CN111221035A - 一种地震反射波斜率和重力异常数据联合反演方法 - Google Patents

一种地震反射波斜率和重力异常数据联合反演方法 Download PDF

Info

Publication number
CN111221035A
CN111221035A CN202010017501.6A CN202010017501A CN111221035A CN 111221035 A CN111221035 A CN 111221035A CN 202010017501 A CN202010017501 A CN 202010017501A CN 111221035 A CN111221035 A CN 111221035A
Authority
CN
China
Prior art keywords
model
gravity
seismic
density
observation data
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
Application number
CN202010017501.6A
Other languages
English (en)
Other versions
CN111221035B (zh
Inventor
刘洁
张建中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202010017501.6A priority Critical patent/CN111221035B/zh
Publication of CN111221035A publication Critical patent/CN111221035A/zh
Application granted granted Critical
Publication of CN111221035B publication Critical patent/CN111221035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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. analysis, for interpretation, for correction
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times

Abstract

本发明涉及一种地震反射波斜率和重力异常数据联合反演方法，属于地球物理勘探的地震和重力资料联合反演领域。其包括如下步骤：输入地震观测数据和重力异常观测数据集；给定初始模型；利用当前模型计算地震、重力数据集；获得计算数据集与观测数据集残差；建立联合反演目标函数；求解获得速度、密度更新量；更新模型；终止迭代输出最终结果。该发明同时利用地震波斜率和重力异常数据，在结构相似性约束下，采用多尺度策略迭代求取速度和密度差模型的更新量，最终同时获得具有相似结构的速度‑密度模型。该联合反演方法可以有效减少单一类型数据反演的多解性问题，获得精度更高的速度‑密度模型。

