CN109709603B - 地震层位识别与追踪方法、系统 - Google Patents
地震层位识别与追踪方法、系统 Download PDFInfo
- Publication number
- CN109709603B CN109709603B CN201811404168.3A CN201811404168A CN109709603B CN 109709603 B CN109709603 B CN 109709603B CN 201811404168 A CN201811404168 A CN 201811404168A CN 109709603 B CN109709603 B CN 109709603B
- Authority
- CN
- China
- Prior art keywords
- seismic
- data
- horizon
- actual
- identifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000013136 deep learning model Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000000306 recurrent effect Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000008021 deposition Effects 0.000 claims description 22
- 230000002457 bidirectional effect Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims 2
- 230000008685 targeting Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 25
- 238000000151 deposition Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种地震层位识别与追踪方法、系统，该方法包括：处理测井数据和实际地震数据，得到训练数据集和标签数据；利用训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练；利用训练后的多尺度深度学习模型进行层位自动追踪，通过采用基于扩张卷积神经网络和时序递归神经网络的多尺度时序深度学习模型进行地震数据解释，适应地震层位属性变化快的位置，并且结果准确率大大提高。
Description
技术领域
本发明属于地震勘探技术领域，具体涉及一种地震层位识别与追踪方法、系统以及计算机设备、计算机可读介质。
背景技术
地层的出现顺序与地壳的沉积历史有关，不同地质年代的沉积具有不同的特征，对应的地震数据从浅到深的特征和出现的顺序也具有规律性。地震解释的主要工作是对地震资料进行处理、分析和研究，进而推断地下构造和岩层性质，寻找可能的含油构造，如断层。地下的岩层在地壳运行中，受力达到一定强度时会发生破裂、错位，从而形成断层，层位是不同地层之间的分界面，因此断层的识别可通过判断其与层位的交点来进行。地震层位解释是地震解释的基础工作，而层位的识别和追踪是地震层位解释的重要环节，其准确性直接影响最终地震解释的合理性。现有的层位追踪技术基本上是纯手工进行，解释人员主要根据地震波动力学和运行学特性，进行人工对比追踪，但是人工地震层位解释的工作量大，耗费的时间在整个地震资料解释工作中占50％以上，而且人工解释的准确程度取决于解释工程师丰富的地质工作经验，初级解释人员很难准确地完成解释任务。
近年来，为了克服纯手工层位追踪时存在的问题，地震层位解释采用半人工半自动化的解释方法，以提高解释的效率和减少经验因素的影响。工业界开发出各种各样的地震层位自动追踪算法，比如边缘检测算法、波形特征追踪算法和相关追踪算法，但是现有的地震层位自动追踪算法只考虑地震波的运动学和动力学特征中的一项，存在精度低、同时只能追踪一层的问题。
为克服上述问题，现有技术中提供了一种利用地震振幅、瞬时相位、层位倾角、信息素浓度等多种信息开展地震层位解释的技术，精度较传统方法高，但算法基本属于线性算法，因为地震数据是非稳态的，具有非线性特征，所以基于线性算法的技术在地震层位属性变化快的位置不适应；另外，地震数据是时序数据，反映的是地质年代的沉积的变化和过程，具有明显时序数据的特征，而以往的地震层位自动追踪和识别的技术都基于地震属性横向空间的对比来实现，忽略了地震数据的纵向时序信息，导致地震层位追踪识别的准确率低。
发明内容
有鉴于此，本发明提供一种地震层位识别与追踪方法、系统、计算机设备以及计算机可读介质，解决现有技术中线性算法在地震层位属性变化快的位置不适应以及忽略地震数据的纵向时序信息导致地震层位追踪识别的准确率低的问题。
为解决上述技术问题，本发明提供一下技术方案：
第一方面，提供一种地震层位识别与追踪方法，包括：
处理测井数据和实际地震数据，得到训练数据集和标签数据；
利用训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练；
利用训练后的多尺度深度学习模型进行层位自动追踪。
进一步地，处理测井数据和实际地震数据，得到训练数据集和标签数据，包括：
利用测井数据和Robinson卷积模型生成合成地震数据；
将合成地震数据与实际地震数据进行互相关分析，在实际地震数据中标定目标地震地质层位；
在实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，作为训练数据集；
由训练数据集解释目标地震地质层位；
在解释后的训练数据集上选取时窗；
将时窗内的实际地震数据进行二值化处理得到标签数据。
进一步地，时窗包含目标地震地质层位的最浅深度和最大深度。
进一步地，将时窗内的实际地震数据进行二值化处理得到标签数据，包括：
从解释后的训练数据集中提取每一个地震道中目标地震地质层位处地震子波的长度；
计算各地震道中目标地震地质层位处地震子波的平均波长；
将在目标地震地质层位对应的同相轴的一个平均波长范围内的地震数据的数值置为1，并将在目标地震地质层位对应同相轴的一个平均波长范围外的地震数据的数值置为0，得到标签数据。
进一步地，由训练数据集解释目标地震地质层位，包括：
在训练数据集中，对目标地震地质层位进行空间扩张，得到整个空间中目标地震地质层位的分布。
进一步地，利用测井数据和Robinson卷积模型生成合成地震数据，包括：
利用测井数据中的声波时差数据计算声波速度；
基于测井数据中的密度测井数据和声波速度计算反射系数；
将反射系数与riker子波进行卷积运算得到合成地震数据。
进一步地，将合成地震数据与实际地震数据进行互相关分析，在实际地震数据中标定目标地震地质层位，包括：
将合成地震数据与实际地震数据进行互相关分析，建立测井数据和实际地震数据之间的映射关系；
在实际地震数据中搜索与测井数据中的测井地质层位对应的位置；
将搜索到的位置标定为目标地震地质层位。
进一步地，预建立的多尺度时序深度学习模型包括：扩张卷积神经网络以及串联在扩张卷积神经网络之后的双向时序递归神经网络。
进一步地，该地震层位识别与追踪方法还包括：
基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α；
基于扩张因子最大值α建立扩张卷积神经网络。
进一步地，基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α，包括：
计算时窗的宽度与实际地震数据的采样间隔的比值；
计算以2为底比值的对数；
对对数取整得到扩张因子的最大值α。
进一步地，扩张卷积神经网络包括：
输入层，用于接收输入数据；
卷积核大小为3个采样点的第1卷积层，用于提取输入数据经过卷积核线性加权后非线性映射得到的局部非线性特征向量，输出的局部非线性特征向量的数量为21；
卷积核大小为3个采样点的第2扩张卷积层至第α扩张卷积层，用于在前一层提取的特征的基础上提取不同尺度非线性特征向量，第二扩张卷积层至第α扩张卷积层的扩张因子分别为21～2α-1，输出的不同尺度非线性特征向量的数量分别为22～2α；
卷积核大小为3个采样点的第α+1卷积层以及卷积核大小为1个采样点的第α+2卷积层，用于将大尺度的特征局部化，以便刻画地震层位的边界，第α+1卷积层输出的特征向量的数量为2α+1，第α+2卷积层输出的特征向量的数量为1。
进一步地，双向时序递归神经网络串联设置于第α+2卷积层之后，用于提取目标地震地质层位与其上下地层之间的接触关系，形成与训练数据集对应的层位概率体。
进一步地，预建立的多尺度时序深度学习模型还包括：
输出层，设置在双向时序递归神经网络之后，用于输出层位概率体。
进一步地，扩张卷积神经网络采用线性修正单元激活函数。
进一步地，利用训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练，包括：
步骤1：将训练数据集输入多尺度时序深度学习模型，得到实际的输出结果；
步骤2：将实际的输出结果和标签数据输入损失函数计算残差；
步骤3：判断残差是否收敛；
若否，则通过梯度迭代优化算法进行反向传播，调整卷积核上的模型参数，重复步骤1至步骤3，直至残差收敛，得到训练后的多尺度时序深度学习模型。
进一步地，损失函数为：
其中，Loss为残差，y是标签数据，
是实际的输出结果。
进一步地，利用训练后的多尺度时序深度学习模型进行层位自动追踪，包括：
将整个工区时窗范围内的地震数据输入训练后的多尺度时序深度学习模型，生成层位概率体；
将层位概率体和实际地震数据点对点相乘，得到层位数据体；
在层位数据体上开展层位的自动追踪。
第二方面，提供一种地震层位识别与追踪系统，包括：
训练数据处理装置，处理测井数据和实际地震数据，得到训练数据集和标签数据；
模型训练装置，利用训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练；
层位追踪装置，利用训练后的多尺度深度学习模型进行层位自动追踪。
进一步地，训练数据处理装置包括：
合成数据模块，利用测井数据和Robinson卷积模型生成合成地震数据；
层位标定模块，将合成地震数据与实际地震数据进行互相关分析，在实际地震数据中标定目标地震地质层位；
数据筛选模块，在实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，作为训练数据集；
层位解释模块，由训练数据集解释目标地震地质层位；
时窗选取模块，在解释后的训练数据集上选取时窗；
二值化模块，将时窗内的实际地震数据进行二值化处理得到标签数据。
进一步地，时窗包含目标地震地质层位的最浅深度和最大深度。
进一步地，二值化模块包括：
子波长度计算单元，在经过解释的训练数据集中，提取每一个地震道中目标地震地质层位处地震子波的长度；
平均波长计算单元，从解释后的训练数据集中提取每一个地震道中目标地震地质层位处地震子波的长度；
二值化单元，将在目标地震地质层位对应的同相轴的一个平均波长范围内的地震数据的数值置为1，并将在目标地震地质层位对应同相轴的一个平均波长范围外的地震数据的数值置为0，得到标签数据。
进一步地，层位解释模块包括：
扩张单元，用于在训练数据集中对目标地震地质层位进行空间扩张，得到整个空间中目标地震地质层位的分布。
进一步地，合成数据模块包括：
声波速度计算单元，利用测井数据中的声波时差数据计算声波速度；
反射系数计算单元，基于测井数据中的密度测井数据和声波速度计算反射系数；
数据生成单元，将反射系数与riker子波进行卷积运算得到合成地震数据。
进一步地，层位标定模块包括：
分析单元，将合成地震数据与实际地震数据进行互相关分析，建立测井数据和实际地震数据之间的映射关系；
位置搜索单元，在实际地震数据中搜索与测井数据中的测井地质层位对应的位置；
标定单元，将搜索到的位置标定为目标地震地质层位。
进一步地，预建立的多尺度时序深度学习模型包括：扩张卷积神经网络以及串联在扩张卷积神经网络之后的双向时序递归神经网络。
进一步地，该地震层位识别与追踪系统还包括：
扩张因子计算装置，基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α；
神经网络建立装置，基于扩张因子最大值α建立扩张卷积神经网络。
进一步地，扩张因子计算装置包括：
比值计算模块，计算时窗的宽度与实际地震数据的采样间隔的比值；
对数计算模块，计算以2为底比值的对数；
取整模块，对对数取整得到扩张因子的最大值α。
进一步地，扩张卷积神经网络包括：
输入层，用于接收输入数据；
卷积核大小为3个采样点的第1卷积层，用于提取输入数据经过卷积核线性加权后非线性映射得到的局部非线性特征向量，输出的局部非线性特征向量的数量为21；
卷积核大小为3个采样点的第2扩张卷积层至第α扩张卷积层，用于在前一层提取的特征的基础上提取不同尺度非线性特征向量，第二扩张卷积层至第α扩张卷积层的扩张因子分别为21～2α-1，输出的不同尺度非线性特征向量的数量分别为22～2α；
卷积核大小为3个采样点的第α+1卷积层以及卷积核大小为1个采样点的第α+2卷积层，用于将大尺度的特征局部化，以便刻画地震层位的边界，第α+1卷积层输出的特征向量的数量为2α+1，第α+2卷积层输出的特征向量的数量为1。
进一步地，双向时序递归神经网络串联设置于在第α+2卷积层之后，用于提取目标地震地质层位与其上下地层之间的接触关系，形成与训练数据集对应的层位概率体。
进一步地，预建立的多尺度时序深度学习模型还包括：
输出层，设置在双向时序递归神经网络之后，用于输出层位概率体。
进一步地，扩张卷积神经网络采用线性修正单元激活函数。
进一步地，模型训练装置包括：
应用数据输入模块，将训练数据集输入多尺度时序深度学习模型，得到实际的输出结果；
残差计算模块，将实际的输出结果和标签数据输入损失函数计算残差；
判断模块，判断残差是否收敛；
反向传播模块，当判断出残差未收敛时，通过梯度迭代优化算法进行反向传播，调整卷积核上的模型参数。
进一步地，层位追踪装置包括：
实际数据输入模块，将整个工区时窗范围内的地震数据输入训练后的多尺度时序深度学习模型，生成层位概率体；
乘法计算模块，将层位概率体和实际地震数据点对点相乘，得到层位数据体；
层位追踪模块，在层位数据体上开展层位的自动追踪。
第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述地震层位识别与追踪方法的步骤。
第四方面，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述地震层位识别与追踪方法的步骤。
本发明提供的地震层位识别与追踪方法、系统、计算机设备以及计算机可读介质，在地震数据解释中引入图像处理和自然语言处理中的深度学习方法，采用扩张卷积神经网络和时序递归神经网络的多尺度时序深度学习模型，结合非线性激活运算，引入非线性因素，适应地震层位属性变化快的位置；通过扩张卷积神经网络实现多尺度的地震波组特征提取、对比和识别，结合地质沉积的时序特性，应用时序递归神经网络(recurrentneuralnetwork，简称RNN)实现地震数据的拟人化识别和追踪，较以往的层位自动追踪算法，结果准确率大大提高，同时有效提高了层位识别与追踪的智能化程度和效率，基于得到的层位数据体可以利于开展波峰、波谷、子体顶底面层位拾取以及断层解释、属性分析、目标搜索评价等后续工作，人工干预少。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种地震层位识别与追踪方法的流程图一；
图2示出了图1中的步骤S100的具体步骤；
图3为本发明实施例中得到的训练数据集的示意图；
图4示出了图2中的步骤S1006的具体步骤；
图5为本发明实施例中得到的标签数据的示意图；
图6示出了图2中的步骤S1001的具体步骤；
图7示出了图2中的步骤S1002的具体步骤；
图8为本发明实施例采用的多尺度时序深度学习模型的网络结构示意图；
图9为本发明采用的扩张卷积神经网络中的扩展卷积算法的示意图；
图10示出了本发明实施例采用的多尺度时序深度学习模型中的时序递归神经网络的一种激励函数的示意图；
图11示出本发明实施例采用的多尺度时序深度学习模型中的扩张卷积神经网络的建模步骤；
图12示出了图11中的步骤S701的具体步骤；
图13示出了图1中的步骤S200的具体步骤；
图14示出了图1中的步骤S300的具体步骤；
图15示出了采用本发明实施例一种地震层位识别与追踪方法得到的层位概率体；
图16示出了采用本发明实施例一种地震层位识别与追踪方法得到的层位数据体；
图17为实施本发明实施例一种地震层位识别与追踪方法之前的原始地震数据；
图18为实施本发明实施例一种地震层位识别与追踪方法之后得到的层位识别数据；
图19为采用本发明实施例地震层位识别与追踪方法得到的时序多尺度智能解释层位A构造深度平面图；
图20为人工解释层位A构造深度平面图；
图21为采用传统互相关方法自动解释的层位A构造深度平面图。
图22为本发明实施例一种地震层位识别与追踪系统的结构图一；
图23为本发明实施例一种地震层位识别与追踪系统中的训练数据处理装置的结构图；
图24为图23所示训练数据处理装置中的二值化模块的结构图；
图25为图23所示训练数据处理装置中的合成数据模块的结构图；
图26为图23所示训练数据处理装置中的层位标定模块的结构图；
图27为本发明实施例一种地震层位识别与追踪系统的结构图二；
图28为图27所示地震层位识别与追踪系统中的扩张因子计算装置的结构图；
图29为本发明实施例地震层位识别与追踪系统中的模型训练装置的结构图；
图30为本发明实施例地震层位识别与追踪系统中的层位追踪装置的结构图；
图31为本发明实施例计算机设备的结构图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
地震层位数据体是指利用地震反射波所蕴含的地层反射界面特征和地层沉积特征，从地震数据中提取的一系列地震层位所组成的特殊三维数据体，地震层位数据体由一系列能够表征地层空间形态的地震层位组成。利用地震层位数据体可确定地层界面的形态及某些层状或近层状地质体的外部轮廓，并可根据不同地层界面之间的接触关系对地质构造和沉积环境进行分析。
本发明实施例提供一种地震层位识别与追踪方法，在地震数据解释中引入图像处理和自然语言处理中的深度学习方法，采用扩张卷积神经网络和时序递归神经网络的多尺度时序深度学习模型，实现多尺度的地震波组特征提取、对比和识别以及地震数据的拟人化识别和追踪，得到精度较高的地震层位数据体，利于开展波峰、波谷、子体顶底面层位拾取以及断层解释、属性分析、目标搜索评价等工作。
图1为本发明实施例一种地震层位识别与追踪方法的流程图一。如图1所述，该地震层位识别与追踪方法包括：
步骤S100：处理测井数据和实际地震数据，得到训练数据集和标签数据。
其中，测井是利用岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性，测量地球物理参数的方法，所得到的测井数据作为完井和开发油田的原始资料，用于地层对比，以划分油、气、水层。
步骤S200：利用训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练。
其中，该模型训练过程为一种有监督学习过程，通过将训练数据集输入模型中，并将得到的结果与标签数据进行对比，实现模型训练的过程。
步骤S300：利用训练后的多尺度深度学习模型进行层位自动追踪。
其中，利用训练后的多尺度深度学习模型可以得到地震层位数据体，以表征地层空间形态的地震层位，确定地层界面的形态及某些层状或近层状地质体的外部轮廓，实现层位识别，进而利用地震层位数据体对层位进行自动追踪。
本发明实施例通过采用上述步骤，在地震数据解释中引入深度学习方法，适应地震层位属性变化快的位置，较以往的层位自动追踪算法，结果准确率大大提高，同时有效提高了层位识别与追踪的智能化程度和效率，利于开展波峰、波谷、子体顶底面层位拾取以及断层解释、属性分析、目标搜索评价等后续工作，人工干预少。
图2示出了图1中的步骤S100的具体步骤。如图2所述，上述步骤S100包括：
步骤S1001：利用测井数据和Robinson卷积模型生成合成地震数据。
其中，Robinson卷积模型是地震学中信号处理和图像处理中常用的一种卷积模型，该模型假设地震图是来自点源的地球反射率函数和地震子波的卷积。
步骤S1002：将合成地震数据与实际地震数据进行互相关分析，在实际地震数据中标定目标地震地质层位A。
其中，通过利用互相关函数对合成地震数据与实际地震数据进行互相关分析，得到合成地震数据与实际地震数据的相关性，将实际地震数据中与合成地震数据中的目标层位A波形相关系数最大的位置标定为目标地震地质层位A。
步骤S1003：在实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，作为训练数据集。其中，该训练数据集的波形如图3所示。
值得说明的是，沉积作用进行的自然地理环境称为沉积环境(depositionalenvironment)。沉积环境是一个发生沉积作用的，具有独特的物理、化学和生物特征的地貌单元，并以此与相邻的地区相区别，不同的沉积环境可形成不同类型的沉积岩和沉积矿床。另外，不同的地层的波组特征有明显的差异，相似地层的波组特征相类似，因此，通过选用有地震数据波组特征代表性的数据作为训练数据集，能够更好地对比识别和标定不同地层。
步骤S1004：由训练数据集解释目标地震地质层位A。
其中，在步骤S1002中标定目标地震地质层位A为标定各地震道波形中的与合成地震数据中的目标层位A波形相关系数最大的位置，即标定的是地震道波形中的点，所以本步骤中通过解释目标地震地质层位A，实现在训练数据集中对目标地震地质层位A进行空间扩张，得到整个空间中目标地震地质层位的分布。
步骤S1005：在解释后的训练数据集上选取时窗。
在一个可选的实施例中，所选取的时窗包含目标地震地质层位A的最浅深度和最大深度，以使得利用时窗选取的数据包含完整的目标地震地质层位A。
步骤S1006：将时窗内的实际地震数据进行二值化处理得到标签数据。
通过上述方案可知，本发明实施例通过选取在实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，对目标地震地质层位A进行层位解释，并将解释结果作为标准样本来训练深度学习模型，有效提高了层位识别与追踪的效率，减少了层位识别与最终的工作量。
图4示出了图2中的步骤S1006的具体步骤。如图4所示，该步骤S1006包括：
步骤S1006a：从解释后的训练数据集中提取每一个地震道中目标地震地质层位A处地震子波的长度λ。
步骤S1006b：计算各地震道中目标地震地质层位A处地震子波的平均波长λa。
步骤S1006c：将在目标地震地质层位对应的同相轴的一个平均波长范围内的地震数据的数值置为1。
其中，同相轴是指地震数据中各道振动相位相同的极值的连线。
步骤S1006d：将在目标地震地质层位对应同相轴的一个平均波长范围外的地震数据的数值置为0，得到的标签数据如图5所示。
图6示出了图2中的步骤S1001的具体步骤。如图6所示，该步骤S1001包括：
步骤S1001a：利用测井数据中的声波时差数据计算声波速度。
步骤S1001b：基于测井数据中的密度测井数据和声波速度计算反射系数δ。
其中，反射系数δ的计算公式为：
其中，ρ1表示：上覆地层密度，ρ2表示：下伏地层密度，v1表示上覆地层速度：，v2表示下伏地层速度。
步骤S1001c：将反射系数与riker子波进行卷积运算得到合成地震数据。
其中，riker子波是进行匹配追踪的常用波形，利用riker子波进行匹配追踪分解时，每次迭代都删除与地震道中最大相关的riker子波，迭代过程一直持续到剩余的地震道幅度小于给定的阈值位置。
图7示出了图2中的步骤S1002的具体步骤。如图7所示，该步骤S1002包括：
步骤S1002a：将合成地震数据与实际地震数据进行互相关分析，建立测井数据和实际地震数据之间的映射关系。
步骤S1002b：在实际地震数据中搜索与测井数据中的测井地质层位A对应的位置。
步骤S1002c：将搜索到的位置标定为目标地震地质层位A。
在一个可选的实施例中，预建立的多尺度时序深度学习模型包括：扩张卷积神经网络以及串联在扩张卷积神经网络之后的双向时序递归神经网络，该多尺度时序深度学习模型的网络结构如图8所示。
该多尺度时序深度学习模型的扩张卷积神经网络包括：
输入层，用于接收输入数据，该输入数据指上述训练数据集和标签数据。
卷积核大小为3个采样点的第1卷积层，用于提取输入数据经过卷积核线性加权后非线性映射得到的局部非线性特征向量，输出的局部非线性特征向量的数量为21；
卷积核大小为3个采样点的第2扩张卷积层至第α扩张卷积层，用于在前一层提取的特征的基础上提取不同尺度非线性特征向量，第二扩张卷积层至第α扩张卷积层的扩张因子分别为21～2α-1，输出的不同尺度非线性特征向量的数量分别为22～2α；其中，α是扩张因子的最大值，由时窗的宽度以及实际地震数据的采样间隔计算得到，其具体计算方式将在下文进行详述。
卷积核大小为3个采样点的第α+1卷积层以及卷积核大小为1个采样点的第α+2卷积层，用于将大尺度的特征局部化，以便刻画地震层位的边界，第α+1卷积层输出的特征向量的数量为2α+1，第α+2卷积层输出的特征向量的数量为1。
值得说明的是，扩张卷积(也称空洞卷积)神经网络是一种多层的神经网络，每层由多个特征图组成，每个特征图上包含多个神经元，层间的神经元通过共享权重的方式连接，神经元的输出是对所有输入和偏置的线性加权再非线性映射。
另外，扩张卷积神经网络与卷积神经网络相比，向卷积核中引入了一个扩张因子，主要用来表示扩张的大小，即在卷积核中加入空洞，以得到更大的感受野。卷积核相当于一个提取特征的滤波器，卷积结果是提取的图像特征。
感受野是卷积核在图像上看到的大小，例如3×3卷积核的感受野大小为9，但是，扩张因子为2的3×3卷积核的感受野与5×5卷积核的感受野大小相同，如图9所示。本发明实施例通过采用扩张卷积神经网络，能够有效降低对计算资源的需求。
具体地，假设输入层输入的是17×1的向量x∈R17×1，采用如下公式计算每个卷积层的输出特征：
i是卷积核的编号，例如第一层输出两个特征向量，采用两个卷积核，则i分别取1和2，ki是编号为i的卷积核，bi是第i个卷积核对应的偏置项，f是非线性的激活函数。
若第一层采用两个维度为1×3卷积核，输出为维度为17×2的特征向量(也就是两个17×1的向量)。第一层的输出作为第二层的输入。
