摘要：地震相是不同沉积体系的各级界面、岩相在地震剖面上的综合体现。地震相识别通常是借助地震反射波组特征及其形态进行划分,但传统的地震相识别主要依靠人工完成,效率低下。机器学习的出现推动了地震相自动识别的进程。但常规的无监督学习方法获得的地震相识别效果精度低,有监督学习方法又依赖于大量的标签数据,为基于机器学习或深度学习的地震相自动识别的推广应用带来困难。研究提出一种半监督深度学习网络完成地震相自动识别,主要包括两个结构,分别是分类网络和分割网络。首先,将有标签数据输入到分类网络中,随后对分割网络中的每个识别的标签执行二值分割,通过跳跃链接获得不同相的特征,从而减少分割网络的搜索空间,最终完成半监督学习。该方法可以充分挖掘无标签数据中包含的地震相特征,同时还能通过有标签样本建立挖掘到的特征与地震相类型之间的关系,提高了地震相识别的精度,还能克服传统监督学习对大量标签的依赖。将该方法应用于实际算例中,验证了方法的有效性河可靠性,与常规有监督学习方法相比,识别效率更高,可靠性更强。

关键字：地震相;半监督学习;深度学习;图像分割;沉积相

ISSN号：无

卷、期、页：第五届油气地球物理学术年会论文集

发表日期：2023-04-19

期刊分区（SCI为中科院分区）：无

收录情况：国内学术会议论文集

发表期刊名称：第五届油气地球物理学术年会论文集

通讯作者：赵冀川

第一作者：陈双全

论文类型：会议论文

论文概要：赵冀川,陈双全，基于半监督深度学习的地震相自动识别，第五届油气地球物理学术年会论文集，2023，第五届油气地球物理学术年会论文集

论文题目：基于半监督深度学习的地震相自动识别