CN111948713A - 一种智能化地震数据反射系数反演方法及系统 - Google Patents

一种智能化地震数据反射系数反演方法及系统 Download PDF

Info

Publication number
CN111948713A
CN111948713A CN202010761385.9A CN202010761385A CN111948713A CN 111948713 A CN111948713 A CN 111948713A CN 202010761385 A CN202010761385 A CN 202010761385A CN 111948713 A CN111948713 A CN 111948713A
Authority
CN
China
Prior art keywords
seismic data
reflection coefficient
inversion
network
channels
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.)
Pending
Application number
CN202010761385.9A
Other languages
English (en)
Inventor
王本锋
李家阔
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202010761385.9A priority Critical patent/CN111948713A/zh
Publication of CN111948713A publication Critical patent/CN111948713A/zh
Pending legal-status Critical Current

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. for interpretation or for event detection
    • 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. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase

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

本发明涉及一种智能化地震数据反射系数反演方法及系统。该方法包括如下步骤：(1)基于速度模型及常密度假设，得到反射系数模型；(2)设计子波，与反射系数模型褶积得到叠后地震数据；(3)将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对；(4)设计反演网络，利用带标签的伪2D地震数据训练对训练反演网络，反演网络的输入为叠后地震数据，反演网络的输出为反射系数；(5)将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数；(6)将N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数。与现有技术相比，本发明智能化反射系数反演效率高、稳定性好、反演结果精度高。

