CN110895348A - 一种地震弹性阻抗低频信息提取方法、系统及存储介质 - Google Patents
一种地震弹性阻抗低频信息提取方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110895348A CN110895348A CN201911329159.7A CN201911329159A CN110895348A CN 110895348 A CN110895348 A CN 110895348A CN 201911329159 A CN201911329159 A CN 201911329159A CN 110895348 A CN110895348 A CN 110895348A
- Authority
- CN
- China
- Prior art keywords
- seismic
- elastic impedance
- data
- loss value
- low
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 208000007442 rickets Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震弹性阻抗低频信息提取方法、系统及存储介质，其中方法包括以下步骤：获取地震数据、实测弹性阻抗数据；根据所述地震数据通过神经网络反演出弹性阻抗数据；根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；基于所述最小总损失值和所述低频曲线进行地震反演和储层预测；本发明方案引入神经网络方法进行地震低频信息提取，提取的低频特征好，计算效率高，可显著提高储层预测精度降低勘探风险，可广泛应用于地球物理勘探技术领域。
Description
技术领域
本发明涉及地球物理勘探技术领域，尤其是一种地震弹性阻抗低频信息提取方法、系统及存储介质。
背景技术
随着地震勘探技术的发展，油气勘探所面临的地质问题越来越复杂，对地震数据处理及解释工作要求越来越高，如何在处理过程中最大限度保留有效信号，充分挖掘数据信息，进行储层精细描述，是地球物理学家所追求的目标之一。低频信息在将地震数据转化成纵波阻抗和弹性阻抗剖面，和最终转化成储层属性参数剖面的反演过程中扮演着重要的角色。另外，地震波的低频成分衰减慢，具有较强的穿透能力，可以提高中深层地震成像质量，尤其对于地层中包含大套地层时，成像质量提高更加明显。从反演角度来看，低频信息的精度直接影响到了低频模型的精度，而低频模型精度又最终影响到叠前及叠后地震反演结果，最终影响到储层预测的精度。另外，低频信号能够保持较宽的有效频带，压制子波旁瓣影响，提高地震资料分辨率，这对于地震资料解释很有必要。而反演中，也涉及到子波与反射系数的褶积过程，因此低频信号对子波旁瓣的影响也会影响到正-反演过程。在烃类检测中，“低频伴影”可作为储层是否含有烃类的依据，用于油气藏检测。
地震资料低频信息常用提取方法有低通滤波、带通滤波、时频分析方法等，而时频分析方法，可以在时间刻度上考虑频率特性，增强了地震资料分析和解释时的可读性，被地球物理学者们广泛接受。Stockwell(1996)提出S变换分析方法用于局部时－频精细分析。S变换的窗函数不仅能随着频率的增加而自适应地减小分析时窗，并且时窗具有一定的自适应性。针对S变换的小波函数是固定的，高静怀、贺振华、陈学华等(2003，2005)相继提出了小波函数变化的广义S变换。从而使小波函数随具体的应用而调整，增加了灵活性。广义S变换不仅具有小波分析的特点，并且对信号的细节，及信号的高频部分也能进行很好的时－频分析。为了克服了时窗傅里叶变化不能描述信号结构变化和小波变换不能提供精确估算子波原子频率的缺点(Qian，1994)，Mallat等(1994)提出了匹配追踪算法，主要用于信号稀疏分解，应用匹配追踪算法，创建超完备子波库所使用的子波原子基与原始信号越相似，则分解效果越好，前提是需要选择合适的原子基。
GRU则是LSTM的一个变体，GRU即Gated Recurrent Unit，门控循环单元。GRU的优势在于：能够对长期语境等关系进行建模；在保留长期序列信息下减少梯度消失问题；GRU保持了LSTM的效果同时又使结构更加简单，所以它在自然语言处理领域近两年非常流行。
但于目前鲜有通过引入门循环单元(GRU)神经网络方法进行地震低频信息提取方法，传统方法如聚类分析、遗传算法、模糊理论，对于地震时间跨度较长的长时间序列问题的低频信息提取效果不理想，受主观因素影响较大，计算效率低下，同样也无法清楚地体现出地质异常体的低频特征。
发明内容
为解决上述技术问题之一，本发明的目的在于：提供一种实用性强、精度高、计算快速的地震弹性阻抗低频信息提取方法、系统及存储介质。
本发明所采取的第一种技术方案是：一种地震弹性阻抗低频信息提取方法，包括以下步骤：
获取地震数据、实测弹性阻抗数据；
根据所述地震数据通过神经网络反演出弹性阻抗数据；
根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
