luò)不僅可以很好地保持地震數(shù)據(jù)結(jié)構(gòu)特征,還可以基于多層網(wǎng)絡(luò)結(jié)構(gòu)挖掘數(shù)據(jù)中更深層的特征來(lái)提高地震相識(shí)別結(jié)果的可靠性,印證了該技術(shù)在地震相識(shí)別中的巨大應(yīng)用潛力。 

【文章來(lái)源】：物探化探計(jì)算技術(shù). 2020,42(04)

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 深度卷積神經(jīng)網(wǎng)絡(luò)基本理論
2 在地震相識(shí)別中的應(yīng)用
    2.1 地震相訓(xùn)練數(shù)據(jù)集的構(gòu)建
    2.2 深度學(xué)習(xí)框架選擇及關(guān)鍵參數(shù)設(shè)置
        2.2.1 樣本輸入?yún)?shù)設(shè)置
        2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.3批尺寸(Batch_Size)
        2.2.4 學(xué)習(xí)率設(shè)定
        2.2.5 權(quán)重及偏置初始化
    2.3 模型效果分析
3 結(jié)論及展望



本文編號(hào)：3639092