CN113705644B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113705644B CN113705644B CN202110945192.3A CN202110945192A CN113705644B CN 113705644 B CN113705644 B CN 113705644B CN 202110945192 A CN202110945192 A CN 202110945192A CN 113705644 B CN113705644 B CN 113705644B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- imaging result
- network
- reverse time
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 134
- 238000013508 migration Methods 0.000 claims abstract description 89
- 230000005012 migration Effects 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005293 physical law Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000007710 freezing Methods 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 7
- 238000010257 thawing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了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，属于油气物探工程领域，本申请根据观测数据，通过常规逆时偏移得到地下构造成像结果；利用描述地震波传播规律的反偏移和常规逆时偏移，建立第一数据集，训练能够对成像结果进行去模糊化的第一神经网络；根据测井数据建立第二数据集，对第一神经网络的参数进行修正，得到第二神经网络；根据第二神经网络对常规逆时偏移结果进行处理，得到高精度的地下构造反射系数。本申请的方法在物理规律和数据双驱动的框架下训练神经网络，改善了传统数据驱动方法受样本数量限制导致性能降低的问题，能够输出高精度地下构造反射系数。
Description
技术领域
本发明属于油气物探工程领域，涉及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。
背景技术
国内油气勘探重点正持续从常规油气向非常规油气过渡。与常规油气不同，非常规油气评价的重点是岩性、物性等属性参数。在油气勘探中，地震偏移根据人工地震数据对地下构造进行成像，是寻找油气储层的重要手段。然而，常规偏移算子仅为正演算子的共轭，其成像结果在本质上是海森算子和地下反射系数的褶积。受到海森算子的影响，常规偏移方法的成像结果存在偏移假象、分辨率低、振幅不保真等问题，其精度难以满足储层岩性研究的要求。
在最小二乘反演框架下，基于模型驱动的最小二乘偏移方法通过迭代算法求解与观测地震数据最佳匹配的成像结果，可以隐式地消除海森算子对成像结果的影响，提高成像分辨率和保真度。但是，模型驱动方法依赖于正演模型的准确性，并且其计算量随着迭代次数增加，计算效率较低。基于数据驱动的神经网络算法近期在地震数据处理与解释领域取得了一定的进展，通过数据驱动方法消除海森算子对成像结果的影响能够克服模型驱动方法的理论缺陷。数据驱动方法发挥良好性能的前提是特征典型、信息完备、数量充足的数据集，而地震成像领域有效的标签数据(即测井数据等先验信息)十分有限，可靠样本数量和样本所表征的有效分布不足以训练一个足够完备、且能够在目标工区实际资料上泛化的神经网络。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供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，旨在解决现有技术中由于有效样本数量限制，基于数据驱动的地震成像方法泛化性差、成像精度低的技术问题。
基于此，本申请提出一种物理规律和数据双驱动的地震成像方法，其特征在于，包括如下步骤：
S101、根据观测地震数据，通过常规逆时偏移，得到常规逆时偏移成像结果；
S102、利用描述地震波传播规律的反偏移算子、常规逆时偏移算子和S101得到的常规逆时偏移成像结果建立第一数据集，根据第一数据集训练表征逆海森算子的第一神经网络；
S103、根据测井得到的声波时差曲线和S101得到的常规逆时偏移成像结果建立第二数据集，在S102得到的第一神经网络的基础上，根据第二数据集对第一神经网络的参数进行修正，得到第二神经网络；