进一步，所述根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值这一步骤具体包括：对所述地震数据进行标准化和归一化处理；从处理后的地震数据获取至少三个角度的弹性阻抗数据以及生成弹性阻抗曲线；通过所述弹性阻抗数据获取对应角度下的地震反射系数；根据所述地震反射系数结合地震子波或从所述地震数据提取的统计子波生成所述正演地震数据。
进一步，所述从所述地震数据提取的统计子波包括：分角度提取的统计子波或在固定的角度提取的统计子波。
进一步，所述根据所述地震数据通过神经网络反演出弹性阻抗数据这一步骤具体包括：构建并初始化门控循环神经网络；将所述地震数据中的地震道通过所述门控循环神经网络生成弹性阻抗道集；根据所述弹性阻抗道集获取所述弹性阻抗数据。
进一步，所述根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值这一步骤具体包括：根据所述正演地震数据结合所述地震数据得到地震数据损失值；根据所述地震数据损失值以及弹性阻抗的损失值得到初始损失值；通过神经网络的后向传递及梯度计算和经过神经网络的前向传递进行迭代，更新所述初始损失值；当总损失函数收敛到极小值，获取所述最小总损失值。
进一步，所述门控循环神经网络包括：至少一个门控循环单元、反卷积层和全连接层；门控循环单元：用于根据所述地震数据输出中间过程数据；反卷积层：用于对所述中间过程数据进行上采样处理；全连接层：用于根据所述上采样处理的结果生成所述弹性阻抗数据。
进一步，所述基于所述最小总损失值和所述低频曲线进行储层预测和地震反演这一步骤具体包括：滤除所述弹性阻抗曲线高频部分，获取地震道低频弹性阻抗曲线；根据所述地震道弹性阻抗曲线生成弹性阻抗低频模型；根据所述弹性阻抗低频模型及所述地震数据进行弹性阻抗反演；基于弹性阻抗反演的结果对储层、物性以及岩性进行划分，完成储层预测、烃类检测及地质异常体的识别。
本发明所采取的第二种技术方案是：一种地震弹性阻抗低频信息提取系统，包括：
数据获取单元，获取地震数据、实测弹性阻抗数据；
弹性阻抗反演单元，根据所述地震数据通过神经网络反演出弹性阻抗数据；
地震数据正演单元，用于根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
损失数据获取单元，用于根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
数据整合单元，根据所述正演地震数据以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
执行单元，用于基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
本发明所采取的第三种技术方案是：一种地震弹性阻抗低频信息提取系统，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被至少一个处理器执行，使得所述至少一个处理器实现所述的一种地震弹性阻抗低频信息提取方法。
本发明所采取的第四种技术方案是：一种存储介质，其中存储有可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的一种地震弹性阻抗低频信息提取方法。
本发明的有益效果是：本发明方案引入神经网络方法进行地震低频信息提取，并将提取的低频信息应用于地震反演和储层预测，对于地震长时间序列信号，该方法完全数据驱动，降低了常规提取低频特征方法受主观因素影响较大的问题，提取的低频特征好，计算效率高，应用低频信息在地震反演及岩性进行解释，可显著提高储层预测精度降低勘探风险。
附图说明
图1为本发明实施例一种地震弹性阻抗低频信息提取方法的流程图；
图2是本发明实施例一种地震弹性阻抗低频信息提取方法的双向GRU神经网络节点的结构示意图；
图3是本发明实施例一种地震弹性阻抗低频信息提取方法的GRU深度学习神经网络模型的结构示意图；
图4是本发明实施例一种地震弹性阻抗低频信息提取方法的深度学习训练过程总损失值曲线图；
图5是本发明实施例一种地震弹性阻抗低频信息提取方法提取的低频趋势与原始曲线叠合图；
图6是本发明实施例一种地震弹性阻抗低频信息提取方法的获取EI反演损失值的流程图。
具体实施方式
下面结合具体的实施例对本发明进行进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，为本发明实施例的具体步骤的流程图，本实施例一种地震弹性阻抗低频信息提取方法具体实施步骤为:
S101、获取地震数据、实测弹性阻抗数据；获取地震数据并作为神经网络的输入。
S102、根据所述地震数据通过神经网络反演出弹性阻抗数据；本实施例引入门循环单元(GRU)神经网络方法进行地震低频信息提取方法，其具体为：
