CN112882123B - 一种基于两步法的cnn井震联合反演方法、系统及应用 - Google Patents
一种基于两步法的cnn井震联合反演方法、系统及应用 Download PDFInfo
- Publication number
- CN112882123B CN112882123B CN202110033962.7A CN202110033962A CN112882123B CN 112882123 B CN112882123 B CN 112882123B CN 202110033962 A CN202110033962 A CN 202110033962A CN 112882123 B CN112882123 B CN 112882123B
- Authority
- CN
- China
- Prior art keywords
- seismic
- well
- cnn
- data
- constraint
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地震与测井联合反演技术领域,公开了一种基于两步法的CNN井震联合反演方法、系统及应用,以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层,每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。本发明的映射正演是以测井数据为输入,以地震数据为输出,搜索从测井数据到地震数据的正演映射算子;基于两步法的CNN井震联合反演,特别是变约束权重系数在正则化约束条件中所起的关键作用,降低了多解性,避免了陷入局部极小值,获得全局最优解。
Description
技术领域
本发明属于地震与测井联合反演技术领域,尤其涉及一种基于两步法的CNN井震联合反演方法、系统及应用。
背景技术
目前,最接近的现有技术:当代油气藏精细描述对地球物理学提出了更高的要求,地质、测井、地震、油藏工程等多学科之间的相互渗透和有机融合已经成为必然。地球物理参数(如速度和密度)是研究油气藏内部结构和储层流体特征的重要信息,这些信息既可以通过测井直接测量获得,也可以通过地震反演间接得到。测井数据的特点是纵向分辨率高、横向稀疏;地震数据的特点是纵向分辨率低、横向密集。地震与测井联合反演就是将两者的优势结合起,取长补短。然而,传统的地震与测井联合反演方法是模型驱动的,都假设地球物理参数与地球物理响应之间具有先验的确定性映射算子(如褶积算子和波动方程算子)。这些只有在理想条件下才成立的映射算子往往难于满足实际情况,特别是像薄互层、各向异性、多相介质这样的复杂地质情况,而且有些地球物理参数(如孔隙度、渗透率和饱和度)却很难用数学建模的方法建立起地球物理参数与地球物理响应之间的映射关系。
近年,随着深度神经网络(Deep Neural Networks,DNN)的复兴,在很多科学领域利用数据驱动的方法解反问题已经成为一种趋势。根据通用近似定理,当隐藏层有足够多的神经元时,DNN理论上可以逼近任何连续函数。基于DNN的机器学习通常称为深度学习。由定义可知,卷积神经网络(Convolutional Neural Networks,CNN)是一种特殊的DNN,具有局部连接和权值共享两大特点。由于在图像处理和语音识别中的重大突破,CNN被广泛关注并成功应用于农业、医学、交通等领域。
在地球物理领域,CNN普遍应用于分类,如断层解释、初至拾取、地震相识别、地震道编辑等。CNN通过深度学习可以自动搜索并逐渐逼近从地球物理响应到地球物理参数的映射算子,不需要任何先验的确定性映射算子。也就是说,CNN是纯数据驱动的,而不是模型驱动的。此外,CNN还是完全非线性的。虽然训练时间较长,但是一旦完成学习任务,CNN便可快速输出预测结果,大幅度降低计算成本。于是,有些学者将CNN应用于反演。反演属于监督学习的另一种应用类型,即回归。基于CNN的地震反演通常是以地震数据为输入、待反演参数为输出。例如:将法线入射的合成地震记录作为输入、声阻抗作为输出;把合成的叠前多炮地震道映射为速度模型;先将二维多炮合成地震记录编码成一个特征向量,再把这个特征向量解码成二维速度模型。
解决上述技术问题的难度:映射反演是从低频推高频,因地震数据频带宽度有限,故重建测井数据存在困难,且在代价函数中难以添加约束条件,故反演结果多解性相对较强。
解决上述技术问题的意义:实现测井资料与地震资料的优势互补,有效建立地球物理参数与地球物理响应之间的映射关系,推动多学科集成化井震联合反演的发展,为井震联合反演提供了一项智能化的新技术。
发明内容
针对现有技术存在的问题,本发明提供了一种基于两步法的CNN井震联合反演方法、系统及应用。
本发明是这样实现的,一种基于两步法的CNN井震联合反演方法,所述基于两步法的CNN井震联合反演方法包括以下步骤:
第一步,以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);
第二步,映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层,每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。
进一步,所述基于两步法的CNN井震联合反演方法的无约束权重系数的误差曲线存在拐点,在拐点处停止迭代,在代价函数中添加一项正则化约束条件;加入正则化约束条件的代价函数为:
式中,di 0和yi k分别为期望输出和第k次迭代的模型输出,实际地震记录与第k次迭代的合成地震记录;M是数据点的个数;x0和xk分别为初始模型和第k次迭代的模型,第k次迭代的模型是反演测井曲线;λ是约束权重系数;
迭代反演反向更新输入层初始模型的公式为:
式中,α为学习率。
进一步,所述基于两步法的CNN井震联合反演方法的常约束权重系数是指约束权重系数λ是一个常量;常约束权重系数λ取20。
进一步,所述基于两步法的CNN井震联合反演方法的变约束权重系数是指约束权重系数λ是一个变量,变约束权重系数λ随迭代次数自动更新的公式为:
λ=I-i;
式中,λ为变约束权重系数;I表示总迭代次数;i表示第i次迭代;当总迭代次数I给定后,随着迭代次数i的增加,变约束权重系数λ从大到小自动更新。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
第一步,以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);
第二步,映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层,每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
第一步,以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);
第二步,映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层,每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的基于两步法的CNN井震联合反演方法。
本发明的另一目的在于提供一种实施所述基于两步法的CNN井震联合反演方法的基于两步法的CNN井震联合反演系统,所述基于两步法的CNN井震联合反演系统包括:
映射正演模块,用于以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,y=f(x);
迭代反演模块,用于输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层,每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。
本发明的另一目的在于提供一种所述基于两步法的CNN井震联合反演方法在地震与测井联合反演中的应用。
本发明的另一目的在于提供一种地震与测井联合反演处理系统,所述地震与测井联合反演处理系统用于实现所述的基于两步法的CNN井震联合反演方法。
综上所述,本发明的优点及积极效果为:本发明在迭代反演中,为了降低多解性,在代价函数中添加了一项正则化约束条件,并将约束权重系数设置成随迭代次数增多从大到小自动更新。具有自动更新能力的变约束权重系数与只能依靠手动赋值的常约束权重系数相比具有明显效果,提高了反演精度。
本发明基于两步法的CNN井震联合反演,特别是变约束权重系数在正则化约束条件中所起的关键作用,降低了多解性,避免了陷入局部极小值,获得全局最优解。映射反演是从低频推高频,因地震数据频带有限,故重建测井数据存在困难,难以在代价函数中添加约束条件,多解性相对较强。
本发明的映射正演是以测井数据为输入,以地震数据为输出,搜索从测井数据到地震数据的正演映射算子。映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层(第一层隐藏层),每经一层都要更新该层的权值和偏置。反复训练,直到误差降到容忍范围为止。迭代反演输入的是初始模型,误差从输出层反向传播至输入层,沿途所经各层的权值和偏置都不再更新,更新的只是输入层的初始模型。反复迭代,直到误差降到预设范围为止。
在迭代反演中,为了降低多解性,本发明在代价函数中添加了一项正则化约束条件,并将约束权重系数设置成随迭代次数增多从大到小自动更新。为了避免陷入局部极小值,刚开始约束权重系数要大一些,使搜索范围小一些,不让反演测井曲线偏离初始猜测模型太远。但是初始猜测模型毕竟不是真实测井曲线,随着迭代次数的增加,搜索范围要慢慢变大,使约束权重系数渐渐减小,以获得全局最优解。具有自动更新能力的变约束权重系数与只能依靠手动赋值的常约束权重系数相比具有明显效果。
附图说明
图1是本发明实施例提供的基于两步法的CNN井震联合反演方法流程图。
图2是本发明实施例提供的基于两步法的CNN井震联合反演系统的结构示意图;
图中:1、映射正演模块;2、迭代反演模块。
图3是本发明实施例提供的基于两步法的CNN井震联合反演方法实现流程图。
图4是本发明实施例提供的映射正演误差随轮数的变化趋势示意图。
图5是本发明实施例提供的映射正演08-08井的训练结果示意图;
图中:(a)测井曲线;(b)地震记录;实线为期望输出,虚线为模型输出。
图6是本发明实施例提供的映射正演12-16井的验证结果示意图;
图中:(a)测井曲线;(b)地震记录;实线为期望输出,虚线为模型输出。
图7是本发明实施例提供的迭代反演12-16井的验证结果示意图;
图中:(a)测井曲线;(b)地震记录;实线分别为期望输入和期望输出,虚线分别为模型输入和模型输出。
图8是本发明实施例提供的迭代反演误差随迭代次数的变化趋势示意图;
图中:(a)反演测井曲线与初始猜测模型之间的误差;(b)反演测井曲线与真实测井曲线之间的误差;(c)合成地震记录与实际地震记录之间的误差。
图9是本发明实施例提供的01-08井的映射反演与分步反演验证结果比较示意图;
图中:(a)映射反演;(b)分步反演;实线为真实测井曲线,虚线为反演测井曲线。
图10是本发明实施例提供的无约束权重系数误差随迭代次数的变化趋势示意图;
图中:(a)反演测井曲线与初始猜测模型之间的误差;(b)反演测井曲线与真实测井曲线之间的误差;(c)合成地震记录与实际地震记录之间的误差;空心圆圈表示拐点,即反演测井曲线与真实测井曲线之间的误差为最小的点。
图11是本发明实施例提供的常约束权重系数误差随迭代次数的变化趋势示意图;
图中:(a)反演测井曲线与初始猜测模型之间的误差;(b)反演测井曲线与真实测井曲线之间的误差;(c)合成地震记录与实际地震记录之间的误差;空心圆圈表示拐点,即反演测井曲线与真实测井曲线之间的误差为最小的点。
图12是本发明实施例提供的变约束权重系数误差随迭代次数的变化趋势示意图;
图中:(a)反演测井曲线与初始猜测模型之间的误差;(b)反演测井曲线与真实测井曲线之间的误差;(c)合成地震记录与实际地震记录之间的误差。
图13是本发明实施例提供的反演测井曲线与真实测井曲线之间的误差随迭代次数的变化趋势示意图;
图中:实线代表常约束权重系数、代表变约束权重系数;空心圆圈表示拐点,即反演测井曲线与真实测井曲线之间的误差为最小的点。
图14是本发明实施例提供的卷积神经网络映射反演的速度剖面示意图。
图15是本发明实施例提供的卷积神经网络分步反演的速度剖面示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于两步法的CNN井震联合反演方法、系统及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于两步法的CNN井震联合反演方法包括以下步骤:
S101:以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);
S102:映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层(第一层隐藏层),每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。
如图2所示,本发明实施例提供的基于两步法的CNN井震联合反演系统包括:
映射正演模块1,用于以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);
迭代反演模块2,用于输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层(第一层隐藏层),每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止。
下面结合附图对本发明的技术方案作进一步的描述。
本发明的迭代反演输入的是初始模型,误差从输出层反向传播至输入层,沿途所经各层的权值和偏置都不再更新,更新的只是输入层的初始模型。反复迭代,直到误差降到预设范围为止。在迭代反演中,为了降低多解性,本发明在代价函数中添加了一项正则化约束条件,加入正则化约束条件的代价函数为:
式中,di 0和yi k分别为期望输出和第k次迭代的模型输出,即实际地震记录与第k次迭代的合成地震记录;M是数据点的个数;x0和xk分别为初始模型和第k次迭代的模型,第k次迭代的模型就是反演测井曲线;λ是约束权重系数。初始模型为内插外推的测井曲线,也可以将映射反演结果作为初始模型。
迭代反演反向更新输入层初始模型的公式为:
式中,α为学习率。
本发明对于映射反演,期望输出是测井数据,因测井数据在预处理中已经归一化到0和1之间,故将Sigmoid函数作为输出层神经元的激活函数;对于映射正演,期望输出是地震数据,因地震数据在预处理中已经归一化到-1和1之间,故将Tanh函数作为输出层神经元的激活函数。
1映射与迭代分步反演
映射与迭代分步反演方法分为两步:第一步是映射正演;第二步是迭代反演。本发明将映射与迭代分步反演方法简称为两步法。
1.1映射正演
将12-16井作为验证井,其余井作为训练井。映射正演误差随轮数的变化趋势如图4所示,当误差降到容忍范围后即可停止训练,第300轮的整体训练误差是0.094 2。
图5是映射正演08-08井的训练结果,训练误差是0.074 4,相关系数是0.9776。图6是映射正演12-16井的验证结果,验证误差是0.064 5,相关系数是0.9647。由图5和图6可见,不管是训练结果,还是验证结果,训练误差都很小,相关系数都很大,说明第一步映射正演网络模型训练得很成功。
1.2迭代反演
图7是12-16井的迭代反演验证结果。由图7可见,反演测井曲线与真实测井曲线吻合得很好,说明基于两步法的CNN井震联合反演方法具有巨大的潜力,可以用于预测以测井曲线为代表的储层参数。迭代反演误差随迭代次数的变化趋势如图8所示,当合成地震记录与实际地震记录之间的误差降到预设范围后即可停止迭代。图8(a)为反演测井曲线与初始猜测模型之间的误差,误差是0.0102,相关系数是0.9693;图8(b)为反演测井曲线与真实测井曲线之间的误差,误差是0.0213,相关系数是0.9097;图8(c)为合成地震记录与实际地震记录之间的误差,误差是0.0625,相关系数是0.9651。从图8中可以看出,随着迭代次数的增多,合成地震记录越来越接近实际地震记录,反演测井曲线逐渐偏离初始猜测模型,并缓缓向真实测井曲线靠拢。
图9是对01-08井的映射反演与分步反演两种反演方法验证结果的对比。图9(a)为映射反演的验证结果,验证误差是0.0225,相关系数是0.8784;图9(b)为分步反演的验证结果,验证误差是0.0165,相关系数是0.9098。从图9中可以看出,分步反演验证结果比映射反演验证结果有了进一步改善。验证误差降低了0.0060,相关系数升高了0.0314。结果表明,两步法可以进一步降低多解性。
2正则化约束强度
关于正则化约束强度的讨论,可从以下3个方面进行:无约束权重系数、常约束权重系数和变约束权重系数。首先讨论代价函数中不添加正则化约束条件时存在的问题,然后讨论正则化约束条件在代价函数中所起的作用,最后讨论约束权重系数自动更新与手动赋值相比所具有的优势。
2.1无约束权重系数
无约束权重系数迭代反演误差随迭代次数的变化趋势如图10所示。图中的空心圆圈表示拐点,即反演测井曲线与真实测井曲线之间的误差为最小的点。图10(a)为反演测井曲线与初始猜测模型之间的误差,拐点处的误差是0.0074,相关系数是0.9806;图10(b)为反演测井曲线与真实测井曲线之间的误差,拐点处的误差是0.0273,相关系数是0.8426;图10(c)为合成地震记录与实际地震记录之间的误差,拐点处的误差是0.0430,相关系数是0.9836。
从图10中可以看出,在拐点之前,随着迭代次数的增多,合成地震记录越来越接近实际地震记录,反演测井曲线逐渐偏离初始猜测模型,并慢慢向真实测井曲线靠拢。在拐点之后,随着迭代次数的增多,反演测井曲线不再靠近真实测井曲线,而是向远离真实测井曲线的方向移动。然而,合成地震记录与实际地震记录之间的误差曲线还在继续下降,反演测井曲线与初始猜测模型之间的误差趋势依然保持不变。
由于无约束权重系数的误差曲线存在拐点,本发明在拐点处停止迭代,然而在实际应用中反演测井曲线与真实测井曲线之间的误差是不知道的,知道的只是反演测井曲线与初始猜测模型之间的误差,以及合成地震记录与实际地震记录之间的误差,但是通过已知的这两条误差曲线又难以判断出拐点的位置。鉴于此,本发明提出在代价函数中添加一项正则化约束条件。
2.2常约束权重系数
常约束权重系数,是指约束权重系数λ是一个常量,不会随着迭代次数的增加而改变。常约束权重系数迭代反演误差随迭代次数的变化趋势如图11所示。图11(a)为反演测井曲线与初始猜测模型之间的误差;图11(b)为反演测井曲线与真实测井曲线之间的误差;图11(c)为合成地震记录与实际地震记录之间的误差。
从图11中可以看出,在拐点之前,随着迭代次数的增多,合成地震记录越来越接近实际地震记录,反演测井曲线逐渐偏离初始猜测模型,并徐徐向真实测井曲线靠拢。在拐点之后,随着迭代次数的增多,合成地震记录不再继续接近实际地震记录,反演测井曲线不再继续偏离初始猜测模型,也不再继续远离真实测井曲线。由此可见,正则化约束条件迫使3条误差曲线在拐点之后趋向于水平直线,从而使得反演测井曲线与真实测井曲线之间的误差不再继续增大。
从图11中还可看出,随着约束权重系数λ的增大,拐点处反演测井曲线与真实测井曲线之间的误差是越来越大,而水平直线段反演测井曲线与真实测井曲线之间的误差则是先减小后增大。加正则化约束条件的目的不是为了找出拐点的位置,而是当代价函数中的两项达到平衡后,即使本发明无法判断出拐点的位置,也不用担心迭代次数超过拐点之后反演误差会进一步增大,因此确定约束权重系数λ的取值大小应该以反演误差曲线的水平直线段为参考。从反演误差曲线的水平直线段来看,约束权重系数λ不是越大越好,也不是越小越好。该例约束权重系数λ取20比较合适。
2.3变约束权重系数
变约束权重系数是指约束权重系数λ是一个变量,会随着迭代次数的增加而自动变化。变约束权重系数λ随迭代次数自动更新的公式为:
λ=I-i (3)
式中,λ为变约束权重系数;I表示总迭代次数;i表示第i次迭代。从式(3)中可以看出,当总迭代次数I给定后,随着迭代次数i的增加,变约束权重系数λ会从大到小自动更新。
为了避免陷入局部极小值,刚开始约束权重系数λ要大一些,使搜索范围小一些,不让反演测井曲线偏离初始猜测模型太远。然而,初始猜测模型毕竟不是真实测井曲线,随着迭代次数的增加,搜索范围要慢慢变大,使约束权重系数λ渐渐减小,以获得全局最优解。
变约束权重系数迭代反演误差随迭代次数的变化趋势如图12所示。图12(a)为反演测井曲线与初始猜测模型之间的误差;图12(b)为反演测井曲线与真实测井曲线之间的误差;图12(c)为合成地震记录与实际地震记录之间的误差。
从图12中可以看出,同样是300次迭代,变约束权重系数的反演误差曲线没有拐点出现,随着迭代次数的增加,合成地震记录从头到尾都在接近实际地震记录,反演测井曲线自始至终都在偏离初始猜测模型,并一直向真实测井曲线靠拢。
图13为变约束权重系数与常约束权重系数的反演测井曲线与真实测井曲线之间的误差随迭代次数的变化趋势。图中的空心圆圈表示拐点,即反演测井曲线与真实测井曲线之间的误差为最小的点。由图13可见,随着迭代次数的增加,常约束权重系数的反演测井曲线与真实测井曲线之间的误差是先减小后趋于不变,而变约束权重系数的反演测井曲线与真实测井曲线之间的误差却是一直在下降。而且第300次迭代,变约束权重系数的反演误差比常约束权重系数的反演误差小。
下面结合具体实施例对本发明的技术效果作详细的描述。
对比图14和图15可以看出,映射反演剖面的分辨率稍低,层位的连续性微差,油气富集区顶底边界的清晰度略低;分步反演剖面的分辨率更高,层位的连续性更好,油气富集区顶底边界的清晰度更高。
实例应用表明,基于两步法的CNN井震联合反演,特别是变约束权重系数在正则化约束条件中所起的关键作用,可以进一步降低多解性,避免陷入局部极小值,获得全局最优解。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于两步法的CNN井震联合反演方法,其特征在于,所述基于两步法的CNN井震联合反演方法包括以下步骤:
第一步,以测井数据x为输入,以地震数据y为输出,搜索从测井数据x到地震数据y的正演映射算子f:x→y,即y=f(x);
第二步,映射正演输入的是训练数据,误差从输出层反向传播至毗邻输入层的隐藏层,每经一层都要更新该层的权值和偏置;反复训练,直到误差降到容忍范围为止;
所述基于两步法的CNN井震联合反演方法的无约束权重系数的误差曲线存在拐点,在拐点处停止迭代,在代价函数中添加一项正则化约束条件;加入正则化约束条件的代价函数为:
式中,di 0和yi k分别为期望输出和第k次迭代的模型输出,实际地震记录与第k次迭代的合成地震记录;M是数据点的个数;x0和xk分别为初始模型和第k次迭代的模型,第k次迭代的模型是反演测井曲线;λ是约束权重系数;
迭代反演反向更新输入层初始模型的公式为:
式中,α为学习率;
所述基于两步法的CNN井震联合反演方法的常约束权重系数是指约束权重系数λ是一个常量;常约束权重系数λ取20。
2.如权利要求1所述的基于两步法的CNN井震联合反演方法,其特征在于,所述基于两步法的CNN井震联合反演方法的变约束权重系数是指约束权重系数λ是一个变量,变约束权重系数λ随迭代次数自动更新的公式为:
λ=I-i;
式中,λ为变约束权重系数;I表示总迭代次数;i表示第i次迭代;当总迭代次数I给定后,随着迭代次数i的增加,变约束权重系数λ从大到小自动更新。
3.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~2任意一项基于两步法的CNN井震联合反演方法的步骤。
4.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~2任意一项基于两步法的CNN井震联合反演方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033962.7A CN112882123B (zh) | 2021-01-11 | 2021-01-11 | 一种基于两步法的cnn井震联合反演方法、系统及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033962.7A CN112882123B (zh) | 2021-01-11 | 2021-01-11 | 一种基于两步法的cnn井震联合反演方法、系统及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112882123A CN112882123A (zh) | 2021-06-01 |
CN112882123B true CN112882123B (zh) | 2022-06-17 |
Family
ID=76044909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110033962.7A Active CN112882123B (zh) | 2021-01-11 | 2021-01-11 | 一种基于两步法的cnn井震联合反演方法、系统及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112882123B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113296150B (zh) * | 2021-07-02 | 2022-06-10 | 清华大学 | 一种测井约束下的高维闭环网络地震反演方法 |
CN113608264B (zh) * | 2021-07-30 | 2023-06-09 | 成都理工大学 | 联合叠前弹性反演参数及深度网络目标反演方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873036A (zh) * | 2017-04-28 | 2017-06-20 | 中国石油集团川庆钻探工程有限公司 | 一种基于井震结合的去噪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103955007A (zh) * | 2014-05-20 | 2014-07-30 | 中国石油化工股份有限公司胜利油田分公司西部新区研究院 | 复杂山前构造带的综合建模方法及建立的地质结构模型 |
CN106443770A (zh) * | 2015-08-07 | 2017-02-22 | 中国石油化工股份有限公司 | 一种页岩气地质甜点的预测方法 |
CN110515123B (zh) * | 2019-08-22 | 2021-03-30 | 中国海洋大学 | 基于小样本学习的卷积神经网络地震测井联合反演方法 |
-
2021
- 2021-01-11 CN CN202110033962.7A patent/CN112882123B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873036A (zh) * | 2017-04-28 | 2017-06-20 | 中国石油集团川庆钻探工程有限公司 | 一种基于井震结合的去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112882123A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pham et al. | Missing well log prediction using convolutional long short-term memory network | |
Aleardi et al. | 1D elastic full‐waveform inversion and uncertainty estimation by means of a hybrid genetic algorithm–Gibbs sampler approach | |
US7433851B2 (en) | System and method for inferring geological classes | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
Wang et al. | Seismic inversion via closed-loop fully convolutional residual network and transfer learning | |
CN112882123B (zh) | 一种基于两步法的cnn井震联合反演方法、系统及应用 | |
CN112213771B (zh) | 地震波阻抗反演方法及装置 | |
Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
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 | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
Phan et al. | Hopfield networks for high-resolution prestack seismic inversion | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
Yang et al. | Porosity prediction from pre-stack seismic data via a data-driven approach | |
CN114152977B (zh) | 基于地质特征约束的储层参数预测方法、装置和存储介质 | |
Zhang et al. | Inversion framework of reservoir parameters based on deep autoregressive surrogate and continual learning strategy | |
Li et al. | A comprehensive review of seismic inversion based on neural networks | |
US12013508B2 (en) | Method and system for determining seismic processing parameters using machine learning | |
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 | |
CN112147679B (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 | |
CN116009109A (zh) | 一种基于融合褶积神经网络的储层参数预测方法 | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
Jo et al. | Conditioning stratigraphic, rule-Based models with generative adversarial networks: A deepwater lobe, deep learning example | |
Gao et al. | Deep learning for high-resolution multichannel seismic impedance inversion | |
Shi et al. | Porosity prediction in tight sandstone reservoirs based on a one–dimensional convolutional neural network–gated recurrent unit model | |
CN111487679B (zh) | 横波速度预测方法、装置和设备 |
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 |