CN113608264B - 联合叠前弹性反演参数及深度网络目标反演方法 - Google Patents

联合叠前弹性反演参数及深度网络目标反演方法 Download PDF

Info

Publication number
CN113608264B
CN113608264B CN202110871705.0A CN202110871705A CN113608264B CN 113608264 B CN113608264 B CN 113608264B CN 202110871705 A CN202110871705 A CN 202110871705A CN 113608264 B CN113608264 B CN 113608264B
Authority
CN
China
Prior art keywords
data
parameters
layer
network
inversion
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
CN202110871705.0A
Other languages
English (en)
Other versions
CN113608264A (zh
Inventor
蒋旭东
曹俊兴
王兴建
祖绍环
蔡紫薇
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202110871705.0A priority Critical patent/CN113608264B/zh
Publication of CN113608264A publication Critical patent/CN113608264A/zh
Application granted granted Critical
Publication of CN113608264B publication Critical patent/CN113608264B/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
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/362—Effecting static or dynamic corrections; Stacking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

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

Abstract

本发明公开了联合叠前弹性反演参数及深度网络目标反演方法，涉及目标反演方法领域，该目标反演方法具体步骤如下：获得叠前弹性阻抗反演参数；获得划分角度的叠前参数；将井旁道数据作为输入，目标数据作为输出约束；建立训练网络；通过训练获得映射网络，直接对全区数据进行映射计算；输入全区数据参数，并通过映射网络直接获得目标数据体；本发明能够更好的针对地震目标参数进行预测，提高了预测的准确性，高效性，深度网络深度挖掘数据内部信息，提高信息的表征度，解决了通过拟合求解目标数据过程中存在的累积误差和近似误差，直接通过叠前反演获得的参数和不同角度数据增强了算法的可信度和真实性。

Description

联合叠前弹性反演参数及深度网络目标反演方法
技术领域
本发明涉及目标反演方法领域，尤其涉及联合叠前弹性反演参数及深度网络目标反演方法。
背景技术
在页岩气工程甜点预测中(或者在目前勘探甜点预测中)有很多时候，我们可以从井数据通过拟合计算，获得与实际参数相吻合的曲线，比如地应力曲线，地层压力曲线，脆性曲线，往往是通过井上的各种弹性参数获得，包括纵横波速度、密度等参数；井是单点的预测，从点到面的预测就需要地震数据的处理，如果通过地震数据反演获得纵横波速度，密度等目标拟合需要的参数，再通过拟合获得目标参数，势必会增加计算过程中的累积误差，导致结果的不准性，同时通过拟合获得目标参数本来就是一种近似解，准确度就相对较低，在通过计算再拟合准确性必定会大大降低；所以引入深度神经网络算子，结合叠前反演，联合叠前数据共同建立非线性映射关系，获得我们需要的目标曲线，提高预测的准确性；
现有的目标反演方法通过地震数据反演获得纵横波速度，密度等目标拟合需要的参数，再通过拟合获得目标参数，势必增加计算过程中的累积误差，导致结果的不准性，拟合获得目标参数是一种近似解，准确度就相对较低，在通过计算再拟合准确性会大大降低；为此，我们提出联合叠前弹性反演参数及深度网络目标反演方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的联合叠前弹性反演参数及深度网络目标反演方法。
为了实现上述目的，本发明采用了如下技术方案：
联合叠前弹性反演参数及深度网络目标反演方法，该目标反演方法具体步骤如下：
S1、对井数据进行计算，获得叠前弹性阻抗反演参数；
S2、对井旁道叠前地震数据进行一个角度划分，获得划分角度的叠前参数；
S3、将井旁道上每一个时间点对应的井旁道数据作为输入，该时间点上的井旁道目标数据作为输出约束；
S4、建立训练网络；
S5、通过训练获得映射网络，直接对全区数据进行映射计算；
S6、输入全区数据参数，并通过映射网络直接获得目标数据体。
作为本发明进一步方案，步骤S4中建立训练网络具体步骤为：
SS1、引入深度神经网络算法；
SS2、通过一个全连接多层网络，挖掘井旁道数据输入数据与井旁道目标数据之间的关系，获得非线性映射网络。
作为本发明进一步方案，步骤SS1中深度神经网络算法用于建立标签数据集与训练数据集之间的关系，形成预测网络；
其中，深度神经网络算法按不同层的位置划分，其内部的神经网络层可以分为三类：输入层、隐藏层和输出层，层与层之间全连接，具体表现如下：
第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，即存在一个线性关系；
z＝∑wixi+b (1)
其中，z为输出层，w为权重值，x为输入层，b为偏置；通过加上最终激活函数σ(z)，形成了DNN的基本结构。
作为本发明进一步方案，所述深度神经网络算法为包含多层隐藏层的神经网络算法，前向传播阶段，隐藏层将前一层的输出作为后一层的输入，具体为：
Figure GDA0004196594090000031
Figure GDA0004196594090000032
其中，
Figure GDA0004196594090000033
代表DNN第L层第k个神经元激活前的输出，
Figure GDA0004196594090000034
代表DNN第L层第k个神经元激活后的输出，
Figure GDA0004196594090000035
代表
Figure GDA0004196594090000036
到
Figure GDA0004196594090000037
的线性传递系数，
Figure GDA0004196594090000038
代表
Figure GDA0004196594090000039
前向传播函数的偏倚常数，f为激活函数。
作为本发明进一步方案，所述激活函数可采用Relu函数，relu函数是常见的激活函数中的一种，表达形式如下：
f(x)＝max(0,x) (4)。
作为本发明进一步方案，步骤S1中叠前弹性阻抗反演参数包括纵波速度、横波速度与密度。
作为本发明进一步方案，步骤S2中划分角度的叠前参数包括大角度数据、中角度数据与小角度数据。
相比于现有技术，本发明的有益效果在于：
本发明能够更好的针对地震目标参数进行预测，提高了预测的准确性，高效性，深度网络深度挖掘数据内部信息，提高信息的表征度，解决了通过拟合求解目标数据过程中存在的累积误差和近似误差，直接通过叠前反演获得的参数和不同角度数据增强了算法的可信度和真实性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的联合叠前弹性反演参数及深度网络目标反演方法的整体流程图；
图2为本发明提出的联合叠前弹性反演参数及深度网络目标反演方法中深度神经网络算法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
参照图1，本实施例公开了联合叠前弹性反演参数及深度网络目标反演方法，该目标反演方法具体步骤如下：
S1、对井数据进行计算，获得叠前弹性阻抗反演参数；
具体的，叠前弹性阻抗反演参数包括纵波速度、横波速度与密度。
S2、对井旁道叠前地震数据进行一个角度划分，获得划分角度的叠前参数；
具体的，划分角度的叠前参数包括大角度数据、中角度数据与小角度数据。
S3、将井旁道上每一个时间点对应的井旁道数据作为输入，该时间点上的井旁道目标数据作为输出约束；
S4、建立训练网络；
另外，需要说明的是，在建立训练网络时，可引入深度神经网络算法，并通过一个全连接多层网络，挖掘输入数据与目标数据之间的关系，获得非线性映射网络；
S5、通过训练获得映射网络，直接对全区数据进行映射计算；
S6、输入全区数据参数，并通过映射网络直接获得目标数据体；
具体的，全区数据参数包括纵波速度、横波速度、密度、大角度数据、中角度数据与小角度数据。
实施例2
参照图2，本实施例公开了联合叠前弹性反演参数及深度网络目标反演方法；本实施例除与实施例1相同步骤外，主要阐述深度神经网络算法；
本实施例中，深度神经网络算法(DNN)用于建立标签数据集与训练数据集之间的关系，形成预测网络，其采用神经网络技术，该神经网络技术亦叫感知机，拥有输入层、输出层和一个隐含层，输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果，DNN可以理解为有很多隐藏层的神经网络；