Description

一种智能化地震数据反射系数反演方法及系统
技术领域
本发明涉及一种叠后地震数据处理方法，尤其是涉及一种智能化地震数据反射系数反演方法及系统。
背景技术
由于地震子波带限的影响，叠后地震数据的纵向分辨率低，降低了高分辨率地震勘探的精度。地震数据反褶积成为去除子波效应，提高地震数据分辨率的重要方法之一。近几年，随着压缩感知理论的提出与应用，稀疏反褶积得到了广泛关注，有效提高地震数据的分辨率。但是，常规方法一般为单道反褶积方法，最优参数需人工调节，调节过程繁琐，计算效率低。深度学习方法可以通过有监督的自学习方式，提取数据的高阶特征，高效、高精度地提高地震数据分辨率。然而深度学习方法需要大量的标签，地震数据普遍缺乏标签，即使有标签也是1D的测井数据，如何合理利用1D的数据标签成为智能化反射系数反演的关键问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能化地震数据反射系数反演方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种智能化地震数据反射系数反演方法，该方法包括如下步骤：
(1)基于速度模型及常密度假设，得到反射系数模型；
(2)设计子波，与反射系数模型褶积得到叠后地震数据；
(3)将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对，N为常数；
(4)设计用于反射系数反演的反演网络，利用带标签的伪2D地震数据训练对训练反演网络，反演网络的输入为叠后地震数据，反演网络的输出为反射系数；
(5)将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数；
(6)将N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数。
优选地，所述的反射系数模型为：
Figure BDA0002613179660000021
其中，r为当前界面反射系数，ρ1、ρ2为上层、下层的密度，v1、v2为上层、下层的速度。
优选地，N取值为6～10。
优选地，N取为8。
优选地，所述的反演网络为U-net网络。
一种智能化地震数据反射系数反演系统，该系统包括：
训练数据获取模块：该模块构建反射系数模型、设计子波，将子波与反射系数模型褶积得到叠后地震数据；
训练数据处理模块：该模块将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对，N为常数；
反演网络训练模块：该模块构建反演网络，基于带标签的伪2D地震数据训练对训练反演网络；
测试模块：该模块将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数；
反演处理模块：该模块将测试模块输出的N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数。
优选地，所述的反射系数模型为：
Figure BDA0002613179660000022
其中，r为当前界面反射系数，ρ1、ρ2为上层、下层的密度，v1、v2为上层、下层的速度。
优选地，N取值为6～10。
优选地，N取为8。
优选地，所述的反演网络为U-net网络。
与现有技术相比，本发明具有如下优点：
(1)本发明在训练反演网络前将叠后地震数据与对应的反射系数平铺成N道，即将1D标签数据平铺成伪2D数据，避免了获取2D标签数据的难点；
(2)本发明耗时主要发生在训练过程中，网络训练后，智能化反射系数反演效率高、稳定性好；
(3)本发明对N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数，提高了反演结果的精度；
(4)本发明U-net网络学习过程中不需要假设条件，避免了常规稀疏反褶积方法对反射系数的稀疏性假设，可以高效率、高精度地得到反射系数估计。
附图说明
图1为本发明智能化地震数据反射系数反演方法的流程框图；
图2为本发明U-net网络的结构图；
图3为本发明基于Marmousi速度模型和主频为50Hz的雷克子波合成的叠后地震数据；
图4为本发明实施例中某一道验证数据；
图5为本发明实施例中验证集数据的恢复信噪比分布；
图6为本发明实施例中测试数据。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种智能化地震数据反射系数反演方法，该方法包括如下步骤：
(1)基于速度模型及常密度假设，得到反射系数模型：
Figure BDA0002613179660000031
其中，r为当前界面反射系数，ρ1、ρ2为上层、下层的密度，v1、v2为上层、下层的速度。
(2)设计子波，与反射系数模型褶积得到叠后地震数据：
s＝w*r＝Wr，
其中，w为子波，W为子波卷积矩阵，s为合成的叠后地震数据。
(3)将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对，N为常数，N取值为6～10，本实施例中N取为8，本实施例将50％数据作为训练集，20％数据作为验证集。
(4)设计用于反射系数反演的反演网络，反演网络为U-net网络，利用带标签的伪2D地震数据训练对训练反演网络，反演网络的输入为叠后地震数据，反演网络的输出为反射系数。
U-net网络结构框图如图2所示，包络卷积层、池化层、反卷积层等，输入为叠后地震数据，输出为对应的反射系数，进行地震数据的高阶特征提取。网络训练完成后，利用验证集数据对训练网络进行定性及定量评价。
(5)将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数。
(6)将N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数，该步骤利用加权叠加的方式，得到最终的反射系数，实现高效、高精度智能化反射系数估计，有助于后续高分辨率地震解释及高分辨率地震勘探。
一种智能化地震数据反射系数反演系统，该系统用于实现上述智能化地震数据反射系数反演方法，系统包括：
训练数据获取模块：该模块构建反射系数模型、设计子波，将子波与反射系数模型褶积得到叠后地震数据；
训练数据处理模块：该模块将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对，N为常数，N取值为6～10，本实施例中N取为8；
反演网络训练模块：该模块构建反演网络，反演网络为U-net网络，基于带标签的伪2D地震数据训练对训练反演网络；
测试模块：该模块将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数；
反演处理模块：该模块将测试模块输出的N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数；
反射系数模型为：
Figure BDA0002613179660000051
其中，r为当前界面反射系数，ρ1、ρ2为上层、下层的密度，v1、v2为上层、下层的速度。
需要说明的是：上述数据平铺操作是指将数据复制成相同的N道数据。
为了验证本发明智能化反射系数反演方法的可行性，将本发明应用于模拟数据反射系数估计中。图3为基于Marmousi速度模型和主频为50Hz的雷克子波合成的叠后地震数据，将每道地震记录及对应的反射系数平铺为8道，构建伪2D地震数据。选取50％数据对U-net网络进行训练，至网络收敛。利用20％数据对训练后的网络进行验证，图4的(a)、(b)、(c)分别为某一道对应的伪2D叠后地震数据、真实反射系数和估计的反射系数，估计信噪比为23.69dB。图4的(d)中第一道为真实反射系数，第二道为估计反射系数，第三道为残差，可以看出训练后的网络可以高精度的估计反射系数。20％验证集数据的恢复信噪比分布如图5所示，可以看出绝大部分的反射系数估计具有较高的恢复信噪比。将所有伪2D数据输入训练后的网络，得到伪2D反射系数估计结果，利用中间四道的平均值作为该处反射系数的估计值，最终得到反射系数剖面，恢复的整体信噪比为30.98dB。为了细致地分析反射系数估计结果，选取反射系数剖面的某一局部进行分析，如图6所示，图6的(a)为叠后地震数据，图6的(b)为真实反射系数，图6的(c)为估计反射系数，图6的(d)为估计残差，可以看出估计反射系数与真实值具有较好的一致性，残差剖面中无明显相干信号的影响，恢复信噪比为36.64dB，进一步验证了本专利方法的有效性。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种智能化地震数据反射系数反演方法，其特征在于，该方法包括如下步骤：
(1)基于速度模型及常密度假设，得到反射系数模型；
(2)设计子波，与反射系数模型褶积得到叠后地震数据；
(3)将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对，N为常数；
(4)设计用于反射系数反演的反演网络，利用带标签的伪2D地震数据训练对训练反演网络，反演网络的输入为叠后地震数据，反演网络的输出为反射系数；
(5)将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数；
(6)将N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数。
2.根据权利要求1所述的一种智能化地震数据反射系数反演方法，其特征在于，所述的反射系数模型为：
Figure FDA0002613179650000011
其中，r为当前界面反射系数，ρ1、ρ2为上层、下层的密度，v1、v2为上层、下层的速度。
3.根据权利要求1所述的一种智能化地震数据反射系数反演方法，其特征在于，N取值为6～10。
4.根据权利要求3所述的一种智能化地震数据反射系数反演方法，其特征在于，N取为8。
5.根据权利要求1所述的一种智能化地震数据反射系数反演方法，其特征在于，所述的反演网络为U-net网络。
6.一种智能化地震数据反射系数反演系统，其特征在于，该系统包括：
训练数据获取模块：该模块构建反射系数模型、设计子波，将子波与反射系数模型褶积得到叠后地震数据；
训练数据处理模块：该模块将叠后地震数据与对应的反射系数平铺成N道，形成带标签的伪2D地震数据训练对，N为常数；
反演网络训练模块：该模块构建反演网络，基于带标签的伪2D地震数据训练对训练反演网络；
测试模块：该模块将待测试的叠后地震数据平铺成N道并输入至反演网络，输出N道反射系数；
反演处理模块：该模块将测试模块输出的N道反射系数进行加权叠加作为将待测试的叠后地震数据的反射系数。
7.根据权利要求6所述的一种智能化地震数据反射系数反演系统，其特征在于，所述的反射系数模型为：
Figure FDA0002613179650000021
其中，r为当前界面反射系数，ρ1、ρ2为上层、下层的密度，v1、v2为上层、下层的速度。
8.根据权利要求6所述的一种智能化地震数据反射系数反演系统，其特征在于，N取值为6～10。
9.根据权利要求8所述的一种智能化地震数据反射系数反演系统，其特征在于，N取为8。
10.根据权利要求6所述的一种智能化地震数据反射系数反演系统，其特征在于，所述的反演网络为U-net网络。
CN202010761385.9A 2020-07-31 2020-07-31 一种智能化地震数据反射系数反演方法及系统 Pending CN111948713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010761385.9A CN111948713A (zh) 2020-07-31 2020-07-31 一种智能化地震数据反射系数反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010761385.9A CN111948713A (zh) 2020-07-31 2020-07-31 一种智能化地震数据反射系数反演方法及系统

Publications (1)

Publication Number Publication Date
CN111948713A true CN111948713A (zh) 2020-11-17

Family

ID=73339047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010761385.9A Pending CN111948713A (zh) 2020-07-31 2020-07-31 一种智能化地震数据反射系数反演方法及系统

Country Status (1)

Country Link
CN (1) CN111948713A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031415A (zh) * 2018-06-20 2018-12-18 清华大学 一种基于深度卷积神经网络的可控震源数据振铃压制方法
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN111372211A (zh) * 2020-03-11 2020-07-03 山东科技大学 一种基于集成学习的智能手机WiFi室内定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031415A (zh) * 2018-06-20 2018-12-18 清华大学 一种基于深度卷积神经网络的可控震源数据振铃压制方法
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN111372211A (zh) * 2020-03-11 2020-07-03 山东科技大学 一种基于集成学习的智能手机WiFi室内定位方法

Similar Documents

Publication Publication Date Title
CN110059357B (zh) 一种基于自编码网络的智能电能表故障分类检测方法及系统
CN110221346B (zh) 一种基于残差块全卷积神经网络的数据噪声压制方法
CN101819253B (zh) 一种基于概率神经网络的容差电路故障诊断方法
CN101299055B (zh) 基于小波-神经网络的模拟集成开关电流电路测试方法
CN110580682A (zh) 一种基于优化生成对抗网络地震数据超分辨率重建方法
CN105607122B (zh) 一种基于全变分地震数据分解模型的地震纹理提取与增强方法
CN112541572A (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN109143331B (zh) 地震子波提取方法
CN101477172A (zh) 一种基于神经网络的模拟电路故障诊断方法
CN108897975A (zh) 基于深度信念网络的煤层气测井含气量预测方法
CN107179550B (zh) 一种数据驱动的地震信号零相位反褶积方法
CN103850679A (zh) 一种利用多种测井曲线对声波时差曲线进行重构的方法
CN112987099B (zh) 基于多震源卷积神经网络的低频地震数据重构方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN113642484A (zh) 一种基于bp神经网络的大地电磁信号噪声压制方法及系统
CN104849763A (zh) 趋于低频趋势的多井测井曲线标准化方法
CN107272063A (zh) 基于高分辨率时频分析和一致性度量的非均质性刻画方法
CN114662414A (zh) 一种基于图小波神经网络模型的油藏生产预测方法
CN112992172A (zh) 一种基于注意力机制的单通道时域鸟鸣声分离方法
CN105005073A (zh) 基于局部相似度和评价反馈的时变子波提取方法
CN118033732A (zh) 一种基于空域频域融合架构的地震数据重建方法
CN102163338B (zh) 一种压缩感知系统中的高效重建方法
Du et al. Study on optical fiber gas-holdup meter signal denoising using improved threshold wavelet transform
CN110554427A (zh) 一种基于地震波形正演的岩性组合预测方法
CN111948713A (zh) 一种智能化地震数据反射系数反演方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117

RJ01 Rejection of invention patent application after publication