CN111856561A - 一种基于深度学习的高精度地震构造曲率体计算方法 - Google Patents
一种基于深度学习的高精度地震构造曲率体计算方法 Download PDFInfo
- Publication number
- CN111856561A CN111856561A CN202010739963.9A CN202010739963A CN111856561A CN 111856561 A CN111856561 A CN 111856561A CN 202010739963 A CN202010739963 A CN 202010739963A CN 111856561 A CN111856561 A CN 111856561A
- Authority
- CN
- China
- Prior art keywords
- model
- curvature
- seismic
- dimensional
- 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
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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
- G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/40—Transforming data representation
- G01V2210/48—Other transforms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
Abstract
本发明涉及一种基于深度学习的高精度地震构造曲率体计算方法,本发明提供了一种使用深度学习技术进行高精度构造曲率计算模型的方法。该方法一方面结合井数据和地表DEM数据,使用合适的方法进行人工合成样本,提供大量具有准确高精度构造曲率标签的学习样本;另一方面借助于所设计的SeisCvtNet网络和Geometric损失函数,直接建立从地震波形响应(包括波形实部Wreal和波形虚部Wimag)到高精度构造曲率(最大正曲率Cpos和最小负曲率体Cneg)的端到端映射模型,并据此对实际地震数据体的构造曲率进行准确计算。
Description
技术领域
本发明涉及一种基于深度学习技术的高精度地震构造曲率体计算方法,精细、准确的地震构造曲率属性体能够有效地辅助地震解释人员对地下地层构造进行理解和刻画,属于地震数据构造解释领域。
背景技术
由于构造的曲率信息能够有效反映地下地层中所包含的断层、断裂带、微小褶皱和河道等地质现象,根据叠后地震数据进行地震构造曲率属性的求取是地震数据构造解释中的一种常用手段(参见现有文献1:Chopra S,Marfurt K J.Volumetric curvatureattributes for fault/fracture characterization[J].first break,2007,25(7);现有文献2:Chopra S,Marfurt K J.Integration of coherence and volumetric curvatureimages[J].The Leading Edge,2010,29(9):1092-1107)。传统的构造曲率求取方法主要基于地震同相轴的相似性来进行倾角扫描得到局部构造的一阶偏导,而后在此基础上得到二阶偏导并进行曲率的计算(参见现有文献3:Al-Dossary S,Marfurt K J.3D volumetricmultispectral estimates of reflector curvature and rotation[J].Geophysics,2006,71(5):P41-P51)。虽然大量实践充分证实了这种实现的有效性,但其依旧存在两项问题:1)倾角扫描过程计算量较大,导致地震构造曲率体的计算耗时较长;2)受到倾角扫描计算结果精度影响,据此得到的构造曲率体往往不够精细,往往难以据此对地下地层的微小构造变化进行有效刻画。
近年来,深度学习技术在地震数据处理解释中的应用不断深入。针对地震数据深度学习过程难以获得准确学习标签这一问题,已有大量研究使用人工合成样本数据的策略(参见现有文献4:Wu X,Geng Z,Shi Y,et al.Building realistic structure models totrain convolutional neural networks for seismic structural interpretation[J].Geophysics,2020,85(4):WA27-WA39;现有文献5:王钰清,陆文凯,刘金林,等.基于数据增广和CNN的地震随机噪声压制[J].地球物理学报,2019,62(1):421-433)来进行解决,并在一系列应用上取得了良好的效果。本发明综合了上述的技术背景,同样采用首先人工合成高精度地震构造曲率预测样本数据集,而后在此基础上使用端到端深度神经网络,来建立从地震波形数据体到高精度构造曲率体的深度学习网络模型,并将该网络模型应用到实际地震数据体上进行预测,得到对应的高精度构造曲率体。与常规基于倾角扫描的构造曲率属性体计算方法相比,本发明中的方法具有计算结果精度更高、计算过程速度更快等诸多优点,使得能够以更为精细的地震构造曲率属性体来有效辅助对地下地层的构造解释。
发明内容
本发明提供了一种使用深度学习技术进行高精度构造曲率计算模型的方法。该方法一方面结合井数据和地表DEM数据,使用合适的方法进行人工合成样本,提供大量具有准确高精度构造曲率标签的学习样本;另一方面借助于所设计的SeisCvtNet网络和Geometric损失函数,直接建立从地震波形响应(包括波形实部Wreal和波形虚部Wimag)到高精度构造曲率(最大正曲率Cpos和最小负曲率体Cneg)的端到端映射模型,并据此对实际地震数据体的构造曲率进行准确计算。
根据本发明,提供了一种基于深度学习的高精度地震构造曲率体计算方法,包括以下步骤:
步骤一、地震曲率深度学习样本生成;
步骤二、地震曲率深度学习模型拟合;
步骤三、地震曲率深度学习模型应用。
所述步骤一进一步包括以下子步骤:
步骤S11、三维构造模型的生成:通过宏观褶皱模拟、断层错切模拟和微小褶皱模拟三步进行三维构造模型的生成;借鉴地表数字高程模型DEM数据,通过将DEM中的细小地形变化混入所构建的三维构造模型中,使得其在具有宏观构造趋势外,同样具有大量的结构细节以支撑精细构造曲率的计算;
步骤S12、三维地层模型的生成:将步骤S11中生物构模拟过程应用到水平地层属性模型上,得到具有同样构造的三维地层波阻抗模型和地层反射系数模型,具体过程为,首先以给定井波阻抗数据,或给定的波阻抗剖面上的一道为基础,在水平方向上进行延拓将其展开为水平的三维波阻抗模型;而后为了模拟实际地层中所存在的非均质性,进一步对该地层中的波阻抗在水平方向上进行扰动,得到非均质化的水平地层三维波阻抗模型及其对应的反射系数模型;最后,通过将与前述构造模型生成过程一致的形变模拟过程应用到该三维波阻抗模型上,得到与其一致的三维地层反射系数模型;
步骤S13、地震波型数据的正演:在步骤S12得到的三维地层反射系数模型基础上,基于雷克子波进行一维褶积正演,得到该地层模型所对应的地震响应。
优选地,步骤S13中从20Hz到80Hz的频率范围内随机选择多个频率来作为子波主频分别进行褶积正演,得到具有不同频率特征的地震响应;对正演所生成的波形进行希尔伯特变换,得到对应的波形虚部响应作为后继深度学习输入通道之一。
所述步骤二采用SeisCvtNet网络结构,基于步骤一所生成的样本集拟合从Wreal+Wimag到Cpos+Cneg的网络映射模型,除去一个Layer Normalization层外,所述SeisCvtNet网络结构全部由3×3×3大小的三维卷积层构成;
优选地,步骤二中采用样本增广技术来提升有限样本条件下的SeisCvtNet网络深度学习拟合效果,包括:样本体的翻转和旋转、随机噪音数据的混入、样本波形振幅的缩放。
所述步骤三是将步骤二中拟合得到的深度网络模型应用到实际数据上进行高精度的地震构造曲率预测,首先对叠后地震波形数据进行希尔伯特变换,得到对应波形虚部Wimag数据体;而后将整个的Wreal和Wimag地震数据体切割成对应1283大小的小体,所述小体与小体间有重叠,并将代入到拟合得到的网络模型中计算各自对应的最大正曲率Cpos和最小幅曲率体Cneg;最后,采用三维高斯窗对这些预测出的小体进行集成合并,得到与待解释数据体大小一致的三维构造曲率体,作为最终的构造曲率计算结果。
附图说明
图1为本发明的总体技术流程图。
图2为采用本发明流程合成的一组人造数据样本。
图3为本发明使用的SeisCvtNet网络结构示意图。
图4为本发明的实际数据最大正曲率应用效果图,4(a)为使用传统方法计算得到的最大正曲率体时间切片,4(b)为使用本发明中方法计算得到的最大正曲率体时间切片。
图5为本发明的实际数据最小负曲率应用效果图,5(a)为使用传统方法计算得到的最小负曲率体时间切片,5(b)为使用本发明中方法计算得到的最小负曲率体时间切片。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。图1展示了本发明的流程图,主要可分为样本生成、模型拟合和模型应用等的三个步骤。下面将结合后附图对这三个阶段中的实现细节进行介绍。
步骤一、地震曲率深度学习样本生成
本发明采用人工合成地层模型并通过正演获取其响应的方式进行。主要可分为以下子步骤:
步骤S11、三维构造模型的生成:
本发明主要通过宏观褶皱模拟、断层错切模拟和微小褶皱模拟三步进行三维构造模型的生成。其中宏观褶皱模拟、断层错切模拟的过程主要参考伍新明等提出的方法(详见文献Wu X,Geng Z,Shi Y,et al.Building realistic structure models to trainconvolutional neural networks for seismic structural interpretation[J].Geophysics,2020,85(4):WA27-WA39))进行。然而,仅采用上述方法人工模拟得到的仅有宏观构造结构,并不能够支撑精细构造曲率的计算。针对这一问题,本发明通过借鉴地表数字高程模型(DEM)数据,通过将DEM中的细小地形变化混入所构建的三维构造模型中,使得其在具有宏观构造趋势外,同样具有大量的结构细节以支撑精细构造曲率的计算。对于R×C×L大小的三维地层模型,混入过程首先从所给出的DEM数据中随机抽取出N个R×C大小的子块并对其高程进行归一化,并从R×C×L大小的三维地层模型选取N个地层界面作为参考面。记归一化后的第i个子块在(x,y)位置处的高程为Di(x,y),而第i个参考面在(x,y)位置处的高程为Zi(x,y),那么对于R×C×L三维地层模型中在(x,y,z)位置处的一点,可计算:
引入的作用是使得对于Zi(x,y)附近处,ΔZ(x,y,z)=βi·Di(x,y),而在Zi(x,y)和Zi+1(x,y)之间,ΔZ(x,y,z)则在βi·Di(x,y)和βi+1,Di+1(x,y)之间平滑变化。可根据计算得到的ΔZ(x,y,z)将(x,y,z)位置处的点移动到(x,y,z+ΔZ(x,y,z))。采用上述方法对R×C×L大小的三维地层模型中的各点分别进行更新处理,可有效地将DEM数据中的细小地形变化混入所生成的三维地层模型之中,使其具有精细而合理的细小局部构造起伏。在按照上述方法生成三维构造模型并进行网格化后,由于地层模型中的每一点附近的构造均是明确的,因此可以准确地计算出每一点处所对应的构造曲率取值。本发明以地震构造解释中最常用的最大正曲率和最小幅曲率两种曲率属性作为深度学习的预测目标。
步骤S12、三维地层模型的生成:
通过上一步模拟得到的构造模型仅具有构造信息,并无法据此直接得到对应的地震响应。为此,本发明进一步将前述构造模拟过程应用到水平地层属性模型上,得到具有同样构造的三维地层波阻抗模型和地层反射系数模型。具体的过程首先以给定井波阻抗数据(或给定的波阻抗剖面上的一道)为基础,在水平方向上进行延拓将其展开为水平的三维波阻抗模型;而后为了模拟实际地层中所存在的非均质性,进一步对该地层中的波阻抗在水平方向上进行扰动,得到非均质化的水平地层三维波阻抗模型及其对应的反射系数模型;最后,通过将与前述构造模型生成过程一致的形变模拟过程应用到该三维波阻抗模型上,得到与其一致的三维地层反射系数模型。
步骤S13、地震波型数据的正演:
该步将在上一步得到的三维地层反射系数模型基础上,基于雷克子波进行一维褶积正演,得到该地层模型所对应的地震响应。在具体的正演过程中,为了防止得到的地震响应局限于单一频率中,本发明将从20Hz到80Hz的频率范围内随机选择多个频率来作为子波主频分别进行褶积正演,得到具有不同频率特征的地震响应。此外,参考传统曲率计算过程中使用对应希尔伯特变换波形作为地震响应虚部,进而进行复地震响应分析的思路,本研究同样对正演所生成的波形进行希尔伯特变换,得到对应的波形虚部响应作为后继深度学习输入通道之一。
按照上述方法可生成任意大小的样本数据体,但考虑到样本数据体过大所带来的巨大样本生成计算量和深度学习显存消耗。权衡之后本发明选择生成128×128×128大小的数据体来构建样本集。但需要注意的是,为了消除在褶积正演过程中的边缘效应,在具体的视线中,本发明将首先生成150×150×256大小的数据体,并截取该数据体中部128×128×128大小范围内的数据作为最终合成的样本数据体。
附图2展示了通过上述流程生成得到的一组深度学习样本,其中(a)以层状模型的形式显示了随机生成的一个三维构造模型,(b)中则显示了该构造模型中所包含的断层。图2(c)和(d)则分别为根据(a)中所示三维地层模型计算得到的最大正曲率(Cpos)和最小负曲率体(Cneg)。从图2中可以看出,(c)和(d)中的最大正曲率和最小负曲率体不仅有效地反映了(a)中的宏观断层,同时具有足够多的细节来对(a)中细小的局部构造变化进行刻画。与此同时,图2(e)和(f)中分别展示了具有同样构造特征的三维地层波阻抗和反射系数模型,而(j)和(h)中则分别为据此进行褶积正演和希尔伯特变换得到的地震响应波形实部(Wreal)和虚部(Wimag)。保留图2中(c)、(d)、(j)和(h)中所示数据体,可得到一组以地震响应(包括实部Wreal和虚部Wimag)为输入,以构造曲率(最大正曲率Cpos和最小负曲率体Cneg)为监督标签的样本对。分别设置不同的随机数种子不断重复上述过程得到550对样本(500对用于训练,50对用于验证),本发明将据此构建深度学习样本集,以支撑后继网络模型的学习拟合。
步骤二、地震曲率深度学习模型拟合
本发明采用如附图3所示的SeisCvtNet网络结构,来基于所生成的样本集拟合从Wreal+Wimag到Cpos+Cneg的网络映射模型。除去一个LayerNormalization层外,SeisCvtNet全部由3×3×3大小的三维卷积层构成,属于典型的全卷积网络模型。按照正向传播方向,SeisCvtNet依次由Extractor、Encoder、Mapper、Decoder、Refiner五个部分构成:
Extractor部分依次使用包含64、32和16个卷积核的三维卷积层进行映射,将由Wreal和Wimag所组成的两通道输入映射为16个128×128×128大小的三维特征图,而后使用一个LayerNormalization层消除Wreal和Wimag振幅差异的影响;
Encoder部分使用步长为2的步进卷积层进行下采样得到更大尺度上的特征图,而后使用一个ResNet块对下采样的结果进行进一步学习。通过四次级联下采样后,Encoder将由Extractor传入的16个特征图映射为五个尺度上不同大小和数量的特征图,以支持SeisCvtNet在不同的尺度上对输入地震响应的特征进行学习;
Mapper部分则对五个尺度上的特征图使用一个ResNet块进行进一步映射转化。SeisCvtNet使用该Mapper模块来衔接Encoder和Decoder模块,其目的在于使得Decoder能够在进一步映射后的特征图上进行学习,而非直接基于Encoder下采样结果进行;
Decoder部分使用步长为2的步进转置卷积层对Mapper传送来的特征图进行逐级上采样,并在与更低级别的特征图进行concate后,使用一个ResNet块进行进一步映射。通过四次级联上采样后,Decoder模块将五个尺度上不同大小和数量的特征图重新融合为32个128×128×128大小的三维特征图;
Refiner部分则级联两个三分支Inception卷积块,对Decoder融合得到的32个特征图进行进一步精炼为16个128×128×128大小的特征图,并使用两个1×1×1卷积层对这16个特征图进行线性组合,得到最终的Cpos和Cneg预测结果。
由于SeisCvtNet采用多任务学习的策略同时对Cpos和Cneg进行预测,故除去使用Cpos和Cneg的均方误差和作为学习损失之外,还可以综合考虑Cpos和Cneg取值之间的相关性等进行进一步约束。因此,本发明提出一种Geometric损失来作为SeisCvtNet的损失函数。假设三维数据体中各点上的真实最大正曲率和最小负曲率分别为Cpos和Cneg,而对应的网络预测值为和首先定义:
Kpos=atan(Cpos):Kneg=atan(Cneg);
上述变换使用atan函数将取值范围为(-∞,+∞)曲率值压缩到(-π/2,π/2)的范围内,其目的是消除部分极大极小曲率值对损失计算的影响。而后可定义:
从几何意义上来讲等同于将(Kpos,Kneg)和视为两个点后计算二者之间的平方距离。显然,的定义与以Kpos和Kneg的平方误差和在数学形式上是一致的。因此,若对128×128×128样本体上各点的求平均作为损失函数,即等同于以Kpos和Kneg的MSE之和作为误差函数。然而,对于本发明所提出的Geometric损失,还将计算:
在上式中,θ和θ*等同于将(Kpos,Kneg)和视为两个向量后二者对应的夹角。而则等同于(Kpos,Kneg)和这两个向量之间的余弦相似度。显然越小,则向量(Kpos,Kneg)和之间的夹角越小。此外,考虑到对于任何一点均有Cneg<Cpos,因此,预测的和之间也应该满足这一关系,固可定义
对于上式中的权系数,推荐的取值为λ1=1、λ2=2而λ3=3。SeisCvtNet将计算128×128×128样本体上各点Geometric损失的平均值作为最终的损失值,据此进行误差向后传播来更新网络权重。此外,在SeisCvtNet网络的训练过程中,本发明还采用了一系列的样本增广技术来提升有限样本条件下的SeisCvtNet网络深度学习拟合效果,包括:
样本体的翻转和旋转:可对每组样本中的Wreal、Wimag、Cpos和Cneg的四个数据体同一进行翻转和旋转进行样本增广。在<不翻转、行翻转、列翻转、行列同时翻转>和<不旋转、90°旋转、180°旋转、270°旋转>这两组增广策略的组合下,每组样本可增广为16个不同的样本组。
随机噪音数据的混入:每次在样本读入之后,从预先得到的噪音波形体(同时包含实部和虚部,可通过对实际数据降噪处理结果与原始数据相减得到)中随机截取128×128×128大小的噪音,并以不同的信噪比混入Wreal和Wimag之中。这种增广策略将极大增强所拟合SeisCvtNet网络的抗噪能力。
样本波形振幅的缩放:由于对Wreal和Wimag的波形振幅进行整体缩放时,并不影响其所蕴含的构造信息和构造曲率取值。因此在样本读入之后,将以2/3到4/3的缩放因子对Wreal和Wimag进行整体缩放。这种增广策略将降低所得SeisCvtNet网络对输入波形数据振幅信息发生过拟合的风险。
步骤三、地震曲率深度学习模型应用
该步骤主要是将前述拟合得到的深度网络模型应用到实际数据上进行高精度的地震构造曲率预测。从理论上来讲,作为全卷积网络的SeisCvtNet能够以任意大小的地震数据体为输入,以端到端映射的方式进行曲率预测。然而,由于真实地震数据体往往过大,现有的显存和内存大小无法支撑将将整个体作为输入直接进行预测。因此,本发明首先对叠后地震波形数据(相当于Wreal)进行希尔伯特变换,得到对应波形虚部(Wimag)数据体;而后将整个的Wreal和Wimag地震数据体切割成对应1283大小的小体(小体与小体间有重叠),并将代入到拟合得到的网络模型中计算各自对应的最大正曲率(Cpos)和最小幅曲率体(Cneg);最后,采用三维高斯窗对这些预测出的小体进行集成合并,得到与待解释数据体大小一致的三维构造曲率体,作为最终的构造曲率计算结果。
实验仿真结果
图4为本发明的在实际数据(Kerry3D)上的最大正曲率应用效果图,4(a)为使用传统方法计算得到的最大正曲率体时间切片,4(b)为使用本发明中方法计算得到的最大正曲率体时间切片。图5为本发明的实际数据最小负曲率应用效果图,5(a)为使用传统方法计算得到的最小负曲率体时间切片,5(b)为使用本发明中方法计算得到的最小负曲率体时间切片。对比图4(a)和(b),以及图5(a)和(b)可以看出,采用本发明中方法计算得到的曲率结果在总体趋势上与传统方法保持一致。与此同时,较之于传统方法计算结果,本发明中方法计算结果精细程度得到了极大的提升,使得能够更为有效地对数据中的断层、微小褶皱等进行精细刻画。
Claims (6)
1.一种基于深度学习的高精度地震构造曲率体计算方法,其特征在于,包括以下步骤:
步骤一、地震曲率深度学习样本生成,使用人工合成样本的方法,构建以地震波形响应为输入,准确高精度构造曲率为标签的数据样本集;
步骤二、地震曲率深度学习模型拟合,采用端到端网络结构,基于深度学习技术对样本集进行拟合,直接建立从地震波形响应到高精度构造曲率的映射模型;
步骤三、地震曲率深度学习模型应用,使用得到的端到端网络模型同时对实际数据的最大正曲率Cpos和最小负曲率Cneg同时进行预测,并针对所使用的端对端网络模型结构,进行对应的Geometric损失函数定义。
2.根据权利要求1所述的计算方法,其特征在于,所述步骤一包括以下子步骤:
步骤S11、三维构造模型的生成:通过宏观褶皱模拟、断层错切模拟和微小褶皱模拟三步进行三维构造模型的生成;借鉴地表数字高程模型DEM数据中的微小地形起伏,构建同时具有宏观构造趋势和微小构造变化的三维构造模型;
步骤S12、三维地层模型的生成:将步骤S11中生物构模拟过程应用到水平地层属性模型上,得到具有同样构造的三维地层波阻抗模型和地层反射系数模型,具体过程为,首先以给定井波阻抗数据,或给定的波阻抗剖面上的一道为基础,在水平方向上进行延拓将其展开为水平的三维波阻抗模型;而后为了模拟实际地层中所存在的非均质性,进一步对该地层中的波阻抗在水平方向上进行扰动,得到非均质化的水平地层三维波阻抗模型及其对应的反射系数模型;最后,通过将与前述构造模型生成过程一致的形变模拟过程应用到该三维波阻抗模型上,得到与其一致的三维地层反射系数模型,构建得到同时具有宏观构造趋势和微小构造变化的三维地层模型;
步骤S13、地震波型数据的正演:在步骤S12得到的三维地层反射系数模型基础上,基于雷克子波进行一维褶积正演,得到该地层模型所对应的地震响应。
3.根据权利要求2所述的计算方法,其特征在于,所述步骤S13中从20Hz到80Hz的频率范围内随机选择多个频率来作为子波主频分别进行褶积正演,得到具有不同频率特征的地震响应;对正演所生成的波形进行希尔伯特变换,得到对应的波形虚部响应作为后继深度学习输入通道之一。
4.根据权利要求3所述的计算方法,其特征在于,所述步骤二采用SeisCvtNet结构的端到端全卷积网络模型,基于步骤一所生成的样本集拟合从Wreal+Wimag到Cpos+Cneg的网络映射模型;所述步骤三以多任务的思路同时对Cpos和Cneg进行预测;使用所定义的Geometric损失函数,进行SeisCvtNet网络模型的深度学习拟合。
5.根据权利要求4所述的计算方法,其特征在于,步骤二中采用样本增广技术来提升有限样本条件下的SeisCvtNet网络深度学习拟合效果,包括:样本体的翻转和旋转、随机噪音数据的混入、样本波形振幅的缩放。
6.根据权利要求4所述的计算方法,所述步骤三是将步骤二中拟合得到的深度网络模型应用到实际数据上进行高精度的地震构造曲率预测,首先对叠后地震波形数据进行希尔伯特变换,得到对应波形虚部Wimag数据体;而后将整个的Wreal和Wimag地震数据体切割成对应1283大小的小体,所述小体与小体间有重叠,并将代入到拟合得到的网络模型中计算各自对应的最大正曲率Cpos和最小幅曲率体Cneg;最后,采用三维高斯窗对这些预测出的小体进行集成合并,得到与待解释数据体大小一致的三维构造曲率体,作为最终的构造曲率计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739963.9A CN111856561B (zh) | 2020-07-28 | 2020-07-28 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739963.9A CN111856561B (zh) | 2020-07-28 | 2020-07-28 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111856561A true CN111856561A (zh) | 2020-10-30 |
CN111856561B CN111856561B (zh) | 2023-03-14 |
Family
ID=72948399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010739963.9A Active CN111856561B (zh) | 2020-07-28 | 2020-07-28 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111856561B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN106970422A (zh) * | 2017-03-02 | 2017-07-21 | 中国石油化工股份有限公司 | 一种在三类avo亮点特征储层区识别非亮点油藏的方法 |
US20180101766A1 (en) * | 2016-10-11 | 2018-04-12 | Siemens Aktiengesellschaft | Efficient calculations of negative curvature in a hessian free deep learning framework |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
WO2020065547A1 (en) * | 2018-09-27 | 2020-04-02 | Chevron Usa Inc. | System and method for automated seismic interpretation |
CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
CN111368680A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 基于波原子变换的深度学习抗假频地震数据规则化方法 |
-
2020
- 2020-07-28 CN CN202010739963.9A patent/CN111856561B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
US20180101766A1 (en) * | 2016-10-11 | 2018-04-12 | Siemens Aktiengesellschaft | Efficient calculations of negative curvature in a hessian free deep learning framework |
CN106970422A (zh) * | 2017-03-02 | 2017-07-21 | 中国石油化工股份有限公司 | 一种在三类avo亮点特征储层区识别非亮点油藏的方法 |
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
WO2020065547A1 (en) * | 2018-09-27 | 2020-04-02 | Chevron Usa Inc. | System and method for automated seismic interpretation |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
CN111368680A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 基于波原子变换的深度学习抗假频地震数据规则化方法 |
Non-Patent Citations (6)
Title |
---|
HAIBIN DI ET AL.: "Developing a seismic texture analysis neural network for machine-aided seismic pattern recognition and classification", 《GEOPHYS. J. INT ET AL》 * |
HAIBIN DI ET AL.: "Efficient volumetric extraction of most positive/negative curvature and flexure for fracture characterization from 3D seismic data", 《GEOPHYSICAL PROSPECTING》 * |
HAIBIN DI ET AL.: "Improved estimates of seismic curvature and flexure based on 3D surface rotation in the presence of structure dip", 《GEOPHYSICS》 * |
YILE AO ET AL.: "An alternative approach for machine learning seismic interpretation and its application in Daqing oilfield", 《2018 SEG INTERNATIONAL EXPOSITION AND 88TH ANNUAL MEETING》 * |
杨国权等: "曲率属性计算方法研究及效果分析", 《地球物理学进展》 * |
王钰清等: "基于数据增广和CNN 的地震随机噪声压制", 《地球物理学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN113687414B (zh) * | 2021-08-06 | 2022-07-22 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111856561B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7561992B2 (en) | Process, device and package for stochastic simulation of ancient riverbeds or ancient geological structures | |
CN100487494C (zh) | 三维电阻率级联自动成像方法 | |
CN106934860A (zh) | 一种基于t样条的三维地质建模方法 | |
CN107688201A (zh) | 基于rbm地震叠前信号聚类方法 | |
Igel et al. | Wave propagation in 3D spherical sections: effects of subduction zones | |
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 | |
CN111856561B (zh) | 一种基于深度学习的高精度地震构造曲率体计算方法 | |
Wu et al. | Adaptive feedback convolutional‐neural‐network‐based high‐resolution reflection‐waveform inversion | |
CN109239776B (zh) | 一种地震波传播正演模拟方法和装置 | |
Yang et al. | Well-log information-assisted high-resolution waveform inversion based on deep learning | |
CN114325821A (zh) | 基于3d-snacnn网络的叠前地震资料中强散射噪声压制方法及系统 | |
CN112327374B (zh) | Gpu探地雷达复杂介质dgtd正演方法 | |
Waheed et al. | A holistic approach to computing first-arrival traveltimes using neural networks | |
CN111158059B (zh) | 基于三次b样条函数的重力反演方法 | |
CN109521470B (zh) | 分析地质构造对地震反演裂缝密度影响的方法 | |
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 | |
CN108802819B (zh) | 一种深度均匀采样梯形网格有限差分地震波场模拟方法 | |
CN116088048A (zh) | 包含不确定性分析的各向异性介质多参数全波形反演方法 | |
CN114841892B (zh) | 一种基于全连接网络的稀疏导波数据恢复方法 | |
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 | |
Bocheng et al. | Wavefield separation of VSP data based on deep neural network | |
Tao et al. | Upgoing and downgoing wave separation in vertical seismic profiling data based on deep learning | |
Pilz et al. | Ground‐motion forecasting using a reference station and complex site‐response functions accounting for the shallow geology | |
Chen et al. | Multi-Module Deep Learning Scheme for Elastic Wave Inversion of Inhomogeneous Objects with High Contrasts | |
CN111914609A (zh) | 井震联合叠前地质统计学弹性参数反演方法及装置 |
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 |