Description

一种地震反射波斜率和重力异常数据联合反演方法
技术领域
本发明涉及一种地震反射波斜率和重力异常数据联合反演方法，属于地球物理勘探的地震和重力资料联合反演领域。
背景技术
地下不同岩性地层在速度和密度参数上均存在明显差异，而单独地震反演或者单独重力反演只能基于一种观测数据获得对地下结构的有限认识，且这种认识往往很难经得起另一种观测数据的检验，即单一方法存在一定的片面性和局限性。
重震联合反演是解决这一问题的关键。在早期联合反演中，地震资料主要起层位控制和指导重力场分离的作用，利用重力数据对地震反射不清的地方进行补充，获得仅凭地震资料无法确定的构造分布特征和界面延展信息，该方法受主观因素影响大；后来出现了叠后地震与重力数据的联合反演，该方法会将叠后剖面的偏差直接引入反演结果中，且这种错误具有隐蔽性；之后发展了叠前地震初至走时与重力数据的联合反演，该方法仅用到地震的走时信息，不能很好地解决地层深度与速度之间的含糊性，且反演深度严重依赖偏移距。另外，重震联合反演通常施加物性关系约束，该方法的缺点是明确的物性经验关系可能违背地下的真实情况。
发明内容
针对现有技术存在的上述缺陷，本发明提出了一种地震反射波斜率和重力异常数据联合反演方法。地震斜率增加了对射线出射方向的约束，结构相似性约束不需要严格的物性经验关系，本发明综合运用以上要素形成一种地震反射波斜率和重力异常数据联合反演方法，能够减弱地层深度与速度之间的含糊性，降低多解性，同时获得具有相似结构的高精度速度-密度模型。
本发明是采用以下的技术方案实现的：本发明所述的一种地震反射波斜率和重力异常数据联合反演方法，包括如下步骤：
步骤一：输入地震观测数据和重力异常观测数据集：
S1:从地震记录中获取炮检点位置，拾取反射波走时和走时斜率，组成地震观测数据集：
Figure 52635DEST_PATH_IMAGE002
，其中，s和r分别代表炮点和检波点的横纵坐标位置；
Figure 832372DEST_PATH_IMAGE004
和
Figure 352215DEST_PATH_IMAGE006
分别代表炮点处和接收点处的走时斜率；
Figure 166587DEST_PATH_IMAGE008
代表反射波走时；N为拾取的数据组数；
S2:从重力观测数据中经过预处理，获得研究区布格重力异常，组成重力异常观测数据集：
Figure DEST_PATH_IMAGE009
，其中，
Figure DEST_PATH_IMAGE011
代表布格重力异常；N m 为实测的重力异常点数；
步骤二：给定初始模型：
S3:初始速度模型一般采用随深度线性递增的函数
Figure DEST_PATH_IMAGE013
；其中，
Figure DEST_PATH_IMAGE015
为地表速度；k为速度垂直梯度；z表示深度；
S4:初始密度模型一般采用零密度差模型，或其他信息获得的先验密度模型；
步骤三：设置模型节点间距
Figure DEST_PATH_IMAGE017
作为当前尺度，并设置当前尺度的最大迭代次数
Figure DEST_PATH_IMAGE019
；
步骤四：利用当前模型计算地震、重力数据集：
S5:计算当前模型的理论地震数据集
Figure DEST_PATH_IMAGE021
，其中，
Figure DEST_PATH_IMAGE023
为当前速度模型，
Figure DEST_PATH_IMAGE025
为地震正演算子；
S6:计算当前模型的理论重力数据集
Figure DEST_PATH_IMAGE027
，其中，
Figure DEST_PATH_IMAGE029
为当前密度模型，
Figure DEST_PATH_IMAGE031
为重力正演算子；
步骤五：获得计算数据集与观测数据集残差：
S7:计算正演地震数据集和地震观测数据集残差
Figure DEST_PATH_IMAGE033
，公式如下
Figure DEST_PATH_IMAGE035
S8:计算正演重力数据集和重力观测数据集残差
Figure DEST_PATH_IMAGE037
，公式如下
Figure DEST_PATH_IMAGE039
步骤六：建立联合反演目标函数：
S9:计算地震敏感核J、重力敏感核F和结构相似度敏感核
Figure DEST_PATH_IMAGE041
；
S10:其中，地震敏感核J通过射线理论计算得到；重力敏感核F由各节点对单位密度重力响应的叠加获得；
S11: 结构相似度敏感核
Figure 365881DEST_PATH_IMAGE041
可以由交叉梯度或相加梯度公式获得；
S12:其中，交叉梯度表示为
Figure DEST_PATH_IMAGE043
，其中
Figure 570597DEST_PATH_IMAGE045
表示空间梯度算子；
S13:相加梯度表示为
Figure 769497DEST_PATH_IMAGE047
，其中h为相加梯度的方向控制参数，
Figure 438376DEST_PATH_IMAGE049
为防止分母为零的极小值；
S14:建立每次迭代的联合反演目标函数：
Figure 431740DEST_PATH_IMAGE051
其中，
Figure 186069DEST_PATH_IMAGE053
为二范数运算，
Figure 110032DEST_PATH_IMAGE055
和
Figure 633417DEST_PATH_IMAGE057
分别为当前迭代需要求取的速度和密度差的更新量；
Figure 944DEST_PATH_IMAGE059
和
Figure 242570DEST_PATH_IMAGE061
分别为地震观测数据残差和重力观测数据残差；
Figure 217828DEST_PATH_IMAGE063
和
Figure 861299DEST_PATH_IMAGE065
分别为前一次迭代更新的速度和密度模型；
Figure 196465DEST_PATH_IMAGE067
和
Figure 925387DEST_PATH_IMAGE069
分别为与地震和重力相关的数据权衡矩阵；
Figure 128835DEST_PATH_IMAGE071
分别为各项的权重；
步骤七：最小化目标函数，采用阻尼最小二乘算法求解获得速度更新量
Figure 626812DEST_PATH_IMAGE055
、密度更新量
Figure 398459DEST_PATH_IMAGE057
；
步骤八：更新模型；更新后的速度模型为
Figure 349098DEST_PATH_IMAGE073
，更新后的密度模型为
Figure DEST_PATH_IMAGE075
；
步骤九：判断当前尺度下迭代次数是否小于最大迭代次数
Figure DEST_PATH_IMAGE076
；若是，则执行步骤四进入下一次迭代；若否，则执行下一步；
步骤十：判断是否需要下一尺度反演；若是，则细化当前速度和密度模型并作为初始模型，然后执行步骤三；若否，则执行下一步；
步骤十一：输出最终反演的速度模型和密度模型。
本发明的有益效果是：采用本发明所述的一种地震反射波斜率和重力异常数据联合反演方法，能够同时匹配地震和重力两种类型数据，避免单一类型数据单独反演的多解性问题，减弱地层深度与速度之间的含糊性，同时获得具有相似结构的高精度速度-密度模型，效果优于单独反演方法。
附图说明
图1为本发明的结构示意图。
图2(a)为真实Overthrust平滑速度模型。
图2(b)为真实Overthrust平滑密度模型。
图3(a)为初始速度模型图。
图3(b)为初始密度模型图。
图4(a)为第一尺度联合反演速度图。
图4(b)为第一尺度联合反演密度图。
图4(c)为第二尺度联合反演速度图。
图4(d)为第二尺度联合反演密度图。
图4(e)为第三尺度联合反演速度图。
图4(f)为第三尺度联合反演密度图。
图5(a)为单独地震反演速度图。
图5(b)为单独重力反演密度图。
图6为不同尺度下联合反演误差折线图。
具体实施方式
为了使本发明目的、技术方案更加清楚明白，下面结合附图，对本发明作进一步详细说明。
如图1所示，本发明所述的一种地震反射波走时、斜率和重力异常数据联合反演方法，包括如下步骤：
步骤一：输入地震观测数据和重力异常观测数据集：
S1:从地震记录中获取炮检点位置，拾取反射波走时和走时斜率，组成地震观测数据集：
Figure 169286DEST_PATH_IMAGE002
，其中，s和r分别代表炮点和检波点的横纵坐标位置；
Figure 521770DEST_PATH_IMAGE004
和
Figure 464318DEST_PATH_IMAGE006
分别代表炮点处和接收点处的走时斜率；
Figure 902253DEST_PATH_IMAGE008
代表反射波走时；N为拾取的数据组数；
S2:从重力观测数据中经过预处理，获得研究区布格重力异常，组成重力异常观测数据集：
Figure 11286DEST_PATH_IMAGE009
，其中，
Figure 483855DEST_PATH_IMAGE011
代表布格重力异常；N m 为实测的重力异常点数；
步骤二：给定初始模型：
S3:初始速度模型一般采用随深度线性递增的函数
Figure 597305DEST_PATH_IMAGE013
；其中，
Figure 522535DEST_PATH_IMAGE015
为地表速度；k为速度垂直梯度；z表示深度；
S4:初始密度模型一般采用零密度差模型，或其他信息获得的先验密度模型；
步骤三：设置模型节点间距
Figure 684526DEST_PATH_IMAGE017
作为当前尺度，并设置当前尺度的最大迭代次数
Figure 746023DEST_PATH_IMAGE019
；
步骤四：利用当前模型计算地震、重力数据集：
S5:计算当前模型的理论地震数据集
Figure 30374DEST_PATH_IMAGE021
，其中，
Figure 442901DEST_PATH_IMAGE077
为当前速度模型，
Figure 470900DEST_PATH_IMAGE025
为地震正演算子；
S6:计算当前模型的理论重力数据集
Figure 839433DEST_PATH_IMAGE027
，其中，
Figure 29106DEST_PATH_IMAGE029
为当前密度模型，
Figure 928929DEST_PATH_IMAGE031
为重力正演算子；
步骤五：获得计算数据集与观测数据集残差：
S7:计算正演地震数据集和地震观测数据集残差
Figure DEST_PATH_IMAGE078
，公式如下
Figure 495039DEST_PATH_IMAGE035
S8:计算正演重力数据集和重力观测数据集残差
Figure 734391DEST_PATH_IMAGE079
，公式如下
Figure 94965DEST_PATH_IMAGE039
步骤六：建立联合反演目标函数：
S9:计算地震敏感核J、重力敏感核F和结构相似度敏感核
Figure 482084DEST_PATH_IMAGE041
；
S10:其中，地震敏感核J通过射线理论计算得到；重力敏感核F由各节点对单位密度重力响应的叠加获得；
S11: 结构相似度敏感核
Figure 851886DEST_PATH_IMAGE041
可以由交叉梯度或相加梯度公式获得；
S12:其中，交叉梯度表示为
Figure 742481DEST_PATH_IMAGE043
，其中
Figure 227951DEST_PATH_IMAGE045
表示空间梯度算子；
S13:相加梯度表示为
Figure DEST_PATH_IMAGE080
，其中h为相加梯度的方向控制参数，
Figure 836787DEST_PATH_IMAGE049
为防止分母为零的极小值；
S14:建立每次迭代的联合反演目标函数：
Figure 10280DEST_PATH_IMAGE051
其中，
Figure 20961DEST_PATH_IMAGE053
为二范数运算，
Figure 926600DEST_PATH_IMAGE055
和
Figure 22732DEST_PATH_IMAGE057
分别为当前迭代需要求取的速度和密度差的更新量；
Figure 734336DEST_PATH_IMAGE059
和
Figure 599524DEST_PATH_IMAGE061
分别为地震观测数据残差和重力观测数据残差；
Figure 925332DEST_PATH_IMAGE063
和
Figure 508760DEST_PATH_IMAGE065
分别为前一次迭代更新的速度和密度模型；
Figure 758476DEST_PATH_IMAGE067
和
Figure 743749DEST_PATH_IMAGE069
分别为与地震和重力相关的数据权衡矩阵；
Figure 53508DEST_PATH_IMAGE071
分别为各项的权重；
步骤七：最小化目标函数，采用阻尼最小二乘算法求解获得速度更新量
Figure 61915DEST_PATH_IMAGE055
、密度更新量
Figure 115322DEST_PATH_IMAGE057
；
步骤八：更新模型；更新后的速度模型为
Figure 955102DEST_PATH_IMAGE073
，更新后的密度模型为
Figure 435762DEST_PATH_IMAGE075
；
步骤九：判断当前尺度下迭代次数是否小于最大迭代次数
Figure 728203DEST_PATH_IMAGE076
；若是，则执行步骤四进入下一次迭代；若否，则执行下一步；
步骤十：判断是否需要下一尺度反演；若是，则细化当前速度和密度模型并作为初始模型，然后执行步骤三；若否，则执行下一步；
步骤十一：输出最终反演的速度模型和密度模型。
该发明的处理流程如图1所示。首先是输入地震观测数据和重力异常观测数据集；之后给定初始模型；之后利用当前模型正演地震、重力数据集；之后计算正演数据集与观测数据集误差；之后建立联合反演目标函数；之后求解获得反射点参数、速度、密度更新量；之后更新模型；之后判断是否满足当前尺度迭代终止条件，若否则进行下一次迭代，若是则执行下一步；之后判断是否进行下一尺度迭代，若是则细分模型作为初始模型进行反演，若否则输出最终结果。
以经典Overthrust平滑模型为例，说明本发明应用效果。如图2所示，该模型包含了地质上常见的逆冲推覆构造和断层。在水平位置3至6 km处，深部地层受挤压抬升作用，地层呈隆起状，相比于两侧地层，出现高速度、高密度的异常特征，在水平位置6至7 km处可以看到明显的逆断面，断层两侧存在突出的物性差异。在平滑速度模型的真实散射点位置处向左右分别出射射线，记录射线追踪到地表处的位置、走时和走时斜率作为观测的炮点处和接收点处的一组地震数据集，总计获得10290组有效的地震观测数据，并加入随机噪声。设置初始速度模型为(3.0+1.0z)km/s，初始密度模型为零密度差模型，如图3（a）和图3（b）所示。背景密度模型由初始速度模型经Gardner公式转换得到，将真实密度模型减去背景密度模型获得理论密度差模型，在地表处每间隔100 m等间距地布设重力观测点，计算该密度差模型产生的重力异常，并添加标准偏差为0.01 mGal的随机噪声，作为观测的剩余重力异常。
利用本发明提出的重震联合反演方法进行反演，为了增加反演的稳定性和降低反演的多解性，我们采用多尺度的策略对模型进行参数化，首先设置模型节点间距为0.8 km作为当前尺度，并设置当前尺度的最大迭代次数为20次。利用当前模型正演地震、重力数据集并计算正演数据集与观测数据集残差，建立联合反演目标函数，结构相似性约束采用相加梯度约束，相加梯度参数h取为-1。设定权重参数使目标函数各项在反演过程中呈现总体收敛的趋势，采用阻尼最小二乘算法求解获得速度更新量和密度更新量，并更新模型。当达到当前尺度的最大迭代次数之后，细化当前速度和密度模型作为初始模型，执行下一尺度的反演，总计进行三个尺度的反演，每个尺度下最大迭代次数为20次，每个尺度的速度和密度反演结果如图4所示。
图4(a)和(b)分别显示了第一尺度下反演的速度和密度模型，此尺度下模型节点间距为0.8 km，由此经三次B样条插值得到的模型可以反映真实模型的整体变化趋势；图4(c)和(d)为第二尺度联合反演的速度和密度模型，此尺度下反演的速度模型和密度模型的整体趋势与真实模型更加吻合；图4(e)和(f)为第三尺度联合反演的速度和密度，随着尺度进一步细化，在第三尺度反演中体现出更多的模型细节，层内速度和密度的局部变化刻画更加精细，最终反演的速度-密度模型在水平位置约3至6 km范围内表现出高速度、高密度的特征，逆冲推覆导致的断层两侧的物性差异分辨清晰。
为对比反演效果，将单独地震反演和单独重力反演的结果与本发明反演结果进行比较。图5(a)显示的是单独地震反演得到的速度，图5(b)显示的是单独重力反演得到的密度。对比发现，单独反演的速度在深部偏差较大，隆起位置存在明显偏差，单独反演的密度无法准确刻画复杂的地层构造，而本发明反演的速度和密度在结构上更加相似，与真实模型更加吻合，逆冲推覆构造刻画更加清楚。
图6显示了不同尺度下反演的速度-密度模型的平均绝对误差。反演前的初始速度和密度模型的平均绝对误差分别为0.33 km/s和0.048 g/cm3，随着尺度的细化，反演结果的平均绝对误差持续降低，最终反演的速度和密度模型的平均绝对误差分别下降为0.09km/s和0.02 g/cm3。采用多尺度模型参数化策略可以增加反演的稳定性和进一步降低多解性。大尺度反演可以用较少的模型参数描述物性模型的整体趋势，随着尺度细化，反演结果可以刻画更多的细节特征，反演误差随着迭代和尺度细化逐渐减小，本发明方法效果优于单独反演方法。
以上所述仅为本发明的较佳实施例而己，并不以本发明为限制，凡在本发明的精神和原则之内所作的均等修改、等同替换和改进等，均应包含在本发明的专利涵盖范围内。

Claims (4)

1.一种地震反射波斜率和重力异常数据联合反演方法，其特征在于，包括如下步骤：
步骤一：输入地震观测数据和重力异常观测数据集：
S1:从地震记录中获取炮检点位置，拾取反射波走时和走时斜率，组成地震观测数据集：
Figure DEST_PATH_IMAGE002
，其中，s和r分别代表炮点和检波点的横纵坐标位置；
Figure DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE006
分别代表炮点处和接收点处的走时斜率；
Figure DEST_PATH_IMAGE008
代表反射波走时；N为拾取的数据组数；
S2:从重力观测数据中经过预处理，获得研究区布格重力异常，组成重力异常观测数据集：
Figure DEST_PATH_IMAGE010
，其中，
Figure DEST_PATH_IMAGE012
代表布格重力异常；N m 为实测的重力异常点数；
步骤二：给定初始模型：
S3:初始速度模型一般采用随深度线性递增的函数
Figure DEST_PATH_IMAGE014
；其中，
Figure DEST_PATH_IMAGE016
为地表速度；k为速度垂直梯度；z表示深度；
S4:初始密度模型一般采用零密度差模型，或其他信息获得的先验密度模型；
步骤三：设置模型节点间距
Figure DEST_PATH_IMAGE018
作为当前尺度，并设置当前尺度的最大迭代次数
Figure DEST_PATH_IMAGE020
；
步骤四：利用当前模型计算地震、重力数据集：
S5:计算当前模型的理论地震数据集
Figure DEST_PATH_IMAGE022
，其中，
Figure DEST_PATH_IMAGE024
为当前速度模型，
Figure DEST_PATH_IMAGE026
为地震正演算子；
S6:计算当前模型的理论重力数据集
Figure DEST_PATH_IMAGE028
，其中，
Figure DEST_PATH_IMAGE030
为当前密度模型，
Figure DEST_PATH_IMAGE032
为重力正演算子；
步骤五：获得计算数据集与观测数据集残差：
S7:计算正演地震数据集和地震观测数据集残差
Figure DEST_PATH_IMAGE034
，公式如下
Figure DEST_PATH_IMAGE036
S8:计算正演重力数据集和重力观测数据集残差
Figure DEST_PATH_IMAGE038
，公式如下
Figure DEST_PATH_IMAGE040
步骤六：建立联合反演目标函数：
S9:计算地震敏感核J、重力敏感核F和结构相似度敏感核
Figure DEST_PATH_IMAGE042
；
S10:其中，地震敏感核J通过射线理论计算得到；重力敏感核F由各节点对单位密度重力响应的叠加获得；
S11: 结构相似度敏感核
Figure DEST_PATH_IMAGE042A
可以由交叉梯度或相加梯度公式获得；
S12:其中，交叉梯度表示为
Figure DEST_PATH_IMAGE045
，其中
Figure DEST_PATH_IMAGE047
表示空间梯度算子；
S13:相加梯度表示为
Figure DEST_PATH_IMAGE049
，其中h为相加梯度的方向控制参数，
Figure DEST_PATH_IMAGE051
为防止分母为零的极小值；
S14:建立每次迭代的联合反演目标函数：
Figure DEST_PATH_IMAGE053
其中，
Figure DEST_PATH_IMAGE055
为二范数运算，
Figure DEST_PATH_IMAGE057
和
Figure DEST_PATH_IMAGE059
分别为当前迭代需要求取的速度和密度差的更新量；
Figure DEST_PATH_IMAGE061
和
Figure DEST_PATH_IMAGE063
分别为地震观测数据残差和重力观测数据残差；
Figure DEST_PATH_IMAGE065
和
Figure DEST_PATH_IMAGE067
分别为前一次迭代更新的速度和密度模型；
Figure DEST_PATH_IMAGE069
和
Figure DEST_PATH_IMAGE071
分别为与地震和重力相关的数据权衡矩阵；
Figure DEST_PATH_IMAGE073
分别为各项的权重；
步骤七：最小化目标函数，采用阻尼最小二乘算法求解获得速度更新量
Figure DEST_PATH_IMAGE057A
、密度更新量
Figure DEST_PATH_IMAGE059A
；
步骤八：更新模型；更新后的速度模型为
Figure DEST_PATH_IMAGE077
，更新后的密度模型为
Figure DEST_PATH_IMAGE079
；
步骤九：判断当前尺度下迭代次数是否小于最大迭代次数
Figure DEST_PATH_IMAGE020A
；若是，则执行步骤四进入下一次迭代；若否，则执行下一步；
步骤十：判断是否需要下一尺度反演；若是，则细化当前速度和密度模型并作为初始模型，然后执行步骤三；若否，则执行下一步；
步骤十一：输出最终反演的速度模型和密度模型。
2.根据权利要求1所述的一种地震反射波斜率和重力异常数据联合反演方法，其特征在于，所述步骤六的目标函数中同时包含地震观测数据残差和重力观测数据残差，地震观测数据残差中同时包含反射波走时残差和斜率残差。
3.根据权利要求1所述的一种地震反射波斜率和重力异常数据联合反演方法，其特征在于，所述步骤六的目标函数中加入结构相似度约束，在此约束下能够同时获得具有相似结构的速度-密度模型。
4.根据权利要求1所述的一种地震反射波斜率和重力异常数据联合反演方法，其特征在于，所述步骤三至步骤九可以通过模型细分由大尺度逐渐过渡到小尺度，以达到更好的模型分辨率和反演精度。
CN202010017501.6A 2020-01-08 2020-01-08 一种地震反射波斜率和重力异常数据联合反演方法 Active CN111221035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010017501.6A CN111221035B (zh) 2020-01-08 2020-01-08 一种地震反射波斜率和重力异常数据联合反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010017501.6A CN111221035B (zh) 2020-01-08 2020-01-08 一种地震反射波斜率和重力异常数据联合反演方法

