CN114114392A - 层速度模型建立方法及装置 - Google Patents

层速度模型建立方法及装置 Download PDF

Info

Publication number
CN114114392A
CN114114392A CN202010906987.9A CN202010906987A CN114114392A CN 114114392 A CN114114392 A CN 114114392A CN 202010906987 A CN202010906987 A CN 202010906987A CN 114114392 A CN114114392 A CN 114114392A
Authority
CN
China
Prior art keywords
model
velocity model
layer
seismic data
machine learning
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
CN202010906987.9A
Other languages
English (en)
Other versions
CN114114392B (zh
Inventor
首皓
曹宏
崔栋
曾同生
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202010906987.9A priority Critical patent/CN114114392B/zh
Publication of CN114114392A publication Critical patent/CN114114392A/zh
Application granted granted Critical
Publication of CN114114392B publication Critical patent/CN114114392B/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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • 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
    • G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
    • G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • 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
    • G01V2210/6222—Velocity; travel time
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
    • 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
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/70—Other details related to processing
    • G01V2210/74—Visualisation of seismic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请实施例提供一种层速度模型建立方法及装置，方法包括：根据目标区域的地震数据获取该目标区域的初始层速度模型；将所述目标区域对应的地震数据输入预设的子波提取机器学习模型和地震数据低频信号提取机器学习模型；根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。本申请能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性。