在扩张系数为1的卷积层，卷积核与输入向量的连续元素做运算。在扩张系数不为1的卷积层，卷积核与输入向量的非连续的元素运算，元素之间的间隔取决于扩张因子，假如扩张因子为a，则元素间隔a-1。
在一个可选的实施例中，该非线性的激活函数采用relu(线性修正单元)函数，该函数的波形图如图10所示。
当然，采用relu(线性修正单元)函数作为非线性的激活函数只是一种示例，本发明实施例也可采用sigmoid函数、tanh函数作为非线性的激活函数，本发明对此不作限制。
在一个可选的实施例中，双向时序递归神经网络串联设置于扩张卷积神经网络的第α+2卷积层之后，用于提取目标地震地质层位与其上下地层之间的接触关系，形成与训练数据集对应的层位概率体。
值得说明的是，双向时序递归神经网络t时刻的输出yt满足：
yt＝f(x1,x2...xt-1)
即t时刻的输出之前的输入存在某种关系。
该双向时序递归神经网络的计算采用如下的公式：
st＝Wht-1+Uxt
ht＝φ(st)
zt＝Vht
其中，U、W和V是模型的系数矩阵，是要学习更新的变量，具体地，U为输入x＝(x1,x2，x3...xT)的加权参数矩阵，W为隐藏层t-1时刻到当前时刻映射的加权参数矩阵，V为隐藏层到输出层的加权参数矩阵；xt表示t时刻该双向时序递归神经网络的输入，st为t时刻该双向时序递归神经网络隐藏层的输入，ht为t时刻该双向时序递归神经网络隐藏层的输出，zt为t时刻该双向时序递归神经网络输出层的输入。
另外，
可以理解的是，地层的出现顺序与地壳的沉积历史有关，不同地质年代的沉积具有不同的特征，对应的地震数据从浅到深的特征和出现的顺序也具有规律性。本发明实施例利用递归神经网络描述这种具有时序规律的数据，充分挖掘了地震数据的时序特征，实现地震数据的拟人化识别和追踪，有效提高了层位识别与追踪的智能化程度和效率。
在一个可选的实施例中，该深度学习模型还可以包括：输出层，设置在双向时序递归神经网络之后，用于输出层位概率体。
图11示出本发明实施例采用的多尺度时序深度学习模型中的扩张卷积神经网络的建模步骤。如图11所示，该扩张卷积神经网络的建模包括：
步骤S701：基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α。
其中，基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α能够保证扩张卷积神经网络在每层的卷积核进行扩张时，能够兼顾数据与采样间隔，防止扩张因子过大导致感受野过大，不能有效提取特征。
步骤S701：基于扩张因子最大值α建立扩张卷积神经网络。
图12示出了图11中的步骤S701的具体步骤。如图12所示，该步骤S701包括：
步骤S701a：计算时窗的宽度与实际地震数据的采样间隔的比值。
步骤S701b：计算以2为底比值的对数。
步骤S701c：对该对数取整得到扩张因子的最大值α。
具体为：
α＝int(log2((We-Ws)/si)),
其中，si是地震数据的采样间隔，int代表取整，We-Ws表示时窗的宽度。
图13示出了图1中的步骤S200的具体步骤。如图13所示，该步骤S200包括：
步骤S2001：将训练数据集输入多尺度时序深度学习模型，得到实际的输出结果。
步骤S2002：将实际的输出结果和标签数据输入损失函数计算残差。
其中，该损失函数为：
其中，Loss为残差，y是标签数据，
是实际的输出结果。
可以理解的是，通过将模型实际的输出结果与标签数据进行比较，实现模型的有监督学习。
步骤S2003：判断残差是否收敛，若否，则执行步骤S2004，若是，则执行步骤S2005。
步骤S2004：通过梯度迭代优化算法进行反向传播，调整卷积核上的模型参数，跳至步骤S2001。
其中，通过采用常用的梯度迭代优化算法调整卷积核上的模型参数，进行反向传播，然后再重复执行步骤S2001至步骤S2004，直至残差收敛，完成模型的训练过程。
深度学习的梯度迭代优化算法：
w'是新的模型参数，w是模型参数，
是残差Loss对参数w的梯度，β是动量因子。β决定每次迭代中前一步生成的参数和新参数梯度对参数的影响。
步骤S2005：当残差收敛时，得到训练后的多尺度时序深度学习模型。
图14示出了图1中的步骤S300的具体步骤。如图14所示，该步骤S300包括：
步骤S3001：将整个工区时窗范围内的地震数据输入训练后的多尺度时序深度学习模型，生成层位概率体，如图15所示。
步骤S3002：将层位概率体和实际地震数据点对点相乘，得到层位数据体，如图16所示。
步骤S3003：在层位数据体上开展层位的自动追踪。
其中，图17示出了一种原始地震数据，通过对该原始地震数据实施本发明实施例提供的地震层位识别与追踪方法，快速准确实现了地震层位识别与追踪，得到的层位识别数据如图18所示；
图19为采用本发明实施例地震层位识别与追踪方法得到的时序多尺度智能解释层位A构造深度平面图；图20为人工解释层位A构造深度平面图；图21为采用传统互相关方法自动解释的层位A构造深度平面图。
通过对三幅图进行对比分析可知，采用本发明实施例地震层位识别与追踪方法得到的层位A构造深度平面图(图19)与人工解释的的层位构造深度平面图(图20)具有很强的一致性，误差较小。而采用传统互相关方法自动解释的层位构造深度平面图(图21)与人工解释的层位构造深度平面图(图20)一致性较差，解释误差大。
综上所述，本发明实施例提供的地震层位识别与追踪方法，在地震数据解释中引入图像处理和自然语言处理中的深度学习方法，采用扩张卷积神经网络和时序递归神经网络的多尺度时序深度学习模型，结合非线性激活运算，引入非线性因素，适应地震层位属性变化快的位置；通过扩张卷积神经网络实现多尺度的地震波组特征提取、对比和识别，结合地质沉积的时序特性，应用时序递归神经网络实现地震数据的拟人化识别和追踪，较以往的层位自动追踪算法，结果准确率大大提高，同时有效提高了层位识别与追踪的智能化程度和效率，基于得到的层位数据体可以利于开展波峰、波谷、子体顶底面层位拾取以及断层解释、属性分析、目标搜索评价等后续工作，人工干预少。
基于同一发明构思，本申请实施例还提供了一种地震层位识别与追踪系统，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于地震层位识别与追踪系统解决问题的原理与上述方法相似，因此地震层位识别与追踪系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图22为本发明实施例一种地震层位识别与追踪系统的结构图一。如图22所示，该地震层位识别与追踪系统1包括：训练数据处理装置10、模型训练装置20以及层位追踪装置30。
训练数据处理装置10处理测井数据和实际地震数据，得到训练数据集和标签数据。
其中，测井是利用岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性，测量地球物理参数的方法，所得到的测井数据作为完井和开发油田的原始资料，用于地层对比，以划分油、气、水层。
模型训练装置20利用训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练。
其中，该模型训练过程为一种有监督学习过程，通过将训练数据集输入模型中，并将得到的结果与标签数据进行对比，实现模型训练的过程。
层位追踪装置30利用训练后的多尺度深度学习模型进行层位自动追踪。
其中，利用训练后的多尺度深度学习模型可以得到地震层位数据体，以表征地层空间形态的地震层位，确定地层界面的形态及某些层状或近层状地质体的外部轮廓，实现层位识别，进而利用地震层位数据体对层位进行自动追踪。
本发明实施例通过采用上述装置，在地震数据解释中引入深度学习技术，适应地震层位属性变化快的位置，较以往的层位自动追踪算法，结果准确率大大提高，同时有效提高了层位识别与追踪的智能化程度和效率，利于开展波峰、波谷、子体顶底面层位拾取以及断层解释、属性分析、目标搜索评价等后续工作，人工干预少。
图23为本发明实施例一种地震层位识别与追踪系统中的训练数据处理装置10的结构图。如图23所示，该训练数据处理装置10包括：合成数据模块11、层位标定模块12、数据筛选模块13、层位解释模块14、时窗选取模块15以及二值化模块16。
合成数据模块11利用测井数据和Robinson卷积模型生成合成地震数据。
其中，Robinson卷积模型是地震学中信号处理和图像处理中常用的一种卷积模型，该模型假设地震图是来自点源的地球反射率函数和地震子波的卷积。
层位标定模块12将合成地震数据与实际地震数据进行互相关分析，在实际地震数据中标定目标地震地质层位A。
其中，通过利用互相关函数对合成地震数据与实际地震数据进行互相关分析，得到合成地震数据与实际地震数据的相关性，将实际地震数据中与合成地震数据中的目标层位A波形相关系数最大的位置标定为目标地震地质层位A。
