• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)的地震速度譜自動(dòng)拾取研究

    2022-12-03 09:36:18崔家豪楊平王洪強(qiáng)邊策胡揚(yáng)潘海俠
    地球物理學(xué)報(bào) 2022年12期
    關(guān)鍵詞:人工能量自動(dòng)

    崔家豪,楊平,王洪強(qiáng),邊策,胡揚(yáng),潘海俠*

    1 北京航空航天大學(xué)軟件學(xué)院,北京 100191 2 中國(guó)石油天然氣集團(tuán)東方地球物理勘探有限責(zé)任公司,河北涿州 072750

    0 引言

    疊加速度分析是常規(guī)地震數(shù)據(jù)處理中的重要環(huán)節(jié)之一,也是層析反演、疊前偏移、阻抗反演和全波形反演等初始速度模型建立的基礎(chǔ)(潘宏勛等,2008;Taner and Koehler,2012).由于拾取疊加速度需要考慮地震噪聲、多次波、繞射波和構(gòu)造復(fù)雜性等諸多因素的影響(戴曉峰等,2020),因此拾取工作需要具有豐富地震處理經(jīng)驗(yàn)和地質(zhì)學(xué)術(shù)背景的人員來(lái)完成.隨著石油勘探技術(shù)的不斷進(jìn)步,地震數(shù)據(jù)的規(guī)模和復(fù)雜性在近些年來(lái)一直在不斷增長(zhǎng),而傳統(tǒng)人工能量團(tuán)識(shí)別與疊加速度拾取的工作模式容易受拾取標(biāo)準(zhǔn)不一致及人為因素干擾而產(chǎn)生誤差,難以滿(mǎn)足實(shí)際生產(chǎn)過(guò)程中對(duì)拾取精度和效率的要求.如何從速度譜中自動(dòng)拾取疊加速度成為該行業(yè)面臨的挑戰(zhàn)之一.當(dāng)前速度譜自動(dòng)拾取的方法主要包括優(yōu)化搜索方法和機(jī)器學(xué)習(xí)方法.

    基于優(yōu)化搜索的方法是在層速度約束條件下,采用迭代或搜索算法尋找地質(zhì)上合理的速度模型.算法以層速度作為初始模型,通過(guò)反演的方式來(lái)得到最優(yōu)的速度模型.Toldi(1989)最先提出基于速度譜中疊加能量的自動(dòng)速度拾取方法.Zhang(1991)將Viterbi算子引入到地震資料處理中并解決了關(guān)于拾取的一些問(wèn)題,林年添等(2013)對(duì)該方法進(jìn)行了改進(jìn),將用于圖像處理的光順技術(shù)引用到速度譜能量團(tuán)曲面的處理環(huán)節(jié),借以提高速度譜的分辨率,然后再通過(guò)Viterbi算法自動(dòng)搜索及獲取最優(yōu)解.Lumley(1997)和陳志德等(2002)提出了一種利用蒙特卡洛方法對(duì)初始速度加以隨機(jī)擾動(dòng)來(lái)自動(dòng)拾取層速度.Almarzoug和Ahmed(2012)將速度拾取視為變分問(wèn)題,通過(guò)有限差分法求解最優(yōu)拾取軌跡.Leite和Vieira(2019)將非線(xiàn)性?xún)?yōu)化方法應(yīng)用于速度拾取中,在滿(mǎn)足邊界條件的前提下設(shè)置合理的搜索帶寬,然后運(yùn)行非線(xiàn)性函數(shù)智能拾取.Li和Biondi(2009)以及Oliveira等(2013)分別將模擬退火算法和遺傳算法應(yīng)用于速度拾取中.這些方法在獲取相對(duì)簡(jiǎn)單地質(zhì)體的速度時(shí)已經(jīng)取得了一定的效果,但是對(duì)于橫向速度突變的地區(qū)拾取準(zhǔn)確性相對(duì)不高,且需要過(guò)多設(shè)置算法超參數(shù)、初始化模型,這并不能實(shí)現(xiàn)完全的自動(dòng)取速過(guò)程.

    基于機(jī)器學(xué)習(xí)的方法是通過(guò)學(xué)習(xí)速度譜中能量團(tuán)的特征來(lái)獲取疊加速度.在近期的研究中,Huang和Yang(2015)采用Hopfield神經(jīng)網(wǎng)絡(luò)(Hopfield Neural Network,HNN)對(duì)速度譜圖像中的速度進(jìn)行自動(dòng)拾取.Smith(2017)和Song等(2018)將基于無(wú)監(jiān)督學(xué)習(xí)的聚類(lèi)分析技術(shù)應(yīng)用于速度譜自動(dòng)拾取過(guò)程中.該方法依據(jù)不同的屬性將速度譜劃分為若干個(gè)類(lèi)別,每個(gè)類(lèi)別中的數(shù)據(jù)具有一些共同的特征,通常根據(jù)某種距離度量進(jìn)行分組,然后將聚類(lèi)中心映射為正確的“時(shí)間-速度”對(duì).K-means聚類(lèi)是最常用的聚類(lèi)方法之一(Hung et al.,2013;Ahmad and Hashmi,2016),該算法使用歐幾里得距離度量將每個(gè)數(shù)據(jù)點(diǎn)分配到最近的聚類(lèi)中心.對(duì)于每個(gè)聚類(lèi)中心,計(jì)算分配給它的所有數(shù)據(jù)點(diǎn)的平均值,這個(gè)平均值成為聚類(lèi)中心的新位置,每個(gè)聚類(lèi)的聚類(lèi)中心即為我們所要拾取的疊加速度點(diǎn).然而傳統(tǒng)的K-means聚類(lèi)方法容易受到離群點(diǎn)的影響,使得聚類(lèi)中心偏離主要數(shù)據(jù)區(qū)域.Liu等(2018)提出了一種相似加權(quán)K-means聚類(lèi)的新方法,該方法對(duì)不同信噪比的數(shù)據(jù)點(diǎn)賦予不同的權(quán)值,使聚類(lèi)中心更接近權(quán)重大的數(shù)據(jù)點(diǎn).由于不同速度譜所需拾取的能量團(tuán)個(gè)數(shù)不一致,Chen和Schuster(2018)以及王迪等(2021)新提出了一種自底向上的策略來(lái)實(shí)現(xiàn)K-means迭代過(guò)程,該方法可以逐步迭代找到聚類(lèi)類(lèi)別最少的聚類(lèi)分布.除此之外,加速聚類(lèi)算法(Zhang and Lu,2016)以及DBSCAN聚類(lèi)(Schubert et al.,2017;Bin Waheed et al.,2019)也被應(yīng)用于智能速度譜解釋過(guò)程中.然而傳統(tǒng)機(jī)器學(xué)習(xí)方法也存在一些問(wèn)題,如易受到噪聲和離群點(diǎn)影響,部分拾取點(diǎn)偏離主要數(shù)據(jù)區(qū)域,進(jìn)而影響到速度拾取精度.近年來(lái),隨著計(jì)算機(jī)性能的提高,應(yīng)用深度學(xué)習(xí)方法拾取疊加速度的研究越來(lái)越多.Ma等(2018)以及Biswas(2018)和Fabien-Ouellet等(2020)分別采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)來(lái)拾取速度譜中的疊加速度.在信噪比較高的工區(qū)中,以上深度學(xué)習(xí)方法可以提高疊加速度的拾取精度,但對(duì)于信噪比低的工區(qū),速度拾取的準(zhǔn)確性不足且受到噪聲的干擾比較大.

    為了有效解決速度拾取準(zhǔn)確率不高的問(wèn)題,本文提出了一種深度學(xué)習(xí)的方法.該方法將速度譜視為圖像進(jìn)行處理,結(jié)合目標(biāo)任務(wù)特點(diǎn)改進(jìn)了基于卷積神經(jīng)網(wǎng)絡(luò)的FCOS目標(biāo)檢測(cè)模型(Tian et al.,2019)用于速度譜中疊加速度的自動(dòng)拾取.與傳統(tǒng)的目標(biāo)檢測(cè)網(wǎng)絡(luò)不同,改進(jìn)后的FCOS檢測(cè)器具有以下優(yōu)點(diǎn):①顯著減少了設(shè)計(jì)參數(shù)的數(shù)目,一方面提升了對(duì)能量團(tuán)檢測(cè)的識(shí)別效果,同時(shí)構(gòu)建的混合損失函數(shù)增強(qiáng)了模型對(duì)能量團(tuán)檢測(cè)的敏感度,使得能量團(tuán)識(shí)別和疊加速度拾取僅通過(guò)深度學(xué)習(xí)模型即可完成,保證了識(shí)別和拾取處理結(jié)果的一致性.②由于預(yù)測(cè)目標(biāo)為疊加速度點(diǎn),每個(gè)點(diǎn)在速度譜上的邊界框具有固定的大小,使用改進(jìn)后的FCOS可直接對(duì)邊界框進(jìn)行回歸,從而避免了復(fù)雜的計(jì)算,極大地減小了內(nèi)存占用并使得訓(xùn)練速度更快.