需要进一步说明的是，深度神经网络算法可按不同层的位置划分，其内部的神经网络层可以分为三类：输入层、隐藏层和输出层，层与层之间全连接，具体表现如下：
第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，即存在一个线性关系；
z＝∑wixi+b (1)
其中，z为输出层，w为权重值，x为输入层，b为偏置；通过加上最终激活函数σ(z)，形成了DNN的基本结构；
另外，深度神经网络算法可为包含多层隐藏层的神经网络算法，前向传播阶段，隐藏层将前一层的输出作为后一层的输入，具体为：
Figure GDA0004196594090000061
Figure GDA0004196594090000062
其中，
Figure GDA0004196594090000063
代表DNN第L层第k个神经元激活前的输出，
Figure GDA0004196594090000064
代表DNN第L层第k个神经元激活后的输出，
Figure GDA0004196594090000065
代表
Figure GDA0004196594090000066
到
Figure GDA0004196594090000067
的线性传递系数，
Figure GDA0004196594090000068
代表
Figure GDA0004196594090000069
前向传播函数的偏倚常数，f为激活函数。
具体的，上述激活函数可采用Relu函数，relu函数是常见的激活函数中的一种，表达形式如下：
f(x)＝max(0,x) (4)；
本实施例中的Relu其实就是个取最大值的函数，Relu函数其实是分段线性函数，把所有的负值都变为0，而正值不变，这种操作被成为单侧抑制，在输入是负值的情况下，它会输出0，那么神经元就不会被激活，这意味着同一时间只有部分神经元会被激活，从而使得网络很稀疏，进而对计算来说是非常有效率的，尤其体现在深度神经网络模型(如CNN)中，当模型增加N层之后，理论上Relu神经元的激活率将降低2N倍；因此，没有饱和区，不存在梯度消失问题；没有复杂的指数运算，计算简单、效率提高；实际收敛速度较快，比Sigmoid/tanh快很多；比Sigmoid更符合生物学神经激活机制。
综上，通过针对地震目标参数进行预测，提高了预测的准确性，高效性，深度网络深度挖掘数据内部信息，提高信息的表征度，解决了通过拟合求解目标数据过程中存在的累积误差和近似误差，直接通过叠前反演获得的参数和不同角度数据增强了算法的可信度和真实性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.联合叠前弹性反演参数及深度网络目标反演方法，其特征在于，该目标反演方法具体步骤如下：
S1、对井数据进行计算，获得叠前弹性阻抗反演参数；
S2、对井旁道叠前地震数据进行一个角度划分，获得划分角度的叠前参数；
S3、将井旁道上每一个时间点对应的井旁道数据作为输入，该时间点上的井旁道目标数据作为输出约束；
S4、建立训练网络；
S5、通过训练获得映射网络，直接对全区数据进行映射计算；
S6、输入全区数据参数，并通过映射网络直接获得目标数据体；
其中，步骤S4中建立训练网络具体步骤为：
SS1、引入深度神经网络算法；
SS2、通过一个全连接多层网络，挖掘井旁道数据输入数据与井旁道目标数据之间的关系，获得非线性映射网络；
步骤SS1中深度神经网络算法用于建立标签数据集与训练数据集之间的关系，形成预测网络；
其中，深度神经网络算法按不同层的位置划分，其内部的神经网络层可以分为三类：输入层、隐藏层和输出层，层与层之间全连接，具体表现如下：
第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，即存在一个线性关系；
z＝∑wixi+b (1)
其中，z为输出层，w为权重值，x为输入层，b为偏置；通过加上最终激活函数σ(z)，形成了DNN的基本结构；
所述深度神经网络算法为包含多层隐藏层的神经网络算法，前向传播阶段，隐藏层将前一层的输出作为后一层的输入，具体为：
Figure FDA0004196594080000021
Figure FDA0004196594080000022
其中，
Figure FDA0004196594080000023
代表DNN第L层第k个神经元激活前的输出，
Figure FDA0004196594080000024
代表DNN第L层第k个神经元激活后的输出，
Figure FDA0004196594080000025
代表
Figure FDA0004196594080000026
到
Figure FDA0004196594080000027
的线性传递系数，
Figure FDA0004196594080000028
代表
Figure FDA0004196594080000029
前向传播函数的偏倚常数，f为激活函数。
2.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演方法，其特征在于，所述激活函数可采用Relu函数，relu函数是常见的激活函数中的一种，表达形式如下：
f(x)＝max(0,x) (4)。
3.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演方法，其特征在于，步骤S1中叠前弹性阻抗反演参数包括纵波速度、横波速度与密度。
4.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演方法，其特征在于，步骤S2中划分角度的叠前参数包括大角度数据、中角度数据与小角度数据。
CN202110871705.0A 2021-07-30 2021-07-30 联合叠前弹性反演参数及深度网络目标反演方法 Active CN113608264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110871705.0A CN113608264B (zh) 2021-07-30 2021-07-30 联合叠前弹性反演参数及深度网络目标反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110871705.0A CN113608264B (zh) 2021-07-30 2021-07-30 联合叠前弹性反演参数及深度网络目标反演方法

Publications (2)

Publication Number Publication Date
CN113608264A CN113608264A (zh) 2021-11-05
CN113608264B true CN113608264B (zh) 2023-06-09

Family

ID=78306252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110871705.0A Active CN113608264B (zh) 2021-07-30 2021-07-30 联合叠前弹性反演参数及深度网络目标反演方法

Country Status (1)

Country Link
CN (1) CN113608264B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114624773A (zh) * 2022-04-29 2022-06-14 成都理工大学 一种确定致密储层含气性的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112083482A (zh) * 2020-08-06 2020-12-15 西安交通大学 基于模型驱动深度学习的地震超分辨反演方法
CN112882100A (zh) * 2021-02-25 2021-06-01 中海石油深海开发有限公司 一种储层参数确定方法、装置、电子设备和存储介质
CN113138412A (zh) * 2020-01-20 2021-07-20 中国石油天然气集团有限公司 深层页岩气孔隙度地震预测方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245970B (zh) * 2012-02-08 2015-05-27 中国石油化工股份有限公司 叠前地震宽角度反演方法
US10802171B2 (en) * 2017-04-28 2020-10-13 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
US10996372B2 (en) * 2017-08-25 2021-05-04 Exxonmobil Upstream Research Company Geophysical inversion with convolutional neural networks
AU2019346137B2 (en) * 2018-09-27 2021-07-08 Chevron U.S.A. Inc. System and method for automated seismic interpretation
EP3894907B1 (en) * 2018-12-11 2024-01-24 ExxonMobil Technology and Engineering Company Machine learning-augmented geophysical inversion
WO2020123099A2 (en) * 2018-12-11 2020-06-18 Exxonmobil Upstream Research Company Automated seismic interpretation-guided inversion
CN110619382A (zh) * 2019-07-22 2019-12-27 中国石油化工股份有限公司 适用于地震勘探的褶积深度网络构建方法
CN112162316B (zh) * 2020-09-28 2021-10-26 北京中恒利华石油技术研究所 一种avo波形数据驱动的高分辨率井震融合叠前反演方法
CN112882123B (zh) * 2021-01-11 2022-06-17 中国海洋大学 一种基于两步法的cnn井震联合反演方法、系统及应用
CN112733449B (zh) * 2021-01-11 2022-12-02 中国海洋大学 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN113031068B (zh) * 2021-02-24 2022-05-27 浙江大学 一种基于反射系数精确式的基追踪叠前地震反演方法
CN113109874B (zh) * 2021-03-30 2022-11-01 中国石油大学(华东) 一种使用神经网络的波阻抗反演方法和神经网络系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113138412A (zh) * 2020-01-20 2021-07-20 中国石油天然气集团有限公司 深层页岩气孔隙度地震预测方法及装置
CN112083482A (zh) * 2020-08-06 2020-12-15 西安交通大学 基于模型驱动深度学习的地震超分辨反演方法
CN112882100A (zh) * 2021-02-25 2021-06-01 中海石油深海开发有限公司 一种储层参数确定方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113608264A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN112017289B (zh) 一种基于深度学习的井震联合初始岩性模型构建方法
CN109709603B (zh) 地震层位识别与追踪方法、系统
CN111324990A (zh) 基于多层长短期记忆神经网络模型的孔隙度预测方法
US7433851B2 (en) System and method for inferring geological classes
CN107301864A (zh) 一种基于Maxout神经元的深度双向LSTM声学模型
CN112230283B (zh) 一种基于测井曲线支持向量机建模的地震孔隙度预测方法
CN112733449B (zh) 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN113610945B (zh) 一种基于混合神经网络的地应力曲线预测方法
CN113608264B (zh) 联合叠前弹性反演参数及深度网络目标反演方法
CN109165737B (zh) 基于条件随机场和bp神经网络的孔隙度预测方法
CN111722283B (zh) 一种地层速度模型建立方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN115659138A (zh) 一种动水干扰环境电磁法水中测量信号降噪方法
CN111894563B (zh) 潜山段中裂缝型储层的分类确定方法及系统
CN115049173A (zh) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
CN115099406A (zh) 基于多元时间序列的地层压力反演方法及装置
CN112882123B (zh) 一种基于两步法的cnn井震联合反演方法、系统及应用
CN112906760B (zh) 一种水平井压裂段分段方法、系统、设备及存储介质
Li et al. A comprehensive review of seismic inversion based on neural networks
Yang et al. Porosity prediction from pre-stack seismic data via a data-driven approach
CN111273349B (zh) 一种用于海底浅部沉积层的横波速度提取方法及处理终端
CN116859460B (zh) 一种适用于弹性波近场反射的海底物性参数反演方法
CN111749675A (zh) 一种基于级联模型算法的地层可钻性预测方法及系统
Tahmasebi et al. Comparison of optimized neural network with fuzzy logic for ore grade estimation

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