数据筛选模块13在实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，作为训练数据集。
值得说明的是，沉积作用进行的自然地理环境称为沉积环境(depositionalenvironment)。沉积环境是一个发生沉积作用的，具有独特的物理、化学和生物特征的地貌单元，并以此与相邻的地区相区别，不同的沉积环境可形成不同类型的沉积岩和沉积矿床。另外，不同的地层的波组特征有明显的差异，相似地层的波组特征相类似，因此，通过选用有地震数据波组特征代表性的数据作为训练数据集，能够更好地对比识别和标定不同地层。
层位解释模块14由训练数据集解释目标地震地质层位。
其中，该层位解释模块14包括扩张单元，该扩张单元用于在训练数据集中对目标地震地质层位进行空间扩张，得到整个空间中目标地震地质层位的分布。
时窗选取模块15在解释后的训练数据集上选取时窗。
其中，时窗包含目标地震地质层位A的最浅深度和最大深度。
二值化模块16将时窗内的实际地震数据进行二值化处理得到标签数据。
通过上述方案可知，本发明实施例通过选取在实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，对目标地震地质层位A进行层位解释，并将解释结果作为标准样本来训练深度学习模型，有效提高了层位识别与追踪的效率，减少了层位识别与最终的工作量。
图24为图23所示训练数据处理装置中的二值化模块16的结构图。如图24所示，该二值化模块16包括：子波长度计算单元16a、平均波长计算单元16b、二值化单元16c。
子波长度计算单元16a在经过解释的训练数据集中，提取每一个地震道中目标地震地质层位处地震子波的长度。
平均波长计算单元16b从解释后的训练数据集中提取每一个地震道中目标地震地质层位处地震子波的长度。
二值化单元16c将在目标地震地质层位对应的同相轴的一个平均波长范围内的地震数据的数值置为1，并将在目标地震地质层位对应同相轴的一个平均波长范围外的地震数据的数值置为0，得到标签数据。
图25为图23所示训练数据处理装置中的合成数据模块11的结构图。如图25所示，该合成数据模块11包括：声波速度计算单元11a、反射系数计算单元11b以及数据生成单元11c。
声波速度计算单元11a利用测井数据中的声波时差数据计算声波速度。
反射系数计算单元11b基于测井数据中的密度测井数据和声波速度计算反射系数。
数据生成单元11c将反射系数与riker子波进行卷积运算得到合成地震数据。
其中，riker子波是进行匹配追踪的常用波形，利用riker子波进行匹配追踪分解时，每次迭代都删除与地震道中最大相关的riker子波，迭代过程一直持续到剩余的地震道幅度小于给定的阈值位置。
图26为图23所示训练数据处理装置中的层位标定模块12的结构图。如图26所示，该层位标定模块12包括：分析单元12a、位置搜索单元12b以及标定单元12c。
分析单元12a将合成地震数据与实际地震数据进行互相关分析，建立测井数据和实际地震数据之间的映射关系。
位置搜索单元12b在实际地震数据中搜索与测井数据中的测井地质层位对应的位置。
标定单元12c将搜索到的位置标定为目标地震地质层位。
在一个可选的实施例中，预建立的多尺度时序深度学习模型包括：扩张卷积神经网络以及串联在扩张卷积神经网络之后的双向时序递归神经网络。
该多尺度时序深度学习模型的扩张卷积神经网络包括：
输入层，用于接收输入数据，该输入数据指上述训练数据集和标签数据。
卷积核大小为3个采样点的第1卷积层，用于提取输入数据经过卷积核线性加权后非线性映射得到的局部非线性特征向量，输出的局部非线性特征向量的数量为21；
卷积核大小为3个采样点的第2扩张卷积层至第α扩张卷积层，用于在前一层提取的特征的基础上提取不同尺度非线性特征向量，第二扩张卷积层至第α扩张卷积层的扩张因子分别为21～2α-1，输出的不同尺度非线性特征向量的数量分别为22～2α；其中，α是扩张因子的最大值，由时窗的宽度以及实际地震数据的采样间隔计算得到，其具体计算方式将在下文进行详述。
卷积核大小为3个采样点的第α+1卷积层以及卷积核大小为1个采样点的第α+2卷积层，用于将大尺度的特征局部化，以便刻画地震层位的边界，第α+1卷积层输出的特征向量的数量为2α+1，第α+2卷积层输出的特征向量的数量为1。
值得说明的是，扩张卷积(也称空洞卷积)神经网络是一种多层的神经网络，每层由多个特征图组成，每个特征图上包含多个神经元，层间的神经元通过共享权重的方式连接，神经元的输出是对所有输入和偏置的线性加权再非线性映射。
另外，扩张卷积神经网络与卷积神经网络相比，向卷积核中引入了一个扩张因子，主要用来表示扩张的大小，即在卷积核中加入空洞，以得到更大的感受野。卷积核相当于一个提取特征的滤波器，卷积结果是提取的图像特征。
感受野是卷积核在图像上看到的大小，例如3×3卷积核的感受野大小为9，但是，扩张因子为2的3×3卷积核的感受野与5×5卷积核的感受野大小相同。本发明实施例通过采用扩张卷积神经网络，能够有效降低对计算资源的需求。
具体地，假设输入层输入的是17×1的向量x∈R17×1，采用如下公式计算每个卷积层的输出特征：
i是卷积核的编号，例如第一层输出两个特征向量，采用两个卷积核，则i分别取1和2，ki是编号为i的卷积核，bi是第i个卷积核对应的偏置项，f是非线性的激活函数。
若第一层采用两个维度为1×3卷积核，输出为维度为17×2的特征向量(也就是两个17×1的向量)。第一层的输出作为第二层的输入。
在扩张系数为1的卷积层，卷积核与输入向量的连续元素做运算。在扩张系数不为1的卷积层，卷积核与输入向量的非连续的元素运算，元素之间的间隔取决于扩张因子，假如扩张因子为a，则元素间隔a-1。
在一个可选的实施例中，该非线性的激活函数采用relu(线性修正单元)函数。
当然，采用relu(线性修正单元)函数作为非线性的激活函数只是一种示例，本发明实施例也可采用sigmoid函数、tanh函数作为非线性的激活函数，本发明对此不作限制。
在一个可选的实施例中，双向时序递归神经网络串联设置于扩张卷积神经网络的第α+2卷积层之后，用于提取目标地震地质层位与其上下地层之间的接触关系，形成与训练数据集对应的层位概率体。
值得说明的是，双向时序递归神经网络t时刻的输出yt满足：
yt＝f(x1,x2...xt-1)
即t时刻的输出之前的输入存在某种关系。
该双向时序递归神经网络的计算采用如下的公式：
st＝Wht-1+Uxt
ht＝φ(st)
zt＝Vht
其中，U、W和V是模型的系数矩阵，是要学习更新的变量，具体地，U为输入x＝(x1,x2，x3...xT)的加权参数矩阵，W为隐藏层t-1时刻到当前时刻映射的加权参数矩阵，V为隐藏层到输出层的加权参数矩阵；xt表示t时刻该双向时序递归神经网络的输入，st为t时刻该双向时序递归神经网络隐藏层的输入，ht为t时刻该双向时序递归神经网络隐藏层的输出，zt为t时刻该双向时序递归神经网络输出层的输入。
另外，
可以理解的是，地层的出现顺序与地壳的沉积历史有关，不同地质年代的沉积具有不同的特征，对应的地震数据从浅到深的特征和出现的顺序也具有规律性。本发明实施例利用递归神经网络描述这种具有时序规律的数据，充分挖掘了地震数据的时序特征，实现地震数据的拟人化识别和追踪，有效提高了层位识别与追踪的智能化程度和效率。
在一个可选的实施例中，该深度学习模型还可以包括：输出层，设置在双向时序递归神经网络之后，用于输出层位概率体。
图27为本发明实施例一种地震层位识别与追踪系统的结构图二。如图27所示，该地震层位识别与追踪系统在该转账控制装置在包含上述图22所示结构的基础上，还可以包括：扩张因子计算装置40以及神经网络建立装置50。
扩张因子计算装置40基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α。
其中，基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α能够保证扩张卷积神经网络在每层的卷积核进行扩张时，能够兼顾数据与采样间隔，防止扩张因子过大导致感受野过大，不能有效提取特征。
神经网络建立装置50基于扩张因子最大值α建立扩张卷积神经网络。
图28为图27所示地震层位识别与追踪系统中的扩张因子计算装置40的结构图。如图28所示，该扩张因子计算装置40包括：比值计算模块41、对数计算模块42以及取整模块43。
比值计算模块41计算时窗的宽度与实际地震数据的采样间隔的比值。
对数计算模块42计算以2为底比值的对数。
取整模块43对对数取整得到扩张因子的最大值α。
具体为：
α＝int(log2((We-Ws)/si)),
其中，si是地震数据的采样间隔，int代表取整，We-Ws表示时窗的宽度。
图29为本发明实施例地震层位识别与追踪系统中的模型训练装置20的结构图。如图29所示，该模型训练装置20包括：应用数据输入模块21、残差计算模块22、判断模块23以及反向传播模块24。
应用数据输入模块21将训练数据集输入多尺度时序深度学习模型，得到实际的输出结果。
残差计算模块22将实际的输出结果和标签数据输入损失函数计算残差。
其中，该损失函数为：
其中，Loss为残差，y是标签数据，
是实际的输出结果。
可以理解的是，通过将模型实际的输出结果与标签数据进行比较，实现模型的有监督学习。
判断模块23判断残差是否收敛。
反向传播模块24当判断出残差未收敛时，通过梯度迭代优化算法进行反向传播，调整卷积核上的模型参数。
深度学习的梯度迭代优化算法：
w'是新的模型参数，w是模型参数，
是残差Loss对参数w的梯度，β是动量因子。β决定每次迭代中前一步生成的参数和新参数梯度对参数的影响。
图30为本发明实施例地震层位识别与追踪系统中的层位追踪装置30的结构图。如图30所示，该层位追踪装置30包括：实际数据输入模块31、乘法计算模块32以及层位追踪模块33。
实际数据输入模块31将整个工区时窗范围内的地震数据输入训练后的多尺度时序深度学习模型，生成层位概率体。
乘法计算模块32将层位概率体和实际地震数据点对点相乘，得到层位数据体。
层位追踪模块33在层位数据体上开展层位的自动追踪。
本发明实施例提供的地震层位识别与追踪系统，在地震数据解释中引入图像处理和自然语言处理中的深度学习技术，采用扩张卷积神经网络和时序递归神经网络的多尺度时序深度学习模型，结合非线性激活运算，引入非线性因素，适应地震层位属性变化快的位置；通过扩张卷积神经网络实现多尺度的地震波组特征提取、对比和识别，结合地质沉积的时序特性，应用时序递归神经网络实现地震数据的拟人化识别和追踪，较以往的层位自动追踪算法，结果准确率大大提高，同时有效提高了层位识别与追踪的智能化程度和效率。
图31为本发明实施例计算机设备的结构图。如图31所示，该计算机设备具体可以包括存储器700、处理器600、通信接口800、数据总线900及存储在存储器700上并可在处理器600上运行的计算机程序，所述处理器600执行所述程序时实现上述实施例所示地震层位识别与追踪方法的步骤。
本发明实施例提供的计算机设备，在地震数据解释中引入图像处理和自然语言处理中的深度学习技术，采用扩张卷积神经网络和时序递归神经网络的多尺度时序深度学习模型，适应地震层位属性变化快的位置，较以往的层位自动追踪算法，结果准确率大大提高，同时有效提高了层位识别与追踪的智能化程度和效率。
本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述地震层位识别与追踪方法的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (33)
1.一种地震层位识别与追踪方法，其特征在于，包括：
处理测井数据和实际地震数据，得到训练数据集和标签数据；
利用所述训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练；
利用训练后的多尺度时序深度学习模型进行层位自动追踪；
其中，所述处理测井数据和实际地震数据，得到训练数据集和标签数据，包括：
利用测井数据和Robinson卷积模型生成合成地震数据；
将所述合成地震数据与所述实际地震数据进行互相关分析，在所述实际地震数据中标定目标地震地质层位；
在所述实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，作为所述训练数据集；
由所述训练数据集解释所述目标地震地质层位；
在解释后的所述训练数据集上选取时窗；
将所述时窗内的实际地震数据进行二值化处理得到标签数据。
2.根据权利要求1所述地震层位识别与追踪方法，其特征在于，所述时窗包含目标地震地质层位的最浅深度和最大深度。
3.根据权利要求1所述地震层位识别与追踪方法，其特征在于，所述将所述时窗内的实际地震数据进行二值化处理得到标签数据，包括：
从解释后的训练数据集中提取每一个地震道中所述目标地震地质层位处地震子波的长度；
计算各地震道中所述目标地震地质层位处地震子波的平均波长；
将在所述目标地震地质层位对应的同相轴的一个平均波长范围内的地震数据的数值置为1，并将在目标地震地质层位对应同相轴的一个平均波长范围外的地震数据的数值置为0，得到标签数据。
4.根据权利要求1所述地震层位识别与追踪方法，其特征在于，由所述训练数据集解释所述目标地震地质层位，包括：
在所述训练数据集中，对所述目标地震地质层位进行空间扩展，得到整个空间中所述目标地震地质层位的分布。
5.根据权利要求1所述地震层位识别与追踪方法，其特征在于，所述利用测井数据和Robinson卷积模型生成合成地震数据，包括：
利用测井数据中的声波时差数据计算声波速度；
基于测井数据中的密度测井数据和所述声波速度计算反射系数；
将反射系数与riker子波进行卷积运算得到合成地震数据。
6.根据权利要求1所述地震层位识别与追踪方法，其特征在于，将所述合成地震数据与所述实际地震数据进行互相关分析，在所述实际地震数据中标定目标地震地质层位，包括：
将所述合成地震数据与所述实际地震数据进行互相关分析，建立所述测井数据和所述实际地震数据之间的映射关系；
在所述实际地震数据中搜索与测井数据中的测井地质层位对应的位置；
将搜索到的位置标定为目标地震地质层位。
7.根据权利要求1所述地震层位识别与追踪方法，其特征在于，所述预建立的多尺度时序深度学习模型包括：扩张卷积神经网络以及串联在所述扩张卷积神经网络之后的双向时序递归神经网络。
8.根据权利要求7所述地震层位识别与追踪方法，其特征在于，还包括：
基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α；
基于所述扩张因子最大值α建立所述扩张卷积神经网络。
9.根据权利要求8所述地震层位识别与追踪方法，其特征在于，所述基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α，包括：
计算时窗的宽度与实际地震数据的采样间隔的比值；
计算以2为底所述比值的对数；
对所述对数取整得到扩张因子的最大值α。
10.根据权利要求8所述地震层位识别与追踪方法，其特征在于，所述扩张卷积神经网络包括：
输入层，用于接收输入数据；
卷积核大小为3个采样点的第1卷积层，用于提取输入数据经过卷积核线性加权后非线性映射得到的局部非线性特征向量，输出的局部非线性特征向量的数量为21；
卷积核大小为3个采样点的第2扩张卷积层至第α扩张卷积层，用于在前一层提取的特征的基础上提取不同尺度非线性特征向量，第二扩张卷积层至第α扩张卷积层的扩张因子分别为21～2α-1，输出的不同尺度非线性特征向量的数量分别为22～2α；
卷积核大小为3个采样点的第α+1卷积层以及卷积核大小为1个采样点的第α+2卷积层，用于将大尺度的特征局部化，以便刻画地震层位的边界，第α+1卷积层输出的特征向量的数量为2α+1，第α+2卷积层输出的特征向量的数量为1。
11.根据权利要求8所述地震层位识别与追踪方法，其特征在于，
所述双向时序递归神经网络串联设置于第α+2卷积层之后，用于提取所述目标地震地质层位与其上下地层之间的接触关系，形成与训练数据集对应的层位概率体。
12.根据权利要求11所述地震层位识别与追踪方法，其特征在于，所述预建立的多尺度时序深度学习模型还包括：
输出层，设置在双向时序递归神经网络之后，用于输出所述层位概率体。
13.根据权利要求10所述地震层位识别与追踪方法，其特征在于，所述扩张卷积神经网络采用线性修正单元激活函数。
14.根据权利要求1所述地震层位识别与追踪方法，其特征在于，所述利用所述训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练，包括：
步骤1：将训练数据集输入多尺度时序深度学习模型，得到实际的输出结果；
步骤2：将实际的输出结果和所述标签数据输入损失函数计算残差；
步骤3：判断残差是否收敛；
若否，则通过梯度迭代优化算法进行反向传播，调整卷积核上的模型参数，重复步骤1至步骤3，直至残差收敛，得到训练后的多尺度时序深度学习模型。
15.根据权利要求14所述地震层位识别与追踪方法，其特征在于，所述损失函数为：
其中，Loss为残差，y是标签数据，
是实际的输出结果。
16.根据权利要求1所述地震层位识别与追踪方法，其特征在于，所述利用训练后的多尺度时序深度学习模型进行层位自动追踪，包括：
将整个工区时窗范围内的地震数据输入训练后的多尺度时序深度学习模型，生成层位概率体；
将所述层位概率体和实际地震数据点对点相乘，得到层位数据体；
在所述层位数据体上开展层位的自动追踪。
17.一种地震层位识别与追踪系统，其特征在于，包括：
训练数据处理装置，处理测井数据和实际地震数据，得到训练数据集和标签数据；
模型训练装置，利用所述训练数据集和标签数据对预建立的多尺度时序深度学习模型进行训练；
层位追踪装置，利用训练后的多尺度时序深度学习模型进行层位自动追踪；
其中，所述训练数据处理装置包括：
