CN114063169B - 一种波阻抗反演方法、系统、设备和存储介质 - Google Patents

一种波阻抗反演方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN114063169B
CN114063169B CN202111324622.6A CN202111324622A CN114063169B CN 114063169 B CN114063169 B CN 114063169B CN 202111324622 A CN202111324622 A CN 202111324622A CN 114063169 B CN114063169 B CN 114063169B
Authority
CN
China
Prior art keywords
wave impedance
seismic
low
frequency
training
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
CN202111324622.6A
Other languages
English (en)
Other versions
CN114063169A (zh
Inventor
鲁强
崔馨元
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 Beijing
Original Assignee
China University of Petroleum Beijing
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 Beijing filed Critical China University of Petroleum Beijing
Priority to CN202111324622.6A priority Critical patent/CN114063169B/zh
Publication of CN114063169A publication Critical patent/CN114063169A/zh
Application granted granted Critical
Publication of CN114063169B publication Critical patent/CN114063169B/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
    • 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
    • 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
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6226—Impedance

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种波阻抗反演方法、系统、设备和存储介质，方法包括以下步骤：获取采样区域的地震数据集；基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。因此，本发明能够基于地震数据得到准确的、有效地的波阻抗预测值，使得波阻抗反演的精度更大，真实性更高，同时对油藏的开发具有现实的帮助意义。

Description

一种波阻抗反演方法、系统、设备和存储介质
技术领域
本发明涉及地球物理勘探领域，更具体地，涉及一种基于神经网络与符号网络的波阻抗反演方法、系统、设备和存储介质。
背景技术
近年来，在地震勘探技术上，随着相关物理设备的进步，地震数据的采集能力与数据资料的处理解释方法得到了很大的提升和发展，因此，地震反演技术成为预测储层的核心手段。地震反演技术是指利用地震观测资料(地震数据)，将已知的一些地质规律与测井、钻井资料作为约束条件，对地面以下的岩层的物性及物理结构成像的过程，这一过程也是一个求解的过程。由于地震波阻抗与含油气储层具有很好的对应性，波阻抗反演技术成为地震反演技术的一个常用方法。在求解波阻抗的过程中，使用到的方法就是波阻抗反演，即一种利用地震观测资料来反演地层波阻抗的地震特殊处理解释技术。
目前许多基于机器学习和神经网络的波阻抗反演算法已经取得了初步的效果，这些基于深度学习的方法都是通过学习地震记录与标签数据之间的参数权重来寻找反演映射关系的。对于一些地下构造复杂的情况，地震数据与反演参数之间的关系是十分复杂的，单纯的使用深度神经网络也无法准确的表示其反演映射关系，在数据量有限的条件下，如果尝试增加网络深度可能会增加过拟合的风险。
如何能够避免神经网络在反演过程中的过拟合问题，并且能准确的找到地震数据与波阻抗之间的反演关系，是地球物理勘探领域亟待解决的问题。
发明内容
针对上述问题，本发明的目的是提供一种基于神经网络与符号网络的波阻抗反演方法、系统、设备和存储介质，该方法能取得不错的反演效果，又能显示地找出反演公式，可以有效提高储层预测的准确度。
为实现上述目的，本发明采取以下技术方案：
一种波阻抗反演方法，其包括以下步骤：获取采样区域的地震数据集；基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
进一步，所述地震数据集包括地震记录、波阻抗标签数据以及包含低频信息的波阻抗数据。
进一步，所述基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型的方法，包括：
a、基于地震数据集得到训练样本集；
b、将训练样本集中的地震记录、包含低频信息的波阻抗数据输入到波阻抗反演模型的低频信息约束模块，得到波阻抗的低频约束信息；
c、将波阻抗的低频约束信息作为约束条件，将训练集中的地震记录输入到波阻抗反演模型的符号网络模型进行训练，得到符号网络模型输出的预测波阻抗值；
d、基于地震数据集以及预测波阻抗值进行损失函数的计算，若损失函数不收敛，则重复步骤b和c继续进行训练，直到得到训练好的波阻抗反演模型。
进一步，所述步骤a中，所述训练样本集为从地震数据集的相邻的n道地震记录中选取m个数据点构成。
进一步，所述低频信息约束模块由卷积神经网络与全连接网络连接而成；所述卷积神经网络包括三个卷积块、一个并列块和一个展开块；所述三个卷积块用于接收地震记录，并提取各道地震记录的低频数据特征；所述并列块用于接收三个卷积块所提取的各道地震记录的低频数据特征，并进行合并；所述展开层用于将并列块输出的合并后的低频数据特征进行一维化，得到波阻抗的低频约束信息；所述全连接层用于接收展开层的输出作为其输入，并将波阻抗的低频约束信息输出。
进一步，所述符号网络模块包括隐层和函数节点层；所述隐层的输入为地震记录，输出为地震记录的隐藏特征；所述函数节点层包括多个数学符号构成的函数节点。
进一步，所述损失函数的计算公式为：
Loss＝α*mse1+mse2
其中，Loss为损失函数值；α为学习率；mse1为地震记录和低频信息约束模块输出的波阻抗的低频约束信息之间的均方误差；mse2为符号网络模块输出的预测波阻抗值和波阻抗标签数据之间的均方误差。
一种波阻抗反演系统，其包括：
数据集获取模块，用于获取采样区域的地震数据集；
模型训练模块，用于基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；
模型预测模块，用于使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述波阻抗反演方法的步骤。
一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述波阻抗反演方法的步骤。
本发明由于采取以上技术方案，其具有以下优点：本发明使用的符号网络不仅可以提取到反演关系，还可以通过真实的数学公式对反演效果做辅助验证并且能够显式地找出地震记录与波阻抗的数学关系。因此，能够基于地震数据得到准确的、有效地的波阻抗预测值，使得波阻抗反演的精度更大，真实性更高，在提高波阻抗反演准确度的同时，以公式做以辅助验证，可靠性与反演精度都会更高，并且可以有效避免过拟合风险，对油藏的开发具有现实的帮助意义。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明实施例提供的波阻抗反演方法的网络结构示意图；
图2是本发明实施例提供的波阻抗反演方法的流程图；
图3是本发明实施例提供的波阻抗反演方法使用的低频信息约束模块的网络结构示意图；
图4是本发明实施例提供的波阻抗反演方法使用的符号网络模块的网络结构示意图；
图5是本发明实施例提供的波阻抗反演方法在Marmousi2模型数据上的实施效果图；
图6是本发明实施例提供的波阻抗反演方法在Marmousi2模型训练数据上的某一道训练集上的真实波阻抗与预测波阻抗的拟合效果图；
图7是本发明实施例提供的波阻抗反演方法在Marmousi2模型测试数据上的某一道测试集上的真实波阻抗与预测波阻抗的拟合效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在实际的地震勘探中，声阻抗有很重要的作用。如果能够从地震数据中估计出声阻抗和横波速度的关系，就可以方便地区分地层的岩性以及所包含的流体成分。波阻抗反演就是把叠后地震数据集中的每一道变换为一个伪声波阻抗曲线的过程。由于波阻抗反演综合了地震、测井、岩性和地质解释的多元信息，波阻抗的反演结果包含更多的信息，且不受地震子波调谐和干涉的影响，波阻抗与岩性、孔隙度、空隙填充物等有更直接的关系，有利于储层描述和流体分析，波阻抗数据更有利于层序地层分析，也更有利于目标解释。
基于此，本发明的一些实施例中，提供了一种基于神经网络与符号网络相结合的波阻抗反演方法，从第一道至第n道相邻的地震记录中，选取m个数据点作为该网络的输入数据，在反演过程中使用波阻抗的低频信息作为整个网络训练的约束条件，在低频信息的约束下，求得与地震记录相对应的地下波阻抗数据，波阻抗数据即为整个网络的输出数据。在整个网络模型中，使用低频信息约束模块提取地震记录的低频信息，然后再训练符号网络以得到最终的波阻抗数据，并且可以通过符号网络得到地震记录在低频信息约束下的反演公式。本发明使用的符号网络不仅可以提取到反演关系，还可以通过真实的数学公式对反演效果做辅助验证并且能够显式地找出地震记录与波阻抗的数学关系。因此，能够基于地震数据得到准确的、有效地的波阻抗预测值，使得波阻抗反演的精度更大，真实性更高，同时对油藏的开发具有现实的帮助意义。
与之相对应地，本发明的另一些实施例中，提供了一种波阻抗反演系统、设备和存储介质。
实施例1
如图1、图2所示，本实施例提供一种波阻抗反演方法，该方法的网络结构主要使用了对偶学习的方式，包括以下步骤：
步骤S1、获取采样区域的地震数据集。
具体地，获取的采样区域的地震数据集包括地震记录、波阻抗标签数据以及包含低频信息的波阻抗数据。
在一些实现中，地震记录可以通过对地震信号进行采样得到，其中，对地震信号进行采样时，以时间间隔Δt对采样地区的地震信号进行采样，获得多道地震数据，构成地震记录。
在又一些实现中，地震记录也可以通过实验模拟得到。通过实验模拟获得地震记录是指，在实验中使用程序进行正演模拟生成地震记录。其中，通过正演模拟生成的地震记录中每一道地震记录都是相邻的，且满足正演理论公式。
在另一些实现中，波阻抗标签数据(也即真实波阻抗数据)就是通过近偏移距叠加反演，在测井曲线标定的基础上直接计算得到的，在训练过程中作为有效标注数据。
在另一些实现中，包含低频信息的波阻抗数据是指测井曲线中的低频成分，也就是叠前时间偏移和叠前深度偏移中使用的速度信息。其中，包含低频信息的波阻抗数据通过将波阻抗标签数据平滑处理得到。
步骤S2、基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型。
具体地，上述步骤S2包括以下步骤：
步骤S2.1、基于地震数据集得到训练样本集。
在一些实现中，将地震记录输入波阻抗反演模型之前，还需要进行归一化处理。具体的归一化处理方法，本发明在此不做限制。
在又一些实现中，由于相邻的地震记录之间的联系比较紧密，在做反演模拟时的相互影响较大，故本实施例从相邻的n道地震记录中选取m个数据点作为波阻抗反演模型的输入。优选地，本发明实施例中采取从n道地震记录中每一道地震记录依次循环取3个数据点作为训练样本集。
将训练样本集按照预设比例分为训练集和测试集，训练集用于对波阻抗反演模型进行训练，测试集用于验证模型训练效果。优选地，预设比例可以为60％和40％，即60％的地震数据作为训练集，剩下40％作为测试集。
步骤S2.2、将训练集中的地震记录、包含低频信息的波阻抗数据输入到波阻抗反演模型的低频信息约束模块(CNN-DNN模块)，得到波阻抗的低频约束信息。
具体地，如图3所示，本实施例中的CNN-DNN模块由卷积神经网络与全连接网络连接而成。其中，卷积神经网络包括三个卷积块(ConvBlock)、一个并列块(Concatenation)和一个展开块(FlattenBlock)。其中，3个卷积块用于接收地震记录，并提取各道地震记录的低频数据特征；并列块用于接收三个卷积块所提取的各道地震记录的低频数据特征，并进行合并；展开层用于将并列块输出的合并后的低频数据特征进行一维化，得到波阻抗的低频约束信息；全连接层(DenseBlock)用于接收展开层的输出作为其输入，并将波阻抗的低频约束信息输出。
步骤S2.3、将波阻抗的低频约束信息作为约束条件，将训练集中的地震记录输入到波阻抗反演模型的符号网络模块进行训练，得到符号网络模块输出的预测波阻抗值。
具体地，符号网络是一种基于神经网络搭建而成的方程学习器，由于集成了其他的深度学习体系，从而可以通过反向传播实现整个系统端到端的训练。在训练符号网络寻找反演公式时，首先要初始化各节点的权重，然后再进行迭代训练，直到找到更准确的波阻抗反演公式。该反演公式表示，对于任意一个时间间隔采样得到的地震数据点，都可以使用该公式，将该点的波阻抗值计算出来。
如图4所示，本实施例中，符号网络模块参照褶积模型的波阻抗求解公式建立，本实施例提供的符号网络模块主要是由隐层与函数节点构造而成。其中，隐层的输入为S，该输入S包含s1～s3和(x，y)，s1～s3指的是输入到符号网络模块进行训练的3个地震数据点，(x，y)指的是所求地震数据点的坐标，隐层用于提取输入S中包含的隐藏特征；该符号网络模块的函数节点层包括若干数学符号组成的节点，使用的是在符号回归问题中常用的一些数学符号，如“+”、“-”、“*”、“/”、“sin(·)”、“exp”、“(·)2”等。
步骤S2.4、基于地震数据集以及预测波阻抗值进行损失函数的计算，若损失函数不收敛，则重复步骤S2.2～S2.3继续进行训练，直到得到训练好的波阻抗反演模型。
具体地，损失函数Loss的计算公式为：
Loss＝α*mse1+mse2
其中，α在本实施例中设置为0.2，并使用Adam优化器更新损失梯度，设置学习率为1e-3，优化整个神经网络部分的模型参数，迭代更新直至loss值收敛；mse1和mse2为第一损失函数Loss1和第二损失函数Loss2计算得到的均方误差值；且第一损失函数Loss1用于计算地震记录和低频信息约束模块输出的波阻抗的低频约束信息(由包含低频信息的波阻抗数据学习得到)之间的均方误差；第二损失函数Loss2用于计算符号网络模块输出的预测波阻抗值和波阻抗标签数据(即真实波阻抗)之间的均方误差。
训练结束后，符号网络模块所对应的波阻抗反演公式，该公式在给定所求地震道数据点及该点上下两个点的数据值的情况下，可以求得所求点的波阻抗。该公式可以将符号网络训练的结果显示地表示出来，可以作为网络效果预测的辅助验证。
步骤S3、使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
实施例2
如图5所示，本实施例提供一种基于深度学习和符号回归的波阻抗反演方法的预测结果图，该图片分为三个部分，第一个部分是真实波阻抗的剖面图，第二个部分是使用本发明方法得出的预测波阻抗的剖面图，第三个是第一部分与第二部分的差值比较图。同时，可以使用本发明实施例方法得出的反演公式做以辅助验证，其公式如下：
y＝-7.13x1 2+5.03x1x-6.45x1x-6.84x3 2-2.12x3x
+0.43x2+0.89sin(0.25x1-5.53x3+1.59x)
+0.42sin(2.12x1-2.93x3+0.51x)+0.54
其中，x1、x3分别为所求x点的前后两点的地震信息，系数均保留了两位小数。
如图6所示，为训练集上的拟合效果图，其中real impedance线表示训练集中某一道的标签数据值，predict impedance线表示使用本发明方法的训练集上某一道的预测值。
如图7所示，为在测试集上的拟合效果图，其中real impedance线表示测试集中某一道的标签数据值，predict impedance线表示使用本发明方法的测试集上某一道的预测值。
实施例3
上述实施例1提供了一种波阻抗反演方法，与之相对应地，本实施例提供一种波阻抗反演系统。本实施例提供的识别系统可以实施实施例1的一种波阻抗反演方法，该识别系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的识别系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例的系统的实施例仅仅是示意性的。
本实施例提供的一种波阻抗反演系统，包括：
数据集获取模块，用于获取采样区域的地震数据集；
模型训练模块，用于基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；
模型预测模块，用于使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
实施例4
本实施例提供一种与本实施例1所提供的一种波阻抗反演方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的一种波阻抗反演方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例5
本实施例1的一种波阻抗反演方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的一种波阻抗反演方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (7)

1.一种波阻抗反演方法，其特征在于，包括以下步骤：
获取采样区域的地震数据集；其中，所述地震数据集包括地震记录、波阻抗标签数据以及包含低频信息的波阻抗数据；
基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；
包括以下步骤：
a、基于地震数据集得到训练样本集；
b、将训练样本集中的地震记录、包含低频信息的波阻抗数据输入到波阻抗反演模型的低频信息约束模块，得到波阻抗的低频约束信息；
c、将波阻抗的低频约束信息作为约束条件，将训练集中的地震记录输入到波阻抗反演模型的符号网络模型进行训练，得到符号网络模型输出的预测波阻抗值；
d、基于地震数据集以及预测波阻抗值进行损失函数的计算，若损失函数不收敛，则重复步骤b和c继续进行训练，直到得到训练好的波阻抗反演模型；
所述损失函数的计算公式为：
Loss=α*mse1+mse2
其中，Loss为损失函数值；α为学习率；mse1为地震记录和低频信息约束模块输出的波阻抗的低频约束信息之间的均方误差；mse2为符号网络模块输出的预测波阻抗值和波阻抗标签数据之间的均方误差；
使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
2.如权利要求1所述的一种波阻抗反演方法，其特征在于：所述步骤a中，所述训练样本集为从地震数据集的相邻的n道地震记录中选取m个数据点构成。
3.如权利要求1所述的一种波阻抗反演方法，其特征在于：所述低频信息约束模块由卷积神经网络与全连接网络连接而成；所述卷积神经网络包括三个卷积块、一个并列块和一个展开块；所述三个卷积块用于接收地震记录，并提取各道地震记录的低频数据特征；所述并列块用于接收三个卷积块所提取的各道地震记录的低频数据特征，并进行合并；所述展开块用于将并列块输出的合并后的低频数据特征进行一维化，得到波阻抗的低频约束信息；所述全连接网络用于接收展开块的输出作为其输入，并将波阻抗的低频约束信息输出。
4.如权利要求1所述的一种波阻抗反演方法，其特征在于：所述符号网络模块包括隐层和函数节点层；所述隐层的输入为地震记录，输出为地震记录的隐藏特征；所述函数节点层包括多个数学符号构成的函数节点。
5.一种波阻抗反演系统，其特征在于，包括：
数据集获取模块，用于获取采样区域的地震数据集；
模型训练模块，用于基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；
其中，训练过程包括：
a、基于地震数据集得到训练样本集；
b、将训练样本集中的地震记录、包含低频信息的波阻抗数据输入到波阻抗反演模型的低频信息约束模块，得到波阻抗的低频约束信息；
