CN112100906B - 数据驱动的大尺度密度建模方法、计算设备及存储介质 - Google Patents

数据驱动的大尺度密度建模方法、计算设备及存储介质 Download PDF

Info

Publication number
CN112100906B
CN112100906B CN202010847255.7A CN202010847255A CN112100906B CN 112100906 B CN112100906 B CN 112100906B CN 202010847255 A CN202010847255 A CN 202010847255A CN 112100906 B CN112100906 B CN 112100906B
Authority
CN
China
Prior art keywords
density
data
model
dimensional
scale
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
Application number
CN202010847255.7A
Other languages
English (en)
Other versions
CN112100906A (zh
Inventor
米立军
高照奇
高静怀
张金淼
王清振
王建花
姜秀娣
丁继才
孙文博
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.)
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
Original Assignee
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
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 Beijing Research Center of CNOOC China Ltd, CNOOC China Ltd filed Critical Beijing Research Center of CNOOC China Ltd
Priority to CN202010847255.7A priority Critical patent/CN112100906B/zh
Publication of CN112100906A publication Critical patent/CN112100906A/zh
Application granted granted Critical
Publication of CN112100906B publication Critical patent/CN112100906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种数据驱动的大尺度密度建模方法、计算设备及存储介质，其包括：基于实测的测井数据，得到测井数据中的概率密度；基于概率密度构建二维P波速度和二维密度模型；基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；基于二维密度模型和合成地震记录，得到大量数据对；基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。本发明克服了传统方法对地下介质层位、大尺度速度和人为设定经验公式的依赖。

Description

数据驱动的大尺度密度建模方法、计算设备及存储介质
技术领域
本发明涉及一种地球物理勘探技术领域，特别是关于一种数据驱动的大尺度密度建模方法、计算设备及存储介质。
背景技术
地震勘探方法是油气勘探的主要方法，密度参数是油气检测的重要参数。然而由于地震波对大尺度密度(密度模型的缓变分量)的扰动并不敏感，导致直接基于地震数据反演大尺度密度很难实现。因此，为了构建大尺度密度，需要充分利用其它地球物理数据。目前常用的大尺度密度建模方法主要有如下两种：
第一种方法依赖于测井数据来构建大尺度密度模型；这类方法首先从测井数据中得到测井位置处的大尺度密度模型；其次依据叠后地震数据拾取地下介质的层位；最后基于层位信息和测井处的大尺度密度曲线进行横向插值构建完整的大尺度密度模型。这类方法存在的问题是：1)实际处理中准确的拾取层位是一项充满挑战的工作；2)实际中测井数据的个数是非常有限的，仅基于几口测井数据的横向插值来构建大尺度密度无法保证横向变化剧烈位置处模型的准确性。
第二种方法使用一些人为给定的经验公式通过大尺度速度构建大尺度密度；常用的经验公式为Gardner公式。这类方法存在如下不足：1)实际处理中构建准确的大尺度速度模型充满了挑战，不易实现；2)使用的经验公式往往无法准确的描述速度与密度间的非线性关系，导致转换得到的大尺度密度的精度无法得到保障。
发明内容
针对上述问题，本发明的目的是提供一种数据驱动的大尺度密度建模方法、计算设备及存储介质，其为横向强非均匀介质大尺度密度建模提供新的有效方法，克服了井插值不适用于横向强非均匀介质的限制，并克服了经验公式法对速度模型以及人为设定的经验公式的依赖。
为实现上述目的，本发明采取以下技术方案：一种数据驱动的大尺度密度建模方法，其包括：基于实测的测井数据，得到测井数据中的概率密度；基于概率密度构建二维P波速度和二维密度模型；基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；基于二维密度模型和合成地震记录，得到大量数据对；基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。
进一步，所述概率密度函数的获取方法为：找出测井曲线的最小值vmin和最大值vmax；根据最大值和最小值将整个测井曲线的值域范围等间隔地划分为L个分段；根据每一个分段内数据点个数占总数据点个数的比例生成该测井曲线对应的P波速度和密度的概率密度函数Pvp和Pρ。
进一步，所述二维P波速度和二维密度模型的构建方法为：基于Pvp和Pρ，通过抽样的方式随机生成若干个一维P波速度与密度曲线；每个一维模型被随机的分为若干层，且每一层的厚度为随机的；根据P波速度和密度的概率分布通过抽样的方式为一维模型的每一层随机赋予P波速度和密度参数值。
进一步，所述反射系数模型为：
Figure GDA0002769850550000021
其中，vm,i是P波速度和密度模型第m道第i个采样点的数值；rm,i为第m道第i个采样点对应的反射系数；Nt为每一道数据的长度；ρm,i为密度模型第m道第i个采样点的数值。
进一步，所述合成地震记录为：
Figure GDA0002769850550000022
其中，sm为合成记录的第m道数据；w＝[w1,w2,…,wL]T为地震子波，wi,i＝1,2,...,L为离散后的地震子波在第i个采样点上的数值。
进一步，所述数据对获取方法为：获取合成地震记录数据；对二维密度模型的每一道进行低通滤波提取对应的大尺度结构，得到与叠后地震数据每一道对应的大尺度密度；通过将每一道叠后地震数据和对应的大尺度密度进行匹配，构造数据对。
进一步，优化如下的目标泛函以确定深度神经网络的参数：
Figure GDA0002769850550000031
其中，
Figure GDA0002769850550000032
为步骤S4建立的数据对；Θ为需要学习的网络参数集；Γ为所构造的数据对；
Figure GDA0002769850550000033
为数据对中第n对数据t时刻的真实密度值；
Figure GDA0002769850550000034
为第n对数据t时刻的网络预测密度值；
Figure GDA0002769850550000035
为数据对中第n对数据t时刻的输入地震数据向量。
一种数据驱动的大尺度密度建模系统，其包括第一处理模块、第二处理模块、合成地震记录生成模块、数据对生成模块、网络训练模块和模型生成模块；所述第一处理模块基于实测的测井数据，得到测井数据中的概率密度；所述第二处理模块基于概率密度构建二维P波速度和二维密度模型；所述合成地震记录生成模块基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；所述数据对生成模块基于二维密度模型和合成地震记录，得到大量数据对；所述网络训练模块基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；所述模型生成模块基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述各实施例所述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述各实施例所述的方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：1、本发明不依赖于精确的大尺度速度模型、人为设定的速度与密度之间的非线性关系以及地下介质准确的层位信息，更加适用于横向强非均匀介质的大尺度密度建模。2、本发明首先使用了能够充分考虑地震数据和测井数据时序性的长短时记忆网络来构建地震数据与大尺度密度的非线性关系，克服了对层位、速度模型的依赖；其次，在数据驱动框架下使用深度神经网络通过学习的方式建立起地震数据与长波长密度之间的非线性关系，克服了对人为设定非线性关系的依赖；最后，基于随机数据集生成技术，显著增加了数据集的规模和多样性，增强了深度神经网络在横向强非均匀介质中的泛化性能。3、本发明为产生能够覆盖尽可能多地下介质情况的P波速度和密度模型。首先基于上述统计的概率分布随机的产生若干具有随机层数和数值的一维P波速度和一维密度模型。其次，通过横向插值将这些一维模型整合为二维模型，生成的随机模型够覆盖尽可能多的地下介质情况，适合于构造数据集。4、本发明使用深度网络结构充分考虑了地震资料和测井数据的动态特征，充分利用数据的时间相关性提高深度网络的性能，减少网络需要的参数个数。
综上所述，本发明为横向强非均匀介质的大尺度密度建模提供了有效方法。
附图说明
图1为本发明流程示意图。
图2为根据测井曲线构建其对应的概率密度的示意图，其中，(a)为测井曲线，(b)为概率密度。
图3为本发明中使用的深度神经网络的结构图。
图4为模型算例中使用的Marmousi模型，其中，(a)为P波速度模型；(b)为密度模型。
图5为模型算例中统计得到的测井曲线概率分布，其中，(a)为P波速度；(b)为密度。
图6为基于图5中所示的概率分布随机生成的二维模型，其中，(a)为P波速度；(b)为密度。
图7为对比不同的大尺度密度模型，其中，(a)为真实大尺度密度；(b)为井插值方法得到的大尺度密度；(c)为本发明方法得到的大尺度密度。
具体实施方式
本发明提供的一种数据驱动的大尺度密度建模方法、计算设备及存储介质，首先统计测井曲线的概率分布，并基于概率分布通过随机的方式生成大量的介质参数曲线(包含速度、密度)并计算得到对应的合成地震数据；其次，基于合成地震数据和随机生成的大尺度密度曲线构造可供深度神经网络训练使用的数据对；再次，使用长短时记忆网络这一深度学习工具在数据驱动的框架下学习地震数据与大尺度密度之间的非线性关系；最后，基于学习得到的非线性关系将观测地震数据映射为大尺度密度模型，实现横向强非均匀介质的大尺度密度建模。
本发明的第一实施方式中提供一种数据驱动的大尺度密度建模方法，在本实施例中，物质基础有两项：一是野外地震采集设备采集到的叠前地震数据经常规预处理和偏移成像得到的叠后反射地震数据；二是野外实测的井曲线数据。如图1所示，其包括以下步骤：
S1、基于实测的测井数据(P波速度、密度)，得到测井数据中的概率密度；该概率密度包括P波速度的概率密度函数Pvp和密度的概率密度函数Pρ；
如图2所示，概率密度函数的获取方法为：
S101、找出测井曲线的最小值vmin和最大值vmax；
S102、根据最大值和最小值将整个测井曲线的值域范围等间隔地划分为L个分段；
S103、根据每一个分段内数据点个数占总数据点个数的比例生成该测井曲线对应的P波速度和密度的概率密度函数Pvp和Pρ。
S2、基于概率密度构建二维P波速度和二维密度模型；
通过横向插值方法构建二维P波速度和二维密度模型的方法为：
S201、基于Pvp和Pρ，通过抽样的方式随机生成若干个一维P波速度与密度曲线；
S202、每个一维模型被随机的分为若干层，且每一层的厚度也是随机的；
S203、根据步骤S1中生成的P波速度和密度的概率分布通过抽样的方式为一维模型的每一层随机赋予P波速度和密度参数值。
S3、基于步骤S2得到的二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；
反射系数模型为：
Figure GDA0002769850550000051
其中，vm,i是P波速度第m道第i个采样点的数值；rm,i为第m道第i个采样点对应的反射系数；Nt为每一道数据的长度；ρm,i为密度模型第m道第i个采样点的数值。
合成地震记录为：
Figure GDA0002769850550000052
其中，sm为合成记录的第m道数据；w＝[w1,w2,…,wL]T为地震子波，wi,i＝1,2,...,L为离散后的地震子波在第i个采样点上的数值。
S4、基于二维密度模型和合成地震记录，得到大量数据对；
具体为：提取步骤S2中得到的二维密度模型每一道的大尺度结构，并将其与步骤S3中得到的合成地震记录进行配对，得到大量数据对
Figure GDA0002769850550000061
其中，N为数据对的个数(即数据集的规模)，x(n)为第n对数据中的合成地震记录，ρ(n)为第n对数据中的长波长密度；
S401、获取步骤S3得到的合成地震记录数据；
S402、对步骤S2中生成的二维密度模型的每一道进行低通滤波提取对应的大尺度结构，得到与叠后地震数据每一道对应的大尺度密度；
S403、通过将每一道叠后地震数据和对应的大尺度密度进行匹配，构造数据对
Figure GDA0002769850550000062
S5、基于步骤S4得到的数据对，对深度神经网络进行训练，使训练后的深度神经网络可以精确的描述地震数据与大尺度密度之间的非线性关系；
如图3所示，使用的深度神经网络结构中，长短时记忆网络(LSTM)在t时刻，单元的输入输出关系如下：
Figure GDA0002769850550000063
其中，t代表时刻t；xt为输入向量；ft为遗忘门的激活向量；it为输入门的激活向量；ot为输出门的激活向量；ht为输出向量；“ο”代表向量点积；ct为细胞状态向量；W是网络中需要学习的与当前时刻t输入向量xt相关的权重；U是网络中需要学习的与前一时刻输出向量ht-1相关的权重；b是偏置向量，权重和偏置的下标“f”,“t”，“o”，“c”分别代表该权重或偏置与遗忘门、输入门、输出门或细胞状态相关；σg为遗忘门、输入门和输出门的激活函数；σc为与细胞状态变量相关的激活函数。
根据如图3所示的网络结构，t时刻网络输出的密度为：
ρt＝σρ(Wρht+bρ)
其中，Wρ和bρ是全连接网络的权重和偏置；σρ是全连接网络层的激活函数，选取线性整流函数σρ(x)＝max(0,x)，x表示线性整流函数的输入量。
深度神经网络中需要学习的网络参数集Θ如下：
Θ＝{Wf,Uf,bf,Wt,Ut,bt,Wo,Uo,bo,Wc,Uc,bc,Wρ,bρ}
其中，Wf,Uf,bf分别为与遗忘门相关的权重和偏置，Wt,Ut,bt分别为与输入门相关的权重和偏置，Wo,Uo,bo分别为与输出们相关的权重和偏置，Wc,Uc,bc分别为与细胞状态向量相关的权重和偏置。
通过优化如下的目标泛函以确定深度神经网络的参数：
Figure GDA0002769850550000071
其中，
Figure GDA0002769850550000072
为步骤S4建立的数据对；Γ为步骤S4中构造的数据对；
Figure GDA0002769850550000073
为数据对中第n对数据t时刻的真实密度值；
Figure GDA0002769850550000074
为第n对数据t时刻的网络预测密度值；
Figure GDA0002769850550000075
为数据对中第n对数据t时刻的输入地震数据向量。
S6、基于步骤S5得到的用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。
本发明的第二实施方式中提供一种数据驱动的大尺度密度建模系统，其包括第一处理模块、第二处理模块、合成地震记录生成模块、数据对生成模块、网络训练模块和模型生成模块；
第一处理模块基于实测的测井数据，得到测井数据中的概率密度；
第二处理模块基于概率密度构建二维P波速度和二维密度模型；
合成地震记录生成模块基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；
数据对生成模块基于二维密度模型和合成地震记录，得到大量数据对；
网络训练模块基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；
模型生成模块基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。
本发明的第三实施方式中提供一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行上述实施方式一中的任一方法。
本发明的第四实施方式中提供一种计算设备，其包括一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为一个或多个处理器执行，一个或多个程序包括用于执行上述实施方式一中的任一方法的指令。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
1)基于野外实测井曲线，对测井位置处的P波速度曲线和密度的概率密度函数依照如图1所示的方式进行统计；
实际操作中，将测井曲线的值域等分为多个分段，通过统计每个分段内的数据点个数来确定分布；分段的个数应选择一个合理的值，以保证统计得到的概率密度函数的准确性。
2)基于1)中得到的概率密度函数，通过抽样的方式随机构造若干个一维P波速度和密度模型；
实际中随机将各个一维模型划分为若干个厚度不等的层(层数为4～7)，然后对每一层介质根据概率密度抽样随机赋上P波速度和密度值。基于这些一维模型，通过横向插值的方式构造一个二维P波速度和密度模型。这样产生的模型能够尽可能的包含多种类型的地下介质结构，增加数据的多样性；
3)基于2)中得到的二维P波速度和密度模型，首先得到二维反射系数模型：
其次，利用统计的方法从观测地震数据中估计出地震子波；
最后，通过得到合成地震记录。
4)构造可供深度神经网络训练使用的数据集是本发明方法有效的重要前提条件。
在本发明中，需要大量的叠后地震道数据及其对应的大尺度密度以实现对深度神经网络的训练。基于步骤3)中生成的大量合成地震数据道和步骤2)中生成的二维密度模型，在本步骤中构建数据集。首先，数据集中的叠后地震道直接来源于步骤3)的结果。其次，为得到与叠后地震数据每一道对应的大尺度密度，对步骤2)中生成的二维密度模型的每一道进行低通滤波提取其大尺度结构。最后，通过将每一道叠后地震数据和对应的大尺度密度进行匹配，构造数据集。
5)基于步骤4)构造的数据集，对深度神经网络进行训练，使得网络能够精确得建立起叠后地震数据道与大尺度密度之间的非线性关系。网络训练的具体实现方式是通过优化一个衡量网络性能的目标泛函来得到网络最优的参数集。
本发明中使用如图3所示的深度神经网络结构，其核心是长短时记忆网络(LSTM)。根据LSTM的定义，在t时刻其输入和输出满足如下关系：
通过优化如下的目标泛函以确定深度神经网络的参数：
Figure GDA0002769850550000091
上式所示的目标泛函旨在通过优化深度神经网络参数以使得网络估计的大尺度密度和真实大尺度密度尽可能的接近(模型差的二范数尽可能小)。在实现中，可以通过随机梯度法对上式进行优化求解，优化过程中的迭代次数、迭代步长等超参数可以通过数值实验进行确定。在网络训练后，可以得到最优的网络参数集Θ*，进而实现建立叠后地震数据与大尺度密度之间的非线性关系。
6)基于步骤5)训练后得到的深度神经网络，将观测地震数据的一道按顺序送入深度神经网络中，即可得到该道对应的大尺度密度模型。通过重复该步骤，即可得到观测数据中所有道对应的大尺度密度模型。
模型算例：
本发明的具体实施过程被应用于某地质模型的大尺度密度建模。该模型来源于Marmousi2模型。模型的横向共有1600道，每道共有1.2秒。模型的真实P波速度和密度分别如图4中的图(a)和图(b)所示。模型中共计有三口伪井，分别位于横向第100，400和1100道。值得注意的是，这三口伪井无法准确的描述模型中部的复杂构造，这为构建准确的大尺度密度模型增加了难度。
基于三口伪井，利用本发明方法步骤1)中所叙述的方式，对测井位置处的P波速度和密度曲线的概率分布分别进行统计，结果分别如图5中的图(a)和图(b)所示。基于如图5所示的概率分布，利用本发明方法步骤2)中所叙述的方式，随机的生成了二维P波速度和密度模型，分别如图6中的图(a)和图(b)所示。
基于该随机模型，按照本发明方法步骤3)到5)中所叙述的方式构造了数据集并对深度神经网络进行了训练，得到了最优网络参数集。最后，按照本发明方法步骤6)，得到本发明方法构建的大尺度密度模型如图7中的图(c)所示。为了更清晰的说明本发明方法的优势，基于三口伪井，利用井插值的方式也构建了一个大尺度密度模型作为对比，结果如图7中的图(b)所示。
图7中的图(a)所示为准确的大尺度密度模型，该模型是通过将真实密度模型进行低通滤波得到的。从实验结果可以看出，井插值方法构造的大尺度密度模型与真实大尺度密度模型相比有显著的差异。具体表现在以下几个方面：1)井插值方法得到的大尺度密度模型无法准确的刻画真实模型中存在的密度异常(例如CDP200左右的低密度异常和模型中部的高密度异常)；2)井插值方法得到的大尺度密度模型与真实模型的数值范围不一致。这说明井插值方法无法适用于横向强非均匀介质的大尺度密度建模。
综上所述，与井插值方法形成鲜明对比的是，本发明一种数据驱动的大尺度密度建模方法可以建立一个明显更优的大尺度密度模型(如图7(c)所示)；具体来说，虽然仅使用三口伪井构造网络训练的数据集，但是本发明方法依然能够准确的刻画无井区域的大尺度密度变化趋势，尤其是模型中部横向变化剧烈的区域。此外，除大尺度密度结构外，本发明方法构造的大尺度密度的数值也与真实模型有很好的一致性。这一结果不仅证明本发明方法适用于横向强非均匀介质的大尺度密度建模，也说明了其相比于传统方法的优势。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种数据驱动的大尺度密度建模方法，其特征在于，包括：
基于实测的测井数据，得到测井数据中的概率密度；所述概率密度包括P波速度的概率密度函数Pvp和密度的概率密度函数Pρ；
基于概率密度构建二维P波速度和二维密度模型；
基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；
基于二维密度模型和合成地震记录，得到大量数据对；
基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；
基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模；
所述二维P波速度和二维密度模型的构建方法为：
基于Pvp和Pρ，通过抽样的方式随机生成若干个一维P波速度与密度曲线；
每个一维模型被随机的分为若干层，且每一层的厚度为随机的；
根据P波速度和密度的概率分布通过抽样的方式为一维模型的每一层随机赋予P波速度和密度参数值；基于这些一维模型，通过横向插值的方式构造一个二维P波速度和密度模型，使产生的模型能够包含多种类型的地下介质结构，增加数据的多样性；
采用的深度神经网络结构为长短时记忆网络。
2.如权利要求1所述方法，其特征在于，所述概率密度函数的获取方法为：
找出测井曲线的最小值vmin和最大值vmax；
根据最大值和最小值将整个测井曲线的值域范围等间隔地划分为L个分段；
根据每一个分段内数据点个数占总数据点个数的比例生成该测井曲线对应的P波速度和密度的概率密度函数Pvp和Pρ。
3.如权利要求1所述方法，其特征在于，所述反射系数模型为：
Figure FDA0003063357010000011
其中，vm,i是P波速度和密度模型第m道第i个采样点的数值；rm,i为第m道第i个采样点对应的反射系数；Nt为每一道数据的长度；ρm,i为密度模型第m道第i个采样点的数值。
4.如权利要求3所述方法，其特征在于，所述合成地震记录为：
Figure FDA0003063357010000021
其中，sm为合成记录的第m道数据；w＝[w1,w2,…,wL]T为地震子波，wi,i＝1,2,...,L为离散后的地震子波在第i个采样点上的数值。
5.如权利要求1所述方法，其特征在于，所述数据对获取方法为：
获取合成地震记录数据；
对二维密度模型的每一道进行低通滤波提取对应的大尺度结构，得到与叠后地震数据每一道对应的大尺度密度；
通过将每一道叠后地震数据和对应的大尺度密度进行匹配，构造数据对。
6.如权利要求1所述方法，其特征在于，优化如下的目标泛函以确定深度神经网络的参数：
Figure FDA0003063357010000022
其中，
Figure FDA0003063357010000023
为建立的所述数据对；Θ为需要学习的网络参数集；Γ为所构造的数据对；
Figure FDA0003063357010000024
为数据对中第n对数据t时刻的真实密度值；
Figure FDA0003063357010000025
为第n对数据t时刻的网络预测密度值；
Figure FDA0003063357010000026
为数据对中第n对数据t时刻的输入地震数据向量；N为数据对的个数。
7.一种数据驱动的大尺度密度建模系统，其特征在于，包括：第一处理模块、第二处理模块、合成地震记录生成模块、数据对生成模块、网络训练模块和模型生成模块；
所述第一处理模块基于实测的测井数据，得到测井数据中的概率密度；所述概率密度包括P波速度的概率密度函数Pvp和密度的概率密度函数Pρ；
所述第二处理模块基于概率密度构建二维P波速度和二维密度模型；
所述合成地震记录生成模块基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；
所述数据对生成模块基于二维密度模型和合成地震记录，得到大量数据对；
所述网络训练模块基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；
所述模型生成模块基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模；
所述第二处理模块中，所述二维P波速度和二维密度模型的构建方法为：
基于Pvp和Pρ，通过抽样的方式随机生成若干个一维P波速度与密度曲线；
每个一维模型被随机的分为若干层，且每一层的厚度为随机的；
根据P波速度和密度的概率分布通过抽样的方式为一维模型的每一层随机赋予P波速度和密度参数值；基于这些一维模型，通过横向插值的方式构造一个二维P波速度和密度模型，使产生的模型能够包含多种类型的地下介质结构，增加数据的多样性；
采用的深度神经网络结构为长短时记忆网络。
8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至6所述方法中的任一方法。
9.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至6所述的方法中的任一方法的指令。
CN202010847255.7A 2020-08-21 2020-08-21 数据驱动的大尺度密度建模方法、计算设备及存储介质 Active CN112100906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010847255.7A CN112100906B (zh) 2020-08-21 2020-08-21 数据驱动的大尺度密度建模方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010847255.7A CN112100906B (zh) 2020-08-21 2020-08-21 数据驱动的大尺度密度建模方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN112100906A CN112100906A (zh) 2020-12-18
CN112100906B true CN112100906B (zh) 2021-06-22

Family

ID=73754106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010847255.7A Active CN112100906B (zh) 2020-08-21 2020-08-21 数据驱动的大尺度密度建模方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN112100906B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705644B (zh) * 2021-08-17 2023-09-12 西安交通大学 一种物理规律和数据双驱动的地震成像方法、系统、设备及存储介质
CN113866832A (zh) * 2021-09-13 2021-12-31 中国石油大学(华东) 基于虚拟井训练的卷积神经网络弹性参数预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459820A (zh) * 2014-11-14 2015-03-25 中国海洋石油总公司 多尺度压力场的建立方法
CN104977618A (zh) * 2014-04-09 2015-10-14 中国石油集团东方地球物理勘探有限责任公司 一种评价页岩气储层及寻找甜点区的方法
CN109143337A (zh) * 2018-08-06 2019-01-04 中国石油大学(华东) 一种浊积砂体储层建模方法
CN109709603A (zh) * 2018-11-23 2019-05-03 中国石油天然气股份有限公司 地震层位识别与追踪方法、系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111399044B (zh) * 2020-04-13 2021-05-25 中国石油大学(北京) 一种储层渗透率预测方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977618A (zh) * 2014-04-09 2015-10-14 中国石油集团东方地球物理勘探有限责任公司 一种评价页岩气储层及寻找甜点区的方法
CN104459820A (zh) * 2014-11-14 2015-03-25 中国海洋石油总公司 多尺度压力场的建立方法
CN109143337A (zh) * 2018-08-06 2019-01-04 中国石油大学(华东) 一种浊积砂体储层建模方法
CN109709603A (zh) * 2018-11-23 2019-05-03 中国石油天然气股份有限公司 地震层位识别与追踪方法、系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Automatic Lithology Identification by Applying LSTM to Logging Data: A Case Study in X Tight Rock Reservoirs";Jing Lin .etc;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20200619;第1-5页 *
"LM-BP神经网络在泥页岩地层横波波速拟合中的应用";吕晶 等;《中国石油大学学报(自然科学版)》;20170620;第41卷(第3期);第75-83页 *
"神经网络算法在地震相识别中的应用";祝永英;《中国石油大学胜利学院学报》;20151215;第29卷(第4期);第4-9页 *
"离散裂缝网络地质建模技术研究";徐志华;《中国优秀硕士学位论文全文数据库 基础科学辑（月刊）》;20100315(第03期);A011-198 *

Also Published As

Publication number Publication date
CN112100906A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
Pham et al. Missing well log prediction using convolutional long short-term memory network
Moseley et al. Deep learning for fast simulation of seismic waves in complex media
Mustafa et al. Estimation of acoustic impedance from seismic data using temporal convolutional network
Feng Estimation of reservoir porosity based on seismic inversion results using deep learning methods
Aleardi et al. A two-step inversion approach for seismic-reservoir characterization and a comparison with a single-loop Markov-chain Monte Carlo algorithm
CN112100906B (zh) 数据驱动的大尺度密度建模方法、计算设备及存储介质
CN104237937B (zh) 叠前地震反演方法及其系统
Agbadze et al. Acoustic impedance and lithology-based reservoir porosity analysis using predictive machine learning algorithms
Jeong et al. A fast approximation for seismic inverse modeling: Adaptive spatial resampling
Chen et al. Integration of principal-component-analysis and streamline information for the history matching of channelized reservoirs
Wamriew et al. Joint event location and velocity model update in real-time for downhole microseismic monitoring: A deep learning approach
CN111722283B (zh) 一种地层速度模型建立方法
CN105158796A (zh) 确定toc含量的方法和装置
Titus et al. Conditioning surface-based geological models to well data using artificial neural networks
CA2412995C (en) Seismic survey system
Pham et al. Missing sonic log prediction using convolutional long short-term memory
Das et al. Effect of rock physics modeling in impedance inversion from seismic data using convolutional neural network
CN115130529A (zh) 一种叠前地震反演方法和装置
CN116859478A (zh) 一种基于瞬变电磁法成像的地下水模拟方法及系统
Eshaghzadeh et al. 2-D gravity inverse modelling of anticlinal structure using improved particle swarm optimization (IPSO)
Abbasi et al. Automatic nonhyperbolic velocity analysis by polynomial chaos expansion
Wu et al. Effective parametrization for reliable reservoir performance predictions
CN108073744A (zh) 基于地质统计学的浊积扇推进距离预测方法
CN115407397A (zh) 一种瑞雷波频散曲线有监督学习反演方法及系统
Lin et al. Learning or memorizing: A study of generalization issues on data-driven seismic full-waveform inversion

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