S104、根据S103得到的第二神经网络对S101得到的常规逆时偏移成像结果进行处理，得到高精度的地下构造反射系数。
优选地，在S102中，具体包括如下步骤：
步骤a、根据实际资料的观测系统，对S101得到的常规逆时偏移成像结果进行反偏移得到模拟地震数据；
步骤b、对模拟地震数据进行常规逆时偏移，得到二次偏移成像结果；
步骤c、对二次偏移成像结果和S101得到的常规逆时偏移成像结果的每一道数据进行分段划分，将二次偏移成像结果作为第一神经网络的输入，将常规逆时偏移结果作为标签建立第一数据集；
步骤d、根据第一数据集，训练能够表征逆海森算子的第一神经网络。
优选地，在步骤c中，采用滑动窗口法将每一道数据拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为特征向量，构成第一数据集。
优选地，在步骤d中，第一神经网络结构包括两层长短期记忆网络，两层长短期记忆网络中间为一个Dropout层，输出层为一个全连接层。
优选地，在S103中，包括如下步骤：
步骤a、根据测井得到的声波时差曲线计算井位处的地下反射系数；
步骤b、在S101得到的常规逆时偏移成像结果中，取出井位处的成像结果，和井位处的地下反射系数进行分段划分，将常规逆时偏移成像结果作为第一神经网络的输入，将井位处的地下反射系数作为标签建立第二数据集；
步骤c、根据第二数据集和预设的超参数，冻结第二层长短期记忆网络参数和输出层参数，通过最小化目标函数修正第一层长短期记忆网络和Dropout层的网络参数；
步骤d，根据第二数据集和预设的超参数，解冻第二层长短期记忆网络参数和输出层参数，通过最小化目标函数修正所有层网络参数。
优选地，在步骤b中，采用滑动窗口法将每一道数据进行分段划分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为特征向量，构成第二数据集。
优选地，在S104中，包括如下步骤：
步骤a、对S101得到的常规逆时偏移成像结果的每一道数据进行分段划分，采用滑动窗口法将每一道数据进行拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为第二神经网络输入；
步骤b、将划分后的逆时偏移成像结果输入第二神经网络，得到第二神经网络预测的分段成像结果；
步骤c、将第二次神经网络预测的分段成像结果重构为与常规逆时偏移成像结果维度相同的高精度反射系数。
本发明还提出了一种物理规律和数据双驱动的地震成像方法的系统，包括：
数据处理模块，用于获取地下构造成像结果；
网络参数预训练模块，用于获取第一神经网络；
网络参数修正模块，用于获取第二神经网络；
网络应用模块，用于对常规逆时偏移成像结果进行处理，得到高精度的地下构造反射系数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现物理规律和数据双驱动的地震成像方法的步骤。
一种计算机可读存储介质，所述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实现物理规律和数据双驱动的地震成像方法的步骤。
与现有技术相比，本发明具有以下有益效果：
1)、本发明提出的一种物理规律和数据双驱动的地震成像方法，根据观测地震数据，通过常规逆时偏移得到常规逆时偏移成像结果；利用描述地震波传播规律的反偏移算子、常规逆时偏移成像结果和常规逆时偏移算子，建立第一数据集，根据第一数据集训练表征逆海森算子的第一神经网络；根据测井得到的声波时差曲线和常规逆时偏移成像结果建立第二数据集，对第一神经网络的参数进行修正，得到第二神经网络；根据第二神经网络对常规逆时偏移结果进行处理，得到高精度的地下构造反射系数。本申请的方法基于描述地震波传播规律的反偏移和常规逆时偏移算子，在物理规律和数据双驱动的框架下训练神经网络，改善了传统数据驱动方法受样本数量限制导致性能降低的问题，在标签数据不足的情况下能够训练得到具有良好表征和泛化能力的神经网络，输出高精度地下构造反射系数。
2)、本发明的成像振幅相对于常规逆时偏移成像方法和基于数据驱动的地震成像方法的成像振幅，与真实反射系数更加接近，证明本发明的方法具有更好的保幅性。本发明的成像结果的波数谱相对于常规逆时偏移成像结果和数据驱动的地震成像结果的波数谱，增强了高波数信息，具有更宽的频带，证明本发明的方法具有更高的成像分辨率。因此，本发明方法相对与现有技术方法，能够提高地下构造的成像分辨率和振幅保真度，对致密油气储层的勘探具有重要意义。
本发明还提出了一种物理规律和数据双驱动的地震成像方法的系统，采用模块化思想易于系统功能的扩充与管理。
附图说明
图1为本申请实施例提供的一个实施例的流程框图；
图2为本申请实施例提供的网络结构示意图；
图3为本发明的一个实施例的真实速度场模型图；
图4为本发明的一个实施例的偏移速度场模型图；
图5为本发明的常规逆时偏移成像结果图；
图6为本发明的一个实施例的物理规律和数据双驱动的地震成像结果图；
图7为本发明的常规基于数据驱动的地震成像结果图；
图8为本发明的实施例与基于数据驱动的地震成像结果的单道振幅对比图；
图9为本发明的实施例与常规逆时偏移成像结果和数据驱动的地震成像结果的波数谱对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
本申请实施例提供一种地下构造的反演方法，如图1所示，包括以下步骤：
S101，根据观测地震数据，通过常规逆时偏移，得到常规逆时偏移成像结果，其计算公式如公式(1)所示：
m*(x)＝∫∫d*(x,t；xs)p(x,t；xs)dtdxs (1)
其中，m*(x)为逆时偏移成像结果，p(x,t；xs)为对震源进行正传得到的震源波场，d*(x,t；xs)为对观测数据进行反传得到的检波器波场，x为地下任意一点，xs为震源位置，t为时间。震源波场可通过常规有限差分法求解如公式(2)所示的波动方程得到：
其中，v0(x)为偏移速度场，s(t；xs)为震源函数，为拉普拉斯算子。
检波器波场可通过如公式(3)所示的波动方程计算得出：
其中，d(x,t；xs)为观测地震数据。
S102，利用描述地震波传播规律的反偏移算子、常规逆时偏移算子和S101得到的常规逆时偏移成像结果，建立第一数据集，根据第一数据集训练表征逆海森算子的第一神经网络。具体的说，包括如下步骤：
步骤a，根据实际资料的观测系统，对S101得到的常规逆时偏移结果进行反偏移得到模拟地震数据，具体地说，通过逆时反偏移计算模型数据通过求解以下波动方程实现：
其中，pm(x,t；xs)为反偏移计算得到的模拟地震数据。
步骤b，对模拟地震数据进行常规逆时偏移，得到二次偏移成像结果；
步骤c，对二次偏移成像结果和S101得到的常规逆时偏移结果的每一道数据进行分段划分，将二次偏移成像结果作为第一神经网络的输入，将常规逆时偏移结果作为标签建立第一数据集，具体地说：为了获得尽量多的特征向量对网络进行训练，采用滑动窗口法将每一道数据进行拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为特征向量，构成第一数据集；由于海森算子为常规逆时偏移算子和反偏移算子的褶积，而二次偏移成像结果为常规逆时偏移成像结果经过反偏移、常规逆时偏移得到的，因此二次偏移成像结果为常规逆时偏移成像结果和海森算子的褶积，通过第一数据集训练的神经网络表征的即为逆海森算子；
步骤d，根据第一数据集，训练能够表征逆海森算子的第一神经网络，具体来说：第一神经网络结构如图2所示，包括两层长短期记忆网络(LSTM)，每个LSTM包含1024个网络单元，两层LSTM中间为一个Dropout层，输出层为一个全连接(dense)层。
由于成像结果在时间上具有相关性，而长短期记忆网络适合处理时间序列，因此选用长短期记忆网络。网络层数越多，其对非线性关系的表征能力越强，但需要数据量更大的数据集；网络层数越少，其对非线性关系的表征能力越弱，但对数据集要求更少。我们对不同的网络结构进行了测试，发现二层长短期记忆网络对于我们这个应用网络效果是最好的。
网络训练所用的目标函数为：
其中，Θ为网络参数矩阵，为神经网络通过二次偏移结果/>预测的成像结果，/>为逆时偏移结果，下标n指数据集中的第n组数据。根据预设的超参数，通过TensorFlow实现网络训练。
S103，根据测井得到的声波时差曲线和S101得到的常规逆时偏移成像结果数据建立第二数据集，在S102得到的第一神经网络的基础上，根据第二数据集对第一神经网络的参数进行修正，得到第二神经网络。具体的说，包括如下步骤：
步骤a，根据测井得到的声波时差曲线计算井位处的地下反射系数；
步骤b，在S101得到的常规逆时偏移成像结果中，取出井位处的成像结果和井位处的地下反射系数进行分段划分，将常规逆时偏移成像结果作为第一神经网络的输入，将井位处的地下反射系数作为标签建立第二数据集。具体地说：为了获得尽量多的特征向量对网络进行训练，采用滑动窗口法将每一道数据进行拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为特征向量，构成第二数据集；如说明书中背景技术所述，常规逆时偏移成像结果在本质上是海森算子和地下反射系数的褶积，因此通过第二数据集训练的第二神经网络表征的非线性关系也是逆海森算子，这也是能够通过第二数据集修正的第一神经网络原因。
步骤c，根据第二数据集和预设的超参数，冻结第二层长短期记忆网络参数和输出层参数，通过最小化如公式(6)所示的目标函数修正第一层长短期记忆网络和Dropout层的网络参数：
其中，为神经网络通过逆时偏移结果预测的成像结果，mn为测井数据计算得到的反射系数，下标n指数据集中的第n组数据。预设的超参数包括学习率、训练轮数(epoch)、Dropout层丢失率和激活函数等，根据预设的超参数，通过TensorFlow实现网络训练。
冻结网络训练即首先冻结网络的后两层参数，采用较大的学习率对网络的前两层参数进行训练，修正网络学习的底层特征，再解冻网络的所有层，采用较小的学习率对整体网络参数进行微调。采用该方法的好处为：预训练网络直接采用较大学习率进行训练，会迅速发生过拟合现象；采用较小学习率进行训练，训练效率过低。由于输入侧网络学习到的特征较简单，因此冻结后两层参数，采用大学习率对前两层网络参数进行训练，再解冻所有参数，采用小学习率对网络输出进行修正，提高训练效率。
通过最小化目标函数修正其他层网络参数，即冻结后两层网络参数，修正前两层网络参数。采用大学习率对输入层网络层参数表达的底层特征进行训练，再采用小学习率对全部网络层进行训练，修正网络输出，能够提高网络训练效率，同时避免由于大学习率对预训练网络全部参数进行训练导致的网络迅速过拟合现象。
步骤d，根据第二数据集和预设的超参数，解冻第二层长短期记忆网络参数和输出层参数，通过最小化如公式(6)所示的目标函数修正所有层网络参数。
S104，根据第二神经网络对S101得到的常规逆时偏移成像结果进行处理，得到高精度的地下构造反射系数，具体的说，包括如下步骤：
步骤a，对常规逆时偏移成像结果的每一道数据进行分段划分，具体地说：采用滑动窗口法将每一道数据进行拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为第二神经网络输入；
步骤b，将划分后的逆时偏移成像结果输入第二神经网络，得到第二神经网络预测的分段成像结果；
步骤c，将第二次神经网络预测的分段成像结果重构为与常规逆时偏移成像结果维度相同的高精度反射系数。
本发明还提出了一种物理规律和数据双驱动的地震成像方法的系统，包括：
数据处理模块，用于获取地下构造成像结果；
网络参数预训练模块，用于获取第一神经网络；
网络参数修正模块，用于获取第二神经网络；
网络应用模块，用于对常规逆时偏移成像结果进行处理，得到高精度的地下构造反射系数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现一种物理规律和数据双驱动的地震成像方法的步骤。
一种计算机可读存储介质，所述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实现一种物理规律和数据双驱动的地震成像方法的步骤。
采用本发明的方法，建立物理规律约束的神经网络表征逆海森算子，在标签数据不足的情况下也能够训练得到具有良好表征和泛化能力的神经网络，进而预测高分辨率、保幅的地下构造成像结果。
本申请实施例基于目标区实际资料特征，首先在半监督框架下利用描述地震波传播规律的反偏移算子和常规逆时偏移算子构造数据集对神经网络进行预训练，得到第一神经网络，然后利用测井数据构造数据集对网络参数进行修正，建立物理规律约束的神经网络(即第二神经网络)表征逆海森算子。为使本发明的技术方案更加的浅显明白，下边给出一个具体应用的例子加以说明：
将本发明的方法应用在Marmousi模型(如图3所示)为例，输入观测数据，包括偏移速度场(如图4所示)、观测地震数据、观测系统和偏移参数，观测系统分布为：在地表以60米间隔均匀布置90个炮点，由552个在地表的检波点接收，检波点间隔为10米，偏移参数如下：偏移速度场横向采样点为552及纵向采样点为248，空间采样间隔为10米，时间采样间隔为0.8毫秒，采样时间为3.2秒，主频为25赫兹；对观测数据进行常规逆时偏移得到地下构造成像结果(如图5所示)。
对常规逆时偏移成像结果进行反偏移得到二次偏移成像结果，采用滑动窗口法对常规逆时偏移成像结果和二次偏移成像结果进行分段划分，这样可以增大数据集，提高网络训练结果，设置滑动窗口长度为20，步长为1，得到第一数据集。
根据第一数据集，设置学习率为0.0001，训练轮数(epoch)为1，Dropout层丢失率设置为0.5，LSTM层单元数设置为1024；对每个LSTM单元，输入、输出激活函数设置为tanh，门机制的激活函数设置为sigmoid；通过TensorFlow训练能够表征逆海森算子的第一神经网络。
将Marmousi真实速度模型(如图3所示)中的第199道和第299道作为测井数据，计算反射系数。对井位处的逆时偏移结果和反射系数进行分段划分，设置滑动窗口长度为20，步长为1，得到第二数据集。
根据第二数据集，冻结后两层网络参数，设置学习率为0.0001，epoch为43，其他超参数与训练第一神经网络时相同，对其他层网络参数进行训练。经过43个epoch后，网络在训练集上的目标函数值由0.4079下降至0.1018，且基本不再下降，停止网络训练。
根据第二数据集，解冻后两层网络参数，设置学习率为0.00001，epoch为28，其他超参数不变，对全部网络参数进行修正。经过28个epoch后，网络在训练集上的损失值由0.0884下降至0.0786，且基本不再下降，停止网络训练，得到第二神经网络。
根据第二神经网络对如图常规逆时偏移结果进行处理，得到高精度的地下构造反射系数，如图6所示。
为了将本发明方法与基于数据驱动的地震成像方法对比，首先采用和本发明方法相同的网络结构，仅通过带有实际标签(测井数据)的第二数据集对网络进行训练，然后通过训练得到的网络对常规逆时偏移成像结果进行处理，得到常规基于数据驱动的地震成像结果，如图7所示。
采用本发明的成像方法，相对于常规逆时偏移成像结果(如图5所示)和常规基于数据驱动的地震成像结果(如图7所示)，提高了地下构造的成像分辨率，尤其是断层的图像更加清晰。
图8为当前例的横向距离为2760米时，本发明的方法、基于数据驱动的地震成像方法的成像振幅与真实反射系数的对比。本发明的成像振幅相对于基于数据驱动的地震成像方法的成像振幅，与真实反射系数更加接近，证明本发明的方法具有更好的保幅性。
图9为当前例的本发明的方法与其他两种成像方法成像结果波数谱的对比。本发明的成像结果的波数谱相对于其他两种方法成像结果的波数谱，增强了高波数信息，具有更宽的频带，证明本发明的方法具有更高的成像分辨率。因此，本发明方法相对与现有技术方法，能够提高地下构造的成像分辨率和振幅保真度，对致密油气储层的勘探具有重要意义。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (4)
1.一种物理规律和数据双驱动的地震成像方法，其特征在于，包括如下步骤：
S101、根据观测地震数据，通过常规逆时偏移，得到常规逆时偏移成像结果；
S102、利用描述地震波传播规律的反偏移算子、常规逆时偏移算子和S101得到的常规逆时偏移成像结果建立第一数据集，根据第一数据集训练表征逆海森算子的第一神经网络；包括如下步骤：
步骤a、根据实际资料的观测系统，对S101得到的常规逆时偏移成像结果进行反偏移得到模拟地震数据；
步骤b、对模拟地震数据进行常规逆时偏移，得到二次偏移成像结果；
步骤c、对二次偏移成像结果和S101得到的常规逆时偏移成像结果的每一道数据进行分段划分，将二次偏移成像结果作为第一神经网络的输入，将常规逆时偏移结果作为标签建立第一数据集；
步骤d、根据第一数据集，训练能够表征逆海森算子的第一神经网络；
在步骤c中，采用滑动窗口法将每一道数据拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为特征向量，构成第一数据集；
在步骤d中，第一神经网络结构包括两层长短期记忆网络，两层长短期记忆网络中间为一个Dropout层，输出层为一个全连接层；
S103、根据测井得到的声波时差曲线和S101得到的常规逆时偏移成像结果建立第二数据集，在S102得到的第一神经网络的基础上，根据第二数据集对第一神经网络的参数进行修正，得到第二神经网络；包括如下步骤：
步骤a、根据测井得到的声波时差曲线计算井位处的地下反射系数；
步骤b、在S101得到的常规逆时偏移成像结果中，取出井位处的成像结果，和井位处的地下反射系数进行分段划分，将常规逆时偏移成像结果作为第一神经网络的输入，将井位处的地下反射系数作为标签建立第二数据集；
其中，采用滑动窗口法将每一道数据进行分段划分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为特征向量，构成第二数据集；
步骤c、根据第二数据集和预设的超参数，冻结第二层长短期记忆网络参数和输出层参数，通过最小化目标函数修正第一层长短期记忆网络和Dropout层的网络参数；
步骤d，根据第二数据集和预设的超参数，解冻第二层长短期记忆网络参数和输出层参数，通过最小化目标函数修正所有层网络参数；
S104、根据S103得到的第二神经网络对S101得到的常规逆时偏移成像结果进行处理，得到高精度的地下构造反射系数；包括如下步骤：
步骤a、对S101得到的常规逆时偏移成像结果的每一道数据进行分段划分，采用滑动窗口法将每一道数据进行拆分，根据设置的滑动窗口长度和步长，每次取出一个窗口数据作为第二神经网络输入；
步骤b、将划分后的逆时偏移成像结果输入第二神经网络，得到第二神经网络预测的分段成像结果；
步骤c、将第二次神经网络预测的分段成像结果重构为与常规逆时偏移成像结果维度相同的高精度反射系数。
2.实现权利要求1所述的物理规律和数据双驱动的地震成像方法的系统，包括：
数据处理模块，用于获取地下构造成像结果；
网络参数预训练模块，用于获取第一神经网络；
网络参数修正模块，用于获取第二神经网络；
网络应用模块，用于对常规逆时偏移成像结果进行处理，得到高精度的地下构造反射系数。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1所述的物理规律和数据双驱动的地震成像方法的步骤。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的物理规律和数据双驱动的地震成像方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945192.3A CN113705644B (zh) | 2021-08-17 | 2021-08-17 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945192.3A CN113705644B (zh) | 2021-08-17 | 2021-08-17 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705644A CN113705644A (zh) | 2021-11-26 |
| CN113705644B true CN113705644B (zh) | 2023-09-12 |
Family
ID=78653275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110945192.3A Active CN113705644B (zh) | 2021-08-17 | 2021-08-17 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705644B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3112197A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
| CN112100906A (zh) * | 2020-08-21 | 2020-12-18 | 中海石油(中国)有限公司 | 数据驱动的大尺度密度建模方法、计算设备及存储介质 |
| RU2746691C1 (ru) * | 2020-08-26 | 2021-04-19 | Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» | Система интеллектуального определения тектонических нарушений по сейсмическим данным на основе сверточных нейронных сетей |
| CN112925012A (zh) * | 2021-01-26 | 2021-06-08 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
| CN113064203A (zh) * | 2021-03-26 | 2021-07-02 | 中国海洋大学 | 共轭梯度归一化lsrtm方法、系统、存储介质及应用 |
-
2021
- 2021-08-17 CN CN202110945192.3A patent/CN113705644B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3112197A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
| CN112100906A (zh) * | 2020-08-21 | 2020-12-18 | 中海石油(中国)有限公司 | 数据驱动的大尺度密度建模方法、计算设备及存储介质 |
| RU2746691C1 (ru) * | 2020-08-26 | 2021-04-19 | Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» | Система интеллектуального определения тектонических нарушений по сейсмическим данным на основе сверточных нейронных сетей |
| CN112925012A (zh) * | 2021-01-26 | 2021-06-08 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
| CN113064203A (zh) * | 2021-03-26 | 2021-07-02 | 中国海洋大学 | 共轭梯度归一化lsrtm方法、系统、存储介质及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 高经纬 ; 张春涛 ; .基于长短时记忆网络的结构地震响应预测.工程抗震与加固改造.2020,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705644A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112083482B (zh) | 基于模型驱动深度学习的地震超分辨反演方法 | |
| US10386511B2 (en) | Seismic survey design using full wavefield inversion | |
