CN112925012A - 地震全波形反演方法及装置 - Google Patents

地震全波形反演方法及装置 Download PDF

Info

Publication number
CN112925012A
CN112925012A CN202110107141.3A CN202110107141A CN112925012A CN 112925012 A CN112925012 A CN 112925012A CN 202110107141 A CN202110107141 A CN 202110107141A CN 112925012 A CN112925012 A CN 112925012A
Authority
CN
China
Prior art keywords
neural network
parameter model
physical property
property parameter
seismic
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.)
Granted
Application number
CN202110107141.3A
Other languages
English (en)
Other versions
CN112925012B (zh
Inventor
郭银玲
李冬
彭苏萍
杜文凤
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 Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110107141.3A priority Critical patent/CN112925012B/zh
Publication of CN112925012A publication Critical patent/CN112925012A/zh
Application granted granted Critical
Publication of CN112925012B publication Critical patent/CN112925012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30Analysis
    • G01V1/307Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282Application of seismic models, synthetic seismograms
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30Analysis

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

本发明提供了一种地震全波形反演方法及装置,涉及地震勘探的技术领域,包括:先获取单炮地震数据,并基于单炮地震数据生成初始物性参数模型;根据单炮地震数据和基于预设正演模拟神经网络的正演过程来对初始物性参数模型进行更新,得到目标物性参数模型;其中,预设正演模拟神经网络为基于物理约束的神经网络。本发明通过物理约束的参与可以模拟地震波的传播规律,并使预设正演模拟神经网络成为适用于复杂介质及地表情况的神经网络,该预设正演模拟神经网络可以避免网格规则剖分在复杂介质及地表情况下带来的精度损失。地震全波形反演过程中的正演过程是通过预设正演模拟神经网络完成的,能够提高地震全波形反演的计算效率和精度。

Description

地震全波形反演方法及装置
技术领域
本发明涉及地震勘探技术领域,尤其是涉及一种地震全波形反演方法及装置。
背景技术
随着地震勘探的发展,地质条件越来越复杂,勘探精度的要求也越来越高,而全波形反演被认为是目前精度较高的储层参数反演方法。地震波正演技术是全波形反演(FWI,Full Waveform Inversion)的最重要部分,也是计算最昂贵的模块,因此,将地震正演技术的计算精度视为提高全波形反演有效性的关键之一。目前正演技术常用的数值模拟方法包括有限差分和有限元,这些方法在面对复杂地质情况及地表起伏的情况时,很难进行网格的规则剖分,带来了计算精度的损失。
综上所述,现有的全波形反演方法在面对复杂地质情况及地表起伏的情况时具有因地震波正演技术的不足导致的低精度的技术问题。
发明内容
本发明的目的在于提供一种地震全波形反演方法及装置,以缓解现有的全波形反演方法在面对复杂地质情况及地表起伏的情况时具有因地震波正演技术的不足导致的低精度的技术问题。
第一方面,本发明提供的一种地震全波形反演方法,其中,包括:获取单炮地震数据,并基于所述单炮地震数据生成初始物性参数模型;根据所述单炮地震数据和预设正演模拟神经网络对所述初始物性参数模型进行更新,得到目标物性参数模型;其中,所述预设正演模拟神经网络为基于物理约束的神经网络。
进一步的,根据所述单炮地震数据和所述预设正演模拟神经网络对所述初始物性参数模型进行更新,得到目标物性参数模型,包括:将所述初始物性参数模型输入至所述预设正演模拟神经网络,得到正演的地震波场;若所述正演的地震波场和所述单炮地震数据的差值大于等于预设阈值,则利用梯度算法计算更新后的物性参数模型;将所述更新后的物性参数模型输入至所述预设正演模拟神经网络进行迭代正演,直至所述正演的地震波场和所述单炮地震数据的差值小于预设阈值;将所述正演的地震波场和所述单炮地震数据的差值小于预设阈值时所处的迭代次数确定为最后一次迭代次数;将与所述最后一次迭代次数对应的更新后的物性参数模型确定为所述目标物性参数模型。
进一步的,所述方法还包括:建立初始正演模拟神经网络;基于地震波场样本以及与所述地震波场样本对应的物性参数模型样本,利用第一损失函数对所述初始正演模拟神经网络进行训练,得到所述预设正演模拟神经网络;其中,所述地震波场样本为利用无网格正演模拟方法求解声波波动方程得到的地震波场样本,所述第一损失函数包含边界损失函数和物理约束损失函数。
进一步的,所述第一损失函数为:
Figure BDA0002917097570000021
其中,Loss1为所述第一损失函数,Loss11为所述边界损失函数,Loss12为所述物理约束损失函数,N1为所述地震波场样本的数量,u(ti,xi,yi)为第i个地震波场样本,xi,yi为所述第i个地震波场样本所处的2D坐标,Net(ti,xi,yi)为将第i个物性参数模型样本输入至所述初始正演模拟神经网络后得到的预测地震波场,||||表示范数,N2为所述物性参数模型样本的个数,其中N2>N1,k用来控制两项的权重,ξ表示物理约束,v为所述物性参数模型样本中的参数,所述参数为速度和/或密度。
进一步的,所述目标物性参数模型满足以下公式:
E(o)=arg min L{f(o),dobs}
其中,E(o)为所述目标物性参数模型的目标值,L为第二损失函数,o为初始物性参数模型,更新后的物性参数模型和目标物性参数模型中的任一物性参数模型,f为所述正演的地震波场的生成过程,dobs为所述单炮地震数据。
进一步的,基于所述单炮地震数据生成初始物性参数模型,包括:
将所述单炮地震数据输入至全卷积神经网络,得到初始物性参数模型。
进一步的,方法还包括:通过地层的折叠构造公式构建地质模型样本;其中,每个所述地质模型样本均对应一个所述地震波场样本和一个所述物性参数模型样本;所述地层的折叠构造公式为:
Figure BDA0002917097570000031
其中,Shift_Z为所述地层的起伏高度,
Figure BDA0002917097570000032
是一个线性算子,用于控制所述地层在深度方向的起伏的大小,z为地层深度,zmax为所有地层厚度之和,a,b和c均为控制折叠构造的随机参数,由随机函数生成,用于产生多个baseline模型,为训练所述初始正演模拟神经网络提供大量的训练数据,k表示第k个地层,N为地层数量。
第二方面,本发明提供的一种地震全波形反演装置,其中,包括:获取生成单元,用于获取单炮地震数据,并基于所述单炮地震数据生成初始物性参数模型;更新单元,用于根据所述单炮地震数据和预设正演模拟神经网络对所述初始物性参数模型进行更新,得到目标物性参数模型;其中,所述预设正演模拟神经网络为基于物理约束的神经网络。
第三方面,本发明还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现的所述的地震全波形反演方法的步骤。
第四方面,本发明还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,其中,所述程序代码使所述处理器执行所述的地震全波形反演方法。
本发明提供的一种地震全波形反演方法及装置,包括:先获取单炮地震数据,并基于单炮地震数据生成初始物性参数模型;根据单炮地震数据和预设正演模拟神经网络对初始物性参数模型进行更新,得到目标物性参数模型;其中,预设正演模拟神经网络为基于物理约束的神经网络。本发明通过物理约束的参与可以模拟地震波的传播规律,减少网络训练的数据量,并使预设正演模拟神经网络成为适用于复杂介质及地表情况的神经网络,该预设正演模拟神经网络在对目标物性参数模型进行正演时无需进行网格规则剖分,因此可以避免网格规则剖分在复杂介质及地表情况下带来的精度损失,地震全波形反演过程中的正演过程是通过预设正演模拟神经网络完成的,能够提高地震全波形反演的计算效率和精度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种地震全波形反演方法的流程图;
图2为本发明实施例提供的另一种地震全波形反演方法的流程图;
图3为本发明实施例提供的另一种地震全波形反演方法的流程图;
图4为采用预设物理约束神经网络得到的正演模拟效果图;
图5为本发明实施例提供的一种地震全波形反演装置的结构示意图。
图标:
11-获取生成单元;12-更新单元。
具体实施方式
下面将结合实施例对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做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。
随着地震勘探的发展,地质条件越来越复杂,勘探精度的要求也越来越高。全波形反演被认为是目前精度较高的储层参数反演方法,但是它的巨大计算成本限制了其在实际生产中的应用,因此提高其计算效率是亟待解决的问题。
地震波正演技术是全波形反演的最重要部分,也是计算最昂贵的模块,因此,将地震正演计算效率与计算精度视为提高全波形反演有效性的关键之一。目前常用的数值模拟方法包括有限差分和有限元。一方面这些方法需要将模型介质进行网格剖分,逐网格模拟波场的传播,带来了巨大的计算量;另一方面,在面对复杂地质情况及地表起伏的情况时,很难进行网格的规则剖分,带来了计算精度的损失。
基于此,本发明的目的在于提供一种地震全波形反演方法及装置,通过物理约束的参与可以模拟地震波的传播规律,减少网络训练的数据量,并使预设正演模拟神经网络成为适用于复杂介质及地表情况的神经网络,该预设正演模拟神经网络在对目标物性参数模型进行正演时无需进行网格规则剖分,因此可以避免网格规则剖分在复杂介质及地表情况下带来的精度损失,地震全波形反演过程中的正演过程是通过预设正演模拟神经网络完成的,能够提高地震全波形反演的计算效率和精度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种地震全波形反演方法进行详细描述。
实施例1:
根据本发明实施例,提供了一种地震全波形反演方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明实施例提供的一种地震全波形反演方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取单炮地震数据,并基于单炮地震数据生成初始物性参数模型。单炮地震数据是实际地震数据,可以是储层内的地震数据,也可以是其他地层内的地震数据,本发明实施例对实际地震数据的获取方式、所属地层,以及数量均不做具体限定。
步骤S102,根据单炮地震数据和预设正演模拟神经网络对初始物性参数模型进行更新,得到目标物性参数模型。其中,预设正演模拟神经网络为基于物理约束的神经网络。上述预设正演模拟神经网络还可以称为预设物理约束神经网络。
该地震全波形反演方法是一个反复迭代的过程,本申请中的重点是预设正演模拟神经网络应用于地震全波形反演方法,该预设正演模拟神经网络是基于物理约束的神经网络,本发明实施例通过物理约束的参与可以模拟地震波的传播规律,减少网络训练的数据量,并使预设正演模拟神经网络成为适用于复杂介质及地表情况的神经网络,该预设正演模拟神经网络在对目标物性参数模型进行正演时无需进行网格规则剖分,因此可以避免网格规则剖分在复杂介质及地表情况下带来的精度损失,地震全波形反演过程中的正演过程是通过预设正演模拟神经网络完成的,能够提高地震全波形反演的计算效率和精度。本发明实施例中全波形反演的过程中的正演过程如步骤S201~步骤S205所示,在此不做具体介绍。
在一个可选的实施例中,根据单炮地震数据和预设正演模拟神经网络对初始物性参数模型进行更新,得到目标物性参数模型,包括:
步骤S201,将初始物性参数模型输入至预设正演模拟神经网络,得到正演的地震波场。在本发明实施例中,基于深度学习直接求取正演的地震波场也是一个创新点。
步骤S202,若正演的地震波场和单炮地震数据的差值大于等于预设阈值,则利用梯度算法计算更新后的物性参数模型;
步骤S203,将更新后的物性参数模型输入至预设正演模拟神经网络进行迭代正演,直至正演的地震波场和单炮地震数据的差值小于预设阈值;
步骤S204,将正演的地震波场和单炮地震数据的差值小于预设阈值时所处的迭代次数确定为最后一次迭代次数;
步骤S205,将与最后一次迭代次数对应的更新后的物性参数模型确定为目标物性参数模型。
基于图2所示的流程图以及上述步骤S201~步骤S205,可以将地震全波形反演方法中的更新过程理解为:开始时输入初始物性参数模型和单炮地震数据,并对初始物性参数模型进行正演得到正演数据(即正演的地震波场);再对正演数据和单炮地震数据求差,根据梯度算法等算法来计算,生成用于替换初始物性参数模型的更新后的物性参数模型。输入更新后的物性参数模型并不断重复以上过程,直到正演数据与输入的单炮地震数据的差值很小时,此时是最后一次迭代次数,将最后一次迭代次数对应的更新后的物性参数模型确定为反演结果(即上述目标物性参数模型)。
在一个可选的实施例中,方法还包括:
步骤S301,建立初始正演模拟神经网络。上述初始正演模拟神经网络可以称为初始物理约束神经网络。
步骤S302,基于地震波场样本以及与地震波场样本对应的物性参数模型样本,利用第一损失函数对初始正演模拟神经网络进行训练,得到预设正演模拟神经网络。其中,地震波场样本为利用无网格正演模拟方法求解声波波动方程得到的地震波场样本,第一损失函数包含边界损失函数和物理约束损失函数。上述初始物理约束神经网络的训练,是为了采用深度学习的方法来直接获得地震波场(即上述正演的地震波场)。
在一个可选的实施例中,第一损失函数为:
Figure BDA0002917097570000081
其中,Loss1为第一损失函数,Loss11为边界损失函数,Loss12为物理约束损失函数,N1为地震波场样本的数量,u(ti,xi,yi)为第i个地震波场样本,xi,yi为第i个地震波场样本所处的2D坐标,Net(ti,xi,yi)为将第i个物性参数模型样本输入至初始正演模拟神经网络后得到的预测地震波场,||||表示范数,N2为物性参数模型样本的个数,其中N2>N1,k用来控制两项的权重,ξ表示物理约束,v为物性参数模型样本中的参数,该参数为速度和/或密度。
由于深度学习是一个学习的过程,因此根据第一损失函数可以不断地更新各个Net(ti,xi,yi),最终输出初始正演模拟神经网络的反演结果。
上述u(ti,xi,yi)满足声波波动方程,该声波波动方程如下:
Figure BDA0002917097570000091
这里采用无网格正演模拟方法来进行上述声波波动方程的求解,其中无网格正演模拟方法包括但不限于:RBF、滑动最小二乘等,无网格正演模拟方法主要目的是为了得到地震波场样本,该地震波场样本用于初始正演模拟神经网络的训练。
物理约束损失函数是通过求解偏微分方程(上述声波波动方程)的方式来模拟地震波的传播规律,简单来说,就是让初始正演模拟神经网络掌握地震波传播的规律,使得地震波场的外推。进一步的,由于加入的物理约束损失函数可以实现地震波场的无限外推,因此只需要初始的、较短一段时间的地震波场样本作为训练数据即可,这极大减少了训练数据量。其次,训练数据的速度模型需要达到一定的复杂度,这样可以保证初始正演模拟神经网络在应用到另一个模型中时无需再次训练,进而提高网络的泛化能力。由于深度学习都是基于大数据进行的训练,因此网络的训练数据量要达到一定多,尽可能包含所有可能出现的情况,使得训练完成后得到预设正演模拟神经网络输入任意一个物性参数模型都可以得到较好的预测结果(即正演的地震数据)。上述物性参数模型包括但不限于:纵波速度、横波速度和密度。
在一个可选的实施例中,为了训练初始正演模拟神经网络,需要利用大量的训练数据进行网络的训练,训练数据包括物性参数模型样本及对应的无网格正演单炮数据(即地震波场样本),这里物性参数模型样本用于反映采用随机方法生成的地质模型和实际数据对应的实际地质模型。随机方法中可以设定地层数量随机,每层的厚度随机,且每层的物性参数随机。
本实施例可以通过地层的折叠构造公式构建地质模型样本;其中,每个地质模型样本均对应一个地震波场样本和一个物性参数模型样本;地层的折叠构造公式为:
Figure BDA0002917097570000101
其中,Shift_Z为地层的起伏高度,
Figure BDA0002917097570000102
是一个线性算子,用于控制地层在深度方向的起伏的大小,z为地层深度,zmax为所有地层厚度之和,a,b和c均为控制折叠构造的随机参数,由随机函数生成,用于产生多个baseline模型,为训练初始正演模拟神经网络提供大量的训练数据,k表示第k个地层,N为地层数量。
在一个可选的实施例中,基于单炮地震数据生成初始物性参数模型,包括:将单炮地震数据输入至全卷积神经网络,得到初始物性参数模型。
在本发明实施例中,基于全卷积神经网络可以实现初始物性参数模型获取,计划从地震单炮数据中直接得到初始物性参数,此时得到的初始物性参数精度有限,但可以作为全波形反演的初始模型(即初始物性参数模型)。这里通过深度学习来完成这个过程,如下公式:
out=ψ(in;Φ)=S(K2*(M(R(K1*x+b1)))+b2)
其中,in和out为全卷积神经网络的输入和输出,ψ代表了输入和输出之间的非线性映射关系,Φ为全卷积神经网络的参数。S(·)是第三损失函数,K1,K2,b1和b2为卷积权重。M(·)为下采样函数,R(·)是激活函数。
基于训练好的全卷积神经网络,输入全波形反演所用的单炮地震数据即可得到初始物性参数模型,可以用作全波形反演的初始模型。
在一个可选的实施例中,目标物性参数模型满足以下公式:
E(o)=argminL{f(o),dobs}
其中,E(o)为目标物性参数模型的目标值,L为第二损失函数,o为初始物性参数模型,更新后的物性参数模型和目标物性参数模型中的任一物性参数模型,f为所述正演的地震波场的生成过程,dobs为单炮地震数据。
总的来说,参照图3,本发明实施例还可以理解为包括以下三个步骤:
步骤1,根据物性参数模型样本和地震波场样本训练初始正演模拟神经网络,得到预设正演模拟神经网络。在训练的过程中,可以结合地震正演的二阶偏微分方程(即上述声波波动方程),完成可用于正演模拟的初始正演模拟神经网络,得到一个训练好的预设正演模拟神经网络。预设正演模拟神经网络可以实现地震波场与物性参数模型之间的非线性映射。
步骤2,根据物性参数模型样本和单炮地震数据样本对全卷积神经网络进行训练,采用全卷积神经网络可以实现物性参数模型与单炮地震数据之间的非线性映射。
步骤3,基于预设正演模拟神经网络和全卷积神经网络进行全波形反演。具体的,将获取到的单炮地震数据输入至全卷积神经网络,得到初始模型,反演的每次迭代过程中采用预设物理约束神经网络(即上述预设正演模拟神经网络)来获得正演数据,采用本发明实施例中的预设物理约束神经网络得到的正演模拟效果如图4所示,从左到右时间逐渐增加,环也越来越大。内环为正演的地震波场的正相位,外环为正演的地震波场的负相位,与正弦曲线的波峰和波谷类似。
预设物理约束神经网络与全卷积神经网络是完全独立的两个深度学习网络。全卷积神经网络用于获取全波形反演中所用到的初始模型。预设物理约束神经网络用于生成反演迭代过程中所用的地震波场数据(即上述正演的地震波场)。基于得到的两个训练好的网络,首先将所要进行全波形反演的实际单炮数据(即单炮地震数据)输入至全卷积神经网络,即可得到初始物性参数模型,这个模型作为全波形反演的初始模型,然后在全波形反演过程中输入实际单炮数据和初始模型,采用预设正演模拟神经网络进行全波形反演中的正演过程,即把初始模型输入至预设正演模拟神经网络即可得到正演的地震波场,接下来进行梯度等计算,在每一次迭代后,这个初始模型都会更新,在下一次的迭代计算中就会将更新后的初始模型输入到预设正演模拟神经网络得到新的地震波场,再进行梯度等计算,往复这个过程,最终得到反演结果,也就是最后一次更新初始模型后的结果。
本发明实施例提供的地震全波形反演方法是一种基于物理约束的深度学习网络用于全波形反演方法,主要包括:(1)初始物理约束神经网络的训练,得到一个适用于复杂介质及地表情况的预设物理约束神经网络;(2)基于全卷积神经网络的用于全波形反演的初始模型的获取;(3)以深度学习正演为基础的全波形反演。本发明实施例可以用于3D大型数据的计算,即使针对复杂地质条件和地表起伏严重的实际单炮地震数据,也能表现出较高的计算效率和精度,且计算成本低,可以扩大应用范围。
实施例2:
本发明实施例提供了一种地震全波形反演装置,该地震全波形反演装置主要用于执行实施例1上述内容所提供的地震全波形反演方法,以下对本发明实施例提供的地震全波形反演装置做具体介绍。
图5为本发明实施例提供的一种地震全波形反演装置的结构示意图。如图5所示,该地震全波形反演装置主要包括:获取生成单元11和更新单元12,其中:
获取生成单元11,用于获取单炮地震数据,并基于单炮地震数据生成初始物性参数模型;
更新单元12,用于根据单炮地震数据和预设正演模拟神经网络对初始物性参数模型进行更新,得到目标物性参数模型;其中,预设正演模拟神经网络为基于物理约束的神经网络。
本发明实施例提供的地震全波形反演装置通过物理约束的参与可以模拟地震波的传播规律,减少网络训练的数据量,并使预设正演模拟神经网络成为适用于复杂介质及地表情况的神经网络,该预设正演模拟神经网络在对目标物性参数模型进行正演时无需进行网格规则剖分,因此可以避免网格规则剖分在复杂介质及地表情况下带来的精度损失,地震全波形反演过程中的正演过程是通过预设正演模拟神经网络完成的,能够提高地震全波形反演的计算效率和精度。
可选地,更新单元12包括:第一输入模块,计算模块,第二输入模块,第一确定模块和第二确定模块,其中:
第一输入模块,用于将初始物性参数模型输入至预设正演模拟神经网络,得到正演的地震波场;
计算模块,用于若正演的地震波场和单炮地震数据的差值大于等于预设阈值,则利用梯度算法计算更新后的物性参数模型;
第二输入模块,用于将更新后的物性参数模型输入至预设正演模拟神经网络进行迭代正演,直至正演的地震波场和单炮地震数据的差值小于预设阈值;
第一确定模块,用于将正演的地震波场和单炮地震数据的差值小于预设阈值时所处的迭代次数确定为最后一次迭代次数;
第二确定模块,用于将与最后一次迭代次数对应的更新后的物性参数模型确定为目标物性参数模型。
可选地,本发明提供的地震全波形反演装置还包括:建立单元和训练单元,其中:
建立单元,用于建立初始正演模拟神经网络;
训练单元,用于基于地震波场样本以及与地震波场样本对应的物性参数模型样本,利用第一损失函数对初始正演模拟神经网络进行训练,得到预设正演模拟神经网络;其中,地震波场样本为利用无网格正演模拟方法求解声波波动方程得到的地震波场样本,第一损失函数包含边界损失函数和物理约束损失函数。
可选地,第一损失函数为:
Figure BDA0002917097570000141
其中,Loss1为第一损失函数,Loss11为边界损失函数,Loss12为物理约束损失函数,N1为地震波场样本的数量,u(ti,xi,yi)为第i个地震波场样本,xi,yi为第i个地震波场样本所处的2D坐标,Net(ti,xi,yi)为将第i个物性参数模型样本输入至初始正演模拟神经网络后得到的预测地震波场,||||表示范数,N2为物性参数模型样本的个数,其中N2>N1,k用来控制两项的权重,ξ表示物理约束,v为物性参数模型样本中的参数,该参数为速度和/或密度。
可选地,目标物性参数模型满足以下公式:
E(o)=argminL{f(o),dobs}
其中,E(o)为目标物性参数模型的目标值,L为第二损失函数,o为初始物性参数模型,更新后的物性参数模型和目标物性参数模型中的任一物性参数模型,f为正演的地震波场的生成过程,dobs为单炮地震数据。可选地,获取生成单元11包括第三输入模块,其中,第三输入模块包括:将单炮地震数据输入至全卷积神经网络,得到初始物性参数模型。
本发明提供的地震全波形反演装置还包括构建单元,用于通过地层的折叠构造公式构建地质模型样本;其中,每个地质模型样本均对应一个地震波场样本和一个物性参数模型样本;地层的折叠构造公式为:
Figure BDA0002917097570000151
其中,Shift_Z为地层的起伏高度,
Figure BDA0002917097570000152
是一个线性算子,用于控制地层在深度方向的起伏的大小,z为地层深度,zmax为所有地层厚度之和,a,b和c均为控制折叠构造的随机参数,由随机函数生成,用于产生多个baseline模型,为训练初始正演模拟神经网络提供大量的训练数据,k表示第k个地层,N为地层数量。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在一个可选的实施例中,本实施例还提供一种电子设备,包括存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法实施例方法的步骤。
在一个可选的实施例中,本实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,其中,所述程序代码使所述处理器执行上述方法实施例方法。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本实施例的描述中,需要说明的是,术语“中”、“上”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本实施例所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种地震全波形反演方法,其特征在于,包括:
获取单炮地震数据,并基于所述单炮地震数据生成初始物性参数模型;
根据所述单炮地震数据和预设正演模拟神经网络对所述初始物性参数模型进行更新,得到目标物性参数模型;其中,所述预设正演模拟神经网络为基于物理约束的神经网络。
2.根据权利要求1所述的方法,其特征在于,根据所述单炮地震数据和所述预设正演模拟神经网络对所述初始物性参数模型进行更新,得到目标物性参数模型,包括:
将所述初始物性参数模型输入至所述预设正演模拟神经网络,得到正演的地震波场;
若所述正演的地震波场和所述单炮地震数据的差值大于等于预设阈值,则利用梯度算法计算更新后的物性参数模型;
将所述更新后的物性参数模型输入至所述预设正演模拟神经网络进行迭代正演,直至所述正演的地震波场和所述单炮地震数据的差值小于预设阈值;
将所述正演的地震波场和所述单炮地震数据的差值小于预设阈值时所处的迭代次数确定为最后一次迭代次数;
将与所述最后一次迭代次数对应的更新后的物性参数模型确定为所述目标物性参数模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
建立初始正演模拟神经网络;
基于地震波场样本以及与所述地震波场样本对应的物性参数模型样本,利用第一损失函数对所述初始正演模拟神经网络进行训练,得到所述预设正演模拟神经网络;其中,所述地震波场样本为利用无网格正演模拟方法求解声波波动方程得到的地震波场样本,所述第一损失函数包含边界损失函数和物理约束损失函数。
4.根据权利要求3所述的方法,其特征在于,所述第一损失函数为:
Figure FDA0002917097560000021
其中,Loss1为所述第一损失函数,Loss11为所述边界损失函数,Loss12为所述物理约束损失函数,N1为所述地震波场样本的数量,u(ti,xi,yi)为第i个地震波场样本,xi,yi为所述第i个地震波场样本所处的2D坐标,Net(ti,xi,yi)为将第i个物性参数模型样本输入至所述初始正演模拟神经网络后得到的预测地震波场,||||表示范数,N2为所述物性参数模型样本的个数,其中N2>N1,k用来控制两项的权重,ξ表示物理约束,v为所述物性参数模型样本中的参数,所述参数为速度和/或密度。
5.根据权利要求2所述的方法,其特征在于,所述目标物性参数模型满足以下公式:
E(o)=argminL{f(o),dobs}
其中,E(o)为所述目标物性参数模型的目标值,L为第二损失函数,o为初始物性参数模型,更新后的物性参数模型和目标物性参数模型中的任一物性参数模型,f为所述正演的地震波场的生成过程,dobs为所述单炮地震数据。
6.根据权利要求1所述的方法,其特征在于,基于所述单炮地震数据生成初始物性参数模型,包括:
将所述单炮地震数据输入至全卷积神经网络,得到初始物性参数模型。
7.根据权利要求3所述的方法,其特征在于,方法还包括:
通过地层的折叠构造公式构建地质模型样本;其中,每个所述地质模型样本均对应一个所述地震波场样本和一个所述物性参数模型样本;所述地层的折叠构造公式为:
Figure FDA0002917097560000031
其中,Shift_Z为所述地层的起伏高度,
Figure FDA0002917097560000032
是一个线性算子,用于控制所述地层在深度方向的起伏的大小,z为地层深度,zmax为所有地层厚度之和,a,b和c均为控制折叠构造的随机参数,由随机函数生成,用于产生多个baseline模型,为训练所述初始正演模拟神经网络提供大量的训练数据,k表示第k个地层,N为地层数量。
8.一种地震全波形反演装置,其特征在于,包括:
获取生成单元,用于获取单炮地震数据,并基于所述单炮地震数据生成初始物性参数模型;
更新单元,用于根据所述单炮地震数据和预设正演模拟神经网络对所述初始物性参数模型进行更新,得到目标物性参数模型;其中,所述预设正演模拟神经网络为基于物理约束的神经网络。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行如权利要求1至7任一项所述的方法。
CN202110107141.3A 2021-01-26 2021-01-26 地震全波形反演方法及装置 Active CN112925012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110107141.3A CN112925012B (zh) 2021-01-26 2021-01-26 地震全波形反演方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110107141.3A CN112925012B (zh) 2021-01-26 2021-01-26 地震全波形反演方法及装置

Publications (2)

Publication Number Publication Date
CN112925012A true CN112925012A (zh) 2021-06-08
CN112925012B CN112925012B (zh) 2021-11-09

Family

ID=76166498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110107141.3A Active CN112925012B (zh) 2021-01-26 2021-01-26 地震全波形反演方法及装置

Country Status (1)

Country Link
CN (1) CN112925012B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468466A (zh) * 2021-07-23 2021-10-01 哈尔滨工业大学 基于神经网络的多工况一维波动方程求解方法
CN113625336A (zh) * 2021-07-16 2021-11-09 长江大学 一种基于全卷积神经网络的地震波阻抗薄层反演方法
CN113705644A (zh) * 2021-08-17 2021-11-26 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
CN113820749A (zh) * 2021-09-24 2021-12-21 吉林大学 一种基于机器学习的地震数据速度场异常反演方法
CN113945974A (zh) * 2021-06-10 2022-01-18 中国矿业大学(北京) 一种地震数据重建方法、装置、设备及介质
CN114706119A (zh) * 2022-04-06 2022-07-05 中国科学院地质与地球物理研究所 基于卷积神经网络深度学习的反射波形反演方法和系统
CN115081274A (zh) * 2022-06-10 2022-09-20 哈尔滨工业大学 基于循环神经网络的无网格三维地震波场的建立方法
CN115166822A (zh) * 2022-08-02 2022-10-11 中国矿业大学(北京) 储层弹性参数的预测方法、装置和电子设备
WO2023036164A1 (zh) * 2021-09-13 2023-03-16 华为技术有限公司 一种基于物理信息神经网络的模型训练方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190064378A1 (en) * 2017-08-25 2019-02-28 Wei D. LIU Automated Seismic Interpretation Using Fully Convolutional Neural Networks
CN111175818A (zh) * 2020-01-07 2020-05-19 中国矿业大学(北京) Co2气驱前缘位置的判断方法及其模型训练方法、装置
CN111323817A (zh) * 2020-04-15 2020-06-23 中国矿业大学(北京) 基于深度学习的二氧化碳封存监测方法及装置
CN111723329A (zh) * 2020-06-19 2020-09-29 南京大学 一种基于全卷积神经网络的震相特征识别波形反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190064378A1 (en) * 2017-08-25 2019-02-28 Wei D. LIU Automated Seismic Interpretation Using Fully Convolutional Neural Networks
CN111175818A (zh) * 2020-01-07 2020-05-19 中国矿业大学(北京) Co2气驱前缘位置的判断方法及其模型训练方法、装置
CN111323817A (zh) * 2020-04-15 2020-06-23 中国矿业大学(北京) 基于深度学习的二氧化碳封存监测方法及装置
CN111723329A (zh) * 2020-06-19 2020-09-29 南京大学 一种基于全卷积神经网络的震相特征识别波形反演方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
REETAM BISWAS ET AL.: "Prestack and poststack inversion using a physics-guided convolutional neural network", 《INTERPRETATION》 *
XINMING WU ET AL.: "FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation", 《GEOPHYSICS》 *
YULANG WU ET AL.: "Feature-capturing full waveform inversion using a convolutional neural network", 《SEG INTERNATIONAL EXPOSITION AND 88TH ANNUAL MEETING》 *
YUXIAO REN ET AL.: "A Physics-Based Neural-Network Way to Perform Seismic Full Waveform Inversion", 《IEEE ACCESS》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945974A (zh) * 2021-06-10 2022-01-18 中国矿业大学(北京) 一种地震数据重建方法、装置、设备及介质
CN113625336A (zh) * 2021-07-16 2021-11-09 长江大学 一种基于全卷积神经网络的地震波阻抗薄层反演方法
CN113625336B (zh) * 2021-07-16 2024-03-26 长江大学 一种基于全卷积神经网络的地震波阻抗薄层反演方法
CN113468466B (zh) * 2021-07-23 2022-04-15 哈尔滨工业大学 基于神经网络的一维波动方程求解方法
CN113468466A (zh) * 2021-07-23 2021-10-01 哈尔滨工业大学 基于神经网络的多工况一维波动方程求解方法
CN113705644A (zh) * 2021-08-17 2021-11-26 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
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
WO2023036164A1 (zh) * 2021-09-13 2023-03-16 华为技术有限公司 一种基于物理信息神经网络的模型训练方法及相关装置
CN113820749A (zh) * 2021-09-24 2021-12-21 吉林大学 一种基于机器学习的地震数据速度场异常反演方法
CN114706119A (zh) * 2022-04-06 2022-07-05 中国科学院地质与地球物理研究所 基于卷积神经网络深度学习的反射波形反演方法和系统
CN114706119B (zh) * 2022-04-06 2022-09-02 中国科学院地质与地球物理研究所 基于卷积神经网络深度学习的反射波形反演方法和系统
CN115081274B (zh) * 2022-06-10 2023-05-30 哈尔滨工业大学 基于循环神经网络的无网格三维地震波场的建立方法
CN115081274A (zh) * 2022-06-10 2022-09-20 哈尔滨工业大学 基于循环神经网络的无网格三维地震波场的建立方法
CN115166822A (zh) * 2022-08-02 2022-10-11 中国矿业大学(北京) 储层弹性参数的预测方法、装置和电子设备

Also Published As

Publication number Publication date
CN112925012B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN112925012B (zh) 地震全波形反演方法及装置
EP2491516B1 (en) Method for optimization with gradient information
US10408971B2 (en) Method of constructing an optimized mesh for reservoir simulation in a subterranean formation
KR20130060231A (ko) 지구 물리학적 데이터의 반복 반전의 아티팩트 감소
US10534877B2 (en) Adaptive multiscale multi-fidelity reservoir simulation
US20180067229A1 (en) System and method for editing geological models by switching between volume-based models and surface-based structural models augmented with stratigraphic fiber bundles
US12117582B2 (en) Model for coupled porous flow and geomechanics for subsurface simulation
Gai et al. A timestepping scheme for coupled reservoir flow and geomechanics on nonmatching grids
CN112904419A (zh) 一种微地震成像方法及终端设备
JP2002122675A (ja) 地質波動伝播シミュレーションシステム及びその記録媒体
US10422925B2 (en) 2.5D stadia meshing
CN113970789B (zh) 全波形反演方法、装置、存储介质及电子设备
AU2015297012A1 (en) Re-ordered interpolation and convolution for faster staggered-grid processing
CN116559942B (zh) 一种流-固耦合的波场模拟方法、装置、设备及存储介质
CN113221409B (zh) 一种有限元和边界元耦合的声波二维数值模拟方法和装置
CN112100878A (zh) 一种利用沉积正演模拟建立时间域层序地层剖面的方法
EP3017430B1 (en) Lofting algorithm for discrete network meshing
CN109960776B (zh) 一种用于水力走时和水力信号衰减反演计算的改进方法
Chung et al. Multiscale finite element modeling of acoustic wave propagation
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
US20220382933A1 (en) Performing A Deformation-Based Physics Simulation
Katzmayr et al. An iterative algorithm for generating constrained Voronoi grids
CN114444242A (zh) 浅表层连续非均匀介质建模方法、装置、电子设备及介质
Ba et al. Nonlinear Seismic Response of an Alluvial Basin Modelled by Spectral Element Method: Implementation of a Davidenkov Constitutive Model
Cho Neural Network Architectures for Simulating Time-Varying Room Acoustics

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