Description

层速度模型建立方法及装置
技术领域
本申请涉及地震数据处理技术领域，具体涉及层速度模型建立方法及装置。
背景技术
地震数据处理中需要进行层速度建模为叠前偏移成像提供层速度模型，层速度模型的精度决定了偏移成像的精度。
目前，层速度建模采用人工编辑结合层速度层析反演的方法进行，效率和精度低。由于地下的构造和速度未知增加了层速度建模的多解性，地震数据处理人员在层速度建模过程中难以通过数据本身降低层速度建模的多解性，只能凭借经验和以往处理工作得到的认识加入主观约束条件进行层速度建模，这样就导致了在人工层速度建模的过程中要耗费大量的时间通过偏移结果检验速度建模精度，因而急需一种基于数据直接获得层速度信息的途径，来提高偏移成像的准确性及可靠性。
发明内容
针对现有技术中的问题，本申请提供一种层速度模型建立方法及装置，能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种层速度模型建立方法，包括：
根据目标区域的地震数据获取该目标区域的初始层速度模型；
将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果；
将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果；
根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
进一步地，所述根据目标区域的地震数据获取该目标区域的初始层速度模型，包括：
将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型，得到该用于建立层速度模型的机器学习模型依次输出的各个局部区域的层速度模型；
将各个所述局部区域的层速度模型合并为所述目标区域的层速度模型；
对所述目标区域的层速度模型进行平滑处理，得到所述目标区域的初始层速度模型。
进一步地，在所述将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型之前，还包括：
获得各个历史层速度模型各自对应的正演模拟地震数据；
应用各个历史层速度模型以及各个所述历史层速度模型各自对应的正演模拟地震数据训练得到用于建立层速度模型的机器学习模型。
进一步地，所述获得各个历史层速度模型各自对应的正演模拟地震数据，包括：
根据预获取的历史地质特征数据建立骨架模型；
向所述骨架模型填充不同的层速度以形成历史层速度模型；
对各个所述历史层速度模型进行波动方程正演模拟处理，得到对应的正演模拟地震数据。
进一步地，所述历史地质特征数据包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层和单斜数据中的至少一项。
进一步地，所述向所述骨架模型填充不同的层速度以形成历史层速度模型，包括：
根据目标区域的地质研究资料确定该目标区域的地区层速度分布范围；
选择地区层速度分布范围中最小层速度值作为初始值，并根据该初始值，按照速度阈值的速度增量变换填充层速度值，使得填充的层速度的变化范围覆盖目标区域的地区层速度分布范围，以形成所述历史层速度模型。
进一步地，所述地质研究资料包括：工区声波速度测井资料、重力反演层速度资料、电磁反演层速度资料、小折射层速度解释资料、微测井层速度解释资料和地震速度分析资料中的至少一种。
进一步地，在所述将所述目标区域对应的地震数据输入预设的子波提取机器学习模型之前，还包括：
基于傅里叶变换后的振幅谱，确定历史地震数据的振幅频带范围和振幅值范围；
基于傅里叶变换后的相位谱，确定所述历史地震数据的相位频带范围和相位值范围；
根据所述振幅频带范围和相位频带范围确定各个子波；
将各个所述子波依次在所述初始层速度模型上正演获得正演地震数据；
应用各个所述子波和正演地震数据训练得到所述子波提取机器学习模型。
进一步地，所述子波提取机器学习模型和所述地震数据低频信号提取机器学习模型均为前馈式多层机器学习模型。
进一步地，所述用于建立层速度模型的机器学习模型为前馈式多层机器学习模型。
第二方面，本申请提供一种层速度模型建立装置，包括：
初始模型获取模块，用于根据目标区域的地震数据获取该目标区域的初始层速度模型；
子波识别模块，用于将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果；
低频信号识别模块，用于将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果；
目标层速度模型生成模块，用于根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
进一步地，所述初始模型获取模块包括：
局部模型建立单元，用于将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型，得到该用于建立层速度模型的机器学习模型依次输出的各个局部区域的层速度模型；
模型合并单元，用于将各个所述局部区域的层速度模型合并为所述目标区域的层速度模型；
平滑处理单元，用于对所述目标区域的层速度模型进行平滑处理，得到所述目标区域的初始层速度模型。
进一步地，还包括：用于建立层速度模型的机器学习模型训练模块，包括：
正演数据获取单元，用于获得各个历史层速度模型各自对应的正演模拟地震数据；
模块训练单元，用于应用各个历史层速度模型以及各个所述历史层速度模型各自对应的正演模拟地震数据训练得到用于建立层速度模型的机器学习模型。
进一步地，所述正演数据获取单元用于执行下述内容：
根据预获取的历史地质特征数据建立骨架模型；
向所述骨架模型填充不同的层速度以形成历史层速度模型；
对各个所述历史层速度模型进行波动方程正演模拟处理，得到对应的正演模拟地震数据。
进一步地，所述历史地质特征数据包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层和单斜数据中的至少一项。
进一步地，所述地质研究资料包括：工区声波速度测井资料、重力反演层速度资料、电磁反演层速度资料、小折射层速度解释资料、微测井层速度解释资料和地震速度分析资料中的至少一种。
进一步地，还包括：子波提取机器学习模型建立模块，用于执行下述内容：
基于傅里叶变换后的振幅谱，确定历史地震数据的振幅频带范围和振幅值范围；
基于傅里叶变换后的相位谱，确定所述历史地震数据的相位频带范围和相位值范围；
根据所述振幅频带范围和相位频带范围确定各个子波；
将各个所述子波依次在所述初始层速度模型上正演获得正演地震数据；
应用各个所述子波和正演地震数据训练得到所述子波提取机器学习模型。
进一步地，所述子波提取机器学习模型和所述地震数据低频信号提取机器学习模型均为前馈式多层机器学习模型。
进一步地，所述用于建立层速度模型的机器学习模型为前馈式多层机器学习模型。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的层速度模型建立方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的层速度模型建立方法。
由上述技术方案可知，本申请提供的一种层速度模型建立方法及装置，方法包括：根据目标区域的地震数据获取该目标区域的初始层速度模型；将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果；将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果；根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型，能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性，并有效节省人力、物力成本。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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是本申请实施例中的层速度模型建立方法的流程示意图。
图2是本申请实施例中的层速度模型建立方法中步骤100的流程示意图。
图3是本申请实施例中的层速度模型建立方法中步骤010和步骤020的流程示意图。
图4是本申请实施例中的层速度模型建立方法中步骤010的具体流程示意图。
图5是本申请实施例中的层速度模型建立方法中步骤012的具体流程示意图。
图6是本申请实施例中的层速度模型建立方法中步骤030和步骤070的具体流程示意图。
图7是本申请实施例中的层速度模型建立装置的结构示意图。
图8是本申请应用实例中的层速度模型建立方法的流程示意图。
图9是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
鉴于现有技术存在如下问题：由于地下的构造和速度未知增加了层速度建模的多解性，地震数据处理人员在层速度建模过程中难以通过数据本身降低层速度建模的多解性，只能凭借经验和以往处理工作得到的认识加入主观约束条件进行层速度建模，这样就导致了在人工层速度建模的过程中要耗费大量的时间通过偏移结果检验速度建模精度。本申请实施例提供一种使用机器学习建立层速度模型的方法，通过机器学习建立地震数据与速度模型之间的映射，可以直接由地震数据得到层速度模型；通过机器学习获得层速度模型，可以提高层速度建模的精度和效率。
基于上述内容，本申请提供一种层速度模型建立方法的实施例，参见图1，所述层速度模型建立方法具体包含有如下内容：
步骤100：根据目标区域的地震数据获取该目标区域的初始层速度模型。
步骤200：将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果。
步骤300：将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果。
步骤400：根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
从上述描述可知，本申请实施例提供的层速度模型建立方法，能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性，并有效节省人力、物力成本。
在一种层速度模型建立方法的实施例中，参见图2，所述层速度模型建立方法中的步骤100具体包含有如下内容：
步骤110：将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型，得到该用于建立层速度模型的机器学习模型依次输出的各个局部区域的层速度模型。
步骤120：将各个所述局部区域的层速度模型合并为所述目标区域的层速度模型。
步骤130：对所述目标区域的层速度模型进行平滑处理，得到所述目标区域的初始层速度模型。
在一种层速度模型建立方法的实施例中，参见图3，所述层速度模型建立方法中的步骤110之前还可以具体包含有如下内容：
步骤010：获得各个历史层速度模型各自对应的正演模拟地震数据。
步骤020：应用各个历史层速度模型以及各个所述历史层速度模型各自对应的正演模拟地震数据训练得到用于建立层速度模型的机器学习模型。
在一种层速度模型建立方法的实施例中，参见图4，所述层速度模型建立方法中的步骤010具体包含有如下内容：
步骤011：根据预获取的历史地质特征数据建立骨架模型。
可以理解的是，所述历史地质特征数据包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层和单斜数据中的至少一项。
步骤012：向所述骨架模型填充不同的层速度以形成历史层速度模型。
步骤013：对各个所述历史层速度模型进行波动方程正演模拟处理，得到对应的正演模拟地震数据。
在一种层速度模型建立方法的实施例中，参见图5，所述层速度模型建立方法中的步骤012具体包含有如下内容：
步骤0121：根据目标区域的地质研究资料确定该目标区域的地区层速度分布范围。
可以理解的是，所述地质研究资料包括：工区声波速度测井资料、重力反演层速度资料、电磁反演层速度资料、小折射层速度解释资料、微测井层速度解释资料和地震速度分析资料中的至少一种。
步骤0122：选择地区层速度分布范围中最小层速度值作为初始值，并根据该初始值，按照速度阈值的速度增量变换填充层速度值，使得填充的层速度的变化范围覆盖目标区域的地区层速度分布范围，以形成所述历史层速度模型。
在一种层速度模型建立方法的实施例中，参见图6，所述层速度模型建立方法中的步骤200之前还可以具体包含有如下内容：
步骤030：基于傅里叶变换后的振幅谱，确定历史地震数据的振幅频带范围和振幅值范围。
步骤040：基于傅里叶变换后的相位谱，确定所述历史地震数据的相位频带范围和相位值范围。
步骤050：根据所述振幅频带范围和相位频带范围确定各个子波。
步骤060：将各个所述子波依次在所述初始层速度模型上正演获得正演地震数据。
步骤070：应用各个所述子波和正演地震数据训练得到所述子波提取机器学习模型。
可以理解的是，所述子波提取机器学习模型和所述地震数据低频信号提取机器学习模型均为前馈式多层机器学习模型。所述用于建立层速度模型的机器学习模型为前馈式多层机器学习模型。
从软件层面来说，本申请提供一种用于实现所述层速度模型建立方法中全部或部分内容的层速度模型建立装置的实施例，参见图7，所述层速度模型建立装置具体包含有如下内容：
初始模型获取模块10，用于根据目标区域的地震数据获取该目标区域的初始层速度模型。
子波识别模块20，用于将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果。
低频信号识别模块30，用于将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果。
目标层速度模型生成模块40，用于根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
本申请提供的层速度模型建立装置的实施例具体可以用于执行上述实施例中的层速度模型建立方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本申请实施例提供的层速度模型建立装置，能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性，并有效节省人力、物力成本。
在一种层速度模型建立装置的实施例中，所述层速度模型建立装置中的初始模型获取模块10具体包含有如下内容：
局部模型建立单元，用于将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型，得到该用于建立层速度模型的机器学习模型依次输出的各个局部区域的层速度模型；
模型合并单元，用于将各个所述局部区域的层速度模型合并为所述目标区域的层速度模型；
平滑处理单元，用于对所述目标区域的层速度模型进行平滑处理，得到所述目标区域的初始层速度模型。
在一种层速度模型建立装置的实施例中，所述层速度模型建立装置中还可以具体包含有如下内容：
用于建立层速度模型的机器学习模型训练模块，包括：
正演数据获取单元，用于获得各个历史层速度模型各自对应的正演模拟地震数据；
模块训练单元，用于应用各个历史层速度模型以及各个所述历史层速度模型各自对应的正演模拟地震数据训练得到用于建立层速度模型的机器学习模型。
在一种层速度模型建立装置的实施例中，所述层速度模型建立装置中的所述正演数据获取单元用于执行下述内容：
步骤011：根据预获取的历史地质特征数据建立骨架模型。
可以理解的是，所述历史地质特征数据包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层和单斜数据中的至少一项。
步骤012：向所述骨架模型填充不同的层速度以形成历史层速度模型。
步骤013：对各个所述历史层速度模型进行波动方程正演模拟处理，得到对应的正演模拟地震数据。
在一种层速度模型建立装置的实施例中，所述层速度模型建立装置中还具体包含有如下内容：
子波提取机器学习模型建立模块，用于执行下述内容：
步骤030：基于傅里叶变换后的振幅谱，确定历史地震数据的振幅频带范围和振幅值范围。
步骤040：基于傅里叶变换后的相位谱，确定所述历史地震数据的相位频带范围和相位值范围。
步骤050：根据所述振幅频带范围和相位频带范围确定各个子波。
步骤060：将各个所述子波依次在所述初始层速度模型上正演获得正演地震数据。
步骤070：应用各个所述子波和正演地震数据训练得到所述子波提取机器学习模型。
可以理解的是，所述子波提取机器学习模型和所述地震数据低频信号提取机器学习模型均为前馈式多层机器学习模型。所述用于建立层速度模型的机器学习模型为前馈式多层机器学习模型。
为进一步说明本方案，本申请还提供一种应用层速度模型建立装置实现层速度模型建立方法的具体应用实例，首先使用建立层速度模型机器学习模型获得初始层速度模型；然后使用机器学习辅助全波形反演获得层速度模型。本申请使得在地震速度建模过程中能够使用机器学习模型自动建立层速度模型供偏移成像使用。
通过机器学习建立地震数据与速度模型之间的映射，通过本方法可以直接由地震数据得到层速度模型。包括：首先使用建立层速度模型机器学习模型获得初始层速度模型；然后使用机器学习辅助全波形反演获得层速度模型。本申请使得在地震速度建模过程中能够使用机器学习模型自动建立层速度模型供偏移成像使用。
参见图8，首先使用建立层速度模型机器学习模型获得初始层速度模型；然后使用机器学习辅助全波形反演获得层速度模型。
(1)使用建立层速度模型机器学习模型获得初始层速度模型，包括：
获得不同层速度模型正演后的地震数据；
获得建立层速度模型机器学习模型；
配置建立层速度模型机器学习模型获得层速度模型。
(2)获得不同层速度模型正演后的地震数据，包括：
根据地质特征建立骨架模型；
向所述的骨架模型填充不同的层速度形成层速度模型；
基于所述的层速度模型进行波动方程正演模拟获得正演模拟地震数据；
所述的地质特征包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层、单斜其中的一项或者多项。
(3)向所述的骨架模型填充不同的层速度形成层速度模型，包括：
由区域地质研究资料获得地区层速度分布范围；
选择地区层速度分布范围中最小层速度值作为初始值，按照100m/s的速度增量，变换填充层速度值，使得填充的层速度的变化范围覆盖地区层速度分布范围。
区域地质研究资料，包括：工区声波速度测井资料、重力反演层速度资料、电磁反演层速度资料、小折射层速度解释资料、微测井层速度解释资料、地震速度分析资料其中一种或者多种；
层速度模型机器学习模型是一种前馈式多层机器学习模型。
(4)获得建立层速度模型机器学习模型，包括：
将所述的层速度模型和正演模拟地震数据作为样本进行训练。
配置建立层速度模型机器学习模型获得层速度模型，包括：
选择野外采集到的地震数据局部区域作为建立层速度模型机器学习模型的输入，横向和纵向选择范围为横向和纵向长度的1/5；
采用横向和纵向滑动开窗，遍历整个地震数据；
将建立层速度模型机器学习模型输出的每个局部区域的层速度模型合并为完整的层速度模型；
对所述的完整的层速度模型进行平滑处理获得最终层速度模型，平滑半径为横向采样间隔的10倍。
(5)使用机器学习辅助全波形反演获得层速度模型，包括：
获得子波提取机器学习模型；
配置子波提取机器学习模型输出为地震数据子波；
获得地震数据低频信号提取机器学习模型；
配置地震数据低频信号提取机器学习模型输出为地震数据15赫兹以内的信号；
由所述的层速度初始模型和获得的地震数据子波、地震数据低频信号作为输入进行全波形反演获得层速度模型；
子波提取机器学习模型属于前馈式多层机器学习模型。
(6)获得子波提取机器学习模型，包括：
基于傅里叶变换后的振幅谱获得野外采集地震数据振幅的频带范围和振幅值范围；
基于傅里叶变换后的相位谱获得野外采集地震数据相位的频带范围和相位值范围；
在所述的振幅频带范围和相位频带范围内，由最小的振幅值和相位值开始，以最大和最小振幅值差的1/10作为步长，以最大和最小相位值差的1/10作为步长，组合形成全部子波；
将所述的全部子波依次在所述的层速度初始模型上正演获得正演地震数据；
将所述的子波和正演地震数据作为样本进行训练获得子波提取机器学习模型；
子波提取机器学习模型输入为野外采集的地震数据；
子波提取机器学习模型输出为野外采集的地震数据的子波；
地震数据低频信号提取机器学习模型属于前馈式多层机器学习模型。
(7)获得地震数据低频信号提取机器学习模型，包括：
由声波和密度测井资料获得包含15HZ以内信号的合成地震记录；
由井旁地震数据与所述的包含15HZ以内信号的合成地震记录作为样本进行训练获得地震数据低频信号提取机器学习模型；
地震数据低频信号提取机器学习模型输入为野外采集的地震数据；
地震数据低频信号提取机器学习模型输出为野外采集的地震数据的15赫兹以内信号。
本申请应用实例提供的层速度模型建立方法，通过机器学习建立地震数据与速度模型之间的映射，可以直接由地震数据得到层速度模型；通过机器学习获得层速度模型，可以提高层速度建模的精度和效率。
从硬件层面来说，本申请提供一种用于实现所述层速度模型建立方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图9为本申请实施例的电子设备9600的装置构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，层速度模型建立功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：根据目标区域的地震数据获取该目标区域的初始层速度模型。
步骤200：将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果。
步骤300：将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果。
步骤400：根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
从上述描述可知，本申请实施例提供的电子设备，能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性，并有效节省人力、物力成本。
在另一个实施方式中，层速度模型建立装置可以与中央处理器9100分开配置，例如可以将层速度模型建立装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现层速度模型建立功能。
如图9所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。
如图9所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的层速度模型建立方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的层速度模型建立方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：根据目标区域的地震数据获取该目标区域的初始层速度模型。
步骤200：将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果。
步骤300：将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果。
步骤400：根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
从上述描述可知，本申请实施例提供的计算机可读存储介质，能够快速且有效地建立层速度模型，并能够有效提高层速度模型建立过程的处理效率、自动化程度及准确性，进而能够应用该层速度模型建立结果来提高偏移成像的精度和效率，进而能够有效提高应用偏移成像结果进行石油勘探等处理的准确性及可靠性，并有效节省人力、物力成本。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (21)