| US11828894B2 (en) | Multi-scale unsupervised seismic velocity inversion method based on autoencoder for observation data | |
| Jin et al. | Unsupervised learning of full-waveform inversion: Connecting CNN and partial differential equation in a loop | |
| Ovcharenko et al. | Extrapolating low-frequency prestack land data with deep learning | |
| CN113077386A (zh) | 基于字典学习和稀疏表征的地震资料高分辨率处理方法 | |
| CN117631028A (zh) | 一种多尺度全局信息融合神经网络地震数据低频重构方法 | |
| CN115598697A (zh) | 薄层结构高分辨率地震反演方法、装置、介质和设备 | |
| Yang et al. | Porosity prediction from pre-stack seismic data via a data-driven approach | |
| Alali et al. | Time-lapse data matching using a recurrent neural network approach | |
| CN112100906B (zh) | 数据驱动的大尺度密度建模方法、计算设备及存储介质 | |
| Pham et al. | Missing sonic log prediction using convolutional long short-term memory | |
| Sun et al. | LsmGANs: Image-domain least-squares migration using a new framework of generative adversarial networks | |
| Li et al. | Pertinent multigate mixture-of-experts-based prestack three-parameter seismic inversion | |
| CN113705644B (zh) | 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 | |
| Bai et al. | A U-Net based deep learning approach for seismic random noise suppression | |
| CN112748463A (zh) | 一种基于深度学习照明分析的局部偏移成像方法 | |
| Rusmanugroho et al. | 3D velocity model building based upon hybrid neural network | |
| Farris et al. | Deep learning velocity model building using an ensemble regression approach | |
| CN117388944A (zh) | 地质模型约束的多物性参数反演方法 | |
| Lin et al. | Learning or memorizing: A study of generalization issues on data-driven seismic full-waveform inversion | |
| Ovcharenko | Data-driven methods for the initialization of full-waveform inversion | |
| Farris et al. | Bridging the gap: Deep learning on seismic field data with synthetic training for building Gulf of Mexico velocity models | |
| Wang et al. | VMB-Net: A deep learning network for velocity model building in a cross-well acquisition geometry | |
| Ren et al. | Automated dispersion curve picking using multi-attribute convolutional-neural-network based machine learning |
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 |