    另外,當(dāng)?shù)卣鹳Y料受多次波干擾較強(qiáng)時(shí),除去一次波反射能量團(tuán)以外,多次波也能形成能量團(tuán),尤其當(dāng)多次波與一次波速度相差較大時(shí),速度譜能量團(tuán)聚焦特征變差,在同一時(shí)刻出現(xiàn)多個(gè)能量團(tuán).由于能量團(tuán)較為分散,改進(jìn)后的FCOS模型只能夠拾取到近地表淺層的疊加速度,對(duì)于地下深層區(qū)間的疊加速度僅通過(guò)單一的FCOS模型未能有效識(shí)別,因此在處理低信噪比探區(qū)時(shí)本文在FCOS后又加入基于深度神經(jīng)網(wǎng)絡(luò)(DNN)的線(xiàn)性回歸模型以擬合出全局速度曲線(xiàn).我們從方法原理及模型訓(xùn)練與測(cè)試等角度闡述了本文方法的操作流程,并應(yīng)用Ma等(2018)提出的傳統(tǒng)的CNN方法與本文方法處理相同的數(shù)據(jù)集來(lái)對(duì)比驗(yàn)證本文方法的有效性.模型和實(shí)際地震數(shù)據(jù)的測(cè)試結(jié)果表明該網(wǎng)絡(luò)模型準(zhǔn)確度較高,模型魯棒性強(qiáng),能夠較好的實(shí)現(xiàn)對(duì)復(fù)雜工區(qū)的速度譜中疊加速度的自動(dòng)拾取.

    1 方法原理

    1.1 模型整體結(jié)構(gòu)設(shè)計(jì)

    結(jié)合目標(biāo)任務(wù)特點(diǎn)設(shè)計(jì)的滿(mǎn)足上述需求的網(wǎng)絡(luò)模型的整體設(shè)計(jì)流程如圖1所示.該模型分為卷積神經(jīng)網(wǎng)絡(luò)和線(xiàn)性回歸網(wǎng)絡(luò)兩部分.首先對(duì)包含速度譜圖像及其標(biāo)簽數(shù)據(jù)的數(shù)據(jù)集進(jìn)行處理使其滿(mǎn)足網(wǎng)絡(luò)的輸入要求,然后將標(biāo)簽數(shù)據(jù)集輸入到基于CNN的FCOS模型中提取能量團(tuán)的特征并計(jì)算能量團(tuán)的位置.該模型能夠?qū)μ崛〉降亩喑叨忍卣鬟M(jìn)行融合,從而提升能量團(tuán)檢測(cè)精度.卷積神經(jīng)網(wǎng)絡(luò)階段輸出的中間結(jié)果為預(yù)測(cè)的“時(shí)間-速度”對(duì)序列.受多次波及噪聲等影響,速度譜圖像中存在信噪比較低且能量團(tuán)不夠聚焦的區(qū)域,在該區(qū)域FCOS模型只能完成淺層區(qū)域內(nèi)疊加速度的自動(dòng)拾取.針對(duì)這一情況我們引入人工判別機(jī)制,當(dāng)預(yù)測(cè)結(jié)果滿(mǎn)足拾取要求時(shí),可直接輸出中間結(jié)果為最終的智能拾取結(jié)果;當(dāng)預(yù)測(cè)結(jié)果不能滿(mǎn)足拾取要求時(shí),需要加入基于DNN的線(xiàn)性回歸模型來(lái)擬合出能量團(tuán)聚焦特性較差區(qū)域的速度曲線(xiàn).本章2、3小節(jié)分別對(duì)FCOS和線(xiàn)性回歸網(wǎng)絡(luò)展開(kāi)詳細(xì)介紹.

    圖1 模型整體設(shè)計(jì)流程圖Fig.1 Overall design flow chart of the model

    1.2 FCOS網(wǎng)絡(luò)結(jié)構(gòu)與工作原理

    本文針對(duì)能量團(tuán)結(jié)構(gòu)復(fù)雜、體積小,在速度譜中難以檢測(cè)等難點(diǎn)對(duì)FCOS網(wǎng)絡(luò)進(jìn)行了改進(jìn),改進(jìn)后的模型更適用于識(shí)別和定位速度譜中能量團(tuán)的位置.如圖2所示,首先通過(guò)一個(gè)卷積層和一個(gè)最大池化層將原始圖片轉(zhuǎn)化為特征圖.卷積操作(Convolution)采用卷積核提取能量團(tuán)的特征,該操作能突破傳統(tǒng)機(jī)器學(xué)習(xí)方法的限制,通過(guò)共享多個(gè)卷積核的權(quán)值,來(lái)學(xué)習(xí)每張速度譜圖片的局部信息,并用于構(gòu)建抽象特征圖譜.卷積核共享特性大大降低了訓(xùn)練網(wǎng)絡(luò)所需的參數(shù)量.最大池化操作(Maxpooling)將卷積處理后生成的特征圖劃分為若干個(gè)矩形區(qū)域,對(duì)每個(gè)子區(qū)域輸出最大值,從而有效的壓縮數(shù)據(jù)空間的大小,避免在模型訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合.然后將最大池化操作產(chǎn)生的特征圖輸入到4級(jí)降采樣(Down-sample)模塊中,每一級(jí)包含有若干個(gè)降采樣過(guò)程,用于逐級(jí)提取數(shù)據(jù)特征.降采樣模塊的設(shè)計(jì)可以降低特征的維度并保留有效信息,一定程度上減少了計(jì)算量,有效解決了傳統(tǒng)CNN網(wǎng)絡(luò)隨層數(shù)的加深容易出現(xiàn)的梯度爆炸或梯度消失等問(wèn)題.選用1×1大小的卷積核對(duì)第4級(jí)降采樣模塊輸出的特征圖進(jìn)行卷積操作,得到P5特征層.然后使用步長(zhǎng)為2大小為3×3的卷積核對(duì)P5特征層進(jìn)行兩次降采樣得到P6、P7特征層.同時(shí)對(duì)P5特征層進(jìn)行兩次上采樣(Up-sample),上采樣階段通過(guò)轉(zhuǎn)置卷積操作(Deconvolution)來(lái)提升特征圖的大小.分別將上采樣后得到的高層特征與對(duì)應(yīng)的殘差網(wǎng)絡(luò)模塊相同放大倍數(shù)的低層特征進(jìn)行融合(Concatenate)得到P3、P4特征層,融合操作可將低層次的細(xì)節(jié)信息與高層次的語(yǔ)義信息結(jié)合到一起,從而使特征提取更完備.通過(guò)上述操作可在5個(gè)不同尺寸的特征層上進(jìn)行目標(biāo)檢測(cè),從而實(shí)現(xiàn)對(duì)較小目標(biāo)與多尺度目標(biāo)的準(zhǔn)確識(shí)別.本文中卷積層和上采樣層均采用ReLU非線(xiàn)性激活函數(shù),并在卷積階段對(duì)圖像的邊緣進(jìn)行填充,使邊緣信息提取更加充分.

    圖2 FCOS結(jié)構(gòu)圖左側(cè)降采樣模塊用于逐層提取特征;中間部分進(jìn)行多尺度特征融合;右側(cè)是多個(gè)共享權(quán)重的FCOS檢測(cè)頭.參數(shù)含義:通道數(shù)Channel和降采樣率Down-sample Rate(標(biāo)注于每層左側(cè)),H×W×C表示圖像的高×寬×通道數(shù).Fig.2 FCOS structure diagramThe left Up-sample module is used to extract features layer by layer;Multi-scale feature fusion was performed in the middle part;On the right are multiple FCOS detection heads with shared weights.Parameter meaning:Channel number and Down-sample Rate (marked on the left of each layer).H×W×C represents the height × width × number of channels of the image.

    FCOS的檢測(cè)模塊總體分為類(lèi)別判斷分支(Classification)與位置回歸分支(Regression),它作用在特征融合后的多個(gè)不同層級(jí)的特征圖上,同時(shí)這些檢測(cè)模塊的權(quán)值共享.模型的損失函數(shù)如(1)式展示:

    (1)

    (2)

    (3)

    整體損失函數(shù)由類(lèi)別損失Lcls與位置損失Lreg組成.對(duì)于類(lèi)別損失,采用交叉熵?fù)p失(focal loss)的設(shè)計(jì),其含義為目標(biāo)與預(yù)測(cè)值之間概率分布的距離,交叉熵越小,概率分布越接近.它能夠較好地解決樣本不均衡問(wèn)題.對(duì)于位置損失,采用交并比損失(IOU loss)的設(shè)計(jì),其含義為預(yù)測(cè)框與標(biāo)注框的交集與并集的比值,它能夠編碼空間相關(guān)性信息輔助更加準(zhǔn)確地定位.

    1.3 線(xiàn)性回歸網(wǎng)絡(luò)結(jié)構(gòu)與工作原理

    在不考慮速度倒轉(zhuǎn)的情況下疊加速度會(huì)隨著時(shí)間的增大而增大,在處理能量團(tuán)聚焦特性較差的速度譜時(shí),經(jīng)驗(yàn)較為豐富的專(zhuān)家一般會(huì)根據(jù)拾取到的淺層疊加速度的線(xiàn)性趨勢(shì)來(lái)完成對(duì)較深地層中疊加速度的拾取.而僅僅依靠單個(gè)目標(biāo)檢測(cè)網(wǎng)絡(luò)很難處理復(fù)雜地質(zhì)體條件下的能量團(tuán)識(shí)別問(wèn)題.為了完善本文的算法方案,我們?cè)贔COS模型的基礎(chǔ)上設(shè)計(jì)了一個(gè)線(xiàn)性回歸網(wǎng)絡(luò),其本質(zhì)為深度神經(jīng)網(wǎng)絡(luò)(DNN)模型.該網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層等層級(jí)結(jié)構(gòu)組成(圖3),可通過(guò)學(xué)習(xí)淺層區(qū)域內(nèi)疊加速度的線(xiàn)性趨勢(shì)來(lái)完成對(duì)較深地層中疊加速度的預(yù)測(cè).網(wǎng)絡(luò)的輸入為FCOS模型自動(dòng)拾取的“時(shí)間-速度”對(duì),隱藏層由若干個(gè)全連接層構(gòu)成,全連接層的作用為擬合經(jīng)插值處理后形成的全局速度曲線(xiàn),其前向計(jì)算公式為

    (4)

    (5)

    使用ReLU激活函數(shù)可以克服訓(xùn)練過(guò)程中出現(xiàn)的梯度消失等問(wèn)題,加快訓(xùn)練速度.損失函數(shù)采用l2Loss,其形式如下:

    Loss(z[l],y)=0.5×(z[l]-y)2,

    (6)

    式中y表示網(wǎng)絡(luò)的輸入值,z[l]表示第l層輸出的數(shù)值矩陣.全連接層的反向傳播過(guò)程如下:

    dx=?Loss/?u,

    (7)

    其中u表示任意變量,包括z,x,W,b等.通過(guò)一系列前向和反向傳播過(guò)程來(lái)不斷更新網(wǎng)絡(luò)模型的參數(shù),直到Loss層的梯度保持平穩(wěn)不再下降.網(wǎng)絡(luò)最后一層采用sigmoid激活函數(shù)進(jìn)行二分類(lèi)任務(wù),使輸出轉(zhuǎn)換為0~1之間的概率分布,公式表示如下:

    (8)

    圖3 線(xiàn)性回歸網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Linear fitting network structure diagram

    2 實(shí)驗(yàn)與結(jié)果分析

    為了驗(yàn)證提出方法的可行性,采用Marmousi模型數(shù)據(jù)和兩個(gè)實(shí)際探區(qū)數(shù)據(jù)對(duì)本文方法進(jìn)行測(cè)試.在訓(xùn)練階段采用小批量梯度下降法,我們?cè)O(shè)置batchsize為2,其含義為進(jìn)行一次訓(xùn)練所抓取的數(shù)據(jù)集樣本數(shù)量.訓(xùn)練過(guò)程中以一個(gè)batchsize為最小結(jié)構(gòu)單元進(jìn)行損失函數(shù)計(jì)算和參數(shù)梯度更新,并采用雙線(xiàn)程計(jì)算以提升程序的運(yùn)行效率.實(shí)驗(yàn)選取Adam算法來(lái)解決參數(shù)更新過(guò)程中的優(yōu)化問(wèn)題,基礎(chǔ)學(xué)習(xí)率設(shè)置為0.01,共計(jì)訓(xùn)練24個(gè)輪次,分別在第8輪和第11輪進(jìn)行學(xué)習(xí)率衰減,權(quán)重衰減系數(shù)設(shè)置為0.0001.實(shí)驗(yàn)應(yīng)用Pytorch深度學(xué)習(xí)框架,并使用GPU來(lái)加速訓(xùn)練過(guò)程.

    本文使用平均準(zhǔn)確度均值(mAP)來(lái)評(píng)估目標(biāo)檢測(cè)器的有效性,mAP的計(jì)算方法如公式(9)—(10)所示:

    (9)

    (10)

    其中P表示精準(zhǔn)度,其含義為所有預(yù)測(cè)為正樣本的樣本中正樣本所占比例;R表示召回率,其含義為正樣本被預(yù)測(cè)正確的比例.TP表示既是正樣本又被預(yù)測(cè)為正樣本的個(gè)數(shù);FP表示負(fù)樣本被預(yù)測(cè)為正樣本的個(gè)數(shù);FN表示正樣本被預(yù)測(cè)為負(fù)樣本的個(gè)數(shù).精準(zhǔn)度和召回率始終處于矛盾的狀態(tài),當(dāng)其中一個(gè)增高,必然意味著另一個(gè)降低.以PR為橫縱坐標(biāo)建立坐標(biāo)系,AP(Average Precision)計(jì)算方法為PR曲線(xiàn)下覆蓋的面積,所有類(lèi)別的AP進(jìn)行平均,得到的即為mAP (mean Average Precision).對(duì)于目標(biāo)檢測(cè)器的評(píng)估方法,其mAP越高,檢測(cè)方法越有效.

    2.1 模型數(shù)據(jù)

    首先應(yīng)用二維的Marmousi模型對(duì)本文方法進(jìn)行測(cè)試,從該模型中等間隔抽取了900道作為本次測(cè)試的真實(shí)層速度場(chǎng)(圖4).選用主頻為35 Hz的雷克子波通過(guò)聲波波動(dòng)方程有限差分法對(duì)該速度模型正演得到一系列CMP道集,然后對(duì)CMP道集進(jìn)行速度掃描,共計(jì)算得到900張速度譜圖像.再經(jīng)由專(zhuān)家來(lái)人工拾取速度譜中的疊加速度,并從某商業(yè)軟件中導(dǎo)出統(tǒng)一大小的速度譜圖像及其對(duì)應(yīng)的疊加速度做為標(biāo)簽數(shù)據(jù).將數(shù)據(jù)集按8∶1∶1分為訓(xùn)練集、驗(yàn)證集和測(cè)試集三部分,用于訓(xùn)練速度譜識(shí)別模型并對(duì)該方法進(jìn)行檢驗(yàn).在訓(xùn)練階段使用梯度反向傳播的方法來(lái)不斷地更新優(yōu)化Loss函數(shù),并使用mAP來(lái)衡量檢測(cè)模型在驗(yàn)證集上精度表現(xiàn)的優(yōu)劣,實(shí)驗(yàn)結(jié)果如圖5所示.

    圖4 層速度場(chǎng)模型Fig.4 Interval velocity model

    從圖5中可以看出通過(guò)梯度反向傳播的方式來(lái)不斷地更新和優(yōu)化Loss后,本文方法相較傳統(tǒng)CNN方法得到的Loss曲線(xiàn)更為收斂,且應(yīng)用本文方法訓(xùn)練的目標(biāo)檢測(cè)器在Marmousi數(shù)據(jù)集上的mAP精度最高為74.1,而傳統(tǒng)CNN方法在Marmousi數(shù)據(jù)集上的mAP精度最高僅為54.5.上述結(jié)果驗(yàn)證了本文方法在速度譜能量團(tuán)檢測(cè)上的有效性.

    選擇訓(xùn)練好的FCOS模型對(duì)測(cè)試集中的速度譜圖片進(jìn)行預(yù)測(cè).圖6(a,b)分別展示了應(yīng)用傳統(tǒng)CNN方法及本文方法拾取的疊加速度和真實(shí)均方根速度的對(duì)比.從圖中可以看出在淺層區(qū)間不存在多次波的干擾,能量團(tuán)集中在一個(gè)較窄的速度范圍內(nèi),聚焦較好.而在2.5 s以后多次波干擾較大,多次波速度與一次波速度疊加在一起導(dǎo)致能量團(tuán)逐漸發(fā)散,在同一時(shí)刻出現(xiàn)多個(gè)能量團(tuán).受深層多次波干擾的影響,傳統(tǒng)CNN方法(圖6a)僅能拾取到0.4~3.0 s時(shí)間范圍內(nèi)的速度,且該方法在2.3~3.0 s區(qū)間內(nèi)拾取結(jié)果遠(yuǎn)偏離真實(shí)值;而FCOS方法(圖6b)得到的速度曲線(xiàn)與真實(shí)值非常近似,證明該方法能夠有效避免多次波的影響,使拾取結(jié)果具有更高的精度.圖6(c—f)分別展示了Marmousi模型中第400道動(dòng)校正前后的CMP道集,從動(dòng)校正后的道集中可以看出,F(xiàn)COS方法(圖6e)拾取的速度拉平了淺層的同相軸,而深層區(qū)間受多次波剩余時(shí)差較大影響,導(dǎo)致同相軸隨偏移距增大具有下拉現(xiàn)象;而傳統(tǒng)CNN方法(圖6d)在2.3~3.0 s區(qū)間選取比疊加速度小的多次波速度進(jìn)行動(dòng)校正,導(dǎo)致同相軸被錯(cuò)誤的拉平.將FCOS方法得到的動(dòng)校正后道集與真實(shí)速度動(dòng)校正后道集(圖6f)進(jìn)行對(duì)比后發(fā)現(xiàn)二者主要反射同相軸拉平程度相一致,也驗(yàn)證了本文算法的有效性.

    圖5 Marmousi模型Loss曲線(xiàn)圖(a)及mAP曲線(xiàn)圖(b)Fig.5 Marmousi model loss curve (a) and mAP curve (b)

    圖6 Marmousi模型預(yù)測(cè)結(jié)果(a) 傳統(tǒng)CNN方法拾取的速度曲線(xiàn);(b) 本文方法拾取的速度曲線(xiàn);(c) CMP400道集;(d) 傳統(tǒng)CNN方法拾取速度動(dòng)校正;(e) 本文方法拾取速度動(dòng)校正;(f) 人工拾取速度動(dòng)校正.Fig.6 Prediction results of Marmousi model(a) Velocity curve picked up by traditional CNN method;(b) Velocity curves picked up by the method in this paper;(c) CMP400 gather;(d) NMO gather corrected of the stacked velocity picked up by traditional CNN method;(e) NMO gather corrected of the stacked velocity picked up by the method in this paper;(f) NMO gather corrected of the stacked velocity picked up by manual method.

    圖7 Marmousi模型疊加速度場(chǎng)(a) 人工方法拾取的速度場(chǎng);(b) 傳統(tǒng)CNN方法自動(dòng)拾取的速度場(chǎng);(c) 本文方法自動(dòng)拾取的速度場(chǎng).Fig.7 Stacking velocity field of Marmousi model(a) The velocity field picked up by manual method;(b) Velocity field automatically picked up by traditional CNN method;(c) The velocity field automatically picked by the method in this paper.

    圖8 Marmousi模型疊加剖面(a) 人工方法拾取的速度場(chǎng)疊加;(b) 傳統(tǒng)CNN方法自動(dòng)拾取的速度場(chǎng)疊加;(c) 本文方法自動(dòng)拾取的速度場(chǎng)疊加.Fig.8 Stacked sections of Marmousi model(a) The Stacked section of velocity field picked up by manual method;(b) The Stacked section of velocity field picked up by traditional CNN method;(c) The Stacked section of velocity field picked up by the method in this paper.

    圖9 實(shí)際探區(qū)數(shù)據(jù)Loss曲線(xiàn)圖(a)及mAP曲線(xiàn)圖(b)Fig.9 Actual exploration area data loss curve (a) and mAP curve (b)

    圖10 實(shí)際數(shù)據(jù)CMP道集(a) 傳統(tǒng)CNN方法拾取的速度曲線(xiàn);(b) 本文方法拾取的速度曲線(xiàn);(c) 2560測(cè)線(xiàn)CMP2240道集;(d) 傳統(tǒng)CNN方法拾取速度動(dòng)校正;(e) 本文方法拾取速度動(dòng)校正;(f) 人工拾取速度動(dòng)校正.Fig.10 CMP gather of actual data(a) Velocity curve picked up by traditional CNN method;(b) Velocity curves picked up by the method in this paper;(c) CMP2240 gather in the2560Line;(d) NMO gather corrected of the stacked velocity picked up by traditional CNN method ;(e) NMO gather corrected of the stacked velocity picked up by the method in this paper;(f) NMO gather corrected of the stacked velocity picked up by manual method.

    對(duì)整個(gè)Marmousi模型數(shù)據(jù)集進(jìn)行預(yù)測(cè),并將本文方法自動(dòng)拾取的疊加速度場(chǎng)(圖7c)與傳統(tǒng)CNN方法得到的疊加速度場(chǎng)(圖7b)和人工方法得到的速度場(chǎng)(圖7a)進(jìn)行對(duì)比.總體上看,本文方法拾取的速度場(chǎng)在構(gòu)造刻畫(huà)與連續(xù)性上與人工方法得到的速度場(chǎng)基本相同;而傳統(tǒng)CNN方法拾取的速度場(chǎng)在深層區(qū)間(2.5~4.0 s)內(nèi)速度值偏小,且橫向連續(xù)性較差.以CMP間隔為10將動(dòng)校正后的道集進(jìn)行同相疊加形成疊加剖面.與傳統(tǒng)CNN方法得到的疊加剖面(圖8b)相比,使用本文方法得到的疊加剖面(圖8c)在淺層成像更加清晰,對(duì)構(gòu)造細(xì)節(jié)刻畫(huà)地更為準(zhǔn)確,而傳統(tǒng)CNN方法得到的疊加剖面受多次波等因素的影響,在淺層部分區(qū)間同相軸橫向波動(dòng)較大,在3.0 s以后未見(jiàn)明顯地震反射(如紅色框所示);與人工拾取拾取速度場(chǎng)得到的剖面相比(圖8a),本文方法得到的疊加剖面在構(gòu)造連續(xù)性與清晰度上與人工方法基本一致,這進(jìn)一步證明了本文方法的有效性.

    2.2 實(shí)際數(shù)據(jù)

    基于模型數(shù)據(jù)的實(shí)驗(yàn)結(jié)果,分別選用不同信噪比的實(shí)際探區(qū)數(shù)據(jù)對(duì)傳統(tǒng)CNN方法和本文方法進(jìn)行了測(cè)試.首先選用中國(guó)西部某陸上三維探區(qū)真實(shí)數(shù)據(jù)集,該探區(qū)信噪比較高,偏移距展布范圍為0~8 km,數(shù)據(jù)的時(shí)間總長(zhǎng)度7 s,采樣間隔為2 ms.從中等間隔抽取若干條測(cè)線(xiàn),并以相同間隔從每條測(cè)線(xiàn)上抽取CMP道集,共獲得包含1000張速度譜圖像的數(shù)據(jù)集.將生成的數(shù)據(jù)集按 8∶1∶1分為訓(xùn)練集、驗(yàn)證集和測(cè)試集三部分,用于訓(xùn)練傳統(tǒng) CNN 方法和本文方法設(shè)計(jì)的速度譜識(shí)別模型并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行測(cè)試.訓(xùn)練過(guò)程中梯度下降損失和推理過(guò)程中mAP精度表現(xiàn)如圖9所示.從圖9中可以看出本文方法計(jì)算梯度下降得到的Loss曲線(xiàn)更為收斂,且應(yīng)用本文方法訓(xùn)練的目標(biāo)檢測(cè)器在Marmousi數(shù)據(jù)集上的mAP精度最高為75.7,而傳統(tǒng)CNN方法在Marmousi數(shù)據(jù)集上的mAP精度最高僅為57.4.

