CN114676644A - 一种基于机器学习约束的密度突变界面反演方法及系统 - Google Patents

一种基于机器学习约束的密度突变界面反演方法及系统 Download PDF

Info

Publication number
CN114676644A
CN114676644A CN202210583778.4A CN202210583778A CN114676644A CN 114676644 A CN114676644 A CN 114676644A CN 202210583778 A CN202210583778 A CN 202210583778A CN 114676644 A CN114676644 A CN 114676644A
Authority
CN
China
Prior art keywords
density
interface
data set
model
resolution
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
CN202210583778.4A
Other languages
English (en)
Other versions
CN114676644B (zh
Inventor
徐铮伟
王绪本
王睿
梁生贤
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 CN202210583778.4A priority Critical patent/CN114676644B/zh
Publication of CN114676644A publication Critical patent/CN114676644A/zh
Application granted granted Critical
Publication of CN114676644B publication Critical patent/CN114676644B/zh
Priority to US18/116,877 priority patent/US11768982B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于机器学习约束的密度突变界面反演方法及系统：构建初始盆地界面并随机生成扰动盆地界面数据集，对初始盆地界面和扰动盆地界面数据集进行哈达玛积运算，得到盆地界面数据集，对盆地界面数据集进行高等函数填充得到高分辨率密度界面模型数据集，通过正演计算得到模拟重力数据集，对模拟重力数据集进行变换并加权，得到低分辨率偏移密度界面模型数据集；优化偏移模型深度学习网络并映射，得到高分辨率约束密度界面先验模型，构建稳定非线性损失函数并进行正则化反演，得到高分辨率密度界面模型。本申请通过探索深度学习的输入方式以及学习模式，开展基于机器学习约束的密度突变界面反演方法研究，实现增强界面反演成像的精度。

Description

一种基于机器学习约束的密度突变界面反演方法及系统
技术领域
本申请涉及勘测领域，具体涉及一种基于机器学习约束的密度突变界面反演方法及系统。
背景技术
观测重力异常是地下各密度界面起伏和岩性不均匀的综合反映，因此，通过重力异常来反演密度界面的起伏形态一直是位场数据处理解释中的重要内容。目前，主要的密度成像方法包括：（1）正则化反演成像；（2）重力偏移成像；（3）深度学习成像。
正则化反演方法借助先验信息，通过动态分配数据度量空间和模型度量空间之间的权重，强化了反演结果的地质意义，提升了反演的稳定性；并通过模型多元密度紧缩算子增强了相邻密度界面的变化率，一定程度上提高了密度边界的识别度。然而，针对正则化反演对突变密度界面成像仍存在相对模糊的问题，如何利用包含了丰富地质意义的地球物理数据（地震、测井等）作为约束，在提升突变密度界面成像分辨率等问题上还有待继续开展理论和方法研究。
重力偏移作为与常规反演并列发展的一项快速稳定建模技术，其在一定程度上解决了正则化反演长期存在的求解不稳定和较为依赖人为地质先验信息等问题。虽然一次偏移成像相对稳定，且对目标体形态有一定的恢复能力，但由于受类似重力延拓理论方法的约束，使其分辨率过低，仍无法满足实际地质解释需求。因此，如何利用低分辨率且稳定的一次偏移成像结果，结合其他成像方法来构建高分辨率的先验模型还需要开展更为深入的研究。
深度学习对图像多层次数据特征的刻画具有更强的泛化和表达能力，凭借其超强的特征提取能力，通过有效的提取重力数据和高维密度模型两者内在的对应关系，并加以特征强化和重构，实现对地下密度界面展布的快速预测。然而，由于受传统重力数据集针对性不强、输入端和训练模式单一的限制，影响了深度学习优化过程的可解释性，无法确定深度模型本身引起的系统不确定对重构密度界面结果的影响。实测重力数据包含了丰富的地质意义，若能通过实测数据构建更合理的数据集，并改进深度学习方式，是目前改善深度学习优化过程可解释性的关键。
发明内容
本申请提供了一种基于机器学习约束的密度突变界面反演方法及系统，通过探索深度学习的输入方式以及学习模式，开展基于机器学习约束的密度突变界面反演方法研究，实现增强界面反演成像的精度。
为实现上述目的，本申请提供了以下方案：
一种基于机器学习约束的密度突变界面反演方法，包括以下步骤：
S1.基于实测重力数据构建初始盆地界面，基于所述初始盆地界面随机生成扰动盆地界面数据集；
S2.基于所述初始盆地界面和所述扰动盆地界面数据集，通过哈达玛积运算，得到盆地界面数据集；
S3.基于所述盆地界面数据集，通过使用高等函数填充上覆地层密度，得到高分辨率密度界面模型数据集；
S4.对所述高分辨率密度界面模型数据集进行正演计算，得到模拟重力数据集；
S5.对所述模拟重力数据集进行数学变换并施加深度加权，得到低分辨率偏移密度界面模型数据集；
S6.基于所述高分辨率密度界面模型数据集、所述模拟重力数据集和所述低分辨率偏移密度界面模型数据集，优化偏移模型深度学习网络，并基于所述偏移模型深度学习网络，对所述实测重力数据和与之对应的一次偏移密度界面模型进行映射，得到高分辨率约束密度界面先验模型；
S7.基于所述高分辨率约束密度界面先验模型，构建多元密度紧缩约束的稳定非线性损失函数，并进行正则化反演，得到高分辨率密度界面模型。
优选的，所述初始盆地界面构建方法包括，根据目标区域盆地实测重力数据，通过布格平板模型来确定初始盆地界面初始深度，计算公式如下：
Figure 900875DEST_PATH_IMAGE001
其中，
Figure 755699DEST_PATH_IMAGE002
为盆地模型的基底初始深度，
Figure 191228DEST_PATH_IMAGE003
为实测重力数据，
Figure 9274DEST_PATH_IMAGE004
为地表与围岩密度差，
Figure 26908DEST_PATH_IMAGE005
为密度差随深度变化的梯度。
优选的，所述扰动盆地界面生成方法包括，基于概率分布的多种随机变换方法产生多套盆地扰动界面。
优选的，所述高等函数包括：线性密度函数、多次多项式密度函数、指数密度函数、抛物线密度函数和双曲线密度函数。
优选的，所述低分辨率偏移密度界面模型数据集生成方法包括，通过偏移算子对所述模拟重力数据集进行计算，得到重力偏移场，再对所述重力偏移场进行深度加权计算，得到所述低分辨率偏移密度界面模型数据集，计算公式如下：
Figure 770742DEST_PATH_IMAGE006
其中，
Figure 975459DEST_PATH_IMAGE007
为重力偏移场，
Figure 862774DEST_PATH_IMAGE008
为偏移算子，
Figure 734915DEST_PATH_IMAGE009
为模拟重力数据集，
Figure 56175DEST_PATH_IMAGE010
为低分辨率偏移密度界面模型数据集，t代表训练集，
Figure 702183DEST_PATH_IMAGE011
为相关系数，W为深度加权矩阵。
优选的，所述高分辨率约束密度界面先验模型生成方法包括：
S6.1.基于所述低分辨率偏移密度界面模型数据集，结合可变卷积多尺度注意力机制三维模型多层特征叠加结构，并通过残差模块增加网络深度，进行强特征提取编码，得到多尺度密度模型；
S6.2.基于所述多尺度密度模型，结合金字塔池化结构进行转换，得到固定大小的强特征向量；
S6.3.基于所述固定大小的强特征向量设定损失函数，同时基于所述模拟重力数据集进行重力约束以优化偏移模型深度学习网络；
S6.4.基于所述偏移算子对所述实测重力数据进行计算，构建所述一次偏移密度界面模型，基于所述一次偏移密度界面模型并结合偏移模型优化深度学习模块构建高分辨率约束密度界面先验模型。
优选的，构建所述一次偏移密度界面模型计算公式如下：
Figure 360566DEST_PATH_IMAGE012
其中，
Figure 821634DEST_PATH_IMAGE013
为实测重力数据，
Figure 48216DEST_PATH_IMAGE014
为偏移算子，
Figure 712678DEST_PATH_IMAGE015
为一次偏移密度界面模型，
Figure 925485DEST_PATH_IMAGE016
为相关系数，W为深度加权矩阵。
优选的，所述稳定非线性损失函数构建方法包括，通过测井和岩性数据分析，确定离散密度多源信息，构建多元密度紧缩泛函，基于所述紧缩泛函构建所述稳定非线性损失函数。
本申请还提供了一种基于机器学习约束的密度突变界面反演系统，包括：界面生成模块、哈达玛积运算模块、函数填充模块、正演模块、偏移成像模块、偏移模型优化深度学习模块和重力多元密度约束正则反演模块；
所述界面生成模块用于基于实测重力数据构建初始盆地界面，基于所述初始盆地界面随机生成扰动盆地界面；
所述哈达玛积运算模块用于基于所述初始盆地界面和所述扰动盆地界面进行哈达玛积运算，得到盆地界面数据集；
所述函数填充模块用于基于所述盆地界面数据集，通过使用高等函数填充上覆地层密度，得到高分辨率密度界面模型数据集；
所述正演模块用于对所述高分辨率密度界面模型数据集进行正演计算，得到模拟重力数据集；
所述偏移成像模块用于对所述模拟重力数据集进行数学变换并施加深度加权，得到低分辨率偏移密度界面模型数据集；
所述偏移模型优化深度学习模块用于基于所述高分辨率密度界面模型数据集、所述模拟重力数据和所述低分辨率偏移密度界面模型数据集，优化偏移模型深度学习网络，并通过实测重力数据和与之对应的一次偏移密度界面模型，生成高分辨率约束密度界面先验模型；
所述重力多元密度约束正则反演模块用于基于所述高分辨率约束密度界面先验模型，通过构建基于多元密度紧缩约束的稳定非线性损失函数，计算得到高分辨率密度界面模型。
本申请具有的有益效果为：
（1）利用目标地区实测重力数据有针对性的构建模型数据集，为后续的自适应深度学习优化过程提供数据支撑；
（2）通过探索深度学习的输入方式以及学习模式，提升了学习模型的可解释性；
（3）通过测井和岩性数据分析，开展基于机器学习约束的密度突变界面反演方法研究，实现增强界面反演成像的精度。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请一种基于机器学习约束的密度突变界面反演方法流程示意图；
图2为本申请重力密度数据集工作流程示意图；
图3为本申请偏移模型优化深度学习网络工作流程示意图；
图4为本申请重力多元密度约束正则反演工作流程示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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做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。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中，如图1所示，一种基于机器学习约束的密度突变界面反演方法，包括以下步骤：
S1.根据目标区域盆地实测重力数据，通过布格平板模型来确定初始盆地界面，计算公式如下：
Figure 224748DEST_PATH_IMAGE017
其中，
Figure 497597DEST_PATH_IMAGE018
为盆地模型的基底初始深度，
Figure 23257DEST_PATH_IMAGE003
为实测重力数据，
Figure 524907DEST_PATH_IMAGE019
为地表与围岩密度差，
Figure 960568DEST_PATH_IMAGE005
为密度差随深度变化的梯度；基于初始盆地界面使用概率分布的多种随机变换方法，产生多套盆地扰动界面。
S2.将初始盆地界面和随机盆地扰动界面数据集之间做哈达玛积运算，快速生成盆地界面数据集。
S3.使用高等函数（包括线性密度函数、多次多项式密度函数、指数密度函数、抛物线密度函数和双曲线密度函数）填充上覆地层密度，最终生成高分辨率密度界面模型数据集。
S4.对高分辨率密度界面模型数据集进行正演计算，得到相对应的模拟重力数据集。
S5.通过偏移算子对所述模拟重力数据集进行计算，得到重力偏移场，再对所述重力偏移场进行深度加权计算，得到所述低分辨率偏移密度界面模型数据集，计算公式如下：
Figure 653586DEST_PATH_IMAGE020
其中，
Figure 276329DEST_PATH_IMAGE021
为重力偏移场，
Figure 955572DEST_PATH_IMAGE022
为偏移算子，
Figure 973034DEST_PATH_IMAGE009
为模拟重力数据集，
Figure 587686DEST_PATH_IMAGE010
为低分辨率偏移密度界面模型数据集，t代表训练集，
Figure 946992DEST_PATH_IMAGE023
为相关系数，W为深度加权矩阵。
步骤S1~S5工作流程如图2所示，使用目标区域实测重力数据来构建初始盆地界面；其次在初始界面的基础上随机生成扰动盆地界面数据集，通过和初始盆地界面模型进行叠加，并填充密度；再次形成高分辨率密度界面模型数据集；最后计算出与之对应的重力数据集和相应的低分辨率偏移密度界面模型数据集。
S6.如图3所示，基于低分辨率偏移密度界面模型，结合可变卷积多尺度注意力机制三维模型多层特征叠加结构，并通过残差计算增加网络深度，进行强特征提取编码，得到多尺度密度模型；基于多尺度密度模型，通过金字塔池化SPP计算进行转换，得到固定大小的强特征向量；基于固定大小的强特征向量设定损失函数，同时基于模拟重力数据集进行重力约束，优化偏移模型深度学习网络；通过偏移算法，构建一次偏移密度界面模型
Figure 305292DEST_PATH_IMAGE024
，计算公式如下：
Figure 200698DEST_PATH_IMAGE025
并结合优化偏移模型深度学习网络、实测重力数据和与之对应的一次偏移密度界面模型，快速重构高分辨率约束先验密度界面模型
Figure 110885DEST_PATH_IMAGE026
。
S7.如图4所示，通过测井和岩性数据分析，确定离散密度多元信息（目标密度目标体个数C和先验共有密度信息组的中心值），构建参数域多源密度紧缩稳定泛函，计算公式如下：
Figure 973799DEST_PATH_IMAGE027
其中
Figure 119478DEST_PATH_IMAGE028
作为群类归属矩阵；作为
Figure 853079DEST_PATH_IMAGE028
分类群组的中心点坐标的
Figure 560266DEST_PATH_IMAGE029
会逐渐逼近先验矩阵，
Figure 769531DEST_PATH_IMAGE030
其逼近程度受经验参数η控制。
建立稳定非线性损失函数，该损失函数仅由数据误差泛函、正则化泛函和多元密度紧缩泛函构成，计算公式如下：
Figure 735213DEST_PATH_IMAGE031
其中A为重力正演算子；α是正则化因子；λ是紧缩因子；
Figure 838167DEST_PATH_IMAGE032
是聚焦算子
Figure 699943DEST_PATH_IMAGE033
和模型深度加权算子
Figure 288182DEST_PATH_IMAGE034
的乘积，计算公式如下：
Figure 526396DEST_PATH_IMAGE035
使用共轭梯度法获得反演的最优解ρ，即高分辨率密度界面模型。
实施例二
在本实施例二中，一种基于机器学习约束的密度突变界面反演系统，包括：界面生成模块、哈达玛积运算模块、函数填充模块、正演模块、偏移成像模块、偏移模型优化深度学习模块和重力多元密度约束正则反演模块。
界面生成模块用于基于实测重力数据构建初始盆地界面，基于初始盆地界面随机生成扰动盆地界面数据集。
哈达玛积运算模块用于基于初始盆地界面和扰动盆地界面数据集进行哈达玛积运算，得到盆地界面数据集。
函数填充模块用于基于盆地界面数据集，通过使用高等函数填充上覆地层密度，得到高分辨率密度界面模型数据集。
正演模块用于对高分辨率密度界面模型数据集进行正演计算，得到模拟重力数据集。
偏移成像模块用于对模拟重力数据集进行数学变换并施加深度加权，得到低分辨率偏移密度界面模型数据集。
偏移模型优化深度学习模块用于基于高分辨率密度界面模型数据集、模拟重力数据和低分辨率偏移密度界面模型数据集，优化偏移模型深度学习网络，并通过实测重力数据和与之对应的一次偏移密度界面模型，生成高分辨率约束密度界面先验模型；
重力多元密度约束正则反演模块用于基于高分辨率约束密度界面先验模型，通过构建基于多元密度紧缩约束的稳定非线性损失函数，计算得到高分辨率密度界面模型。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (9)

1.一种基于机器学习约束的密度突变界面反演方法，其特征在于，包括以下步骤：
S1.基于实测重力数据构建初始盆地界面，基于所述初始盆地界面随机生成扰动盆地界面数据集；
S2.基于所述初始盆地界面和所述扰动盆地界面数据集，通过哈达玛积运算，得到盆地界面数据集；
S3.基于所述盆地界面数据集，通过使用高等函数填充上覆地层密度，得到高分辨率密度界面模型数据集；
S4.对所述高分辨率密度界面模型数据集进行正演计算，得到模拟重力数据集；
S5.对所述模拟重力数据集进行数学变换并施加深度加权，得到低分辨率偏移密度界面模型数据集；
S6.基于所述高分辨率密度界面模型数据集、所述模拟重力数据集和所述低分辨率偏移密度界面模型数据集，优化偏移模型深度学习网络，并基于所述偏移模型深度学习网络，对所述实测重力数据和与之对应的一次偏移密度界面模型进行映射，得到高分辨率约束密度界面先验模型；
S7.基于所述高分辨率约束密度界面先验模型，构建多元密度紧缩约束的稳定非线性损失函数，并进行正则化反演，得到高分辨率密度界面模型。
2.根据权利要求1所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，所述初始盆地界面构建方法包括，根据目标区域盆地实测重力数据，通过布格平板模型来确定初始盆地界面初始深度，计算公式如下：
Figure 180756DEST_PATH_IMAGE001
其中，
Figure 462702DEST_PATH_IMAGE002
为盆地模型的基底初始深度，
Figure 787504DEST_PATH_IMAGE003
为实测重力数据，
Figure 580142DEST_PATH_IMAGE004
为地表与围岩密度差，
Figure 408421DEST_PATH_IMAGE005
为密度差随深度变化的梯度。
3.根据权利要求1所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，所述扰动盆地界面生成方法包括，基于概率分布的多种随机变换方法产生多套盆地扰动界面。
4.根据权利要求1所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，所述高等函数包括：线性密度函数、多次多项式密度函数、指数密度函数、抛物线密度函数和双曲线密度函数。
5.根据权利要求1所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，所述低分辨率偏移密度界面模型数据集生成方法包括，通过偏移算子对所述模拟重力数据集进行计算，得到重力偏移场，再对所述重力偏移场进行深度加权计算，得到所述低分辨率偏移密度界面模型数据集，计算公式如下：
Figure 2213DEST_PATH_IMAGE006
其中，
Figure 797999DEST_PATH_IMAGE007
为重力偏移场，
Figure 643596DEST_PATH_IMAGE008
为偏移算子，
Figure 342693DEST_PATH_IMAGE009
为模拟重力数据集，
Figure 248332DEST_PATH_IMAGE010
为低分辨率偏移密度界面模型数据集，t代表训练集，
Figure 256DEST_PATH_IMAGE011
为相关系数，W为深度加权矩阵。
6.根据权利要求1所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，所述高分辨率约束密度界面先验模型生成方法包括：
S6.1.基于所述低分辨率偏移密度界面模型数据集，结合可变卷积多尺度注意力机制三维模型多层特征叠加结构，并通过残差模块增加网络深度，进行强特征提取编码，得到多尺度密度模型；
S6.2.基于所述多尺度密度模型，结合金字塔池化结构进行转换，得到固定大小的强特征向量；
S6.3.基于所述固定大小的强特征向量设定损失函数，同时基于所述模拟重力数据集进行重力约束以优化偏移模型深度学习网络；
S6.4.基于所述偏移算子对所述实测重力数据进行计算，构建所述一次偏移密度界面模型，基于所述一次偏移密度界面模型并结合偏移模型优化深度学习模块构建高分辨率约束密度界面先验模型。
7.根据权利要求6所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，构建所述一次偏移密度界面模型计算公式如下：
Figure 649543DEST_PATH_IMAGE012
其中，
Figure 311469DEST_PATH_IMAGE013
为实测重力数据，
Figure 873162DEST_PATH_IMAGE014
为偏移算子，
Figure 394273DEST_PATH_IMAGE015
为一次偏移密度界面模型，
Figure 565361DEST_PATH_IMAGE016
为相关系数，W为深度加权矩阵。
8.根据权利要求1所述一种基于机器学习约束的密度突变界面反演方法，其特征在于，所述稳定非线性损失函数构建方法包括，通过测井和岩性数据分析，确定离散密度多源信息，构建多元密度紧缩泛函，基于所述紧缩泛函构建所述稳定非线性损失函数。
9.一种基于机器学习约束的密度突变界面反演系统，其特征在于，包括：界面生成模块、哈达玛积运算模块、函数填充模块、正演模块、偏移成像模块、偏移模型优化深度学习模块和重力多元密度约束正则反演模块；
所述界面生成模块用于基于实测重力数据构建初始盆地界面，基于所述初始盆地界面随机生成扰动盆地界面；
所述哈达玛积运算模块用于基于所述初始盆地界面和所述扰动盆地界面进行哈达玛积运算，得到盆地界面数据集；
所述函数填充模块用于基于所述盆地界面数据集，通过使用高等函数填充上覆地层密度，得到高分辨率密度界面模型数据集；
所述正演模块用于对所述高分辨率密度界面模型数据集进行正演计算，得到模拟重力数据集；
所述偏移成像模块用于对所述模拟重力数据集进行数学变换并施加深度加权，得到低分辨率偏移密度界面模型数据集；
所述偏移模型优化深度学习模块用于基于所述高分辨率密度界面模型数据集、所述模拟重力数据和所述低分辨率偏移密度界面模型数据集，优化偏移模型深度学习网络，并通过实测重力数据和与之对应的一次偏移密度界面模型，生成高分辨率约束密度界面先验模型；
所述重力多元密度约束正则反演模块用于基于所述高分辨率约束密度界面先验模型，通过构建基于多元密度紧缩约束的稳定非线性损失函数，计算得到高分辨率密度界面模型。
CN202210583778.4A 2022-05-27 2022-05-27 一种基于机器学习约束的密度突变界面反演方法及系统 Active CN114676644B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210583778.4A CN114676644B (zh) 2022-05-27 2022-05-27 一种基于机器学习约束的密度突变界面反演方法及系统
US18/116,877 US11768982B1 (en) 2022-05-27 2023-03-03 Density abrupt interface inversion method and system based on machine learning constraints