1.一种层速度模型建立方法，其特征在于，包括：
根据目标区域的地震数据获取该目标区域的初始层速度模型；
将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果；
将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果；
根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
2.根据权利要求1所述的层速度模型建立方法，其特征在于，所述根据目标区域的地震数据获取该目标区域的初始层速度模型，包括：
将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型，得到该用于建立层速度模型的机器学习模型依次输出的各个局部区域的层速度模型；
将各个所述局部区域的层速度模型合并为所述目标区域的层速度模型；
对所述目标区域的层速度模型进行平滑处理，得到所述目标区域的初始层速度模型。
3.根据权利要求2所述的层速度模型建立方法，其特征在于，在所述将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型之前，还包括：
获得各个历史层速度模型各自对应的正演模拟地震数据；
应用各个历史层速度模型以及各个所述历史层速度模型各自对应的正演模拟地震数据训练得到用于建立层速度模型的机器学习模型。
4.根据权利要求3所述的层速度模型建立方法，其特征在于，所述获得各个历史层速度模型各自对应的正演模拟地震数据，包括：
根据预获取的历史地质特征数据建立骨架模型；
向所述骨架模型填充不同的层速度以形成历史层速度模型；
对各个所述历史层速度模型进行波动方程正演模拟处理，得到对应的正演模拟地震数据。
5.根据权利要求4所述的层速度模型建立方法，其特征在于，所述历史地质特征数据包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层和单斜数据中的至少一项。
6.根据权利要求4所述的层速度模型建立方法，其特征在于，所述向所述骨架模型填充不同的层速度以形成历史层速度模型，包括：
根据目标区域的地质研究资料确定该目标区域的地区层速度分布范围；
选择地区层速度分布范围中最小层速度值作为初始值，并根据该初始值，按照速度阈值的速度增量变换填充层速度值，使得填充的层速度的变化范围覆盖目标区域的地区层速度分布范围，以形成所述历史层速度模型。
7.根据权利要求6所述的层速度模型建立方法，其特征在于，所述地质研究资料包括：工区声波速度测井资料、重力反演层速度资料、电磁反演层速度资料、小折射层速度解释资料、微测井层速度解释资料和地震速度分析资料中的至少一种。
8.根据权利要求1所述的层速度模型建立方法，其特征在于，在所述将所述目标区域对应的地震数据输入预设的子波提取机器学习模型之前，还包括：
基于傅里叶变换后的振幅谱，确定历史地震数据的振幅频带范围和振幅值范围；
基于傅里叶变换后的相位谱，确定所述历史地震数据的相位频带范围和相位值范围；
根据所述振幅频带范围和相位频带范围确定各个子波；
将各个所述子波依次在所述初始层速度模型上正演获得正演地震数据；
应用各个所述子波和正演地震数据训练得到所述子波提取机器学习模型。
9.根据权利要求1所述的层速度模型建立方法，其特征在于，所述子波提取机器学习模型和所述地震数据低频信号提取机器学习模型均为前馈式多层机器学习模型。
10.根据权利要求2所述的层速度模型建立方法，其特征在于，所述用于建立层速度模型的机器学习模型为前馈式多层机器学习模型。
11.一种层速度模型建立装置，其特征在于，包括：
初始模型获取模块，用于根据目标区域的地震数据获取该目标区域的初始层速度模型；
子波识别模块，用于将所述目标区域对应的地震数据输入预设的子波提取机器学习模型，并将该子波提取机器学习模型的输出作为地震数据子波识别结果；
低频信号识别模块，用于将所述目标区域对应的地震数据输入预设的地震数据低频信号提取机器学习模型，并将该地震数据低频信号提取机器学习模型的输出作为地震数据低频信号识别结果；
目标层速度模型生成模块，用于根据所述初始层速度模型、地震数据子波识别结果和地震数据低频信号识别结果进行全波形反演处理，得到所述目标区域对应的用于进行偏移成像的目标层速度模型。
12.根据权利要求11所述的层速度模型建立装置，其特征在于，所述初始模型获取模块包括：
局部模型建立单元，用于将目标区域的地震数据中的各个局部区域数据依次输入预设的用于建立层速度模型的机器学习模型，得到该用于建立层速度模型的机器学习模型依次输出的各个局部区域的层速度模型；
模型合并单元，用于将各个所述局部区域的层速度模型合并为所述目标区域的层速度模型；
平滑处理单元，用于对所述目标区域的层速度模型进行平滑处理，得到所述目标区域的初始层速度模型。
13.根据权利要求12所述的层速度模型建立装置，其特征在于，还包括：用于建立层速度模型的机器学习模型训练模块，包括：
正演数据获取单元，用于获得各个历史层速度模型各自对应的正演模拟地震数据；
模块训练单元，用于应用各个历史层速度模型以及各个所述历史层速度模型各自对应的正演模拟地震数据训练得到用于建立层速度模型的机器学习模型。
14.根据权利要求13所述的层速度模型建立装置，其特征在于，所述正演数据获取单元用于执行下述内容：
根据预获取的历史地质特征数据建立骨架模型；
向所述骨架模型填充不同的层速度以形成历史层速度模型；
对各个所述历史层速度模型进行波动方程正演模拟处理，得到对应的正演模拟地震数据。
15.根据权利要求14所述的层速度模型建立装置，其特征在于，所述历史地质特征数据包括：向斜、背斜、地垒、地堑、正断层、逆断层、平移断层、水平地层、夹层、尖灭、透镜体、倾斜岩层和单斜数据中的至少一项。
16.根据权利要求15所述的层速度模型建立装置，其特征在于，所述地质研究资料包括：工区声波速度测井资料、重力反演层速度资料、电磁反演层速度资料、小折射层速度解释资料、微测井层速度解释资料和地震速度分析资料中的至少一种。
17.根据权利要求11所述的层速度模型建立装置，其特征在于，还包括：子波提取机器学习模型建立模块，用于执行下述内容：
基于傅里叶变换后的振幅谱，确定历史地震数据的振幅频带范围和振幅值范围；
基于傅里叶变换后的相位谱，确定所述历史地震数据的相位频带范围和相位值范围；
根据所述振幅频带范围和相位频带范围确定各个子波；
将各个所述子波依次在所述初始层速度模型上正演获得正演地震数据；
应用各个所述子波和正演地震数据训练得到所述子波提取机器学习模型。
18.根据权利要求11所述的层速度模型建立装置，其特征在于，所述子波提取机器学习模型和所述地震数据低频信号提取机器学习模型均为前馈式多层机器学习模型。
19.根据权利要求12所述的层速度模型建立装置，其特征在于，所述用于建立层速度模型的机器学习模型为前馈式多层机器学习模型。
20.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至10任一项所述的层速度模型建立方法。
21.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10任一项所述的层速度模型建立方法。
CN202010906987.9A 2020-09-01 2020-09-01 层速度模型建立方法及装置 Active CN114114392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906987.9A CN114114392B (zh) 2020-09-01 2020-09-01 层速度模型建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906987.9A CN114114392B (zh) 2020-09-01 2020-09-01 层速度模型建立方法及装置

