-
Abstract:
（目的）近些年来，深度学习方法在地震数据处理和解释领域得到了广泛关注和应用，其中大多数深度学习算法采用了端到端的深度卷积神经网络以实现地质体特征的提取与识别(如地层、断裂以及盐丘等)。然而，这些算法往往含有数十万甚至百万的可训练参数，导致模型存在参数冗余、训练效率低等问题。为了解决上述问题，本文构建了一个轻量化的双向多尺度网络结构模型用于地震层序智能识别。（方法）该模型通过两阶段神经网络体系结构搜索算法(Neural Architecture Search，NAS)剔除了双向多尺度网络结构的冗余连接，使得网络结构大幅简化，从而减少参数冗余，进而提高训练效率。本文采用荷兰近海地区的F3地震数据集对基于NAS算法简化的双向多尺度网络结构地层识别模型进行训练、验证和预测。（结果）结果表明，在实际的地层识别任务中，该轻量化模型的平均识别准确率达到了95.52%，并对远离训练工区的预测集具有良好的泛化性。此外，该模型的参数量仅为U形卷积神经网络(U-Net)模型的4.4%，在训练效率、模型参数量等方面优于前人的相关研究工作；并对地震振幅中的噪声具有鲁棒性。（结论）因此，这些结果展现了BiX-NAS网络模型在实际地震地层自动识别中良好的应用前景。
-
点击查看大图
计量
- 文章访问数: 329
- HTML全文浏览量: 43
- PDF下载量: 59
- 被引次数: 0
下载:
