CN112578458B - 叠前弹性阻抗随机反演方法、装置、存储介质及处理器 - Google Patents

叠前弹性阻抗随机反演方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN112578458B
CN112578458B CN202011414337.9A CN202011414337A CN112578458B CN 112578458 B CN112578458 B CN 112578458B CN 202011414337 A CN202011414337 A CN 202011414337A CN 112578458 B CN112578458 B CN 112578458B
Authority
CN
China
Prior art keywords
inversion
autocorrelation
random
seismic data
elastic impedance
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
CN202011414337.9A
Other languages
English (en)
Other versions
CN112578458A (zh
Inventor
王保丽
蔺营
张广智
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East 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 China University of Petroleum East China filed Critical China University of Petroleum East China
Publication of CN112578458A publication Critical patent/CN112578458A/zh
Application granted granted Critical
Publication of CN112578458B publication Critical patent/CN112578458B/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
    • G01V1/40—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
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • G01V2210/512—Pre-stack
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/53—Statics correction, e.g. weathering layer or transformation to a datum
    • 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
    • G01V2210/6169—Data from specific type of measurement using well-logging

Abstract

本发明实施例提供一种叠前弹性阻抗随机反演方法、装置、处理器及存储介质。方法包括：确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者；根据统计特征参数确定对应的自相关函数；对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型；根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数；对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。

Description

叠前弹性阻抗随机反演方法、装置、存储介质及处理器
技术领域
本发明涉及地球物理反演领域，具体地涉及一种叠前弹性阻抗随机反演方法、装置、存储介质及处理器。
背景技术
地震随机反演结合地质统计先验信息，融合测井数据中的高频成分，提高反演结果的垂向分辨率，对地下薄储层的有效刻画具有一定的优势。地质统计先验信息是地震随机反演的重要组成部分，影响着先验模型构建的准确性及后续随机反演结果的可靠性。常规的地震随机反演以测井数据作为硬数据，地震数据作为软约束，充分利用测井数据中的高频信息，通过变差函数来随机模拟得到多个模拟实现，并与地震反演相结合得到多个反演解。
在实际的地震随机反演过程中，为了降低反演的复杂程度，通常假设地下介质是层状均匀介质，但是实际地下介质由大量复杂的非均匀介质组成。常规地震随机反演先验信息的构建主要利用测井数据获得的变差函数来表征储层的空间结构特性，对地震数据利用不足，而且变差函数不足以有效表征实际复杂地层的非均质特性。由于用于描述地下储层空间特征的参数有限，所构建的先验模型不能有效表征地下小尺度的变化，进而会影响后续地震随机反演的精度。
实际地下地层介质具有非均匀的特性，对于含有非均质特性的地下地层介质可以通过随机介质进行表征，随机介质可以理解为在大尺度均匀背景下分布着小尺度非均匀扰动的理论模型。
发明内容
本发明实施例的目的是提供一种叠前弹性阻抗随机反演方法、装置、存储介质及处理器。
为了实现上述目的，本发明第一方面提供一种叠前弹性阻抗随机反演方法，包括：
确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者；
根据统计特征参数确定对应的自相关函数；
对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型；
根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数；
对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。
在本发明的实施例中，确定统计特征参数包括：获取叠前地震数据；确定与叠前地震数据相对应的估计子波的功率谱；根据估计子波的功率谱确定使用弹性阻抗表征的非平稳随机介质的功率谱；对非平稳随机介质的功率谱进行傅里叶变换，得到随机介质的自相关函数；通过特征向量法和自相关函数确定统计特征参数。
在本发明的实施例中，叠前地震数据为至少三个部分角度叠加地震数据。
在本发明的实施例中，对自相关函数进行处理包括：对自相关函数进行傅里叶变换；通过维纳辛钦定理得到傅里叶变换后的自相关函数的振幅谱；在振幅谱中加入随机相位后，进行傅里叶反变换得到对应的空间随机扰动序列；对空间随机扰动序列进行归一化处理。
在本发明的实施例中，根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数包括：获取地震数据；将地震数据融入至似然函数；通过统计特征参数的正则化约束项减少反演解的误差，以此建议对应的随机反演的目标函数。
在本发明的实施例中，对先验信息模型进行更新包括：通过快速模拟退火算法对先验模型进行扰动更新。在本发明的实施例中，根据选用不同弹性参数表示的弹性阻抗方程以及弹性阻抗反演结果的数据确定出不同弹性参数的值。
本发明第二方面提供一种处理器，被配置成执行上述的一种叠前弹性阻抗随机反演方法。
本发明第三方面提供一种叠前弹性阻抗随机反演装置，包括：
参数确定模块：确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者；
数据处理模块：根据统计特征参数确定对应的自相关函数；对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型；
函数建立模块：根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数；信息更新模块：对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。
本发明第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的一种叠前弹性阻抗随机反演方法。
通过上述技术方案，可以解决目前常规地震随机反演中由变差函数表征的储层空间结构特征不能有效表征复杂储层的非均质特性的问题。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本发明实施例的一种叠前弹性阻抗随机反演方法的流程示意图；
图2示意性示出了根据本发明实施例的确定统计特征参数的步骤的流程示意图；
图3示意性示出了根据本发明实施例的一种叠前弹性阻抗随机反演装置的结构框图；
图4示意性示出了根据本发明实施例的计算机设备的内部结构图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了根据本发明实施例的一种叠前弹性阻抗随机反演方法的流程示意图。如图1所示，在本发明一实施例中，提供了一种叠前弹性阻抗随机反演方法，包括以下步骤：
步骤101，确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者。
在一个实施例中，如图2所示，在本发明一实施例中，步骤101包括：
步骤201，获取叠前地震数据。
步骤202，确定与叠前地震数据相对应的估计子波的功率谱。
步骤203，根据估计子波的功率谱确定使用弹性阻抗表征的非平稳随机介质的功率谱。
步骤204，对非平稳随机介质的功率谱进行傅里叶变换，得到随机介质的自相关函数。
步骤205，通过特征向量法和自相关函数确定统计特征参数。
在一个实施例中，叠前地震数据为至少三个部分角度叠加地震数据。
在一个实施例中，确定统计特征参数包括：获取叠前地震数据；确定与叠前地震数据相对应的估计子波的功率谱；根据估计子波的功率谱确定使用弹性阻抗表征的非平稳随机介质的功率谱；对非平稳随机介质的功率谱进行傅里叶变换，得到随机介质的自相关函数；通过特征向量法和自相关函数确定统计特征参数，且叠前地震数据为至少三个部分角度叠加地震数据。
具体地，地震子波及其功率谱估计：根据叠前地震数据分别估计相应的地震子波w(t)，根据公式
Figure BDA0002815201040000051
分别计算ψ(t)的功率谱|Sψ(ω)|2，给定滑动窗的大小与滑动步长；地震数据功率谱估计：在当前窗口下分别对叠前地震数据进行加窗(汉宁窗)处理，并计算其功率谱|Ss(ω,kx)|2；随机介质功率谱估计：根据公式
Figure BDA0002815201040000052
(γ为白噪声)，计算由弹性阻抗表征的非平稳随机介质的功率谱
Figure BDA0002815201040000053
随机介质自相关函数的估计：对随机介质的功率谱
Figure BDA0002815201040000054
进行傅里叶逆变换求取相应的二维自相关函数R(t',x')；统计特征参数的估计：根据特征向量法求取横向自相关长度、纵向自相关长度、自相关角度等统计特征参数，此时的参数对应着滑动窗中心位置处的随机介质参数值；根据滑动步长依次滑动窗口，重复上述过程，直至遍历完所有滑动窗区域停止估计。
步骤102，根据统计特征参数确定对应的自相关函数。
步骤103，对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型。
在一个实施例中，对自相关函数进行处理包括：对自相关函数进行傅里叶变换；通过维纳辛钦定理得到傅里叶变换后的自相关函数的振幅谱；在振幅谱中加入随机相位后，进行傅里叶反变换得到对应的空间随机扰动序列；对空间随机扰动序列进行归一化处理。
在一个实施例中，基于统计特征参数的先验信息模型构建包括：基于混合型椭圆自相关函数R(t',x')，利用估计的统计特征参数计算相应的随空间变化的自相关函数，对其进行傅里叶变换，利用维纳辛钦定理，即R(kx,kz)＝F(R(t',x'))得到随机序列的功率谱R(kx,kz)，对功率谱开平方即可得到振幅谱
Figure BDA0002815201040000061
进而产生[0,2π)上均匀分布的随机相位信息
Figure BDA0002815201040000062
从而可得到频谱
Figure BDA0002815201040000063
对其进行傅里叶反变换并进行归一化处理使其均值为0，标准差为1，得到空间分布特征满足二维自相关函数的随机扰动序列f(x,z)，然后加入由测井数据求取的均值m0(x,z)、标准差δm(x,z)，从而得到基于统计特征参数的先验信息模型m(x,z)；
需要说明的是，本发明在此处采用的是混合型椭圆自相关函数，在实际应用中，根据实际介质的具体情况选择合适的自相关函数，常用的自相关函数有指数型，高斯型和混合型，此处，混合型椭圆自相关函数公式为：
Figure BDA0002815201040000064
式中a，b分别表示横向和纵向自相关长度；θ为自相关角度；x'，t'分别表示空间坐标系中x和t方向的空间偏移量；η为粗糙度因子，当η＝0时为高斯型，当η＝1时为指数型，在实际建模过程中，η的取值随着地下介质的非均质性变化而变化。
计算先验信息模型m的公式为：
m(x,z)＝m0(x,z)+δm(x,z)·f(x,z)
式中，m0(x,z)为由测井数据获得的均值，δm(x,z)是由测井数据获得的标准差，f(x,z)表示归一化后的统计特征参数建模结果，为具有均值为0，标准差为1，并且空间分布特征服从随机介质自相关函数的空间随机扰动序列；
步骤104，根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数。
在一个实施例中，根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数包括：获取地震数据；将地震数据融入至似然函数；通过统计特征参数的正则化约束项减少反演解的误差，以此建立对应的随机反演的目标函数。
具体地，反演目标函数的建立包括：基于贝叶斯理论，以构建的能表征地下地层非均质特性的先验信息为基础，将地震数据融入似然函数，并引入统计特征参数的正则化约束项以减少反演解的误差，从而建立弹性阻抗随机反演的目标函数。
Figure BDA0002815201040000071
式中，si表示由先验信息模型得到的模拟地震记录；
Figure BDA0002815201040000072
表示观测地震数据；Ri表示反演参数；
Figure BDA0002815201040000073
表示根据测井数据构建的平滑约束信息；β、β1、β2和β3表示加权系数，ai、bi和θi分别表示反演过程中估计的横向自相关长度、纵向自相关长度和自相关角度；
Figure BDA0002815201040000074
和
Figure BDA0002815201040000075
表示根据地震数据估计的横向自相关长度、纵向自相关长度和自相关角度。目标函数的第一项考虑合成地震记录与观测地震记录之间的匹配程度；第二项为低频约束信息，保证反演的模拟过程存在高频扰动的同时又满足低频趋势；后三项为基于统计特征参数的正则化约束信息，结合建模过程中的参数约束，统筹兼顾先验信息的构建与反演过程，增加反演的稳定性。
步骤105，对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。
在一个实施例中，对先验信息模型进行更新包括：通过快速模拟退火算法对先验模型进行扰动更新。
在一个实施例中，根据选用不同弹性参数表示的弹性阻抗方程以及弹性阻抗反演结果的数据确定出不同弹性参数的值。
在一个实施例中，如图3所示，提供了一种叠前弹性阻抗随机反演装置，包括参数确定模块、数据处理模块、函数建立模块以及信息更新模块，其中：
参数确定模块301，用于确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者。
数据处理模块302，用于根据统计特征参数确定对应的自相关函数；对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型。
函数建立模块303，用于根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数。
信息更新模块304，用于对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。
叠前弹性阻抗随机反演装置包括处理器和存储器，上述参数确定模块、数据处理模块、函数建立模块和信息更新模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现叠前弹性阻抗随机反演方法。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述叠前弹性阻抗随机反演方法。
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述叠前弹性阻抗随机反演方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种叠前弹性阻抗随机反演方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者；根据统计特征参数确定对应的自相关函数；对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型；根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数；对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。
在一个实施例中，确定统计特征参数包括：获取叠前地震数据；确定与叠前地震数据相对应的估计子波的功率谱；根据估计子波的功率谱确定使用弹性阻抗表征的非平稳随机介质的功率谱；对非平稳随机介质的功率谱进行傅里叶变换，得到随机介质的自相关函数；通过特征向量法和自相关函数确定统计特征参数。
在一个实施例中，叠前地震数据为至少三个部分角度叠加地震数据。
在一个实施例中，对自相关函数进行处理包括：对自相关函数进行傅里叶变换；通过维纳辛钦定理得到傅里叶变换后的自相关函数的振幅谱；在振幅谱中加入随机相位后，进行傅里叶反变换得到对应的空间随机扰动序列；对空间随机扰动序列进行归一化处理。
在一个实施例中，根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数包括：获取地震数据；将地震数据融入至似然函数；通过统计特征参数的正则化约束项减少反演解的误差，以此建立对应的随机反演的目标函数。
在一个实施例中，对先验信息模型进行更新包括：通过快速模拟退火算法对先验模型进行扰动更新。
在一个实施例中，根据选用不同弹性参数表示的弹性阻抗方程以及弹性阻抗反演结果的数据确定出不同弹性参数的值。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定统计特征参数，统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度中的至少一者；根据统计特征参数确定对应的自相关函数；对自相关函数进行处理，加入统计特征参数的均值和标准差，以得到基于统计特征参数的先验信息模型；根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数；对先验信息模型进行更新，通过目标函数得到对应的弹性阻抗反演结果。
在一个实施例中，确定统计特征参数包括：获取叠前地震数据；确定与叠前地震数据相对应的估计子波的功率谱；根据估计子波的功率谱确定使用弹性阻抗表征的非平稳随机介质的功率谱；对非平稳随机介质的功率谱进行傅里叶变换，得到随机介质的自相关函数；通过特征向量法和自相关函数确定统计特征参数。
在一个实施例中，叠前地震数据为至少三个部分角度叠加地震数据。
在一个实施例中，对自相关函数进行处理包括：对自相关函数进行傅里叶变换；通过维纳辛钦定理得到傅里叶变换后的自相关函数的振幅谱；在振幅谱中加入随机相位后，进行傅里叶反变换得到对应的空间随机扰动序列；对空间随机扰动序列进行归一化处理。
在一个实施例中，根据先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数包括：获取地震数据；将地震数据融入至似然函数；通过统计特征参数的正则化约束项减少反演解的误差，以此建立对应的随机反演的目标函数。
在一个实施例中，对先验信息模型进行更新包括：通过快速模拟退火算法对先验模型进行扰动更新。
在一个实施例中，根据选用不同弹性参数表示的弹性阻抗方程以及弹性阻抗反演结果的数据确定出不同弹性参数的值。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种叠前弹性阻抗随机反演方法，其特征在于，包括：
确定统计特征参数，所述统计特征参数包括横向自相关长度、纵向自相关长度、自相关角度；
根据所述统计特征参数确定对应的自相关函数；
对所述自相关函数进行处理，加入由测井数据得到的均值和标准差，以得到基于所述统计特征参数的先验信息模型；
根据所述先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数；
对所述先验信息模型进行更新，通过所述目标函数得到对应的弹性阻抗反演结果；
根据选用不同弹性参数表示的弹性阻抗方程以及所述弹性阻抗反演结果的数据确定出不同弹性参数的值；
所述根据所述先验信息模型与预先获取的地震数据，建立对应的随机反演的目标函数包括：
获取地震数据；
将所述地震数据融入至似然函数；
通过所述统计特征参数的正则化约束项减少反演解的误差，以此建立对应的随机反演的目标函数；
所述建立对应的随机反演的目标函数包括：基于贝叶斯理论，以构建的表征地下地层非均质特性的所述先验信息模型为基础，将所述地震数据融入所述似然函数，并引入统计特征参数的正则化约束项以减少反演解的误差，从而建立弹性阻抗随机反演的目标函数，其中，所述弹性阻抗随机反演的目标函数如下所示：
Figure FDA0003842532150000021
其中，J表示所述弹性阻抗随机反演的目标函数；si表示由先验信息模型得到的模拟地震记录；
Figure FDA0003842532150000022
表示观测地震数据；Ri表示反演参数；
Figure FDA0003842532150000023
表示根据测井数据构建的平滑约束信息；β、β1、β2和β3表示加权系数，ai、bi和θi分别表示反演过程中估计的横向自相关长度、纵向自相关长度和自相关角度；
Figure FDA0003842532150000024
和
Figure FDA0003842532150000025
分别表示根据地震数据估计的横向自相关长度、纵向自相关长度和自相关角度；
所述确定统计特征参数包括：
获取叠前地震数据；
确定与所述叠前地震数据相对应的估计子波的功率谱，具体地，根据叠前地震数据分别估计相应的地震子波，给定滑动窗口的大小与滑动步长，在当前窗口下分别对叠前地震数据进行加窗处理，并计算其功率谱；
根据所述估计子波的功率谱确定使用弹性阻抗表征的非平稳随机介质的功率谱；
对所述非平稳随机介质的功率谱进行傅里叶变换，得到随机介质的自相关函数；
通过特征向量法和所述自相关函数确定所述统计特征参数；
所述对所述自相关函数进行处理包括：
对所述自相关函数进行傅里叶变换；
通过维纳辛钦定理得到傅里叶变换后的所述自相关函数的振幅谱；
在所述振幅谱中加入随机相位后，进行傅里叶反变换得到对应的空间随机扰动序列；
对所述空间随机扰动序列进行归一化处理，以得到空间分布特征满足二维自相关函数的随机扰动序列。
2.根据权利要求1所述的叠前弹性阻抗随机反演方法，其特征在于，所述叠前地震数据为至少三个部分角度叠加地震数据。
3.根据权利要求1所述的方法，其特征在于，对所述先验信息模型进行更新包括：
通过快速模拟退火算法对先验模型进行扰动更新。
4.一种处理器，其特征在于，被配置成执行根据权利要求1至3中任意一项所述的叠前弹性阻抗随机反演方法。
5.一种叠前弹性阻抗随机反演装置，其特征在于，包括如权利要求4所述的处理器。
6.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至3中任一项所述的叠前弹性阻抗随机反演方法。
CN202011414337.9A 2020-10-19 2020-12-03 叠前弹性阻抗随机反演方法、装置、存储介质及处理器 Active CN112578458B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020111206662 2020-10-19
CN202011120666 2020-10-19

Publications (2)

Publication Number Publication Date
CN112578458A CN112578458A (zh) 2021-03-30
CN112578458B true CN112578458B (zh) 2022-11-04

Family

ID=75127566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414337.9A Active CN112578458B (zh) 2020-10-19 2020-12-03 叠前弹性阻抗随机反演方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN112578458B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113391287B (zh) * 2021-06-10 2023-09-01 哈尔滨工业大学 基于时间序列的高频地波雷达海态数据融合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6058073A (en) * 1999-03-30 2000-05-02 Atlantic Richfield Company Elastic impedance estimation for inversion of far offset seismic sections
CN106932819A (zh) * 2017-02-23 2017-07-07 河海大学 基于各向异性马尔科夫随机域的叠前地震参数反演方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095345B2 (en) * 2009-01-20 2012-01-10 Chevron U.S.A. Inc Stochastic inversion of geophysical data for estimating earth model parameters
US9207356B2 (en) * 2013-07-29 2015-12-08 Chevron U.S.A. Inc. System and method for estimating a reservoir parameter using joint stochastic inversion of multisource geophysical data
CN104977606A (zh) * 2014-04-02 2015-10-14 中国石油化工股份有限公司 一种缝洞型储层地震数值模型建立方法
CN106842310B (zh) * 2015-12-04 2020-10-13 中国石油化工股份有限公司 叠前地震四参数同步反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6058073A (en) * 1999-03-30 2000-05-02 Atlantic Richfield Company Elastic impedance estimation for inversion of far offset seismic sections
CN106932819A (zh) * 2017-02-23 2017-07-07 河海大学 基于各向异性马尔科夫随机域的叠前地震参数反演方法

Also Published As

Publication number Publication date
CN112578458A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
KR102170105B1 (ko) 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체
US8036975B2 (en) Systems and methods for compound risk factor sampling with integrated market and credit risk
US20190197404A1 (en) Asychronous training of machine learning model
CN112232426B (zh) 目标检测模型的训练方法、装置、设备及可读存储介质
US20210192315A1 (en) Method and apparatus with neural network convolution operation
CN113109874B (zh) 一种使用神经网络的波阻抗反演方法和神经网络系统
CN112578458B (zh) 叠前弹性阻抗随机反演方法、装置、存储介质及处理器
US20100198897A1 (en) Deriving a function that represents data points
CN113642675B (zh) 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质
CN109597964A (zh) 理论油藏渗流参数值确定方法、系统、设备、可读介质
CN108957536A (zh) 基于波形匹配反演的地层倾角预测方法及装置
CN112444850B (zh) 地震资料速度建模方法、存储介质及计算设备
CN108828659A (zh) 地震波场延拓方法及装置
US8510049B2 (en) Maximum entropy application methods and systems
CN115079257A (zh) 基于融合网络的q值估计及地震衰减补偿方法
CN112771552A (zh) 纠错变分算法
CN112346126B (zh) 低级序断层的识别方法、装置、设备及可读存储介质
CN113411140A (zh) 信道自适应通道特性学习方法及其模拟器、卫星导航系统
CN115685314A (zh) 一种地震储层物性参数预测方法及装置
US20200134904A1 (en) View-dependent stochastic volume rendering with monte carlo ray exploration
US20230068381A1 (en) Method and electronic device for quantizing dnn model
CN113296157B (zh) 一种利用广义高斯分布进行储层的预测方法及装置
CN113219534B (zh) 一种叠前深度偏移速度质控方法、装置、介质及电子设备
CN113722893B (zh) 地震记录反演方法、装置、设备及存储介质
KR20190069192A (ko) 오디오 신호의 채널 파라미터 예측 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong.

Applicant after: China University of Petroleum (East China)

Address before: No.271, Beier Road, Dongying City, Shandong Province 266580

Applicant before: China University of Petroleum (East China)

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant