CN113109874A - 一种使用神经网络的波阻抗反演方法和神经网络系统 - Google Patents

一种使用神经网络的波阻抗反演方法和神经网络系统 Download PDF

Info

Publication number
CN113109874A
CN113109874A CN202110339626.5A CN202110339626A CN113109874A CN 113109874 A CN113109874 A CN 113109874A CN 202110339626 A CN202110339626 A CN 202110339626A CN 113109874 A CN113109874 A CN 113109874A
Authority
CN
China
Prior art keywords
data
neural network
layer
seismic data
ith
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
CN202110339626.5A
Other languages
English (en)
Other versions
CN113109874B (zh
Inventor
印兴耀
宋磊
宗兆云
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
Priority to CN202110339626.5A priority Critical patent/CN113109874B/zh
Publication of CN113109874A publication Critical patent/CN113109874A/zh
Application granted granted Critical
Publication of CN113109874B publication Critical patent/CN113109874B/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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Remote Sensing (AREA)
  • Geophysics (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请涉及一种使用神经网络的波阻抗反演方法和神经网络系统，该神经网络以由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据为输入，并确定第i道波阻抗数据为输出，其包括：并列的N个特征提取层，其中，每个特征提取层被配置为提取向其输入的一道地震数据的时序特征；合并层，被配置为自适应合并N个特征提取层输出的时序特征，得到N道地震数据的时空特征；回归层，被配置为将时空特征从特征域映射到目标域；输出层，被配置为根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据。由此，波阻抗反演的精度更高，连续性更强，具有较好的抗噪性，并能够在初始模型不精确时仍保持好的反演效果。

Description

一种使用神经网络的波阻抗反演方法和神经网络系统
技术领域
本申请涉及油气勘探技术领域，尤其涉及一种使用神经网络的波阻抗反演方法和神经网络系统。
背景技术
地震波阻抗反演是在地震资料的引导下，综合利用已有的地质和测井资料从有限频带宽度的地震数据中恢复出宽频带的波阻抗数据的方法，目前已经广泛的应用于油气勘探阶段储层定性、定量预测和油气开发阶段井网部署、储量计算、油藏动态监测等方面。由于实际地球物理问题十分复杂，而我们对它的理解通常十分模糊，这使得在反演波阻抗时所建立的模型大多都是近似的。神经网络可以从大量已有的数据中学习到隐藏在其中的知识，从而建立起相应的数学模型，这使其十分适合对那些知识背景不够清楚、模型不够精确的问题进行求解。因此可以将深度学习算法应用于波阻抗反演中。
现有的基于深度神经网络的波阻抗反演方法有很多种，例如基于卷积神经网络的波阻抗反演方法和基于闭环卷积神经网络的波阻抗反演方法。这些网络都是直接从训练数据集中学习地震数据与反演参数之间的映射关系。当地下构造复杂时，地震数据与反演参数之间的关系十分复杂，网络一般无法准确的表达这种关系，尽管可以通过增加网络深度来提高网络的学习能力，但是由于数据量的限制，这会增加网络过拟合的风险。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种使用神经网络的波阻抗反演方法和神经网络系统。
第一方面，本申请提供了一种使用神经网络的波阻抗反演方法，该方法包括：接收N道地震数据，其中，该N道地震数据包括第i道地震数据及与其相邻的多道地震数据；接收第i道初始模型数据；由神经网络的并列的N个特征提取层提取N道地震数据的时序特征；由神经网络的合并层自适应合并N个特征提取层输出的时序特征，得到N道地震数据的时空特征；由神经网络的回归层将时空特征从特征域映射到目标域；由神经网络的输出层根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据。
在某些实施例中，由神经网络的输出层根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据之前，还包括：由神经网络的修正层对第i道初始模型数据进行自适应调整。
在某些实施例中，每个特征提取层，包括：全局特征提取层，被配置为提取输入地震道中的全局特征；局部特征提取层，被配置为提取输入地震道中的局部特征；和/或，合并层为偏置为零的线性连接层；和/或，回归层包括：一组串行的反卷积块，被配置为对合并层的输出进行上采样；门控循环单元和全连接层，被配置为将上采样的数据从特征域映射到目标域。
在某些实施例中，修正层为线性连接层和Tanh激活函数。
第二方面，本申请提供了一种用于波阻抗反演的神经网络系统，该神经网络系统由一个或多个计算机实现，该神经网络系统被配置为以由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据为输入，并确定第i道波阻抗数据为输出，该神经网络系统，包括：并列的N个特征提取层，其中，每个特征提取层被配置为提取向其输入的一道地震数据的时序特征；合并层，该合并层被配置为自适应合并N个特征提取层输出的时序特征，得到N道地震数据的时空特征；回归层，该回归层被配置为将时空特征从特征域映射到目标域；输出层，该输出层被配置为根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据。
在某些实施例中，上述神经网络系统还包括：位于输出层之前的修正层，该修正层被配置为对第i道初始模型数据进行自适应调整。
在某些实施例中，每个特征提取层，包括：全局特征提取层，该全局特征提取层被配置为提取输入地震道中的全局特征；局部特征提取层，该局部特征提取层被配置为提取输入地震道中的局部特征；和/或，合并层为偏置为零的线性连接层；和/或，回归层包括：一组串行的反卷积块，被配置为对合并层的输出进行上采样；门控循环单元和全连接层，被配置为将上采样的数据从特征域映射到目标域。
在某些实施例中，修正层为线性连接层和Tanh激活函数。
第三方面，本申请提供了一种训练用于波阻抗反演的神经网络的方法，包括：接收第一输入数据和第二输入数据，其中，第一输入数据包括：由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据；第二输入数据包括：井位处的地震数据和井位处的波阻抗数据；由反演神经网络根据第一输入数据确定第i道波阻抗数据，由正演神经网络根据反演神经网络输出的第i道波阻抗数据确定合成的第一地震数据，以及由正演神经网络根据输入的井位处第i道波阻抗数据确定合成的第二地震数据；确定输入的第i道地震数据与合成的第一地震数据之间的第一均方误差，确定井位处第i道由反演神经网络输出的波阻抗数据与输入的波阻抗数据之间的第二均方误差，以及确定井位处第i道合成的第二地震数据与输入的地震数据之间的第三均方误差；使用第一均方误差更新反演神经网络和正演神经网络的参数，使用第二均方误差更新反演神经网络的参数，以及使用第三均方误差更新正演神经网络的参数。
在某些实施例中，上述反演神经网络，包括：并列的N个特征提取层，其中，每个特征提取层被配置为提取向其输入的一道地震数据的时序特征；合并层，该合并层被配置为自适应合并N个特征提取层输出的时序特征，得到N道地震数据的时空特征；回归层，该回归层被配置为将时空特征从特征域映射到目标域；输出层，该输出层被配置为根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据；和/或，上述正演神经网络，包括：一组串行的一维卷积层和激活函数。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，波阻抗反演的精度更高，连续性更强，具有较好的抗噪性，并且能够在初始模型不精确的情况下仍保持较好的反演效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的波阻抗反演系统一种实施方式的结构框图；
图2为本申请实施例提供的使用神经网络的波阻抗反演方法一种实施方式的流程图；
图3为本申请实施例提供的训练神经网络的系统一种实施方式的示意图；
图4为本申请实施例提供的训练用于波阻抗反演的神经网络的方法一种实施方式的流程图；
图5为应用本申请实施例所提出的反演方法在Marmousi2模型上的波阻抗反演结果与真实波阻抗的对比图；
图6为一实际资料的波阻抗反演结果图；以及
图7为本申请实施例提供的计算机设备一种实施方式的硬件示意图。
具体实施方式
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。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
使用神经网络进行波阻抗反演
本申请实施例提供了一种用于波阻抗反演的神经网络。由于在建立初始模型时一般都综合的利用了测井信息与地质构造信息，在一定程度上，初始模型可以反映地下的真实构造。且地下构造存在一定的相关性，这种相关性与距离有关，距离越近，相关性越强，反之，相关性越弱。由于地震剖面的深度通常表示为时间深度，所以在地震剖面上地下构造的空间相关性表现为地震道在纵向上的时间相关性和横向上中心道与相邻道之间的空间相关性。因此，在本申请实施例中用式(1)来表示地下真实波阻抗与初始模型和地震数据之间的关系：
Figure BDA0002999060770000051
式(1)中，mi,t为第i道上t时刻处的真实波阻抗值；
Figure BDA0002999060770000052
为初始模型中第i道上t时刻处的波阻抗值；{xi-k,t,…,xi-1,t,xi,t,…,xi+k,t}为第i道与相邻的2k道地震数据在t时刻的振幅序列，应当理解，在某些实施例中不限于与第i道相邻的2k道地震数据，任意多道也是可行的；g(·)为初始模型修正函数，它用于修正初始模型以减少初始模型与地下真实的波阻抗之间的差异，应当理解，在某些实施例中可不修正初始模型，本申请实施例对此不做限定；f(·)为残差函数，它用于表示真实波阻抗值与初始模型中的波阻抗值之间的误差值。
基于式(1)中真实波阻抗与初始模型以及地震数据之间的关系，本申请构建了神经网络模型来学习这种映射关系。
图1为本申请实施例提供的波阻抗反演系统一种实施方式的结构框图，如图1所示，波阻抗反演系统包括：神经网络输入110、反演神经网络系统120和神经网络输出130。
神经网络输入110包括：N道地震数据，该N道地震数据包括第i道地震数据及与其相邻的多道地震数据；以及第i道初始模型数据。如图1所示，N道地震数据为第i道地震数据，及与其相邻的2k道地震数据，其中，两侧各k道地震数据。应当理解，本申请实施例对此不做限定，与第i道地震数据相邻的多道地震数据都是可行的。神经网络输出130为第i道波阻抗数据，为第i道波阻抗的预测值。
反演神经网络系统120，如图1所示，反演神经网络系统120包括：并列的N个特征提取层121、合并层122、回归层123、修正层124和输出层125。
每个特征提取层121，被配置为提取向其输入的一道地震数据的时序特征。每个特征提取层121处理一道地震数据，并列的N个特征提取层121并行地处理N道地震数据，如图1所示，为2k+1道地震数据，神经网络系统120包括2k+1个特征提取层。该时序特征表示地震道在时间上的相关性。
在某些实施例中，如图1所示，每个特征提取层121包括全局特征提取层1211和局部特征提取层1212，其中，全局特征提取层1211被配置为提取输入地震道的全局特征，局部特征提取层1212被配置为提取输入地震道中的局部特征。作为一个示例，全局特征提取层1211有一组串行的双向门控循环单元(GRU)组成；局部特征提取层1212包括：一组膨胀系数不同并行的卷积块，被配置为提取地震道中不同尺度的局部特征；全连接层和卷积块，被配置为组合提取出的局部特征。应当理解，本申请实施例中，能够提取地震道在时间上相关性的其他结构也是可以被构想的，本申请实施例对此不做限定。
参考图1所示，每个特征提取层121输出其输入地震道对应的时序特征，N个特征提取层121输出N个地震道对应的N个时序特征。合并层122，被配置为自适应合并N个特征提取层121输出的时序特征，得到N道地震数据的时空特征。时空特征不仅表示地震道在时间上的相关性，还表示地震道与相邻地震道之间的空间相关性。在某些实施例中，合并层122为偏置为零的线性连接层，但本申请实施例对此不做限定。
神经网络输入110经N个特征提取层121提出时序特征后，经合并层122输出时空特征，时空特征作为回归层123的输入。回归层123，被配置为将时空特征从特征域映射到目标域。在某些实施例中，回归层123包括：一组串行的反卷积块，被配置为对合并层122的输出进行上采样使其具有预设采样率；一个GRU和一个全连接层，被配置为将上采样后的数据从特征域映射到目标域。
并列的N个特征提取层121、合并层122和回归层123完成网络的时空序列残差建模，实现式(1)中的残差函数f(·)。回归层123的输出以及第i道初始模型数据共同输入到输出层125。输出层125，被配置为根据回归层123的输出和第i道初始模型数据确定第i道波阻抗数据。在某些实施例中，输出层125将i道初始模型数据与回归层123的输出相加得到第i道波阻抗数据，但本申请实施例并不限于此。
在某些实施例中，如图1所示，第i道初始模型数据输入输出层之前，还通过位于输出层125之前的修正层124进行修正。修正层124被配置为对第i道初始模型数据进行自适应调整，实现式(1)中的修正函数g(·)。在某些实施例中，修正层124包括线性连接层和Tanh激活函数。
作为一个优选示例，全局特征提取层1211由一组串行的双向GRU组成，用以提取输入地震道中的全局特征。局部特征提取层1212首先利用一组膨胀系数不同并行的卷积块来提取输入地震道中不同尺度的局部特征，然后再使用全连接层和卷积块来组合这些局部特征。全局特征提取层1211和局部特征提取层1212构成网络的时序特征提取模块，该模块能够提取输入地震道的时序特征。应用2k+1个时序特征提取模块来提取第i道地震数据及其相邻的2k道地震数据的时序特征，然后再使用合并层122对提取的特征进行自适应合并，从而获取地震数据的时空特征，其中合并层122由一个偏置为零的线性连接层构成。回归层123首先使用一组串行的反卷积块对合并层的输出进行上采样使其具有预设采样率(例如，与训练时的标签数据相同的采样率)，然后再使用一个GRU和一个全连接层将上采样后的数据从特征域映射到目标域。回归层123与时空特征提取模块构成了网络的时空序列残差建模模块。修正层124采用线性连接层和Tanh激活函数对第i道初始模型数据进行自适应调整。最后将时空序列残差建模模块的输出与修正层124的输出相加得到所预测的波阻抗数据。
本申请实施例提供了使用神经网络的波阻抗反演方法，如图2所示，该波阻抗反演方法包括步骤S202至步骤S212。
步骤S202，接收N道地震数据，其中，该N道地震数据包括第i道地震数据及与其相邻的多道地震数据；
步骤S204，接收第i道初始模型数据。
步骤S206，由神经网络的并列的N个特征提取层提取N道地震数据的时序特征。
步骤S208，由神经网络的合并层自适应合并N个特征提取层输出的时序特征，得到N道地震数据的时空特征。
步骤S210，由神经网络的回归层将时空特征从特征域映射到目标域。
步骤S212，由神经网络的输出层根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据。
应当理解，虽然图2中标记了步骤的序号，但这并不是对步骤执行顺序的限定。例如，步骤S204可在步骤S212之前的任意步骤执行。
在某些实施例中，上述步骤S212之前还包括：由神经网络的修正层对第i道初始模型数据进行自适应调整。在某些实施例中，修正层为线性连接层和Tanh激活函数。
在某些实施例中，上述步骤S206包括：由特征提取层的全局特征提取层提取输入地震道中的全局特征，由特征提取层的局部特征提取层提取输入地震道中的局部特征。
在某些实施例中，在上述步骤S208中使用的合并层为偏置为零的线性连接层。
在某些实施例中，上述步骤S210中，先由回归层的一组串行的反卷积块对合并层的输出进行上采样，再由回归层的门控循环单元和全连接层将上采样的数据从特征域映射到目标域。
在某些实施例中，步骤S212中，由神经网络的输出层将回归层的输出和第i道初始模型数据相加，得到第i道波阻抗数据。
在本申请实施例中，神经网络可参见图1所示的网络结构，在此不做赘述。
作为一个优选示例，由一组串行的双向GRU提取输入地震道中的全局特征，利用一组膨胀系数不同并行的卷积块来提取输入地震道中不同尺度的局部特征，然后再使用全连接层和卷积块来组合这些局部特征，由此提取得到输入地震道的时序特征。提取第i道地震数据及其相邻的2k道地震数据的时序特征，然后再使用合并层对提取的特征进行自适应合并，从而获取地震数据的时空特征，其中合并层由一个偏置为零的线性连接层构成。使用一组串行的反卷积块对合并层的输出进行上采样使其具有预设采样率(例如，与训练时的标签数据相同的采样率)，然后再使用一个GRU和一个全连接层将上采样后的数据从特征域映射到目标域。采用线性连接层和Tanh激活函数对第i道初始模型数据进行自适应调整。最后将回归层的输出与修正层的输出相加得到所预测的波阻抗数据。
神经网络的训练
考虑到实际勘探中标签数据匮乏的问题，本申请实施例中采取半监督学习的方式对神经网络进行训练。图3为本申请实施例提供的训练神经网络的系统一种实施方式的示意图，如图3所示，该系统包括：第一输入310、第二输入320、反演神经网络330和正演神经网络340。
如图3所示，第一输入310用于输入第一输入数据，其中，第一输入数据包括由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据，图3中示出为第i道地震数据及以其为中心的两侧各k道地震数据，共计2k+1道地震数据。
如图3所示，第二输入320用于输入第二输入数据，其中，第二输入数据包括井位处的波阻抗数据321和井位处的地震数据322。井位处的波阻抗数据321为实际的波阻抗值(也称为输入的波阻抗数据)，井位处的地震数据322为实际的地震数据(也称为输入的地震数据)。
如图3所示，反演神经网络330，被配置为根据第一输入数据确定第i道地震数据对应的第i道波阻抗数据331。正演神经网络340被配置为根据反演神经网络330的输出(第i道波阻抗数据331)确定合成的第i道地震数据341a，以及根据输入的第i道波阻抗数据321确定合成的第i道地震数据341b。
如图3所示，该系统还包括：第一误差确定模块350，被配置为确定输入的第i道地震数据与合成的第i道地震数据341a之间的第一均方误差(lseismic)；第二误差确定模块360，被配置为确定第i道在井位处的波阻抗数据331与波阻抗数据321之间的第二均方误差(lwell)；第三误差确定模块370，被配置为确定第i道在井位处的地震数据341b与地震数据322之间的第三均方误差(l'well)。
如图3所示，使用第一均方误差和第二均方误差更新反演神经网络330内部参数，以及使用第一均方误差和第三均方误差更新正演神经网络340内部参数。
在本申请实施例中，反演神经网络330可参见图1所示的网络结构，在此不做赘述。正演神经网络340由一组串行的一维卷积层和激活函数来模拟褶积模型正演过程。
本申请实施例提供了一种训练用于波阻抗反演的神经网络的方法，如图4所示，该方法包括步骤S402至步骤S416。
步骤S402，接收第一输入数据和第二输入数据。
其中，第一输入数据包括，由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据；第二输入数据包括：井位处的地震数据和井位处的波阻抗数据。
步骤S404，由反演神经网络根据第一输入数据确定第i道波阻抗数据。
步骤S406，由正演神经网络根据反演神经网络输出的第i道波阻抗数据确定合成的第一地震数据。
步骤S408，由正演神经网络根据输入的井位处第i道波阻抗数据确定合成的第二地震数据。
步骤S410，确定输入的第i道地震数据与合成的第一地震数据之间的第一均方误差。
步骤S412，确定井位处第i道由反演神经网络输出的波阻抗数据与输入的波阻抗数据之间的第二均方误差。
步骤S414，确定井位处第i道合成的第二地震数据与输入的地震数据之间的第三均方误差。
步骤S416，更新反演神经网络和正演神经网络的参数。
其中，使用第一均方误差更新反演神经网络和正演神经网络的参数，使用第二均方误差更新反演神经网络的参数，以及使用第三均方误差更新正演神经网络的参数。
在某些实施例中，上述反演神经网络，包括：并列的N个特征提取层，其中，每个特征提取层被配置为提取向其输入的一道地震数据的时序特征；合并层，该合并层被配置为自适应合并N个特征提取层输出的时序特征，得到N道地震数据的时空特征；回归层，该回归层被配置为将时空特征从特征域映射到目标域；输出层，该输出层被配置为根据回归层的输出和第i道初始模型数据确定第i道波阻抗数据。
在某些实施例中，反演神经网络还包括修正层，被配置为对第i道初始模型数据进行自适应调整。输出层，被配置为根据回归层的输出和修正后的第i道初始模型数据(修正层的输出)确定第i道波阻抗数据。
在本申请实施例中，反演神经网络可参见图1所示的网络结构，在此不做赘述。
在某些实施例中，上述正演神经网络包括一组串行的一维卷积层和激活函数，来模拟褶积模型正演过程。
作为一个优选示例，反演神经网络的全局特征提取层由一组串行的双向GRU(门控循环单元)组成，用以提取输入地震道中的全局特征。反演神经网络的局部特征提取层首先利用一组膨胀系数不同并行的卷积块来提取输入地震道中不同尺度的局部特征，然后再使用全连接层和卷积块来组合这些局部特征。二者构成了反演神经网络的时序特征提取模块，该模块能够提取输入地震道的时序特征。应用2k+1个时序特征提取模块来提取第i道地震数据及其相邻的2k道地震数据的时序特征，然后再使用反演神经网络的合并层对提取的特征进行自适应合并，从而获取地震数据的时空特征，其中合并层由一个偏置为零的线性连接层构成。反演神经网络的回归层首先使用一组串行的反卷积块对合并层的输出进行上采样使其具有与标签数据相同的采样率，然后再使用一个GRU和一个全连接层将上采样后的数据从特征域映射到目标域。它与时空特征提取模块构成了反演神经网络的时空序列残差建模模块。反演神经网络的修正层采用线性连接层和Tanh激活函数对第i道初始模型数据进行自适应调整。最后将时空序列残差建模模块的输出与修正层的输出相加即为网络所预测的波阻抗数据。正演神经网络由一组串行的一维卷积层和激活函数来模拟褶积模型正演过程。训练时，反演神经网络和正演神经网络内部参数的更新受以下两个过程的综合影响：
1)反演神经网络根据输入的第i道地震数据及其相邻的2k道地震数据与第i道初始模型数据来预测第i道的波阻抗数据，再将预测的第i道的波阻抗数据输入到正演神经网络得到合成的地震数据。通过计算合成的第i道地震数据与输入的第i道地震数据的均方误差lseismic来更新反演神经网络和正演神经网络的内部参数。所有的地震道都会参与此过程。
2)反演神经网络根据输入的井位处的地震数据以及与井位处相邻的2k道地震数据与井位处的初始模型数据来预测井位处的波阻抗，计算预测的井位处波阻抗数据与实际测井波阻抗数据的均方误差lwell来更新反演神经网络中的参数。正演神经网络根据实际测井中的波阻抗来预测相应的地震记录，通过计算井位处的地震数据与正演神经网络预测的地震数据的均方误差l'well来更新正演神经网络中的参数。仅有井位处的地震道会参与此过程。
在该优选示例中，构建了公式(2)、(3)所示的损失函数并采取Adam优化器来更新反演神经网络与正演神经网络内的可学习参数：
Figure BDA0002999060770000131
Figure BDA0002999060770000132
Figure BDA0002999060770000133
其中xi,t是输入的第i道地震数据，
Figure BDA0002999060770000134
是正演模型输出的合成的第i道地震数据，
Figure BDA0002999060770000135
是井中的波阻抗数据，
Figure BDA0002999060770000136
是反演神经网络所预测的井位处的波阻抗数据，
Figure BDA0002999060770000137
是井位处的地震数据，
Figure BDA0002999060770000138
是正演神经网络所预测的井位处的地震数据，L(·)是均方误差函数，其定义如公式(4)所示，α、β是权重系数，它们的值可以根据地震数据与测井数据的质量进行调整。
图5为应用本申请实施例所提出的反演方法在Marmousi2模型上的波阻抗反演结果与真实波阻抗的对比，其中，(a)真实波阻抗、(b)波阻抗反演结果，(c)真实波阻抗与预测的波阻抗之间的误差。图6是实际资料的波阻抗反演结果。可以看出在模型数据上基于本申请实施例所提出的方法的反演结果与真实波阻抗具有较小的误差，在实际资料中，反演结果具有较高的分辨率，且在测试井处，反演结果与测试井波阻抗的变化趋势基本一致。
通过本申请实施例，构建了一种时空序列残差建模网络，该网络以初始模型作为初值，在学习过程中不断修正初始模型并学习修正后的初始模型与反演参数之间的残差，且在残差学习过程中充分的考虑数据的时空特性。考虑到实际勘探中标签数据匮乏的问题，本申请实施例采取半监督学习的方式对网络模型进行训练。训练好的网络可根据初始模型数据与地震数据来预测波阻抗数据。
相较而言，相关技术中的半监督学习地震反演能够很好的挖掘测井数据与地震数据中的信息，而对初始模型的利用率较差，一般仅是将初始模型作为一种标签来约束网络的反演，这使得网络并不能很好的利用初始模型内蕴含的构造信息和丰富的低频信息。
此外，地下构造在空间上存在一定的相关性，这种相关性在地震剖面上体现为，横向上的空间相关性，以及纵向上的时间相关性。相关技术中的的深度学习反演神经网络对地震数据中这种纵向上的时间相关性挖掘的较为充分，却并未考虑地震数据在横向上的空间相关性，这就导致了网络预测结果的横向连续性较差。
本申请实施例还提供一种计算机设备。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图7所示。需要指出的是，图7仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如波阻抗反演的方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如波阻抗反演的方法的程序代码，以实现波阻抗反演的方法。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储波阻抗反演的程序，被处理器执行时实现波阻抗反演的方法的步骤。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种使用神经网络的波阻抗反演方法，其特征在于，所述波阻抗反演方法包括：
接收N道地震数据，其中，所述N道地震数据包括第i道地震数据及与其相邻的多道地震数据；
接收第i道初始模型数据；
由所述神经网络的并列的N个特征提取层提取所述N道地震数据的时序特征；
由所述神经网络的合并层自适应合并所述N个特征提取层输出的时序特征，得到所述N道地震数据的时空特征；
由所述神经网络的回归层将所述时空特征从特征域映射到目标域；
由所述神经网络的输出层根据所述回归层的输出和所述第i道初始模型数据确定第i道波阻抗数据。
2.根据权利要求1所述的波阻抗反演方法，其特征在于，由所述神经网络的输出层根据所述回归层的输出和所述第i道初始模型数据确定第i道波阻抗数据之前，还包括：由所述神经网络的修正层对所述第i道初始模型数据进行自适应调整。
3.根据权利要求1所述的波阻抗反演方法，其特征在于，
每个特征提取层，包括：全局特征提取层，被配置为提取输入地震道中的全局特征；局部特征提取层，被配置为提取输入地震道中的局部特征；和/或
所述合并层为偏置为零的线性连接层；和/或
所述回归层包括：一组串行的反卷积块，被配置为对合并层的输出进行上采样；门控循环单元和全连接层，被配置为将上采样的数据从特征域映射到目标域。
4.根据权利要求2所述的波阻抗反演方法，其特征在于，所述修正层为线性连接层和Tanh激活函数。
5.一种用于波阻抗反演的神经网络系统，其特征在于，所述神经网络系统由一个或多个计算机实现，所述神经网络系统被配置为以由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据为输入，并确定第i道波阻抗数据为输出，其中，所述神经网络系统，包括：
并列的N个特征提取层，其中，每个特征提取层被配置为提取向其输入的一道地震数据的时序特征；
合并层，所述合并层被配置为自适应合并所述N个特征提取层输出的时序特征，得到所述N道地震数据的时空特征；
回归层，所述回归层被配置为将所述时空特征从特征域映射到目标域；
输出层，所述输出层被配置为根据所述回归层的输出和所述第i道初始模型数据确定第i道波阻抗数据。
6.根据权利要求5所述的神经网络系统，其特征在于，所述神经网络系统还包括：位于所述输出层之前的修正层，所述修正层被配置为对所述第i道初始模型数据进行自适应调整。
7.根据权利要求5所述的神经网络系统，其特征在于，
每个特征提取层，包括：全局特征提取层，所述全局特征提取层被配置为提取输入地震道中的全局特征；局部特征提取层，所述局部特征提取层被配置为提取输入地震道中的局部特征；和/或
所述合并层为偏置为零的线性连接层；和/或
所述回归层包括：一组串行的反卷积块，被配置为对合并层的输出进行上采样；门控循环单元和全连接层，被配置为将上采样的数据从特征域映射到目标域。
8.根据权利要求6所述的神经网络系统，其特征在于，所述修正层为线性连接层和Tanh激活函数。
9.一种训练用于波阻抗反演的神经网络的方法，其特征在于，包括：
接收第一输入数据和第二输入数据，其中，所述第一输入数据包括：由第i道地震数据及与其相邻的多道地震数据构成的N道地震数据、和第i道初始模型数据；所述第二输入数据包括：井位处的地震数据和井位处的波阻抗数据；
由反演神经网络根据所述第一输入数据确定第i道波阻抗数据，由正演神经网络根据所述反演神经网络输出的第i道波阻抗数据确定合成的第一地震数据，以及由正演神经网络根据输入的井位处第i道波阻抗数据确定合成的第二地震数据；
确定输入的第i道地震数据与所述合成的第一地震数据之间的第一均方误差，确定井位处第i道由所述反演神经网络输出的波阻抗数据与输入的波阻抗数据之间的第二均方误差，以及确定井位处第i道所述合成的第二地震数据与输入的地震数据之间的第三均方误差；
使用所述第一均方误差更新所述反演神经网络和所述正演神经网络的参数，使用所述第二均方误差更新所述反演神经网络的参数，以及使用所述第三均方误差更新所述正演神经网络的参数。
10.根据权利要求9所述的方法，其特征在于，
所述反演神经网络，包括：并列的N个特征提取层，其中，每个特征提取层被配置为提取向其输入的一道地震数据的时序特征；合并层，所述合并层被配置为自适应合并所述N个特征提取层输出的时序特征，得到所述N道地震数据的时空特征；回归层，所述回归层被配置为将所述时空特征从特征域映射到目标域；输出层，所述输出层被配置为根据所述回归层的输出和所述第i道初始模型数据确定第i道波阻抗数据；和/或
所述正演神经网络，包括：一组串行的一维卷积层和激活函数。
CN202110339626.5A 2021-03-30 2021-03-30 一种使用神经网络的波阻抗反演方法和神经网络系统 Active CN113109874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339626.5A CN113109874B (zh) 2021-03-30 2021-03-30 一种使用神经网络的波阻抗反演方法和神经网络系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339626.5A CN113109874B (zh) 2021-03-30 2021-03-30 一种使用神经网络的波阻抗反演方法和神经网络系统

Publications (2)

Publication Number Publication Date
CN113109874A true CN113109874A (zh) 2021-07-13
CN113109874B CN113109874B (zh) 2022-11-01

Family

ID=76712697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339626.5A Active CN113109874B (zh) 2021-03-30 2021-03-30 一种使用神经网络的波阻抗反演方法和神经网络系统

Country Status (1)

Country Link
CN (1) CN113109874B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608264A (zh) * 2021-07-30 2021-11-05 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技术
CN114063169A (zh) * 2021-11-10 2022-02-18 中国石油大学(北京) 一种波阻抗反演方法、系统、设备和存储介质
CN116559949A (zh) * 2023-05-19 2023-08-08 北京宸宇金源科技有限公司 一种基于深度学习的碳酸盐岩储层预测方法、系统及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
US20190064378A1 (en) * 2017-08-25 2019-02-28 Wei D. LIU Automated Seismic Interpretation Using Fully Convolutional Neural Networks
CN110231653A (zh) * 2019-04-24 2019-09-13 北京阳光杰科科技股份有限公司 构建双向约束初始模型的方法及装置
US20190293818A1 (en) * 2017-04-28 2019-09-26 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
CN111596366A (zh) * 2020-06-24 2020-08-28 厦门大学 一种基于地震信号优化处理的波阻抗反演方法
CN112213771A (zh) * 2019-07-10 2021-01-12 中国石油天然气股份有限公司 地震波阻抗反演方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190293818A1 (en) * 2017-04-28 2019-09-26 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
US20190064378A1 (en) * 2017-08-25 2019-02-28 Wei D. LIU Automated Seismic Interpretation Using Fully Convolutional Neural Networks
CN110231653A (zh) * 2019-04-24 2019-09-13 北京阳光杰科科技股份有限公司 构建双向约束初始模型的方法及装置
CN112213771A (zh) * 2019-07-10 2021-01-12 中国石油天然气股份有限公司 地震波阻抗反演方法及装置
CN111596366A (zh) * 2020-06-24 2020-08-28 厦门大学 一种基于地震信号优化处理的波阻抗反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DELIN MENG ET AL.: "SEMI-SUPERVISED DEEP LEARNING SEISMIC IMPEDANCE INVERSION USING GENERATIVE ADVERSARIAL NETWORKS", 《IEEE》 *
MOTAZ ALFARRAJ ET AL.: "Semisupervised sequence modeling for elastic impedance inversion", 《INTERPRETATION》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608264A (zh) * 2021-07-30 2021-11-05 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技术
CN114063169A (zh) * 2021-11-10 2022-02-18 中国石油大学(北京) 一种波阻抗反演方法、系统、设备和存储介质
CN116559949A (zh) * 2023-05-19 2023-08-08 北京宸宇金源科技有限公司 一种基于深度学习的碳酸盐岩储层预测方法、系统及设备

Also Published As

Publication number Publication date
CN113109874B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
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
CN109709603B (zh) 地震层位识别与追踪方法、系统
Lorentzen et al. History matching channelized reservoirs using the ensemble Kalman filter
Chang et al. History matching of facies distribution with the EnKF and level set parameterization
US11846175B2 (en) Estimating reservoir production rates using machine learning models for wellbore operation control
US11703608B2 (en) Reservoir characterization using machine-learning techniques
US20220220828A1 (en) Field development planning based on deep reinforcement learning
CN110927791B (zh) 基于深度学习利用地震数据进行流体预测的方法及装置
CN111913218A (zh) 一种基于多尺度混合反演的薄层反演方法、设备以及系统
Kumar et al. Ensemble-based assimilation of nonlinearly related dynamic data in reservoir models exhibiting non-Gaussian characteristics
Li et al. Simultaneous estimation of geologic and reservoir state variables within an ensemble-based multiple-point statistic framework
US10908308B1 (en) System and method for building reservoir property models
Cornelio et al. Residual learning to integrate neural network and physics-based models for improved production prediction in unconventional reservoirs
CN113406695B (zh) 基于层速度地震地质模型的地震反演方法及系统
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
CN112576244B (zh) 一种孔隙度计算方法和装置
US11965998B2 (en) Training a machine learning system using hard and soft constraints
CN116971765A (zh) 用于预测和控制油气储层压力的系统和方法
CN111949945B (zh) 一种确定烃源岩总有机碳含量的方法、装置、设备及系统
CN115079257A (zh) 基于融合网络的q值估计及地震衰减补偿方法
CN114021700A (zh) 基于岩石物理约束神经网络的渗透率计算方法及装置
CN113608258A (zh) 一种构建高分辨率波阻抗反演标签的自洽深度学习方法
CN113075747B (zh) 储层裂缝发育区域的预测方法及装置
Caers et al. Statistical pattern recognition and geostatistical data integration
CN114063169B (zh) 一种波阻抗反演方法、系统、设备和存储介质

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