c、将波阻抗的低频约束信息作为约束条件，将训练集中的地震记录输入到波阻抗反演模型的符号网络模型进行训练，得到符号网络模型输出的预测波阻抗值；
d、基于地震数据集以及预测波阻抗值进行损失函数的计算，若损失函数不收敛，则重复步骤b和c继续进行训练，直到得到训练好的波阻抗反演模型；
所述损失函数的计算公式为：
Loss=α*mse1+mse2
其中，Loss为损失函数值；α为学习率；mse1为地震记录和低频信息约束模块输出的波阻抗的低频约束信息之间的均方误差；mse2为符号网络模块输出的预测波阻抗值和波阻抗标签数据之间的均方误差；
模型预测模块，用于使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
6.一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现权利要求1到4任一项所述波阻抗反演方法的步骤。
7.一种计算机存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现根据权利要求1到4任一项所述波阻抗反演方法的步骤。
CN202111324622.6A 2021-11-10 2021-11-10 一种波阻抗反演方法、系统、设备和存储介质 Active CN114063169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111324622.6A CN114063169B (zh) 2021-11-10 2021-11-10 一种波阻抗反演方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111324622.6A CN114063169B (zh) 2021-11-10 2021-11-10 一种波阻抗反演方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114063169A CN114063169A (zh) 2022-02-18
CN114063169B true CN114063169B (zh) 2023-03-14

Family

ID=80274515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111324622.6A Active CN114063169B (zh) 2021-11-10 2021-11-10 一种波阻抗反演方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114063169B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9524461B1 (en) * 2014-09-30 2016-12-20 Steven T. Huynh Conceptual computation system using a hierarchical network of modules
CN110895348A (zh) * 2019-12-20 2020-03-20 岭南师范学院 一种地震弹性阻抗低频信息提取方法、系统及存储介质
CN111239802A (zh) * 2020-01-19 2020-06-05 中国海洋大学 基于地震反射波形和速度谱的深度学习速度建模方法
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
CN113050931A (zh) * 2021-03-15 2021-06-29 南京工业职业技术大学 一种基于图注意力机制的符号网络链路预测方法
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003043253A2 (en) * 2001-11-13 2003-05-22 Cvidya Networks Ltd. A system and method for generating policies for a communication network
CN107993672B (zh) * 2017-12-12 2020-07-03 腾讯音乐娱乐科技（深圳）有限公司 频带扩展方法及装置
CN110751612A (zh) * 2019-11-05 2020-02-04 哈尔滨理工大学 多通道多尺度卷积神经网络的单幅图像去雨方法
DE102020202335A1 (de) * 2020-02-24 2021-08-26 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erstellen eines Modells eines technischen Systems aus Messungen
CN111798359A (zh) * 2020-05-19 2020-10-20 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的图像去水印方法
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9524461B1 (en) * 2014-09-30 2016-12-20 Steven T. Huynh Conceptual computation system using a hierarchical network of modules
CN110895348A (zh) * 2019-12-20 2020-03-20 岭南师范学院 一种地震弹性阻抗低频信息提取方法、系统及存储介质
CN111239802A (zh) * 2020-01-19 2020-06-05 中国海洋大学 基于地震反射波形和速度谱的深度学习速度建模方法
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
CN113050931A (zh) * 2021-03-15 2021-06-29 南京工业职业技术大学 一种基于图注意力机制的符号网络链路预测方法
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

Also Published As

Publication number Publication date
CN114063169A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
USRE49507E1 (en) Faulted geological structures having unconformities
CN106104590B (zh) 不确定性下多级油田设计优化
CN104755960B (zh) 基于盆地建模对用于处理地震数据的速度模型的改进
CA2823710C (en) Methods and systems regarding models of underground formations
Venkataramanan et al. An unsupervised learning algorithm to compute fluid volumes from NMR T1-T2 logs in unconventional reservoirs
EP3047096A1 (en) Identifying geological formation depth structure using well log data
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN112901158B (zh) 水力裂缝缝长的预测方法、裂缝网络建模的方法及装置
CN113919219A (zh) 基于测井大数据的地层评价方法及系统
McKean et al. Quantifying fracture networks inferred from microseismic point clouds by a Gaussian mixture model with physical constraints
Zhou et al. Data driven modeling and prediction for reservoir characterization using seismic attribute analyses and big data analytics
US20210072416A1 (en) Microseismic velocity models derived from historical model classification
CN110927789B (zh) 一种基于欠失数据预测页岩平面分布的方法及装置
Alameedy et al. Predicting dynamic shear wave slowness from well logs using machine learning methods in the Mishrif Reservoir, Iraq
CN108508481B (zh) 一种纵波转换波地震数据时间匹配的方法、装置及系统
CN112578475B (zh) 基于数据挖掘的致密储层双甜点识别方法
WO2016115437A1 (en) Approaches to tying well logs to seismic data
CN115877464B (zh) 一种岩性识别方法、装置、计算机设备及存储介质
CN114063169B (zh) 一种波阻抗反演方法、系统、设备和存储介质
CN114402233A (zh) 正演沉积模型的自动校准
CN111897004B (zh) 一种基于大数据分析技术的测井预测方法
CN115880455A (zh) 基于深度学习的三维智能插值方法
Yu et al. Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection
Raheem Prediction by reservoir porosity using micro-seismic attribute analysis by machine learning algorithms in an Iraqi Oil Field.
CN111502647A (zh) 一种钻井地质环境因素确定方法、装置及存储介质

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