S1021、构建GRU神经网络，如图2所示，GRU网络节点个数可以根据需要动态调整，并且采用首尾串联方式。特别的，本实施例采用双向GRU的神经网络，主要包括：输入层；正向GRU传播层，反向GRU传播层，反向GRU传播层可以不选用；输出层；在反向GRU传播层与输出层之间，存在激活层。箭头方向表示数据流动方向，在正向GRU层和反向GRU层，每一个圆圈代表一个GRU单元，每个GRU单元均包含了更新门与重置门，这是为了解决标准RNN的梯度消失问题。基本上，这两个门控向量决定了哪些信息最终能作为门控循环单元的输出。这两个门控机制的特殊之处在于，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除。输入层输入地震角度道集数据，以10度的地震角道集为例，S1，S2，S3分别表示t1、t2、t3时刻的地震数据，一个地震道其余时刻的地震数据同样都需要输入，由于一个地震道可能有几千个时间样点，因此在输入层以省略号表示。其次，本实施例的GRU深度学习神经网络模型包括至少一个门控循环单元、反卷积层和全连接层，如图3所示，为GRU单元神经网络节点的数据流动方式：把叠前地震数据批量送入网络，数据经过GRU神经网络再经过反卷积层对数据进行上采样处理，最后经过全连接层(Linear层)生成弹性阻抗数据。可以根据实际数据的反演效果调整GRU层数。
S1022、用随机参数初始化反演模型(GRU深度学习神经网络)。初始参数的随机给定，明显优于传统反演方法。传统反演方法对于初始化模型要求较高，初始模型不能随机给定。
S1023、将训练数据集(地震数据)有实测井的弹性阻抗(Elastic Impedance，EI)道及地震道建立相应标签，将随机选择的地震道输入到反演模型中，得到相应的EI道集；GRU神经网络前向传播，通过公式(1)和(2)最后获得具体的弹性阻抗信息(数据)：
其中，
表示第i个地震道第t个时刻的地震信息，
代表第i个地震道第个时刻的弹性阻抗信息，sigmoid代表sigmoid函数，tanh代表双曲正切函数，
代表更新门，
代表重置门，更新门和重置门是GRU深度学习神经网络的两个最为强大的核心机制。Wmu、Wnu、Wmr和Wnr均表示权值矩阵，bu和br表示偏置项，权值矩阵和偏置项均可以通过深度学习网络自主学习获得。
S103、根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；利用正演模型从估算的EI中合成地震记录，其具体为：
S1031、对原始测井数据，如密度曲线、纵波速度、横波速度进行标准化及归一化处理，其目的是去除井径垮塌、测井质量不佳等问题。
S1032、构建理论地震子波例如Ricker(t)子波或在地震数据上提取统计子波，提取方式分为两种：
a)分角度提取子波，每隔5度提取一个子波，例如，在0-5度的叠前地震角道集上提取的子波w1(t)；在5-10度叠前地震角道集上提取的子波为w2(t)；在10-15度的叠前地震角道集上提取的子波为w3(t)；在15-20度叠前地震角道集上提取的子波为w4(t)；在20-25度叠前地震角道集上提取的子波为w5(t)；在25-30度叠前地震角道集上提取的子波为w6(t)；在30-35度叠前地震角道集上提取的子波为w7(t)；
b)在叠前地震角度道集上提取统一的地震子波，例如在0-35度范围内只提取一个统计子波w(t)；
S1033、通过地震数据中的测井数据计算0°的弹性阻抗(EI)，其计算公式(3)为：
其中t表示时间，θ为入射角度，
为纵波速度在时间轴上的平均值，
为密度在时间轴上的平均值，
为横波速度在时间轴上的平均值。Vp(t)为某一时刻t对应的纵波速度，Vs(t)为某一时刻t对应的横波速度，ρ(t)为某一时刻t对应的密度。u,v,w分别为依赖角度θ的函数。
S1034、重复步骤S1033，计算其他角度的弹性阻抗曲线，EI(5°)，EI(10°)，EI(15°)，EI(20°)，EI(25°)，EI(30°)，EI(35°)。
S1035、通过弹性阻抗(EI)以及公式(4)计算入射角为0°对应的地震反射系数：
式中，t表示时刻，Δt代表下一个采样点对应的时间变化量，通常为2ms或1ms，EI(t+Δt)代表t+Δt时刻弹性阻抗。同样重复过程计算其他角度的对应的反射系数，例如：RC(5°)，RC(10°)，RC(15°)，RC(20°)，RC(25°)，RC(30°)，RC(35°)。
S1036、通过子波与反射系数进行褶积运算，通过公式(5)获得合成地震记录：
seis＝wi(t)*RC(θ)(5)
其中，RC(θ)代表步骤S1035中的不同角度的反射系数，wi(t)代表步骤S1032中子波的类型，当i＝1时，代表Ricket(r)子波，当i＝2时，代表步骤S1032中的系列子波，当i＝3时，代表步骤S1032中的唯一的一个统计子波。例如，当用雷克子波合成0°的地震记录时，则有公式(6)：
seis＝Ricker(t)*RC(0)(6)
重复步骤S1036，合成其余角度的合成地震记录，例如，seis(5°)，seis(10°)，seis(15°)，seis(20°)，seis(25°)，seis(30°)，seis(35°)。
S1037、获得地震损失值：获取方法为合成地震与输入地震之间的最小均方误差：
式中，mi代表第i道的弹性阻抗，θ代表地震入射角度，di代表第i道地震数据，
代表对地震数据di求EI反演，L2(θ)代表地震损失，F代表对反演出来的EI求正演，得到的是地震数据。
S104、根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；具体的，计算EI属性损失：方法为训练地震道上的预测EI与真实EI地震道之间的均方误差：
式中，mi代表第i道的弹性阻抗，θ代表地震入射角度，di代表第i道地震数据，
代表对地震数据di求EI反演，L1(θ)代表EI的属性损失。
S105、根据所述正演地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；具体的，总损失＝地震损失+EI属性损失：
L(θ)＝L1(θ)+L2(θ)(9)
其中L1(θ)代表EI的属性损失，L2(θ)代表地震损失。并通过后向梯度传播算法来更新GRU神经网络，这一过程实现损失函数对各参数的自动偏导计算，然后对神经网络进行正向传播再进行反向传播，按照超参数规定的迭代次数，重复此过程，直至总损失函数收敛到极小值，如图4所示，横轴表示训练次数，纵轴表示总损失值，曲线虽然在个别训练次数时损失值有跳跃，但是整体呈现较好的下降趋势，当训练次数为400次时，总损失值约为0.3，表明本实施例可以达到目标效果；利用50点滑动平均算法或低频滤波算法，滤除高频成分，获取特定地震道低频EI曲线，如图5所示，纵坐标表示弹性阻抗，横坐标表示时间，图5为两条曲线的叠合图，其中虚线表示实测的弹性阻抗，实线表示反演出的低频弹性阻抗(EI)，从图中可以看出，两条曲线吻合较好，同样表明本实施例可以达到目标效果。
将获取最小总损失值的所有步骤(流程)连贯起来，进行整合即如图6所示，总损失值主要包括两部分：地震数据损失值和弹性阻抗损失值。当地震数据送入到GRU深度学习网络后，反演出弹性阻抗，此时反演出的弹性阻抗与实测弹性阻抗相结合，可以计算出弹性阻抗的损失值；另外弹性阻抗通过反射系数公式计算，计算出反射系数后，与地震子波进行褶积运算，生成合成地震数据，与实测地震数据相结合，计算出地震数据的损失值，把两部分的损失值加在一起，构成总损失值，初始的总损失值较大，通过深度学习网络的后向传递及梯度计算，再经过网络的前向传递，重新计算总损失值。经过深度学习的不断学习迭代，直到总损失值最小或者达到预期值。
S106、基于所述最小总损失值和所述低频曲线进行地震反演和储层预测；具体的，获取全部地震道低频EI曲线；共同构成整个二维地震测线的低频模型，重复构建多个二维地震测线的低频模型获取整个三维工区的弹性阻抗EI低频模型，该模型可以修正按照测井滤波-地震解释层位联合横向插值生成传统低频模型。利用弹性阻抗EI低频模型及叠前地震数据，进行弹性阻抗反演，在弹性阻抗反演结果基础上，利用测井弹性属性交汇方法，对储层、物性、岩性等进行划分，完成储层预测、烃类检测及地质异常体的识别。
除此之外，本发明实施例还提供了一种地震弹性阻抗低频信息提取系统，包括：
数据获取单元，获取地震数据、实测弹性阻抗数据；
弹性阻抗反演单元，用于根据所述地震数据通过神经网络反演出弹性阻抗数据；
地震数据正演单元，用于根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
损失数据获取单元，用于根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
数据整合单元，用于根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
执行单元，用于基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
本发明实施例还提供一种地震弹性阻抗低频信息提取系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被至少一个处理器执行，使得所述至少一个处理器实现所述的一种地震弹性阻抗低频信息提取方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的地震弹性阻抗低频信息提取方法。
相对于现有技术，本发明地震弹性阻抗低频信息提取方法、系统及存储介质具有以下优点：
1)本发明方法引入门循环单元(GRU)神经网络方法进行地震低频信息提取方法。结果表明，对于地震长时间序列信号，该方法完全数据驱动，降低了常规提取低频特征方法受主观因素影响较大的问题，提取的低频特征好，计算效率高，易于收敛，低频信息可靠，具有广泛的适用性和可操作性；
2)本发明方法既能达到常规基于频率滤波方法的低频信息提取效果，同时又能体现出地质异常体的低频特征，整体提取低频特征效果理想，对于后续叠后反演、叠前多参数反演、巨厚岩性体解释、叠前深度偏移速度建模具有较好的应用空间。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种地震弹性阻抗低频信息提取方法，其特征在于，包括以下步骤：
获取地震数据、实测弹性阻抗数据；
根据所述地震数据通过神经网络反演出弹性阻抗数据；
根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
2.根据权利要求1所述的一种地震弹性阻抗低频信息提取方法，其特征在于，所述根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值这一步骤具体包括：
对所述地震数据进行标准化和归一化处理；
从处理后的地震数据获取至少三个角度的弹性阻抗数据以及生成弹性阻抗曲线；
通过所述弹性阻抗数据获取对应角度下的地震反射系数；
根据所述地震反射系数结合地震子波或从所述地震数据提取的统计子波生成所述正演地震数据。
3.根据权利要求2所述的一种地震弹性阻抗低频信息提取方法，其特征在于，所述从所述地震数据提取的统计子波包括：分角度提取的统计子波和在固定的角度提取的统计子波。
4.根据权利要求1所述的一种地震弹性阻抗低频信息提取方法，其特征在于，所述根据所述地震数据通过神经网络反演出弹性阻抗数据这一步骤具体包括：
构建并初始化门控循环神经网络；
将所述地震数据中的地震道通过所述门控循环神经网络生成弹性阻抗道集；
根据所述弹性阻抗道集获取所述弹性阻抗数据。
5.根据权利要求1所述的一种地震弹性阻抗低频信息提取方法，其特征在于，所述根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值这一步骤具体包括：
根据所述地震数据损失值以及所述弹性阻抗的损失值得到初始损失值；
通过神经网络的后向传递及梯度计算和经过神经网络的前向传递进行迭代，更新所述初始损失值；
当总损失函数收敛到极小值，获取所述最小总损失值。
6.根据权利要求4所述的一种地震弹性阻抗低频信息提取方法，其特征在于，所述门控循环神经网络包括：至少一个门控循环单元、反卷积层和全连接层；
门控循环单元：用于根据所述地震数据输出中间过程数据；
反卷积层：用于对所述中间过程数据进行上采样处理；
全连接层：用于根据所述上采样处理的结果生成所述弹性阻抗数据。
7.根据权利要求1所述的一种地震弹性阻抗低频信息提取方法，其特征在于，所述基于所述最小总损失值和所述低频曲线进行地震反演和储层预测这一步骤具体包括：
滤除所述弹性阻抗曲线高频部分，获取地震道低频弹性阻抗曲线；
根据所述地震道弹性阻抗曲线生成弹性阻抗低频模型；
根据所述弹性阻抗低频模型及所述地震数据进行弹性阻抗反演；
基于弹性阻抗反演的结果对储层、物性以及岩性进行划分，完成储层预测、烃类检测及地质异常体的识别。
8.一种地震弹性阻抗低频信息提取系统，其特征在于，包括：
数据获取单元，获取地震数据、实测弹性阻抗数据；
弹性阻抗反演单元，用于根据所述地震数据通过神经网络反演出弹性阻抗数据；
地震数据正演单元，用于根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
损失数据获取单元，用于根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
数据整合单元，根据所述正演地震数据以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
执行单元，用于基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
9.一种地震弹性阻抗低频信息提取系统，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的一种地震弹性阻抗低频信息提取方法。
10.一种存储介质，其中存储有可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述的一种地震弹性阻抗低频信息提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911329159.7A CN110895348B (zh) | 2019-12-20 | 2019-12-20 | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911329159.7A CN110895348B (zh) | 2019-12-20 | 2019-12-20 | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110895348A true CN110895348A (zh) | 2020-03-20 |
| CN110895348B CN110895348B (zh) | 2022-04-08 |
Family
ID=69788916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911329159.7A Active CN110895348B (zh) | 2019-12-20 | 2019-12-20 | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110895348B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948711A (zh) * | 2020-08-06 | 2020-11-17 | 中海石油(中国)有限公司 | 一种利用深度学习法提取地震数据低频部分的方法和系统 |
| CN112989708A (zh) * | 2021-04-08 | 2021-06-18 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及系统 |
| CN113642816A (zh) * | 2021-10-19 | 2021-11-12 | 西南石油大学 | 一种基于门控循环单元的井震联合钻前测井曲线预测方法 |
| CN114063169A (zh) * | 2021-11-10 | 2022-02-18 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013100760A4 (en) * | 2012-05-31 | 2013-07-04 | Chevron U.S.A. Inc. | A workflow for seismic lithologic characterization |
| CN104459778A (zh) * | 2014-12-03 | 2015-03-25 | 中国石油天然气股份有限公司 | 一种基于双相介质固液解耦的叠前地震反演方法及系统 |
| CN104516021A (zh) * | 2013-09-27 | 2015-04-15 | 中国石油天然气集团公司 | 一种同时提高解析式稳定性和精度的射线弹性参数反演方法 |
| CN105044775A (zh) * | 2015-09-14 | 2015-11-11 | 中国石油大学(华东) | 一种地震流体反演识别方法和装置 |
| CN106707345A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司 | 一种角度弹性参数岩性识别方法和装置 |
| US20170192118A1 (en) * | 2016-01-05 | 2017-07-06 | Schlumerger Technology Corporation | Amplitude Inversion on Partitioned Depth Image Gathers Using Point Spread Functions |
-
2019
- 2019-12-20 CN CN201911329159.7A patent/CN110895348B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013100760A4 (en) * | 2012-05-31 | 2013-07-04 | Chevron U.S.A. Inc. | A workflow for seismic lithologic characterization |
| CN104516021A (zh) * | 2013-09-27 | 2015-04-15 | 中国石油天然气集团公司 | 一种同时提高解析式稳定性和精度的射线弹性参数反演方法 |
| CN104459778A (zh) * | 2014-12-03 | 2015-03-25 | 中国石油天然气股份有限公司 | 一种基于双相介质固液解耦的叠前地震反演方法及系统 |
| CN105044775A (zh) * | 2015-09-14 | 2015-11-11 | 中国石油大学(华东) | 一种地震流体反演识别方法和装置 |
| US20170192118A1 (en) * | 2016-01-05 | 2017-07-06 | Schlumerger Technology Corporation | Amplitude Inversion on Partitioned Depth Image Gathers Using Point Spread Functions |
| CN106707345A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司 | 一种角度弹性参数岩性识别方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| MOTAZ ALFARRAJ，等: "Semi-supervised Sequence Modeling for Elastic Impedance Inversion", 《INTERPRETATION》 * |
| 梁立锋，等: "超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究", 《物探与化探》 * |
| 罗辑，等: "基于方位弹性阻抗反演的裂缝型储层流体检测方法", 《石油地球物理勘探》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948711A (zh) * | 2020-08-06 | 2020-11-17 | 中海石油(中国)有限公司 | 一种利用深度学习法提取地震数据低频部分的方法和系统 |
| CN112989708A (zh) * | 2021-04-08 | 2021-06-18 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及系统 |
| CN112989708B (zh) * | 2021-04-08 | 2022-04-19 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及系统 |
| CN113642816A (zh) * | 2021-10-19 | 2021-11-12 | 西南石油大学 | 一种基于门控循环单元的井震联合钻前测井曲线预测方法 |
| CN114063169A (zh) * | 2021-11-10 | 2022-02-18 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
| CN114063169B (zh) * | 2021-11-10 | 2023-03-14 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110895348B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adler et al. | Deep learning for seismic inverse problems: Toward the acceleration of geophysical analysis workflows | |
| CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
| CN107589448B (zh) | 一种多道地震记录反射系数序列同时反演方法 | |
| CN111239802B (zh) | 基于地震反射波形和速度谱的深度学习速度建模方法 | |
| Velis | Stochastic sparse-spike deconvolution | |
| CN108459350A (zh) | 一种深度域地震子波提取与地震记录合成的一体化方法 | |
| US11221426B2 (en) | Method for improved processing of data with time overlapping recordings of energy sources | |
| CN111368247B (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
| Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
| Downton et al. | Three term AVO waveform inversion | |
| CN109507726A (zh) | 时间域弹性波多参数全波形的反演方法及系统 | |
| 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 | |
| CN110261897A (zh) | 基于组稀疏的叠前四参数反演方法 | |
| WO2022272058A1 (en) | Method and system for seismic imaging using s-wave velocity models and machine learning | |
| WO2022187685A1 (en) | Method and system for faster seismic imaging using machine learning | |
| CN112711065A (zh) | 叠前地震反演方法及装置 | |
| US11662493B2 (en) | Methodology for enhancing properties of geophysical data with deep learning networks | |
| CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
| US12013508B2 (en) | Method and system for determining seismic processing parameters using machine learning | |
| Li et al. | Pertinent multigate mixture-of-experts-based prestack three-parameter seismic inversion | |
| CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
| GB2425355A (en) | Residual move out processing of seismic data | |
| CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
| CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
| CN110988991B (zh) | 一种弹性参数反演方法、装置及系统 |
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 |