合成数据模块，利用测井数据和Robinson卷积模型生成合成地震数据；
层位标定模块，将所述合成地震数据与所述实际地震数据进行互相关分析，在所述实际地震数据中标定目标地震地质层位；
数据筛选模块，在所述实际地震数据中搜索具有沉积环境和地震数据波组特征代表性的数据，作为所述训练数据集；
层位解释模块，由所述训练数据集解释所述目标地震地质层位；
时窗选取模块，在解释后的所述训练数据集上选取时窗；
二值化模块，将所述时窗内的实际地震数据进行二值化处理得到标签数据。
18.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述时窗包含目标地震地质层位的最浅深度和最大深度。
19.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述二值化模块包括：
子波长度计算单元，在经过解释的训练数据集中，提取每一个地震道中所述目标地震地质层位处地震子波的长度；
平均波长计算单元，从解释后的训练数据集中提取每一个地震道中所述目标地震地质层位处地震子波的长度；
二值化单元，将在所述目标地震地质层位对应的同相轴的一个平均波长范围内的地震数据的数值置为1，并将在目标地震地质层位对应同相轴的一个平均波长范围外的地震数据的数值置为0，得到标签数据。
20.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述层位解释模块包括：
扩张单元，用于在所述训练数据集中对所述目标地震地质层位进行空间扩张，得到整个空间中所述目标地震地质层位的分布。
21.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述合成数据模块包括：
声波速度计算单元，利用测井数据中的声波时差数据计算声波速度；
反射系数计算单元，基于测井数据中的密度测井数据和所述声波速度计算反射系数；
数据生成单元，将反射系数与riker子波进行卷积运算得到合成地震数据。
22.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述层位标定模块包括：
分析单元，将所述合成地震数据与所述实际地震数据进行互相关分析，建立所述测井数据和所述实际地震数据之间的映射关系；
位置搜索单元，在所述实际地震数据中搜索与测井数据中的测井地质层位对应的位置；
标定单元，将搜索到的位置标定为目标地震地质层位。
23.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述预建立的多尺度时序深度学习模型包括：扩张卷积神经网络以及串联在所述扩张卷积神经网络之后的双向时序递归神经网络。
24.根据权利要求23所述地震层位识别与追踪系统，其特征在于，还包括：
扩张因子计算装置，基于时窗的宽度以及实际地震数据的采样间隔计算扩张因子最大值α；
神经网络建立装置，基于所述扩张因子最大值α建立所述扩张卷积神经网络。
25.根据权利要求24所述地震层位识别与追踪系统，其特征在于，所述扩张因子计算装置包括：
比值计算模块，计算时窗的宽度与实际地震数据的采样间隔的比值；
对数计算模块，计算以2为底所述比值的对数；
取整模块，对所述对数取整得到扩张因子的最大值α。
26.根据权利要求24所述地震层位识别与追踪系统，其特征在于，所述扩张卷积神经网络包括：
输入层，用于接收输入数据；
卷积核大小为3个采样点的第1卷积层，用于提取输入数据经过卷积核线性加权后非线性映射得到的局部非线性特征向量，输出的局部非线性特征向量的数量为21；
卷积核大小为3个采样点的第2扩张卷积层至第α扩张卷积层，用于在前一层提取的特征的基础上提取不同尺度非线性特征向量，第二扩张卷积层至第α扩张卷积层的扩张因子分别为21～2α-1，输出的不同尺度非线性特征向量的数量分别为22～2α；
卷积核大小为3个采样点的第α+1卷积层以及卷积核大小为1个采样点的第α+2卷积层，用于将大尺度的特征局部化，以便刻画地震层位的边界，第α+1卷积层输出的特征向量的数量为2α+1，第α+2卷积层输出的特征向量的数量为1。
27.根据权利要求24所述地震层位识别与追踪系统，其特征在于，
所述双向时序递归神经网络串联设置于第α+2卷积层之后，用于提取所述目标地震地质层位与其上下地层之间的接触关系，形成与训练数据集对应的层位概率体。
28.根据权利要求27所述地震层位识别与追踪系统，其特征在于，所述预建立的多尺度时序深度学习模型还包括：
输出层，设置在双向时序递归神经网络之后，用于输出所述层位概率体。
29.根据权利要求26所述地震层位识别与追踪系统，其特征在于，所述扩张卷积神经网络采用线性修正单元激活函数。
30.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述模型训练装置包括：
应用数据输入模块，将训练数据集输入多尺度时序深度学习模型，得到实际的输出结果；
残差计算模块，将实际的输出结果和所述标签数据输入损失函数计算残差；
判断模块，判断残差是否收敛；
反向传播模块，当判断出残差未收敛时，通过梯度迭代优化算法进行反向传播，调整卷积核上的模型参数。
31.根据权利要求17所述地震层位识别与追踪系统，其特征在于，所述层位追踪装置包括：
实际数据输入模块，将整个工区时窗范围内的地震数据输入训练后的多尺度时序深度学习模型，生成层位概率体；
乘法计算模块，将所述层位概率体和实际地震数据点对点相乘，得到层位数据体；
层位追踪模块，在所述层位数据体上开展层位的自动追踪。
32.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至16任一项所述的地震层位识别与追踪方法的步骤。
33.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至16任一项所述的地震层位识别与追踪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811404168.3A CN109709603B (zh) | 2018-11-23 | 2018-11-23 | 地震层位识别与追踪方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811404168.3A CN109709603B (zh) | 2018-11-23 | 2018-11-23 | 地震层位识别与追踪方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109709603A CN109709603A (zh) | 2019-05-03 |
| CN109709603B true CN109709603B (zh) | 2020-08-11 |
Family
ID=66254476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811404168.3A Active CN109709603B (zh) | 2018-11-23 | 2018-11-23 | 地震层位识别与追踪方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109709603B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110389382B (zh) * | 2019-08-02 | 2020-07-07 | 中国石油大学(北京) | 一种基于卷积神经网络的油气藏储层表征方法 |
| CN112464547B (zh) * | 2019-09-06 | 2022-11-04 | 中国石油天然气股份有限公司 | 地震倾角和方位角的确定方法及装置 |
| CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
| CN110749929B (zh) * | 2019-10-28 | 2020-06-05 | 山东科技大学 | 一种基于机器学习的复杂地区地震反射层识别与追踪方法 |
| CN111178320B (zh) * | 2020-01-07 | 2020-11-17 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| CN113109867B (zh) * | 2020-01-13 | 2023-06-30 | 中国石油天然气股份有限公司 | 楔状地层辫状水道的地震属性提取方法及装置 |
| CN111736217B (zh) * | 2020-05-27 | 2023-12-26 | 中国石油天然气集团有限公司 | 地震属性融合方法及装置 |
| CN113805235B (zh) * | 2020-06-11 | 2023-12-26 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
| CN111650643B (zh) * | 2020-07-03 | 2021-03-12 | 中国矿业大学(北京) | 地震断层机器学习模型训练集提取方法和系统 |
| CN112149502A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学（武汉） | 一种基于卷积神经网络的不良地质定位预报方法 |
| CN111815680A (zh) * | 2020-08-20 | 2020-10-23 | 电子科技大学 | 基于恒等快捷映射的深层卷积神经网络自动层位追踪方法 |
| CN112100906B (zh) * | 2020-08-21 | 2021-06-22 | 中海石油(中国)有限公司 | 数据驱动的大尺度密度建模方法、计算设备及存储介质 |
| CN112130200B (zh) * | 2020-09-23 | 2021-07-20 | 电子科技大学 | 一种基于grad-CAM注意力引导的断层识别方法 |
| CN112130201B (zh) * | 2020-09-27 | 2021-10-26 | 北京中恒利华石油技术研究所 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
| CN112433249B (zh) * | 2020-12-08 | 2024-06-25 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
| CN113031059B (zh) * | 2021-03-08 | 2023-10-13 | 西安石油大学 | 基于视觉认知的环境抑制与轮廓结合模型的地震数据同相轴检测方法 |
| CN113419277B (zh) * | 2021-06-21 | 2022-03-18 | 大庆油田有限责任公司 | 一种基于落差梯度属性的地震解释层位的质控方法 |
| CN113705770B (zh) * | 2021-07-12 | 2024-03-15 | 中国石油大学(华东) | 一种神经网络系统、叠前弹性阻抗反演方法及存储介质 |
| CN113947032B (zh) * | 2021-11-17 | 2022-08-19 | 中国石油大学(北京) | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
| CN114859410A (zh) * | 2022-04-22 | 2022-08-05 | 西安石油大学 | 基于差分进化算法的b-cosfire滤波器的地震同相轴提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592681B (zh) * | 2013-09-16 | 2016-05-04 | 电子科技大学 | 一种基于信号分类的地震图像层位追踪方法 |
| CN104199092A (zh) * | 2014-08-31 | 2014-12-10 | 电子科技大学 | 基于多层次框架的三维全层位自动追踪方法 |
| CN106295678B (zh) * | 2016-07-27 | 2020-03-06 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
| CN107193040A (zh) * | 2017-06-27 | 2017-09-22 | 中国石油天然气股份有限公司 | 深度域合成地震记录的确定方法和装置 |
-
2018
- 2018-11-23 CN CN201811404168.3A patent/CN109709603B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109709603A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| US11520077B2 (en) | Automated reservoir modeling using deep generative networks | |
| US11599790B2 (en) | Deep learning based reservoir modeling | |
| CN110031896B (zh) | 基于多点地质统计学先验信息的地震随机反演方法及装置 | |
| CN112017289B (zh) | 一种基于深度学习的井震联合初始岩性模型构建方法 | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| US11226424B2 (en) | Method for detecting geological objects in a seismic image | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN111507048B (zh) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 | |
| Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
| US11899148B1 (en) | Seismic imaging free gas structure identification method and system | |
| WO2022272058A1 (en) | Method and system for seismic imaging using s-wave velocity models and machine learning | |
| CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
| CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
| Yang et al. | A multi-task learning method for relative geologic time, horizons, and faults with prior information and transformer | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| Zhu et al. | Seismic Facies Analysis Using the Multiattribute SOM‐K‐Means Clustering | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| Zhu et al. | Identifying the potash reservoirs from seismic data by using convolution neural network, constrained by the waveform characteristics of potash reservoirs | |
| CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
| Lou et al. | Automatic Seismic Fault Interpretation with the Aid of Data-, Physics-, and Math-assisted Synthetic Data Generation | |
| CN112649867A (zh) | 虚拟井构建方法及系统 | |
| Arpat et al. | Characterization of West-Africa submarine channel reservoirs: a neural network based approach to integration of seismic data | |
| US20240111072A1 (en) | Method and Apparatus for Petrophysical Classification, Characterization, and Uncertainty Estimation | |
| Miltenberger | A Measure-Theoretic Approach to Bayesian Hypothesis Testing and Inversion with Geophysical Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |