CN112630840A - 基于统计特征参数的随机反演方法及处理器 - Google Patents

Abstract

本发明实施例提供一种基于统计特征参数的随机反演方法，随机反演方法包括：根据功率谱法获取所采集的叠后地震数据和对应的地震子波的功率谱，对功谱图进行傅里叶反变换以获得随机介质的第一自相关函数；通过特征向量法获取和第一自相关函数相关联的统计特征参数，并根据测井数据得到均值和标准差；根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数；将第二自相关函数结合均值和标准差建立先验信息模型；根据先验信息模型得到的模拟地震记录，观测地震数据，建立随机反演目标模型。

Description

基于统计特征参数的随机反演方法及处理器

技术领域

本发明涉及地球物理勘查技术领域，具体是基于统计特征参数的随机反演方法及处理器。

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，影响着先验信息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，变差函数不足以有效表征实际复杂地层的非均质特性，而且统计特征为常数的参数信息也不能完整描述复杂、非平稳的实际地下地层介质。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于统计特征参数的随机反演方法及其机器可读存储介质。

为了实现上述目的，在本发明第一方面，提供一种基于统计特征参数的随机反演方法，随机反演方法包括：根据功率谱法获取所采集的叠后地震数据和对应的地震子波的功率谱，对功谱图进行傅里叶反变换以获得随机介质的第一自相关函数；通过特征向量法获取和第一自相关函数相关联的统计特征参数，并根据测井数据得到均值和标准差；根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数；将第二自相关函数结合均值和标准差建立先验信息模型；根据先验信息模型得到的模拟地震记录，观测地震数据，以及统计特征参数的正则化约束项，建立随机反演目标模型。

在本申请实施例中，所述统计特征参数包括以下参数的至少一种：横向自相关长度、纵向自相关长度、自相关角度。

在本申请实施例中，所述第一自相关函数为混合型椭圆自相关函数。

在本申请实施例中，所述将所述第二自相关函数结合所述均值和所述标准差建立先验信息模型包括：获取所述第二自相关函数的振幅谱，加入随机相位进行傅里叶反变换得到空间随机扰动序列；将所述空间随机扰动序列归一化；在归一化后的空间随机扰动序列加入所述均值和所述标准差建立先验信息模型。

在本申请实施例中，所述根据所述先验信息模型得到的模拟地震记录，观测地震数据，以及所述统计特征参数的正则化约束项，建立随机反演目标模型包括：根据贝叶斯理论，结合所述先验信息模型得到的模拟地震记录，将地震数据融入似然函数；在所述似然函数中引入所述统计特征参数的正则化约束项，建立随机反演目标模型。

在本申请实施例中，所述方法还包括：对所采集的叠后地震数据进行加窗预处理。

在本申请实施例中，所述方法还包括：通过快速模拟退火算法对所述先验信息模型进行扰动更新；通过所述目标函数获得最终的反演结果。

在本申请实施例中，所述将所述空间随机扰动序列归一化，使得所述空间随机扰动序列的均值为0，标准差为1。

在本申请实施例中，所述随机反演目标模型为：

其中，sⁱ为所述先验信息模型得到的模拟地震记录；

为观测地震数据； Rⁱ为反演参数；

为根据测井数据构建的平滑约束信息；α表示第一加权系数，α₁表示第二加权系数、α₂表示第三加权系数、α₃表示第四加权系数；aⁱ表示反演过程中估计的横向自相关长度、bⁱ表示反演过程中估计的横向自相关长度，θⁱ表示反演过程中估计自相关角度；

表示根据地震数据估计的横向自相关长度、

表示根据地震数据估计的纵向自相关长度、

表示根据地震数据估计的自相关角度。

本申请还提供一种处理器，该处理器被配置成执行上述基于统计特征参数的随机反演方法。

另一方面，提供一种计算机可读存储介质，该机器可读存储介质上存储有指令，该指令用于在被处理器执行时使得处理器能够执行根据上述的基于统计特征参数的随机反演方法。

通过上述技术方案，本发明实施例通过根据功率谱法获取所采集的叠后地震数据和对应的地震子波的功率谱，对功谱图进行傅里叶反变换以获得随机介质的第一自相关函数，继而利用特征向量法获取和第一自相关函数相关联的统计特征参数，并将根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数；将第二自相关函数结合均值和标准差建立先验信息模型；继而得到随机反演目标模型，反演目标函数可以对的非均匀随机介质组成的地下介质进行反演，从而充分利用地震数据，可以表征复杂地形的非均值特性，实现完整的反演复杂、非平稳的实际地下地层介质。

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是本发明实施例所提供的一种基于统计特征参数的随机反演方法的流程图；

图2是本发明实施例所提供的一种基于统计特征参数的随机反演方法中步骤S104的流程图；

图3是本发明实施例所提供的一种基于统计特征参数的随机反演方法中步骤S105的流程图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路及方法的详细说明，以免不必要的细节妨碍本发明的描述。

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。

需要说明，本发明实施例中所有流向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该流向性指示也相应地随之改变。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义为，包括三个并列的方案，以“A和/或B”为例，包括A方案，或B方案，或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请参阅图1，图1是本发明实施例所提供的一种基于统计特征参数的随机反演方法的流程图。本发明实施例主要提供用于地震反演方法，具体来说为一种将地震资料变成可与测井资料直接对比的形式的方法，该方法旨在解决现有的常规反演方法无法适应于地下介质为复杂的非均匀介质的情况，降低了反演复杂程度，从而导致达不到所预期的反演效果，而且统计特征为常数的参数信息也不能完整描述复杂、非平稳的实际地下地层介质。

在本发明实施例的一个方案中，一种基于统计特征参数的随机反演方法包括步骤如下：

步骤S102、根据功率谱法获取所采集的叠后地震数据和对应的地震子波的功率谱，对功谱图进行傅里叶反变换以获得随机介质的第一自相关函；

步骤S103、通过特征向量法获取和第一自相关函数相关联的统计特征参数，并根据测井数据得到均值和标准差；

步骤S104、根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数；

步骤S105、将第二自相关函数结合均值和标准差建立先验信息模型；

步骤S106、根据先验信息模型得到的模拟地震记录，观测地震数据，以及统计特征参数的正则化约束项，建立随机反演目标模型。

为了更方便地阐述本发明实施例，且以使实施例清楚以，对以上步骤所涉及到的术语进行解释：

在步骤S102中所提及的术语“功率谱法”为根据一定的地震数据长度下，制作功率与频率之间的关系曲线，从而获得功率谱，即地震数据和对应的地震子波的功率谱，通常采用的方法有周期图法或者间接法，周期图法即将地震数据中随机序列(随机介质)的多个观测数据视为一能量有限的序列，直接计算随机序列的离散傅立叶变换，然后再取其幅值的平方，并除以观测数据的个数，作为随机序列真实功率谱的估计。间接法则先由地震数据中随机序列先估计出自相关函数，然后对进行傅立叶变换，便得到的功率谱估计。对于本发明实施例中所指代的“功率谱法”可以是以上的任一种方法或者改良的方法，对于具体的方式可以不予限定，可以根据具体的适用环境而定，仅需满足得到叠后地震数据和对应的地震子波的功率谱即可。

可以理解的是，以上所提到的“地震数据”可以通过地震检波器和地震勘探仪器得到，地震检波器可以用于传感地震信号，地震勘探仪器(或称地震记录仪器)可以采集和记录地震信号，由于地震信号的传播都是看不见的，但是它以波的形式存在着，这类信号会产生功率，单位频带的信号功率就被称之为功率谱。功率谱可以显示在一定的区域中信号功率随着频率变化的分布情况。

在本发明其中的一个实施例中，该基于统计特征参数的随机反演方法还包括：

步骤S101、对所采集的叠后地震数据进行加窗预处理。即给定滑动窗的大小与滑动步长，在滑动窗口下对叠后地震数据进行加窗处理并估计相应的地震子波。

可以理解，由于对叠后地震数据的模拟信号进行数字处理时，首先要对模拟信号进行采样，采样频率由奈奎斯特采样定理决定。对采样而来的数字信号进行DTFT(Discrete-time Fourier Transform：离散时间傅里叶变换)处理得到其频谱。由DTFT的计算公式可知，DTFT的计算需要用到信号的所有采样点，当信号为无限长或者是相当长时，这样的计算不可行也没有实际意义。因此会把信号分成许多一定长度的数据段，然后分段处理。如果把数据进行分段，相当于对信号进行了加矩形窗的处理，对加窗后的信号做 DFT，将会出现由于加窗而引入的高频分量。选用合适的窗函数，则可以增大对高频分量的衰减。由于加窗为本领域技术人员常用的技术手段，具体方式在本申请中不予过多阐述。

进一步地，基于步骤S101的基础上，步骤102可以理解为：在滑动窗口范围内，计算地震数据和地震子波的功率谱，利用功率谱法得到用波阻抗表征的非平稳随机介质的功率谱，对其进行傅里叶反变换获得随机介质的自相关函数。

在一个发明示例中，由地震数据和子波的功率谱求取非平稳随机介质的功率谱的公式可以为：

其中，在公式1中，

是非平稳随机介质的功率谱，S_s是地震数据的功率谱，

w(t)为估计的地震子波，S_f是f的功率谱，ε是白噪声；

通过以上阐述，在步骤S102对功谱图进行傅里叶反变换即可以获得随机介质的第一自相关函数。随后进行步骤S103：然后利用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，此时的结果对应着滑动窗中心位置处的随机介质参数值，重复上述过程，直至遍历完所有滑动窗区域停止估计；并利用测井数据求取均值、标准差等参数。

可以理解，综合以上功率谱的公式，由于地震数据的复杂性，被引入的信号可能是噪声，但也有可能带有与地质结构相关的重要信息，前者应该被消除，后者则应该保留，因此需要对随机介质中的统计特征参数进行采集。

采集的方法可以是特征向量法，特征向量法即将所采集的叠后地震数据中和第一自相关函数相关的特征，再计算出特征的几何特征量，而这些特征量形成通过数字化描述的特征向量，即特征向量法的释义。

统计特征参数包括以下参数的至少一种：横向自相关长度、纵向自相关长度、自相关角度。

在一些实施例中，统计特征参数可以是上述参数的其中一种或者多种，同样属于本发明所涵盖的保护范围内。

以上所提到的“测井数据”，可以是利用地底介质的电化学特性、导电特性、声学特性、放射性等地球物理特性，测量地球物理参数的方法，属于应用地球物理方法所获得的数据。

可以理解，基于混合型椭圆自相关函数，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(即第二自相关函数)后，随后进行步骤103：根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数。

根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数。在本发明实施例中，第一自相关函数采用的是混合型椭圆自相关函数，在实际应用中，可以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，在此处，根据混合型椭圆自相关函数获取的随空间变化的第二自相关函数公式为：

在公式2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。可以根据具体所适用的环境而定。

在以上所提到的非均质性指代表征地底介质透水性与空间坐标的关系，在很发明申请中即指代地下介质的物理性质、力学性质各个方向不相同。具此性质的介质称“非均质性地下介质”。

请参阅图2，图2是本发明实施例所提供的一种基于统计特征参数的随机反演方法中步骤S104的流程图。在步骤S104中将第二自相关函数结合均值和标准差建立先验信息模型可以包括以下步骤：

步骤S1041：获取第二自相关函数的振幅谱，加入随机相位进行傅里叶反变换得到空间随机扰动序列；

步骤S1042：将空间随机扰动序列归一化；

步骤S1043：在归一化后的空间随机扰动序列加入均值和标准差建立先验信息模型。

可以理解，可以对第二自相关函数其进行傅里叶变换，用维纳辛钦定理得到其振幅谱，加入随机相位后进行傅里叶反变换得到空间随机扰动序列，然后对其进行归一化使其均值为0，标准差为1，并加入由测井数据求取的均值、标准差，从而得到基于统计特征参数的先验信息模型m，以完成基于统计特征参数的先验信息模型m的构建。

在本发明其中一个实施例中，计算先验信息模型m的公式为：

m(x,z)＝m₀(x,z)+δ_m(x,z)·f(x,z) (公式3)

在公式3中，m₀(x,z)为由测井数据获得的均值，δ_m(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。

在获取到先验信息模型后，继而执行步骤S105、根据先验信息模型得到的模拟地震记录，观测地震数据，建立随机反演目标模型。

请参阅图3，图3是本发明实施例所提供的一种基于统计特征参数的随机反演方法中步骤S105的流程图。在一个示例中，步骤S105中根据先验信息模型得到的模拟地震记录，观测地震数据，建立随机反演目标模型包括：

步骤S1051、根据贝叶斯理论，结合先验信息模型得到的模拟地震记录，将地震数据融入似然函数；

步骤S1052、在似然函数中引入统计特征参数的正则化约束项；

步骤S1053、建立随机反演目标模型。

可以理解，反演目标函数的建立可以基于贝叶斯理论，以构建的能表征地下地层非均质特性的先验信息为基础，将地震数据融入所预写的似然函数 (似然函数：一种关于统计模型中的参数的函数，表示模型参数中的似然性)，并引入统计特征参数的正则化约束项(正规化约束：采用正则化约束会自动削弱不重要的特征变量，自动从许多的特征变量中”提取“重要的特征变量，减小特征变量的数量级)，从而以减少反演解的误差，通过上述方式建立随机反演目标模型：

在公式4中，sⁱ表示由先验信息模型得到的模拟地震记录；

表示观测地震数据；Rⁱ表示反演参数；

表示根据测井数据构建的平滑约束信息；α表示第一加权系数，α₁表示第二加权系数、α₂表示第三加权系数、α₃表示第四加权系数；其中，第一加权系数α、第二加权系数α₁、第三加权系数α₂、第四加权系数α₃通过预实验获得，aⁱ表示反演过程中估计的横向自相关长度、bⁱ表示反演过程中估计的横向自相关长度，θⁱ表示反演过程中估计自相关角度；

表示根据地震数据估计的横向自相关长度、

表示根据地震数据估计的纵向自相关长度、

表示根据地震数据估计的自相关角度。

通过在该随机反演目标模型中输入所观测的地震数据，由于地震数据的横向信息连续性强的特点，以测井的地质数据为基础，并将地震反演与地质统计的模拟地震记录联系，从而得到地下随机介质的储层参数分布数据，从而与井点参数达到最佳吻合。

综上，本发明实施例即通过根据功率谱法获取所采集的叠后地震数据和对应的地震子波的功率谱，对功谱图进行傅里叶反变换以获得随机介质的第一自相关函数，继而利用特征向量法获取和第一自相关函数相关联的统计特征参数，并将根据第一自相关函数和统计特征参数获取随空间变化的第二自相关函数；将第二自相关函数结合均值和标准差建立先验信息模型；继而得到随机反演目标模型，反演目标函数可以对的非均匀随机介质组成的地下介质进行反演，从而充分利用地震数据，可以表征复杂地形的非均值特性，实现完整的反演复杂、非平稳的实际地下地层介质。

进一步，本发明实施例还提供了对于随机反演目标模型的地震随机反演方法：

步骤S106：应用快速模拟退火算法对先验信息模型进行扰动更新，由目标函数获得最终的反演结果。

可以理解，上述所提到的快速模拟退火算法指代为“往先验信息模型所减小的方向进行迭代，同时预设的概率来接受搜索点往随机反演目标模型增大的方向迭代”从而不断对先验信息模型进行扰动训练，通过目标函数获得最终的反演结果。

可以理解，本领域技术人员很容易通过上述的系统实施例得知步骤S206 的实施例方式，因此步骤S206为可实施的方法。在本发明实施例中不予过多阐述。

本领域技术人员也应当理解，如果将本发明方法、经过简单变化、在其上述方法增添功能进行组合、或者在其步骤上进行替换，如各组件进行型号材料上的替换、使用环境进行替换、各组件位置关系进行简单替换等；或者将其方法所封装构成的产品一体设置；或者可拆卸设计；凡组合后的组件可以组成具有特定功能的方法/设备/装置，用这样的方法/设备/装置替代本发明的方法和装置均同样落在本发明的保护范围内。

装置还包括存储器，上述基于统计特征参数的随机反演方法可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单元来实现相应的功能。

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，通过调节内核参数来针对统计特征参数进行随机反演。

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机器可读存储介质，其上存储有程序，该程序被处理器执行时实现基于统计特征参数的随机反演方法。

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，程序运行时执行基于统计特征参数的随机反演方法。

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、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 (10)

1.一种基于统计特征参数的随机反演方法，其特征在于，所述随机反演方法包括：

根据功率谱法获取所采集的叠后地震数据和对应的地震子波的功率谱，对所述功谱图进行傅里叶反变换以获得随机介质的第一自相关函数；

通过特征向量法获取和所述第一自相关函数相关联的统计特征参数，并根据测井数据得到均值和标准差；

根据所述第一自相关函数和所述统计特征参数获取随空间变化的第二自相关函数；

将所述第二自相关函数结合所述均值和所述标准差建立先验信息模型；

根据所述先验信息模型得到的模拟地震记录，观测地震数据，建立随机反演目标模型。

2.根据权利要求1所述的随机反演方法，其特征在于，所述统计特征参数包括以下参数的至少一种：横向自相关长度、纵向自相关长度、自相关角度。

3.根据权利要求1所述的随机反演方法，其特征在于，所述第一自相关函数为混合型椭圆自相关函数。

4.根据权利要求1所述的随机反演方法，其特征在于，所述将所述第二自相关函数结合所述均值和所述标准差建立先验信息模型包括：

获取所述第二自相关函数的振幅谱，加入随机相位进行傅里叶反变换得到空间随机扰动序列；

将所述空间随机扰动序列归一化；

在归一化后的空间随机扰动序列加入所述均值和所述标准差建立先验信息模型。

5.根据权利要求1所述的随机反演方法，其特征在于，根据所述先验信息模型得到的模拟地震记录，观测地震数据，建立随机反演模型包括：

根据贝叶斯理论，结合所述先验信息模型得到的模拟地震记录，将地震数据融入似然函数；

在所述似然函数中引入所述统计特征参数的正则化约束项；

建立随机反演目标模型。

6.根据权利要求1所述的随机反演方法，其特征在于，所述方法还包括：对所采集的叠后地震数据进行加窗预处理。

7.根据权利要求1所述的随机反演方法，其特征在于，所述方法还包括：

通过快速模拟退火算法对所述先验信息模型进行扰动更新；

通过所述目标函数获得最终的反演结果。

8.根据权利要求1所述的随机反演方法，其特征在于，所述将所述空间随机扰动序列归一化，使得所述空间随机扰动序列的均值为0，标准差为1。

9.根据权利要求1所述的随机反演方法，其特征在于，所述随机反演目标模型为：

其中，sⁱ为所述先验信息模型得到的模拟地震记录；

为观测地震数据；Rⁱ为反演参数；

为根据测井数据构建的平滑约束信息；α表示第一加权系数，α₁表示第二加权系数、α₂表示第三加权系数、α₃表示第四加权系数；aⁱ表示反演过程中估计的横向自相关长度、bⁱ表示反演过程中估计的横向自相关长度，θⁱ表示反演过程中估计自相关角度；

表示根据地震数据估计的横向自相关长度、

表示根据地震数据估计的纵向自相关长度、

表示根据地震数据估计的自相关角度。

10.一种处理器，其特征在于，被配置成执行根据权利要求1至9中任意一项所述的基于统计特征参数的随机反演方法。

Images