Publications (2)

Publication Number Publication Date
CN114114392A true CN114114392A (zh) 2022-03-01
CN114114392B CN114114392B (zh) 2023-11-28

Family

ID=80360639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906987.9A Active CN114114392B (zh) 2020-09-01 2020-09-01 层速度模型建立方法及装置

Country Status (1)

Country Link
CN (1) CN114114392B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659848A (zh) * 2022-12-12 2023-01-31 成都理工大学 一种基于深度学习网络快速预测二维盆地基底界面的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360385A (zh) * 2014-11-26 2015-02-18 中国石油集团川庆钻探工程有限公司地球物理勘探公司 结合地震地质认识综合建立初始深度层速度模型的方法
CN104570125A (zh) * 2014-09-26 2015-04-29 郭平 一种利用井数据提高成像速度模型精度的方法
CN105301636A (zh) * 2015-10-10 2016-02-03 中国石油天然气集团公司 速度模型的建立方法和装置
CN105842736A (zh) * 2016-05-27 2016-08-10 中国石油集团川庆钻探工程有限公司地球物理勘探公司 一种构建地层速度模型的方法
CN110095811A (zh) * 2018-01-31 2019-08-06 中国石油天然气股份有限公司 膏岩层速度模型构建处理方法及装置
WO2020089670A1 (en) * 2018-10-28 2020-05-07 Abu Dhabi National Oil Company (ADNOC) Systems and methods for seismic inversion driven velocity analysis
CN111290016A (zh) * 2020-03-04 2020-06-16 中国石油大学(华东) 一种基于地质模型约束的全波形速度建模反演方法
WO2020143645A1 (zh) * 2019-01-08 2020-07-16 中国科学院地质与地球物理研究所 一种全波形反演方法及装置
CN111505712A (zh) * 2019-01-31 2020-08-07 中国石油天然气股份有限公司 地震层速度计算方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104570125A (zh) * 2014-09-26 2015-04-29 郭平 一种利用井数据提高成像速度模型精度的方法
CN104360385A (zh) * 2014-11-26 2015-02-18 中国石油集团川庆钻探工程有限公司地球物理勘探公司 结合地震地质认识综合建立初始深度层速度模型的方法
CN105301636A (zh) * 2015-10-10 2016-02-03 中国石油天然气集团公司 速度模型的建立方法和装置
CN105842736A (zh) * 2016-05-27 2016-08-10 中国石油集团川庆钻探工程有限公司地球物理勘探公司 一种构建地层速度模型的方法
CN110095811A (zh) * 2018-01-31 2019-08-06 中国石油天然气股份有限公司 膏岩层速度模型构建处理方法及装置
WO2020089670A1 (en) * 2018-10-28 2020-05-07 Abu Dhabi National Oil Company (ADNOC) Systems and methods for seismic inversion driven velocity analysis
WO2020143645A1 (zh) * 2019-01-08 2020-07-16 中国科学院地质与地球物理研究所 一种全波形反演方法及装置
CN111505712A (zh) * 2019-01-31 2020-08-07 中国石油天然气股份有限公司 地震层速度计算方法及装置
CN111290016A (zh) * 2020-03-04 2020-06-16 中国石油大学(华东) 一种基于地质模型约束的全波形速度建模反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔永福 等: "全波形反演在缝洞型储层速度建模中的应用", 《地球物理学报》, vol. 59, no. 07, pages 2713 - 2725 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659848A (zh) * 2022-12-12 2023-01-31 成都理工大学 一种基于深度学习网络快速预测二维盆地基底界面的方法

Also Published As

Publication number Publication date
CN114114392B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN104769215B (zh) 用于特征化地下储层裂缝网络中的不确定性的系统和方法
RU2014136576A (ru) Система и способ вертикального сейсмического профилирования с представлением разведочных данных в виде комбинации параметризованных компрессионного, сдвигового и дисперсивного волновых полей
CN112415591A (zh) 绕射波的成像方法、装置、电子设备及存储介质
CN114114392A (zh) 层速度模型建立方法及装置
CN112147688B (zh) 一种储层油气识别方法和装置
CN111754611A (zh) 基于地质模型约束的井间砂体连通图自动绘制方法及系统
CN113433587A (zh) 岩石物理反演方法及系统
CN113933901B (zh) 深度域地震数据拼接方法及装置
CN115877464A (zh) 一种岩性识别方法、装置、计算机设备及存储介质
CN112130209B (zh) 岩溶储层预测方法及装置
CN113671572B (zh) 基于室内砂箱的地震数据成像方法及装置
CN111366973B (zh) 正演模型的频率域噪声生成、添加方法及装置
CN112817042B (zh) 沉积储层中油气识别方法及装置
CN114198096B (zh) 钻井误差预测方法及装置
CN112711064A (zh) 初始层速度建模方法及装置
CN113960654A (zh) 地震数据处理方法及系统
CN112363225B (zh) 横波微测井解释方法及装置
CN111145346A (zh) 油藏属性在断面的投影方法及装置
CN112462423A (zh) 生物礁厚度预测方法及装置
CN112462421A (zh) 储层信息预测方法、装置、电子设备及存储介质
CN112394408A (zh) 各向异性介质裂缝预测方法及装置
CN110632650B (zh) 全波形反演数据的分时窗提取方法及装置
CN112379433A (zh) 基于双井微测井数据的近地表品质因子获取方法及装置
CN111751879A (zh) 储层孔隙度预测方法及装置
CN113075747B (zh) 储层裂缝发育区域的预测方法及装置

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