    圖10展示了采用兩種方法得到的2560測(cè)線(xiàn)上CMP2240道集的速度拾取結(jié)果及動(dòng)校正前后的道集.為了增加對(duì)比效果,將人工拾取的速度曲線(xiàn)與網(wǎng)絡(luò)模型自動(dòng)拾取的速度曲線(xiàn)可視化到同一個(gè)速度譜中.圖10(a,b)分別展示了兩種方法的拾取結(jié)果,從速度譜中可以看出在3.5 s后雖然受到多次波的干擾,且在5 s以后能量團(tuán)橫向較為分散,但FCOS方法自動(dòng)拾取的疊加速度與人工拾取的疊加速度經(jīng)插值處理后的曲線(xiàn)基本重合.而傳統(tǒng)的CNN方法得到的速度曲線(xiàn)在3.5~4.5 s內(nèi)波動(dòng)較大,拾取結(jié)果明顯偏離人工拾取速度值.圖10c展示了動(dòng)校正前的CMP2240道集圖像,從中可以看出該道集淺層反射波時(shí)距曲線(xiàn)成像較為清晰,在深層區(qū)間(5 s以后)未見(jiàn)明顯的反射雙曲線(xiàn).分別對(duì)兩種方法的拾取結(jié)果進(jìn)行動(dòng)校正,采用FCOS網(wǎng)絡(luò)模型自動(dòng)拾取的疊加速度的動(dòng)校正的結(jié)果如圖10e所示,從圖中可知FCOS方法拾取的疊加速度動(dòng)校正結(jié)果的主要反射同相軸拉平程度與人工拾取速度動(dòng)校正結(jié)果(圖10f)相一致,這進(jìn)一步展現(xiàn)了本文方法的穩(wěn)健性.圖10d展示了傳統(tǒng)CNN方法得到的疊加速度的動(dòng)校正結(jié)果,在3.7 s處該方法受低速值的影響錯(cuò)誤的拉平了道集中的時(shí)距曲線(xiàn),而在4.9 s處該方法又受低速值的影響,導(dǎo)致同相軸隨偏移距增大出現(xiàn)上翹現(xiàn)象.

    對(duì)第2560測(cè)線(xiàn)上的CMP道集進(jìn)行測(cè)試,然后將應(yīng)用兩種方法得到的疊加速度場(chǎng)與人工拾取速度場(chǎng)進(jìn)行對(duì)比.總體上看基于FCOS方法拾取的速度場(chǎng)(圖11c)與人工拾取速度場(chǎng)(圖11a)在構(gòu)造上基本一致,且通過(guò)本文方法得到的速度場(chǎng)在橫向上速度走勢(shì)更加平穩(wěn);而傳統(tǒng)CNN方法得到的速度場(chǎng)(圖11b)在4.5 s以后速度值偏小,且在橫向分布上較為散亂,未出現(xiàn)明顯的速度分界面.為了進(jìn)一步展現(xiàn)結(jié)果的準(zhǔn)確性,本文展示了采用FCOS方法所得到的第2560測(cè)線(xiàn)上局部疊加剖面(圖12c)與和人工拾取疊加剖面(圖12a)的對(duì)比,從圖中可以看出FCOS方法得到的疊加剖面與人工拾取結(jié)果非常近似;而傳統(tǒng)CNN方法得到的局部疊加剖面(圖12b)與本文方法相比,其在3.5 s后由于受多次波能量團(tuán)的影響導(dǎo)致拾取的速度值偏低,在地震剖面上出現(xiàn)多次波能量聚焦效應(yīng),同相軸更為清晰(如紅色框所示).

    然后,采用中國(guó)西部某三維探區(qū)的信噪比較低的CMP道集數(shù)據(jù)進(jìn)一步測(cè)試本文方法.該探區(qū)偏移距展布范圍為0~7 km,數(shù)據(jù)的時(shí)間總長(zhǎng)度8 s,采樣間隔為2 ms.從中等間隔抽取若干條測(cè)線(xiàn),并從每條測(cè)線(xiàn)上等間距抽取CMP道集,共獲得包含1000張速度譜圖像的數(shù)據(jù)集,進(jìn)而采用在上述實(shí)際探區(qū)中所訓(xùn)練模型來(lái)測(cè)試本文方法的泛化性能.由于該探區(qū)信噪比低,在疊前道集中未見(jiàn)明顯的反射波時(shí)距曲線(xiàn),本文只展示出傳統(tǒng)CNN方法與本文方法得到的預(yù)測(cè)結(jié)果與人工拾取結(jié)果的對(duì)比(圖13).由圖中可以看出該探區(qū)數(shù)據(jù)質(zhì)量不高,速度譜上的能量團(tuán)聚焦特性較差.傳統(tǒng)CNN方法僅拾取到了0~3 s區(qū)間內(nèi)的疊加速度(圖13a),且在1.1 s處和2.0 s處拾取到部分高速異常值,在3~8 s區(qū)間范圍內(nèi)由于速度譜能量團(tuán)較為分散,傳統(tǒng)CNN方法未能自動(dòng)拾取.圖13b展示了僅使用FCOS方法(圖中黃線(xiàn))的拾取結(jié)果,該方法僅能拾取到0~4 s區(qū)間內(nèi)的疊加速度,由于其不滿(mǎn)足時(shí)間域全局的拾取要求,本文在FCOS網(wǎng)絡(luò)的基礎(chǔ)上加入一個(gè)基于DNN的線(xiàn)性回歸模型,即通過(guò)學(xué)習(xí)0~4 s區(qū)間內(nèi)的疊加速度的線(xiàn)性趨勢(shì)來(lái)完成對(duì)4~8 s區(qū)間內(nèi)的疊加速度的預(yù)測(cè),最終的預(yù)測(cè)結(jié)果如圖13b(綠線(xiàn)+黃線(xiàn))所示.由圖可知在加入線(xiàn)性歸回模型后本文算法的輸出結(jié)果與人工拾取結(jié)果基本相符.

    圖14展示了人工拾取速度場(chǎng)(圖14a)、傳統(tǒng)CNN方法拾取的速度場(chǎng)(圖14b)和本文方法拾取的速度場(chǎng)(圖14c)的比較.受信噪比較低的影響,傳統(tǒng)CNN方法只能拾取到0~3 s區(qū)間的速度場(chǎng),且在部分道存在低速或高速速度異常導(dǎo)致橫向連續(xù)性較差,在3.0 s以后的速度相較人工拾取速度場(chǎng)中的速度值普遍偏低.而本文方法拾取的速度場(chǎng)在速度變化趨勢(shì)上與人工拾取速度場(chǎng)相一致,但由于應(yīng)用本文方法拾取速度場(chǎng)并未充分考慮道間相似性,拾取結(jié)果在橫向連續(xù)性上相較人工拾取速度場(chǎng)較差,在速度分界面處的速度值較為發(fā)散.對(duì)上述三種方法拾取的道集進(jìn)行動(dòng)校正和疊加處理后得到疊加剖面.總體來(lái)看,本文方法的疊加剖面(圖15c)與人工拾取結(jié)果(圖15a)相近;在紅色框所示位置使用本文方法得到的同相軸相較傳統(tǒng)CNN方法(圖15b)表現(xiàn)更為連續(xù),這進(jìn)一步檢驗(yàn)了本文拾取結(jié)果的準(zhǔn)確性.

    圖11 實(shí)際探區(qū)速度場(chǎng)(a) 人工方法拾取的速度場(chǎng);(b) 傳統(tǒng)CNN方法自動(dòng)拾取的速度場(chǎng);(c) 本文方法自動(dòng)拾取的速度場(chǎng).Fig.11 The actual velocity field in the exploration area(a) The velocity field picked up by manual method;(b) Velocity field automatically picked up by traditional CNN method;(c) The velocity field automatically picked by the method in this paper.

    圖12 實(shí)際地震資料疊加剖面(a) 人工方法拾取的速度場(chǎng)疊加;(b) 傳統(tǒng)CNN方法自動(dòng)拾取的速度場(chǎng)疊加;(c) 本文方法自動(dòng)拾取的速度場(chǎng)疊加.Fig.12 Stacked sections ofactual seismic data(a) The Stacked section of velocity field picked up by manual method;(b) The Stacked section of velocity field picked up by traditional CNN method;(c) The Stacked section of velocity field picked up by the method in this paper.

    圖13 實(shí)際數(shù)據(jù)速度曲線(xiàn) (a) 傳統(tǒng)CNN方法拾取的速度曲線(xiàn);(b) 本文方法拾取的速度曲線(xiàn).Fig.13 Velocity curve of actual data(a) Velocity curve picked up by traditional CNN method;(b) Velocity curves picked up by the method in this paper.

    圖14 拾取的速度場(chǎng)與真實(shí)速度場(chǎng)比較(a) 人工方法拾取的速度場(chǎng);(b) 傳統(tǒng)CNN方法自動(dòng)拾取的速度場(chǎng);(c) 本文方法自動(dòng)拾取的速度場(chǎng).Fig.14 The actual velocity field in the exploration area(a) The velocity field picked up by manual method;(b) Velocity field automatically picked up by traditional CNN method;(c) The velocity field automatically picked by the method in this paper.

    圖15 實(shí)際地震資料疊加剖面(a) 人工方法拾取的速度場(chǎng)疊加;(b) 傳統(tǒng)CNN方法自動(dòng)拾取的速度場(chǎng)疊加;(c) 本文方法自動(dòng)拾取的速度場(chǎng)疊加.Fig.15 Stacked sections of actual seismic data(a) The Stacked section of velocity field picked up by manual method;(b) The Stacked section of velocity field picked up by traditional CNN method;(c) The Stacked section of velocity field picked up by the method in this paper.

    3 結(jié)論

    本文對(duì)FCOS目標(biāo)檢測(cè)模型進(jìn)行了優(yōu)化,分別采用模型數(shù)據(jù)集和實(shí)際工區(qū)數(shù)據(jù)集對(duì)該網(wǎng)絡(luò)模型進(jìn)行測(cè)試,并與傳統(tǒng)CNN方法與人工拾取方法得到的結(jié)果做對(duì)比來(lái)展示本文算法的應(yīng)用效果.通過(guò)對(duì)實(shí)驗(yàn)結(jié)果做分析得到以下結(jié)論:

    (1) 優(yōu)化后的FCOS模型能夠較為精準(zhǔn)的實(shí)現(xiàn)速度譜中能量團(tuán)的定位與識(shí)別,從而使速度拾取結(jié)果具有更高的準(zhǔn)確率.針對(duì)低信噪比探區(qū)中存在能量團(tuán)聚焦特征較差的情況又加入線(xiàn)性回歸模型來(lái)完成對(duì)復(fù)雜地質(zhì)體的速度拾取.

    (2) 本文設(shè)計(jì)的網(wǎng)絡(luò)模型能夠較為快速的拾取疊加速度,預(yù)測(cè)10000張速度譜圖片僅需耗時(shí)30 min.預(yù)測(cè)過(guò)程不需要任何人工干預(yù),其自動(dòng)化程度及準(zhǔn)確度較高,為解決地震資料速度譜自動(dòng)拾取問(wèn)題提供了一種新的方案.

    由于本文在進(jìn)行研究時(shí)所用數(shù)據(jù)集數(shù)據(jù)量比較少,一般情況下目標(biāo)檢測(cè)數(shù)據(jù)集圖片的數(shù)據(jù)量都在幾萬(wàn)張以上.在實(shí)際應(yīng)用中,可以通過(guò)增加數(shù)據(jù)量重新訓(xùn)練網(wǎng)絡(luò)模型,使其應(yīng)用于疊加速度拾取時(shí)具有更高的精度.

    猜你喜歡
    人工能量自動(dòng)
    人工3D脊髓能幫助癱瘓者重新行走?
    軍事文摘(2022年8期)2022-11-03 14:22:01
    人工,天然,合成
    人工“美顏”
    自動(dòng)捕盜機(jī)
    能量之源
    基于STM32的自動(dòng)喂養(yǎng)機(jī)控制系統(tǒng)
    詩(shī)無(wú)邪傳遞正能量
    新型多孔鉭人工種植牙
    關(guān)于自動(dòng)駕駛
    Stefan Greiner:我們?yōu)槭裁葱枰詣?dòng)駕駛?
    91九色精品人成在线观看| cao死你这个sao货| 性少妇av在线| 亚洲精品久久午夜乱码| 丝袜在线中文字幕| 欧美黑人欧美精品刺激| 青草久久国产| 久久久久精品国产欧美久久久| 91在线观看av| 欧美成人午夜精品| 日韩欧美三级三区| 欧美亚洲 丝袜 人妻 在线| 老司机福利观看| 午夜福利影视在线免费观看| 久久国产乱子伦精品免费另类| a级片在线免费高清观看视频| 在线看a的网站| 国产97色在线日韩免费| 午夜福利影视在线免费观看| 国产又爽黄色视频| 黑丝袜美女国产一区| 日韩有码中文字幕| 午夜日韩欧美国产| 亚洲 国产 在线| 捣出白浆h1v1| 黄色片一级片一级黄色片| 久久青草综合色| 精品国产亚洲在线| 亚洲av美国av| 久久久国产成人免费| 丰满迷人的少妇在线观看| 国产亚洲av高清不卡| 黄色女人牲交| tocl精华| 国精品久久久久久国模美| 国产一区二区三区视频了| 国产91精品成人一区二区三区| 狠狠狠狠99中文字幕| 欧美黄色淫秽网站| 欧美人与性动交α欧美软件| 亚洲欧美色中文字幕在线| 俄罗斯特黄特色一大片| 色综合欧美亚洲国产小说| 亚洲专区字幕在线| 日韩精品免费视频一区二区三区| 国产精品 国内视频| 一级片'在线观看视频| 老司机深夜福利视频在线观看| 村上凉子中文字幕在线| 99国产精品一区二区蜜桃av | 又黄又爽又免费观看的视频| av欧美777| 最近最新中文字幕大全免费视频| 久久久国产一区二区| 女性被躁到高潮视频| 波多野结衣av一区二区av| 久久人妻福利社区极品人妻图片| 成熟少妇高潮喷水视频| 少妇 在线观看| 国产蜜桃级精品一区二区三区 | 少妇粗大呻吟视频| 一个人免费在线观看的高清视频| 精品欧美一区二区三区在线| 欧美成人午夜精品| 国产一区二区三区综合在线观看| 成人特级黄色片久久久久久久| 日本wwww免费看| 一级毛片女人18水好多| 婷婷精品国产亚洲av在线 | 亚洲va日本ⅴa欧美va伊人久久| 欧美精品高潮呻吟av久久| 免费观看人在逋| 在线观看日韩欧美| 美国免费a级毛片| 婷婷精品国产亚洲av在线 | 一边摸一边做爽爽视频免费| 18禁国产床啪视频网站| 一级作爱视频免费观看| 亚洲av片天天在线观看| 亚洲第一av免费看| 99riav亚洲国产免费| 91大片在线观看| 国产一区二区三区视频了| 在线天堂中文资源库| 亚洲人成电影免费在线| 一本大道久久a久久精品| 国产成人系列免费观看| 一边摸一边抽搐一进一小说 | 最近最新中文字幕大全免费视频| 丰满迷人的少妇在线观看| 国产一区二区三区视频了| 日韩三级视频一区二区三区| 18禁黄网站禁片午夜丰满| netflix在线观看网站| 男女午夜视频在线观看| 精品福利永久在线观看| 制服人妻中文乱码| 亚洲国产欧美日韩在线播放| 久久中文字幕人妻熟女| 成人18禁在线播放| 老熟妇仑乱视频hdxx| 亚洲av电影在线进入| 夜夜夜夜夜久久久久| 又黄又粗又硬又大视频| 亚洲国产看品久久| 欧美精品一区二区免费开放| 搡老熟女国产l中国老女人| 久久久国产欧美日韩av| 久久久久国内视频| 亚洲 欧美一区二区三区| 亚洲 国产 在线| 欧美日韩亚洲综合一区二区三区_| 国产成人欧美在线观看 | 午夜精品在线福利| 中文字幕精品免费在线观看视频| 国产不卡av网站在线观看| 两性夫妻黄色片| 国产成人免费无遮挡视频| 乱人伦中国视频| 狠狠婷婷综合久久久久久88av| 欧美一级毛片孕妇| 欧美日韩黄片免| 视频区欧美日本亚洲| 操美女的视频在线观看| av不卡在线播放| 国产淫语在线视频| 欧美色视频一区免费| 在线观看免费高清a一片| 91成人精品电影| 亚洲aⅴ乱码一区二区在线播放 | 自线自在国产av| 99国产综合亚洲精品| 婷婷丁香在线五月| 欧美日韩黄片免| 精品久久久久久久毛片微露脸| 亚洲第一欧美日韩一区二区三区| 热re99久久精品国产66热6| 大香蕉久久网| 日韩欧美在线二视频 | 精品久久久久久电影网| 少妇 在线观看| 亚洲熟妇熟女久久| 91麻豆av在线| 国产精品亚洲一级av第二区| 久久人妻福利社区极品人妻图片| 久久热在线av| 巨乳人妻的诱惑在线观看| 亚洲国产欧美一区二区综合| 久久青草综合色| 午夜影院日韩av| 亚洲五月天丁香| 黄色a级毛片大全视频| 日韩欧美国产一区二区入口| 亚洲av欧美aⅴ国产| 91老司机精品| 免费看a级黄色片| 精品福利永久在线观看| 热re99久久国产66热| 国产精品久久久av美女十八| 成人黄色视频免费在线看| 天天躁日日躁夜夜躁夜夜| 成年动漫av网址| 国产精品偷伦视频观看了| 一级毛片高清免费大全| 精品人妻在线不人妻| 久久精品亚洲av国产电影网| 中出人妻视频一区二区| 麻豆乱淫一区二区| 亚洲久久久国产精品| 色精品久久人妻99蜜桃| 99久久99久久久精品蜜桃| 一区福利在线观看| 精品无人区乱码1区二区| 久久久久精品人妻al黑| 欧美成人免费av一区二区三区 | 久久亚洲真实| 日日爽夜夜爽网站| 80岁老熟妇乱子伦牲交| 十分钟在线观看高清视频www| 757午夜福利合集在线观看| 99热只有精品国产| 大码成人一级视频| 午夜视频精品福利| 男女下面插进去视频免费观看| 黑人欧美特级aaaaaa片| 啦啦啦免费观看视频1| 十八禁人妻一区二区| 成人精品一区二区免费| 日韩欧美三级三区| 高清av免费在线| 亚洲精品国产区一区二| 久久中文字幕人妻熟女| 国产99久久九九免费精品| 精品久久久久久,| 国产成人影院久久av| 99久久99久久久精品蜜桃| 黄色女人牲交| 中文字幕色久视频| 少妇粗大呻吟视频| 亚洲一区二区三区欧美精品| av电影中文网址| 国产精品国产av在线观看| 国产欧美日韩综合在线一区二区| 精品少妇一区二区三区视频日本电影| 亚洲欧美一区二区三区黑人| 国产1区2区3区精品| 午夜福利欧美成人| 亚洲人成伊人成综合网2020| 欧美日韩黄片免| 黄频高清免费视频| 一级毛片精品| 国产精品免费一区二区三区在线 | 12—13女人毛片做爰片一| 日本a在线网址| 亚洲在线自拍视频| 午夜福利乱码中文字幕| 国产成人av教育| 欧美精品亚洲一区二区| 国内毛片毛片毛片毛片毛片| 欧美最黄视频在线播放免费 | 国产一区二区三区综合在线观看| 亚洲精品国产色婷婷电影| 老熟女久久久| 午夜精品久久久久久毛片777| 欧美人与性动交α欧美软件| videosex国产| 久久人人爽av亚洲精品天堂| 一区福利在线观看| 狂野欧美激情性xxxx| 国产成人欧美| 久久午夜综合久久蜜桃| 免费少妇av软件| 69精品国产乱码久久久| 亚洲五月色婷婷综合| 久久亚洲真实| 中文字幕精品免费在线观看视频| 国产免费现黄频在线看| 91老司机精品| 久久天堂一区二区三区四区| 最新在线观看一区二区三区| 飞空精品影院首页| 在线观看免费日韩欧美大片| 亚洲精品一卡2卡三卡4卡5卡| 精品久久久久久久毛片微露脸| av天堂久久9| 色在线成人网| 热99re8久久精品国产| 久久国产精品影院| 久久久久久久精品吃奶| 窝窝影院91人妻| 日韩欧美一区视频在线观看| 老司机午夜福利在线观看视频| 成人av一区二区三区在线看| 两性夫妻黄色片| 亚洲午夜精品一区,二区,三区| 岛国毛片在线播放| 精品久久久久久久久久免费视频 | 免费在线观看完整版高清| 亚洲成国产人片在线观看| 每晚都被弄得嗷嗷叫到高潮| 色精品久久人妻99蜜桃| 美女国产高潮福利片在线看| 免费高清在线观看日韩| 中文字幕av电影在线播放| 一进一出好大好爽视频| 高清av免费在线| 亚洲精品在线观看二区| 国产国语露脸激情在线看| 女同久久另类99精品国产91| av网站免费在线观看视频| 天天躁日日躁夜夜躁夜夜| 亚洲熟妇中文字幕五十中出 | 变态另类成人亚洲欧美熟女 | 午夜福利免费观看在线| 精品少妇久久久久久888优播| 亚洲片人在线观看| 国产成人免费观看mmmm| 丝瓜视频免费看黄片| 久久九九热精品免费| 久久久久国产精品人妻aⅴ院 | av免费在线观看网站| 露出奶头的视频| 精品一区二区三区av网在线观看| 久久精品国产清高在天天线| 亚洲精品国产色婷婷电影| 在线观看一区二区三区激情| 国产区一区二久久| 天天躁夜夜躁狠狠躁躁| 波多野结衣一区麻豆| 国产乱人伦免费视频| 久久人妻福利社区极品人妻图片| 咕卡用的链子| 精品久久久久久久毛片微露脸| 精品少妇久久久久久888优播| 日韩欧美一区二区三区在线观看 | 人人妻,人人澡人人爽秒播| 成人手机av| 老司机在亚洲福利影院| 高清黄色对白视频在线免费看| netflix在线观看网站| 成年人免费黄色播放视频| 高清在线国产一区| 国产主播在线观看一区二区| 精品欧美一区二区三区在线| 丁香欧美五月| 大码成人一级视频| 巨乳人妻的诱惑在线观看| av片东京热男人的天堂| 极品少妇高潮喷水抽搐| aaaaa片日本免费| 飞空精品影院首页| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久久免费高清国产稀缺| av超薄肉色丝袜交足视频| 亚洲专区字幕在线| 午夜亚洲福利在线播放| 老司机深夜福利视频在线观看| 国产精品一区二区在线观看99| 黄色怎么调成土黄色| 黄色女人牲交| 正在播放国产对白刺激| 久热这里只有精品99| 91麻豆av在线| 久久国产精品男人的天堂亚洲| 老鸭窝网址在线观看| 一级毛片精品| 国产精品.久久久| 777米奇影视久久| 亚洲三区欧美一区| a在线观看视频网站| 国产精品1区2区在线观看. | 老司机亚洲免费影院| 国产精品自产拍在线观看55亚洲 | 亚洲av熟女| 又黄又粗又硬又大视频| 亚洲av第一区精品v没综合| 久久精品国产综合久久久| 19禁男女啪啪无遮挡网站| 国产精品一区二区免费欧美| 国产真人三级小视频在线观看| 青草久久国产| 亚洲性夜色夜夜综合| 国产av又大| 一级毛片高清免费大全| 久久精品国产a三级三级三级| 精品国产一区二区三区久久久樱花| av片东京热男人的天堂| 757午夜福利合集在线观看| 一进一出好大好爽视频| 国产精品免费大片| 午夜福利乱码中文字幕| 伦理电影免费视频| 午夜免费观看网址| 国产日韩一区二区三区精品不卡| 人妻一区二区av| 9色porny在线观看| 国产精品二区激情视频| 99精品在免费线老司机午夜| 国产精品九九99| 国产99久久九九免费精品| 久久久久精品人妻al黑| 少妇猛男粗大的猛烈进出视频| 女人久久www免费人成看片| 亚洲精品av麻豆狂野| 黄色视频不卡| 99久久99久久久精品蜜桃| 精品久久久久久久毛片微露脸| 中文字幕高清在线视频| 国产有黄有色有爽视频| 免费日韩欧美在线观看| 国产精品 国内视频| 水蜜桃什么品种好| 在线观看午夜福利视频| 国产99白浆流出| 两性夫妻黄色片| 超碰97精品在线观看| 亚洲熟女精品中文字幕| 伊人久久大香线蕉亚洲五| 日本一区二区免费在线视频| 免费看a级黄色片| 成人国语在线视频| avwww免费| 免费av中文字幕在线| 国产av一区二区精品久久| 高清在线国产一区| 亚洲久久久国产精品| 精品国内亚洲2022精品成人 | 精品国产一区二区久久| 十八禁高潮呻吟视频| 夜夜夜夜夜久久久久| tube8黄色片| 99热网站在线观看| 国产成人系列免费观看| 国产精品 欧美亚洲| 免费看a级黄色片| 成人黄色视频免费在线看| 亚洲专区字幕在线| 国产精品国产av在线观看| 日本vs欧美在线观看视频| 在线观看66精品国产| 日韩三级视频一区二区三区| 日韩欧美在线二视频 | 性少妇av在线| 丰满饥渴人妻一区二区三| 欧美激情高清一区二区三区| 久久久久精品国产欧美久久久| 99久久综合精品五月天人人| 身体一侧抽搐| 日韩欧美免费精品| 高潮久久久久久久久久久不卡| 国产精品久久久av美女十八| 别揉我奶头~嗯~啊~动态视频| 国产精品久久久久成人av| 国产欧美日韩精品亚洲av| 欧美中文综合在线视频| 亚洲av成人不卡在线观看播放网| 欧美日韩成人在线一区二区| 国产精品乱码一区二三区的特点 | 一二三四在线观看免费中文在| 国产精品av久久久久免费| 亚洲国产欧美网| 丝袜美腿诱惑在线| 国产乱人伦免费视频| 18禁裸乳无遮挡免费网站照片 | 这个男人来自地球电影免费观看| 丝袜在线中文字幕| 国产成人一区二区三区免费视频网站| 在线观看一区二区三区激情| 黄色丝袜av网址大全| 人人妻人人爽人人添夜夜欢视频| 中文字幕av电影在线播放| 天天添夜夜摸| 9热在线视频观看99| 亚洲人成电影观看| 一进一出抽搐gif免费好疼 | 欧美人与性动交α欧美软件| 久久精品91无色码中文字幕| 老司机靠b影院| 日本wwww免费看| 国产在线观看jvid| 成人影院久久| 岛国毛片在线播放| 超碰成人久久| 一边摸一边抽搐一进一小说 | 狂野欧美激情性xxxx| 午夜福利乱码中文字幕| 亚洲欧美日韩高清在线视频| 国产三级黄色录像| 久久精品亚洲精品国产色婷小说| 亚洲熟妇熟女久久| 大码成人一级视频| 亚洲综合色网址| 精品国产超薄肉色丝袜足j| 国产一区二区三区在线臀色熟女 | 久久久久久亚洲精品国产蜜桃av| 国产无遮挡羞羞视频在线观看| av超薄肉色丝袜交足视频| 亚洲欧美一区二区三区久久| 久久久水蜜桃国产精品网| 黄色丝袜av网址大全| 免费少妇av软件| 99久久精品国产亚洲精品| 中文字幕制服av| 国产精华一区二区三区| 国产一区二区激情短视频| 王馨瑶露胸无遮挡在线观看| 亚洲aⅴ乱码一区二区在线播放 | 亚洲av日韩精品久久久久久密| 欧美乱码精品一区二区三区| 国产精品 国内视频| 不卡一级毛片| 亚洲欧美激情综合另类| 国产主播在线观看一区二区| 99精品在免费线老司机午夜| 男女之事视频高清在线观看| 亚洲成人免费电影在线观看| 亚洲欧美激情综合另类| 精品人妻在线不人妻| 看免费av毛片| 一夜夜www| 久久香蕉精品热| 黄色片一级片一级黄色片| 亚洲第一av免费看| 黄片播放在线免费| 国内毛片毛片毛片毛片毛片| 亚洲精品成人av观看孕妇| 一级作爱视频免费观看| 日本欧美视频一区| 国产精品一区二区免费欧美| 俄罗斯特黄特色一大片| 国产精品亚洲一级av第二区| x7x7x7水蜜桃| 午夜福利乱码中文字幕| 日日摸夜夜添夜夜添小说| 黄频高清免费视频| 精品国产亚洲在线| 亚洲免费av在线视频| 国产高清激情床上av| 怎么达到女性高潮| 亚洲av第一区精品v没综合| 亚洲熟女毛片儿| 免费在线观看亚洲国产| 国产av一区二区精品久久| 国精品久久久久久国模美| 亚洲av第一区精品v没综合| 久久久精品区二区三区| 久久久久久亚洲精品国产蜜桃av| 亚洲视频免费观看视频| 亚洲av片天天在线观看| 亚洲一区二区三区欧美精品| av线在线观看网站| 国内久久婷婷六月综合欲色啪| 国产精品九九99| 又黄又爽又免费观看的视频| 久久香蕉激情| 日韩 欧美 亚洲 中文字幕| 人人妻人人添人人爽欧美一区卜| 久久人妻熟女aⅴ| 动漫黄色视频在线观看| 亚洲精品乱久久久久久| 亚洲成av片中文字幕在线观看| 久久精品亚洲精品国产色婷小说| 大香蕉久久成人网| 亚洲美女黄片视频| 黑人欧美特级aaaaaa片| 午夜亚洲福利在线播放| 身体一侧抽搐| 婷婷丁香在线五月| 久久久水蜜桃国产精品网| www日本在线高清视频| 亚洲熟女精品中文字幕| 国产一区在线观看成人免费| 免费在线观看日本一区| 狠狠狠狠99中文字幕| 老司机靠b影院| 色综合欧美亚洲国产小说| 老汉色av国产亚洲站长工具| 欧美激情久久久久久爽电影 | 99riav亚洲国产免费| 亚洲少妇的诱惑av| 91大片在线观看| 欧美日韩亚洲综合一区二区三区_| 国产亚洲精品久久久久久毛片 | 国产蜜桃级精品一区二区三区 | 色精品久久人妻99蜜桃| 亚洲伊人色综图| 国产精品一区二区在线不卡| 久久中文字幕人妻熟女| 在线观看www视频免费| 久久精品国产99精品国产亚洲性色 | 波多野结衣av一区二区av| 最近最新中文字幕大全电影3 | 免费一级毛片在线播放高清视频 | 成年动漫av网址| 最近最新中文字幕大全电影3 | 天堂动漫精品| 亚洲欧洲精品一区二区精品久久久| a级片在线免费高清观看视频| 人人澡人人妻人| 五月开心婷婷网| 国产成人免费无遮挡视频| 精品人妻熟女毛片av久久网站| 真人做人爱边吃奶动态| 日本a在线网址| 一级毛片女人18水好多| 黑丝袜美女国产一区| 欧美不卡视频在线免费观看 | 宅男免费午夜| 脱女人内裤的视频| 国产亚洲欧美在线一区二区| 亚洲欧美一区二区三区久久| 亚洲国产精品一区二区三区在线| 黄色成人免费大全| 制服诱惑二区| 女人高潮潮喷娇喘18禁视频| 人妻久久中文字幕网| 一区二区日韩欧美中文字幕| 国产亚洲欧美在线一区二区| av电影中文网址| 夜夜爽天天搞| 999久久久精品免费观看国产| 欧美日韩福利视频一区二区| 国产野战对白在线观看| 亚洲精品国产一区二区精华液| 国产不卡av网站在线观看| 人妻丰满熟妇av一区二区三区 | 亚洲精品国产一区二区精华液| 1024香蕉在线观看| 国产激情欧美一区二区| 亚洲av欧美aⅴ国产| 日本五十路高清| 黑人欧美特级aaaaaa片| 久久久久久久精品吃奶| 亚洲伊人色综图| 黄色a级毛片大全视频| 免费人成视频x8x8入口观看| 国产在线一区二区三区精| 亚洲在线自拍视频| 啪啪无遮挡十八禁网站| 午夜免费成人在线视频| 午夜免费鲁丝| 中亚洲国语对白在线视频| 波多野结衣av一区二区av| 黄色毛片三级朝国网站| а√天堂www在线а√下载 | 久久香蕉国产精品| 中文字幕人妻熟女乱码| 新久久久久国产一级毛片| 老司机午夜福利在线观看视频| 少妇被粗大的猛进出69影院| 最新美女视频免费是黄的| 日韩欧美三级三区| 久久精品亚洲精品国产色婷小说| 大香蕉久久成人网| 亚洲国产毛片av蜜桃av|