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210583778.4A CN114676644B (zh) 2022-05-27 2022-05-27 一种基于机器学习约束的密度突变界面反演方法及系统

Publications (2)

Publication Number Publication Date
CN114676644A true CN114676644A (zh) 2022-06-28
CN114676644B CN114676644B (zh) 2022-08-23

Family

ID=82080817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210583778.4A Active CN114676644B (zh) 2022-05-27 2022-05-27 一种基于机器学习约束的密度突变界面反演方法及系统

Country Status (2)

Country Link
US (1) US11768982B1 (zh)
CN (1) CN114676644B (zh)

Cited By (2)

* 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
CN118011514A (zh) * 2024-04-10 2024-05-10 成都理工大学 一种应用于盆地基底界面起伏及密度的预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012027848A1 (en) * 2010-09-03 2012-03-08 Geosoft Inc. Method and system for modeling anomalous density zones in geophysical exploration
CN105549106A (zh) * 2016-01-07 2016-05-04 中国科学院地质与地球物理研究所 一种重力多界面反演方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
US20200183041A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Research And Engineering Company Machine learning-augmented geophysical inversion
CN111337993A (zh) * 2020-03-30 2020-06-26 中国地质科学院 一种基于变密度变深度约束的重力密度界面反演方法
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors
CN113486591A (zh) * 2021-07-13 2021-10-08 吉林大学 一种卷积神经网络结果的重力多参量数据密度加权反演方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8548784B2 (en) * 2009-07-13 2013-10-01 Westerngeco L.L.C. Tar estimation
DE102011112292B4 (de) * 2011-09-05 2014-04-17 Helmholtz-Zentrum für Ozeanforschung Kiel (Geomar) Verfahren zur Verifikation von Alters-Tiefen-Beziehungen von Gestein in Sedimentbecken
WO2013096187A1 (en) * 2011-12-20 2013-06-27 Shell Oil Company A method to constrain a basin model with curie depth
US20130218538A1 (en) * 2012-02-20 2013-08-22 Schlumberger Technology Corporation Simulation model optimization
US9310500B2 (en) * 2013-02-20 2016-04-12 Chevron U.S.A. Inc. Velocity models for processing seismic data based on basin modeling
US10260319B2 (en) * 2016-02-08 2019-04-16 Rs Energy Group Topco, Inc. Method for estimating oil/gas production using statistical learning models
NO20220823A1 (en) * 2020-01-25 2022-07-25 Schlumberger Technology Bv Automatic model selection through machine learning
US20220019933A1 (en) * 2020-07-15 2022-01-20 Landmark Graphics Corporation Estimation of global thermal conditions via cosimulation of machine learning outputs and observed data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012027848A1 (en) * 2010-09-03 2012-03-08 Geosoft Inc. Method and system for modeling anomalous density zones in geophysical exploration
CN105549106A (zh) * 2016-01-07 2016-05-04 中国科学院地质与地球物理研究所 一种重力多界面反演方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
US20200183041A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Research And Engineering Company Machine learning-augmented geophysical inversion
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors
US20210041596A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical Inversion With Machine Learning-Based Geologic Priors
CN111337993A (zh) * 2020-03-30 2020-06-26 中国地质科学院 一种基于变密度变深度约束的重力密度界面反演方法
CN113486591A (zh) * 2021-07-13 2021-10-08 吉林大学 一种卷积神经网络结果的重力多参量数据密度加权反演方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
LIANZHI ZHANG等: "Deep Learning for 3-D Inversion of Gravity Data", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
冯旭亮等: "渭河盆地基底三维变密度重力反演", 《石油地球物理勘探》 *
张代磊等: "基于遗传算法优化的BP神经网络在密度界面反演中的应用", 《吉林大学学报(地球科学版)》 *
张盛等: "改进的约束变密度界面反演策略及其应用", 《地球物理学报》 *
耿美霞等: "应用RBF神经网络反演二维重力密度分布", 《石油地球物理勘探》 *
袁永祺等: "重力异常变密度界面深度反演方法对比", 《工程地球物理学报》 *
贺前钱等: "武汉九峰站地下水变化对重力场观测的影响", 《地球物理学报》 *
陈光希等: "约束变密度界面反演法在渤海深部结构研究中的应用", 《地球物理学进展》 *
高尔根等: "重力异常稳健迭代密度界面反演研究", 《中国科学技术大学学报》 *

Cited By (2)

* 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
CN118011514A (zh) * 2024-04-10 2024-05-10 成都理工大学 一种应用于盆地基底界面起伏及密度的预测方法及系统

Also Published As

Publication number Publication date
US11768982B1 (en) 2023-09-26
CN114676644B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN114676644B (zh) 一种基于机器学习约束的密度突变界面反演方法及系统
CN101133422B (zh) 具有增强计算效率的多点统计(mps)仿真
Mariethoz et al. Modeling complex geological structures with elementary training images and transform‐invariant distances
Wang et al. Two parameter optimization methods of multi-point geostatistics
CN109709603A (zh) 地震层位识别与追踪方法、系统
Grana et al. Probabilistic inversion of seismic data for reservoir petrophysical characterization: Review and examples
US20110251833A1 (en) Deterministic version of the multiple point geostatistics simulation/reconstruction method with the simulated/reconstructed values are directly taken from the training images without prior estimation of the conditional
CN108645994A (zh) 一种基于多点地质统计学的地质随机反演方法及装置
Song et al. GANSim‐3D for conditional geomodeling: theory and field application
WO2022078514A1 (zh) 一种结构和波速随机布设的三维速度地质建模方法
Dubrule et al. Achievements and challenges in petroleum geostatistics
Bai et al. Accelerating geostatistical modeling using geostatistics-informed machine Learning
Cui et al. Characterization of subsurface hydrogeological structures with convolutional conditional neural processes on limited training data
Wang et al. A MPS-based novel method of reconstructing 3D reservoir models from 2D images using seismic constraints
Hou et al. Reconstructing Three-dimensional geological structures by the Multiple-point statistics method coupled with a deep neural network: A case study of a metro station in Guangzhou, China
Yanshu et al. A three-dimensional model of deep-water turbidity channel in Plutonio oilfield, Angola: From training image generation, optimization to multi-point geostatistical modelling
GB2584447A (en) Apparatus method and computer-program product for processing geological data
GB2584449A (en) Apparatus method and computer-program product for calculating a measurable geological metric
CN115880455A (zh) 基于深度学习的三维智能插值方法
Xie et al. Seismic inverse modeling method based on generative adversarial networks
Song et al. GANSim-surrogate: An integrated framework for stochastic conditional geomodelling
Song et al. GANSim-surrogate: An integrated framework for conditional geomodelling and uncertainty analysis
Bian et al. Regional 3D geological modeling along metro lines based on stacking ensemble model
Guo et al. GeoPDNN 1.0: a semi-supervised deep learning neural network using pseudo-labels for three-dimensional shallow strata modelling and uncertainty analysis in urban areas from borehole data
Yang Holistic strategies for prediction uncertainty quantification of contaminant transport and reservoir production in field cases

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