Publications (2)

Publication Number Publication Date
CN111221035A true CN111221035A (zh) 2020-06-02
CN111221035B CN111221035B (zh) 2021-04-02

Family

ID=70806284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010017501.6A Active CN111221035B (zh) 2020-01-08 2020-01-08 一种地震反射波斜率和重力异常数据联合反演方法

Country Status (1)

Country Link
CN (1) CN111221035B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308206A (zh) * 2020-09-14 2021-02-02 清华大学 基于深度学习的大地电磁-地震波初至时联合反演方法
CN113267830A (zh) * 2021-06-18 2021-08-17 吉林大学 基于非结构网格下二维重力梯度与地震数据联合反演方法
CN113504575A (zh) * 2021-07-09 2021-10-15 吉林大学 基于权相交及多次交叉梯度约束的联合反演方法
CN113514900A (zh) * 2021-07-12 2021-10-19 吉林大学 基于密度约束的球坐标系重力和重力梯度联合反演方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2020609A1 (en) * 2006-09-04 2009-02-04 Geosystem S.r.l. Methods and apparatus for geophysical exploration via joint inversion
US20140180593A1 (en) * 2011-06-02 2014-06-26 Jan Schmedes Joint Inversion with Unknown Lithology
CN107505651A (zh) * 2017-06-26 2017-12-22 中国海洋大学 地震初至波和反射波联合斜率层析成像方法
CN108229082A (zh) * 2018-04-12 2018-06-29 吉林大学 一种基于数据空间快速计算的联合反演方法
CN109444956A (zh) * 2019-01-09 2019-03-08 中国海洋大学 三维起伏观测面地震斜率层析成像方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2020609A1 (en) * 2006-09-04 2009-02-04 Geosystem S.r.l. Methods and apparatus for geophysical exploration via joint inversion
US20140180593A1 (en) * 2011-06-02 2014-06-26 Jan Schmedes Joint Inversion with Unknown Lithology
CN107505651A (zh) * 2017-06-26 2017-12-22 中国海洋大学 地震初至波和反射波联合斜率层析成像方法
CN108229082A (zh) * 2018-04-12 2018-06-29 吉林大学 一种基于数据空间快速计算的联合反演方法
CN109444956A (zh) * 2019-01-09 2019-03-08 中国海洋大学 三维起伏观测面地震斜率层析成像方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DENGGUO ZHO ET AL.: "3D joint inversion of seismic traveltime and gravity data: a case study", 《SEG DENVER 2014 ANNUAL MEETING》 *
PETER G. LELIÈVRE ET AL.: "Joint inversion of seismic traveltimes and gravity data on unstructured grids with application to mineral exploration", 《GEOPHYSICS》 *
李桐林等: "部分区域约束下的交叉梯度多重地球物理数据联合反演", 《地球物理学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308206A (zh) * 2020-09-14 2021-02-02 清华大学 基于深度学习的大地电磁-地震波初至时联合反演方法
CN112308206B (zh) * 2020-09-14 2022-07-22 清华大学 基于深度学习的大地电磁-地震波初至时联合反演方法
CN113267830A (zh) * 2021-06-18 2021-08-17 吉林大学 基于非结构网格下二维重力梯度与地震数据联合反演方法
CN113504575A (zh) * 2021-07-09 2021-10-15 吉林大学 基于权相交及多次交叉梯度约束的联合反演方法
CN113514900A (zh) * 2021-07-12 2021-10-19 吉林大学 基于密度约束的球坐标系重力和重力梯度联合反演方法

Also Published As

Publication number Publication date
CN111221035B (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN111221035B (zh) 一种地震反射波斜率和重力异常数据联合反演方法
CN105301636B (zh) 速度模型的建立方法和装置
CN104459782B (zh) 使用薄层的沿层层析反演地震速度建模方法以及建模单元
CN102944896A (zh) 表层调查数据的模型法静校正方法
CN112147709A (zh) 一种基于部分光滑约束的重力梯度数据三维反演方法
CN114943178A (zh) 一种三维地质模型建模方法、装置及计算机设备
Yu et al. Angle-domain differential reflection traveltime tomography
CN102338887B (zh) 不规则尺寸空变网格层析成像静校正方法
US6324478B1 (en) Second-and higher-order traveltimes for seismic imaging
EP3929630B1 (en) Computer implemented method for correcting a reservoir model of a reservoir geological formation based on seismic images
CN103217715B (zh) 多尺度规则网格层析反演静校正方法
WO2016162717A1 (en) Method for estimating elastic parameters of subsoil
CN106443829A (zh) 一种近地表模型构建方法及装置
Cai et al. One-dimensional velocity structure of the crust in Fujian, Southeast China
CN108508479B (zh) 一种空地井立体重磁数据协同目标位置反演方法
CN111999768B (zh) 一种钻井分层设计中基于构造模型的构造海拔确定方法
CN111239822B (zh) 一种消除井震闭合差的断层下速度建模方法及处理终端
CN111257969B (zh) 一种断层控制下高精度速度建模方法及处理终端
Gonçalves et al. Flexible layer-based 2D refraction tomography method for statics corrections
CN105785444B (zh) 速度场构建方法
CN111460366B (zh) 一种基于重力曲率的地质体分布判断方法及处理终端
CN111198400B (zh) 一种可消除井震闭合差的速度建模方法及处理终端
CN111308549B (zh) 基于模型反演的变速成图方法
EP4073554B1 (en) Layering for geomodeling
US20230043782A1 (en) Layering For Geomodeling

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