CN115166822A - 储层弹性参数的预测方法、装置和电子设备 - Google Patents
储层弹性参数的预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115166822A CN115166822A CN202210921351.0A CN202210921351A CN115166822A CN 115166822 A CN115166822 A CN 115166822A CN 202210921351 A CN202210921351 A CN 202210921351A CN 115166822 A CN115166822 A CN 115166822A
- Authority
- CN
- China
- Prior art keywords
- resolution
- reservoir
- seismic data
- shot gather
- reservoir elastic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种储层弹性参数的预测方法、装置和电子设备,该方法将超分辨率处理引入到了全波形反演的迭代过程中,即在全波形反演中,每执行预设次迭代过程后,就采用图像超分辨率模型对反演得到的储层弹性参数中间值进行一次超分辨率处理,直至得到的高分辨率的储层弹性参数满足要求为止。将超分辨率处理引入到了全波形反演的迭代过程中能够减少单纯的全波形反演的迭代次数,进而降低时间消耗,另外,上述过程会进行多次超分辨率处理,最终得到的目标高分辨率的储层弹性参数的分辨率高。
Description
技术领域
本发明涉及储层勘探的技术领域,尤其是涉及一种储层弹性参数的预测方法、装置和电子设备。
背景技术
勘探精度是制约油气、煤炭、金属矿等高效开发的关键要素,地震勘探作为目前主流勘探手段,被广泛用于各个领域。地震全波形反演(FWI)由于充分利用了数据的运动学和动力学信息,是一种高精度的地下成像方法。
为提高全波形反演的反演精度,很多学者从目标函数出发,提出了包括:L1、L2范数正则化、先验信息约束等方法,取得了较好的应用效果。但是,由于地震数据的观测方式限制,地震频带是影响反演分辨率的直接因素,针对这个问题,目前已有多种优化方法:包络反演、频率扩展、频移反演等。
传统方案中,为了提升反演获得的储层弹性参数的分辨率,一般是基于原始炮集地震数据(即观测的炮集地震数据)对储层弹性参数初始值进行全波形反演,进而再在全波形反演结果的基础上,应用图像超分辨技术,以获得更高分辨率的储层弹性参数并减少高频数据所对应的反演时间。上述过程耗时长,且仅应用了一次图像超分辨技术,得到的最终的储层弹性参数的分辨率低。
综上,现有的储层弹性参数的预测方法存在预测的储层弹性参数分辨率低、耗时长的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种储层弹性参数的预测方法、装置和电子设备,以缓解现有的储层弹性参数的预测方法预测的储层弹性参数分辨率低、耗时长的技术问题。
第一方面,本发明实施例提供了一种储层弹性参数的预测方法,包括:
获取原始炮集地震数据和储层弹性参数初始值;
基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;
采用图像超分辨率模型对所述储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;
对所述高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;
根据所述炮集地震数据和所述原始炮集地震数据判断所述高分辨率的储层弹性参数是否满足要求;
若不满足要求,则将所述高分辨率的储层弹性参数作为所述储层弹性参数初始值,并返回执行基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;
若满足要求,则将所述高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。
进一步的,根据所述炮集地震数据和所述原始炮集地震数据判断所述高分辨率的储层弹性参数是否满足要求,包括:
若所述炮集地震数据和所述原始炮集地震数据之间的差值小于预设阈值,则确定所述高分辨率的储层弹性参数满足要求;
若所述炮集地震数据和所述原始炮集地震数据之间的差值不小于预设阈值,则确定所述高分辨率的储层弹性参数不满足要求。
进一步的,所述方法还包括:
获取高分辨率图像样本和与所述高分辨率图像样本对应的低分辨率图像样本,其中,所述低分辨率图像样本为对所述高分辨率图像样本进行均值滤波后得到的;
采用所述高分辨率图像样本和所述低分辨率图像样本对原始图像超分辨率模型进行训练,得到所述图像超分辨率模型。
进一步的,若所述高分辨率图像样本为高分辨率的地质模型图像样本,获取高分辨率图像样本,包括:
随机构建多个水平层状的地质模型;
在每个所述水平层状的地质模型上模拟地层的折叠构造,得到多个具有折叠构造的地质模型;
在每个所述具有折叠构造的地质模型上添加平面剪切以模拟断层,得到所述高分辨率的地质模型图像样本。
进一步的,所述原始图像超分辨率模型为具有通道注意力机制的U-net网络,其中,所述通道注意力机制中的通道权重为基于初始通道权重和相似性控制器因子得到的,所述初始通道权重为输入特征经过全局平均池化、卷积层、激活函数、卷积层、sigmoid函数后得到的,所述相似性控制器因子为特征图与预测目标的相似性值。
其中,L(Φ)表示所述原始图像超分辨率模型的损失函数值,表示所述原始图像超分辨率模型输出的高分辨率图像,表示所述高分辨率图像样本,λ1表示第一正则化参数,λ2表示第二正则化参数,N表示所述低分辨率图像样本的总个数,(Dx,Dz)表示旋转算子, Fx表示所述低分辨率图像样本的数据沿X方向的微分,Fz表示所述低分辨率图像样本的数据沿Z方向的微分,θ表示倾角,σ表示局部斜率,Δx表示采样密度,Δt表示采样间隔,P(t,x)表示平面波场,t和x表示所述低分辨率图像样本的数据的两个维度。
进一步的,所述预设次迭代过程包括:3次迭代过程。
第二方面,本发明实施例还提供了一种储层弹性参数的预测装置,包括:
获取单元,用于获取原始炮集地震数据和储层弹性参数初始值;
执行单元,用于基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;
超分辨率处理单元,用于采用图像超分辨率模型对所述储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;
正演处理单元,用于对所述高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;
判断单元,用于根据所述炮集地震数据和所述原始炮集地震数据判断所述高分辨率的储层弹性参数是否满足要求;
返回执行单元,用于若不满足要求,则将所述高分辨率的储层弹性参数作为所述储层弹性参数初始值,并返回执行基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;
设定单元,用于若满足要求,则将所述高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例还提供了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机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中,提供了一种储层弹性参数的预测方法,包括:获取原始炮集地震数据和储层弹性参数初始值;基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;采用图像超分辨率模型对储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;对高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;根据炮集地震数据和原始炮集地震数据判断高分辨率的储层弹性参数是否满足要求;若不满足要求,则将高分辨率的储层弹性参数作为储层弹性参数初始值,并返回执行基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;若满足要求,则将高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。通过上述描述可知,本发明的储层弹性参数的预测方法,是将超分辨率处理引入到了全波形反演的迭代过程中,即在全波形反演中,每执行预设次迭代过程后,就采用图像超分辨率模型对反演得到的储层弹性参数中间值进行一次超分辨率处理,直至得到的高分辨率的储层弹性参数满足要求为止。将超分辨率处理引入到了全波形反演的迭代过程中能够减少单纯的全波形反演的迭代次数,进而降低时间消耗,另外,上述过程会进行多次超分辨率处理,最终得到的目标高分辨率的储层弹性参数的分辨率高,缓解了现有的储层弹性参数的预测方法预测的储层弹性参数分辨率低、耗时长的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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发明的一些实施方式,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为本发明实施例提供的一种储层弹性参数的预测方法的流程图;
图2为本发明实施例提供的图像超分辨率模型参与全波形反演的迭代过程的示意图;
图3为本发明实施例提供的与地质模型相关的示意图;
图4为本发明实施例提供的一种储层弹性参数的预测装置的示意图;
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明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一部分实施例,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,都属于本发明保护的范围。
传统方案中,一般是基于原始炮集地震数据(即观测的炮集地震数据)对储层弹性参数初始值进行全波形反演(为迭代过程),在全波形反演的迭代过程全部结束后,再在全波形反演结果的基础上应用一次图像超分辨技术,从而得到最终的储层弹性参数。但是,全波形反演中的迭代次数较多,耗时长,且仅应用一次图像超分辨技术,得到的最终的储层弹性参数的分辨率低。
基于此,本发明的储层弹性参数的预测方法,是将超分辨率处理引入到了全波形反演的迭代过程中,即在全波形反演中,每执行预设次迭代过程后,就采用图像超分辨率模型对反演得到的储层弹性参数中间值进行一次超分辨率处理,直至得到的高分辨率的储层弹性参数满足要求为止。将超分辨率处理引入到了全波形反演的迭代过程中能够减少单纯的全波形反演的迭代次数,进而降低时间消耗,另外,上述过程会进行多次超分辨率处理,最终得到的目标高分辨率的储层弹性参数的分辨率高。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种储层弹性参数的预测方法进行详细介绍。
实施例一:
根据本发明实施例,提供了一种储层弹性参数的预测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种储层弹性参数的预测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取原始炮集地震数据和储层弹性参数初始值;
在本发明实施例中,上述原始炮集地震数据为野外采集数据经过处理后得到的,上述储层弹性参数初始值具体可以包括:纵波速度初始值、横波速度初始值和密度初始值,上述储层弹性参数初始值是基于测井曲线和层位数据插值得到的。
步骤S104,基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;
步骤S106,采用图像超分辨率模型对储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;
在本发明实施例中,上述图像超分辨率模型为具有通道注意力机制的U-net网络,通道注意力为在每个特征提取通道中添加注意力机制,赋予有用特征更大的权重,使得网络更加关注有效信息。在对图像超分辨率模型进行训练时,采用了添加倾角约束的损失函数,即约束项为基于地层倾角改进了网络的损失函数。
步骤S108,对高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;
步骤S110,根据炮集地震数据和原始炮集地震数据判断高分辨率的储层弹性参数是否满足要求;
步骤S112,若不满足要求,则将高分辨率的储层弹性参数作为储层弹性参数初始值,并返回执行基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;
步骤S114,若满足要求,则将高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。
可见,本发明的储层弹性参数的预测方法中,图像超分辨率模型参与了全波形反演的迭代过程,参考图2,其中,方框表示全波形反演中的迭代过程,圆圈表示图像超分辨率模型。
在本发明实施例中,提供了一种储层弹性参数的预测方法,包括:获取原始炮集地震数据和储层弹性参数初始值;基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;采用图像超分辨率模型对储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;对高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;根据炮集地震数据和原始炮集地震数据判断高分辨率的储层弹性参数是否满足要求;若不满足要求,则将高分辨率的储层弹性参数作为储层弹性参数初始值,并返回执行基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;若满足要求,则将高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。通过上述描述可知,本发明的储层弹性参数的预测方法,是将超分辨率处理引入到了全波形反演的迭代过程中,即在全波形反演中,每执行预设次迭代过程后,就采用图像超分辨率模型对反演得到的储层弹性参数中间值进行一次超分辨率处理,直至得到的高分辨率的储层弹性参数满足要求为止。将超分辨率处理引入到了全波形反演的迭代过程中能够减少单纯的全波形反演的迭代次数,进而降低时间消耗,另外,上述过程会进行多次超分辨率处理,最终得到的目标高分辨率的储层弹性参数的分辨率高,缓解了现有的储层弹性参数的预测方法预测的储层弹性参数分辨率低、耗时长的技术问题。
上述内容对本发明的储层弹性参数的预测方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
本发明的储层弹性参数的预测方法可以有效提高反演效率,是因为将图像超分辨率模型应用于全波形反演的迭代过程,减少了全波形反演的迭代次数。合理的加入图像超分辨率模型是流程成功的关键。简单来说,就是在什么时间(每隔多少次迭代或者哪一次迭代后开始加入,如图2所示)引入图像超分辨率模型决定了反演的效果,两者的组合方式影响着反演结果的精度。本发明测试了不同的组合方式,即每次迭代后都加入图像超分辨率模型、每迭代3次之后加入图像超分辨率模型、每迭代5次之后加入图像超分辨率模型和每迭代7次之后加入图像超分辨率模型,结果表明每迭代3次之后加入图像超分辨率模型可以获得高效、高精度的反演结果,是最佳的组合方式。即上述预设次迭代过程优选为3次迭代过程。
在本发明的一个可选实施例中,上述步骤S110,根据炮集地震数据和原始炮集地震数据判断高分辨率的储层弹性参数是否满足要求,具体包括:
(1)若炮集地震数据和原始炮集地震数据之间的差值小于预设阈值,则确定高分辨率的储层弹性参数满足要求;
(2)若炮集地震数据和原始炮集地震数据之间的差值不小于预设阈值,则确定高分辨率的储层弹性参数不满足要求。
在本发明的一个可选实施例中,该方法还包括:
(1)获取高分辨率图像样本和与高分辨率图像样本对应的低分辨率图像样本,其中,低分辨率图像样本为对高分辨率图像样本进行均值滤波后得到的;
具体的,上述高分辨率图像样本可以为高分辨率的地质模型图像样本,还可以为高分辨率的任意图像样本。在得到高分辨率图像样本后,对每一高分辨率图像样本进行均值滤波,便能得到与每一高分辨率图像样本对应的低分辨率图像样本。在进行均值滤波时,可以采用多个不同的滤波因子,以得到不同的低分辨率图像样本。
(2)采用高分辨率图像样本和低分辨率图像样本对原始图像超分辨率模型进行训练,得到图像超分辨率模型。
在本发明的一个可选实施例中,若高分辨率图像样本为高分辨率的地质模型图像样本,获取高分辨率图像样本,具体包括如下步骤:
(1)随机构建多个水平层状的地质模型;
具体的,给定地质模型的深度信息和横向延伸距离信息,然后,在一定范围内随机地层数量、地层厚度、每一层的地层速度,便得到了水平层状的地质模型,如图3的(a)所示。
(2)在每个水平层状的地质模型上模拟地层的折叠构造,得到多个具有折叠构造的地质模型;
具体的,采用下式模拟地层的折叠构造:
其中,S表示垂向剪切位移,x,y,z分别表示地质模型的三个维度,z表示地层深度,zmax表示所有地层厚度之和,表示线性算子,约束垂向剪切的大小,即随着地层深度的增加,垂向剪切增大,λ表示一个常数,a,b,c,d表示控制折叠构造的随机参数。
例如,在图3的(a)上模拟地层的折叠构造后,得到的具有折叠构造的地质模型如图3的(b)所示。
(3)在每个具有折叠构造的地质模型上添加平面剪切以模拟断层,得到高分辨率的地质模型图像样本。
具体的,根据下式添加平面剪切以模拟断层:
z=mx+n
其中,m和n表示控制断层形态的随机参数,由rand函数在一定范围内生成,m的正负控制了断层的倾向。
例如,在图3的(b)上模拟断层后,得到的高分辨率的地质模型图像样本如图3的(c)所示,再对图3的(c)进行均值滤波(滤波因子为15),便得到了对应的低分辨率的地质模型图像样本如图3的(d)所示。
在本发明的一个可选实施例中,原始图像超分辨率模型为具有通道注意力机制的U-net网络,其中,通道注意力机制中的通道权重为基于初始通道权重和相似性控制器因子得到的,初始通道权重为输入特征经过全局平均池化、卷积层、激活函数、卷积层、sigmoid函数后得到的,相似性控制器因子为特征图与预测目标的相似性值。
具体的,当输入特征x的尺寸为h×w时,第n个通道统计值z可以表示为:其中,xn(i,j)表示第n个特征图在(i,j)位置的值。最终通道统计值C可以表示为:C=f(wu·R(wd·z)),其中,f表示sigmoid函数,R表示ReLU激活函数,wu和wd表示两个卷积层的权重,分别用于上采样和下采样。
上述通道统计值C加入相似性控制器因子后,通道统计值Cs可以表示为:Cs=S·C,其中,S表示计算的相似性控制因子,是计算的特征图与预测目标的相似性值。
在本发明的一个可选实施例中,对原始图像超分辨率模型进行训练的损失函数为: 其中,L(Φ)表示原始图像超分辨率模型的损失函数值,表示原始图像超分辨率模型输出的高分辨率图像,表示高分辨率图像样本,λ1表示第一正则化参数,λ2表示第二正则化参数,N表示低分辨率图像样本的总个数,(Dx,Dz)表示旋转算子, Fx表示低分辨率图像样本的数据沿X方向的微分,Fz表示低分辨率图像样本的数据沿Z方向的微分,θ表示倾角,σ表示局部斜率,Δx表示采样密度,Δt表示采样间隔,P(t,x)表示平面波场,t和x表示低分辨率图像样本的数据的两个维度。
具体的,倾角由传统的平面波破坏(PWD)计算,定义为: 其中,P(t,x)表示平面波场(基于低分辨率图像样本的数据得到的),t和x表示低分辨率图像样本的数据的两个维度,上述算式中σ局部斜率为未知的,通过上述算式可以计算得到σ局部斜率,再由倾角的计算算式可以计算得到θ倾角,其中,Δx表示采样密度,Δt表示采样间隔,是已知的,进而将计算的倾角代入旋转算子的计算算式(其中的Fx和Fz是已知的),便可计算得到旋转算子,最后,将计算的旋转算子带入L(Φ)损失函数(即基于倾角约束改进后的损失函数: 便能计算得到原始图像超分辨率模型的损失函数值。
本发明的储层弹性参数的预测方法能够提高储层弹性参数的反演精度和计算效率。
实施例二:
本发明实施例还提供了一种储层弹性参数的预测装置,该储层弹性参数的预测装置主要用于执行本发明实施例一中所提供的储层弹性参数的预测方法,以下对本发明实施例提供的储层弹性参数的预测装置做具体介绍。
图4是根据本发明实施例的一种储层弹性参数的预测装置的示意图,如图4所示,该装置主要包括:获取单元10、执行单元20、超分辨率处理单元30、正演处理单元40、判断单元50、返回执行单元60和设定单元70,其中:
获取单元,用于获取原始炮集地震数据和储层弹性参数初始值;
执行单元,用于基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;
超分辨率处理单元,用于采用图像超分辨率模型对储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;
正演处理单元,用于对高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;
判断单元,用于根据炮集地震数据和原始炮集地震数据判断高分辨率的储层弹性参数是否满足要求;
返回执行单元,用于若不满足要求,则将高分辨率的储层弹性参数作为储层弹性参数初始值,并返回执行基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;
设定单元,用于若满足要求,则将高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。
在本发明实施例中,提供了一种储层弹性参数的预测装置,包括:获取原始炮集地震数据和储层弹性参数初始值;基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;采用图像超分辨率模型对储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;对高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;根据炮集地震数据和原始炮集地震数据判断高分辨率的储层弹性参数是否满足要求;若不满足要求,则将高分辨率的储层弹性参数作为储层弹性参数初始值,并返回执行基于原始炮集地震数据对储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;若满足要求,则将高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。通过上述描述可知,本发明的储层弹性参数的预测装置,是将超分辨率处理引入到了全波形反演的迭代过程中,即在全波形反演中,每执行预设次迭代过程后,就采用图像超分辨率模型对反演得到的储层弹性参数中间值进行一次超分辨率处理,直至得到的高分辨率的储层弹性参数满足要求为止。将超分辨率处理引入到了全波形反演的迭代过程中能够减少单纯的全波形反演的迭代次数,进而降低时间消耗,另外,上述过程会进行多次超分辨率处理,最终得到的目标高分辨率的储层弹性参数的分辨率高,缓解了现有的储层弹性参数的预测方法预测的储层弹性参数分辨率低、耗时长的技术问题。
可选地,判断单元还用于:若炮集地震数据和原始炮集地震数据之间的差值小于预设阈值,则确定高分辨率的储层弹性参数满足要求;若炮集地震数据和原始炮集地震数据之间的差值不小于预设阈值,则确定高分辨率的储层弹性参数不满足要求。
可选地,该装置还用于:获取高分辨率图像样本和与高分辨率图像样本对应的低分辨率图像样本,其中,低分辨率图像样本为对高分辨率图像样本进行均值滤波后得到的;采用高分辨率图像样本和低分辨率图像样本对原始图像超分辨率模型进行训练,得到图像超分辨率模型。
可选地,若高分辨率图像样本为高分辨率的地质模型图像样本,该装置还用于:随机构建多个水平层状的地质模型;在每个水平层状的地质模型上模拟地层的折叠构造,得到多个具有折叠构造的地质模型;在每个具有折叠构造的地质模型上添加平面剪切以模拟断层,得到高分辨率的地质模型图像样本。
可选地,原始图像超分辨率模型为具有通道注意力机制的U-net网络,其中,通道注意力机制中的通道权重为基于初始通道权重和相似性控制器因子得到的,初始通道权重为输入特征经过全局平均池化、卷积层、激活函数、卷积层、sigmoid函数后得到的,相似性控制器因子为特征图与预测目标的相似性值。
可选地,对原始图像超分辨率模型进行训练的损失函数为: 其中,L(Φ)表示原始图像超分辨率模型的损失函数值,表示原始图像超分辨率模型输出的高分辨率图像,表示高分辨率图像样本,λ1表示第一正则化参数,λ2表示第二正则化参数,N表示低分辨率图像样本的总个数,(Dx,Dz)表示旋转算子, Fx表示低分辨率图像样本的数据沿X方向的微分,Fz表示低分辨率图像样本的数据沿Z方向的微分,θ表示倾角, σ表示局部斜率,Δx表示采样密度,Δt表示采样间隔,P(t,x)表示平面波场,t和x表示低分辨率图像样本的数据的两个维度。
可选地,预设次迭代过程包括:3次迭代过程。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图5所示,本申请实施例提供的一种电子设备600,包括:处理器601、存储器602和总线,所述存储器602存储有所述处理器601可执行的机器可读指令,当电子设备运行时,所述处理器601与所述存储器602之间通过总线通信,所述处理器601执行所述机器可读指令,以执行如上述储层弹性参数的预测方法的步骤。
具体地,上述存储器602和处理器601能够为通用的存储器和处理器,这里不做具体限定,当处理器601运行存储器602存储的计算机程序时,能够执行上述储层弹性参数的预测方法。
处理器601可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成上述方法的步骤。
对应于上述储层弹性参数的预测方法,本申请实施例还提供了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机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述储层弹性参数的预测方法的步骤。
本申请实施例所提供的储层弹性参数的预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
再例如,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装置、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。在这点上,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。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种储层弹性参数的预测方法,其特征在于,包括:
获取原始炮集地震数据和储层弹性参数初始值;
基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;
采用图像超分辨率模型对所述储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;
对所述高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;
根据所述炮集地震数据和所述原始炮集地震数据判断所述高分辨率的储层弹性参数是否满足要求;
若不满足要求,则将所述高分辨率的储层弹性参数作为所述储层弹性参数初始值,并返回执行基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;
若满足要求,则将所述高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。
2.根据权利要求1所述的方法,其特征在于,根据所述炮集地震数据和所述原始炮集地震数据判断所述高分辨率的储层弹性参数是否满足要求,包括:
若所述炮集地震数据和所述原始炮集地震数据之间的差值小于预设阈值,则确定所述高分辨率的储层弹性参数满足要求;
若所述炮集地震数据和所述原始炮集地震数据之间的差值不小于预设阈值,则确定所述高分辨率的储层弹性参数不满足要求。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取高分辨率图像样本和与所述高分辨率图像样本对应的低分辨率图像样本,其中,所述低分辨率图像样本为对所述高分辨率图像样本进行均值滤波后得到的;
采用所述高分辨率图像样本和所述低分辨率图像样本对原始图像超分辨率模型进行训练,得到所述图像超分辨率模型。
4.根据权利要求3所述的方法,其特征在于,若所述高分辨率图像样本为高分辨率的地质模型图像样本,获取高分辨率图像样本,包括:
随机构建多个水平层状的地质模型;
在每个所述水平层状的地质模型上模拟地层的折叠构造,得到多个具有折叠构造的地质模型;
在每个所述具有折叠构造的地质模型上添加平面剪切以模拟断层,得到所述高分辨率的地质模型图像样本。
5.根据权利要求3所述的方法,其特征在于,所述原始图像超分辨率模型为具有通道注意力机制的U-net网络,其中,所述通道注意力机制中的通道权重为基于初始通道权重和相似性控制器因子得到的,所述初始通道权重为输入特征经过全局平均池化、卷积层、激活函数、卷积层、sigmoid函数后得到的,所述相似性控制器因子为特征图与预测目标的相似性值。
7.根据权利要求1所述的方法,其特征在于,所述预设次迭代过程包括:3次迭代过程。
8.一种储层弹性参数的预测装置,其特征在于,包括:
获取单元,用于获取原始炮集地震数据和储层弹性参数初始值;
执行单元,用于基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程,得到储层弹性参数中间值;
超分辨率处理单元,用于采用图像超分辨率模型对所述储层弹性参数中间值进行超分辨率处理,得到高分辨率的储层弹性参数;
正演处理单元,用于对所述高分辨率的储层弹性参数进行正演处理,得到炮集地震数据;
判断单元,用于根据所述炮集地震数据和所述原始炮集地震数据判断所述高分辨率的储层弹性参数是否满足要求;
返回执行单元,用于若不满足要求,则将所述高分辨率的储层弹性参数作为所述储层弹性参数初始值,并返回执行基于所述原始炮集地震数据对所述储层弹性参数初始值执行全波形反演中的预设次迭代过程的步骤;
设定单元,用于若满足要求,则将所述高分辨率的储层弹性参数作为目标高分辨率的储层弹性参数。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210921351.0A CN115166822A (zh) | 2022-08-02 | 2022-08-02 | 储层弹性参数的预测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210921351.0A CN115166822A (zh) | 2022-08-02 | 2022-08-02 | 储层弹性参数的预测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166822A true CN115166822A (zh) | 2022-10-11 |
Family
ID=83478030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210921351.0A Pending CN115166822A (zh) | 2022-08-02 | 2022-08-02 | 储层弹性参数的预测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166822A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450102A (zh) * | 2017-07-28 | 2017-12-08 | 西安交通大学 | 基于分辨率可控包络生成算子的多尺度全波形反演方法 |
CN110516358A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于稀疏表示的地震各向异性参数反演方法 |
CN111337980A (zh) * | 2020-04-16 | 2020-06-26 | 中国矿业大学(北京) | 基于时移全波形反演的二氧化碳封存监测方法和系统 |
CN111666721A (zh) * | 2020-06-19 | 2020-09-15 | 中国科学院地质与地球物理研究所 | 全波形反演方法、装置及电子设备 |
CN111929723A (zh) * | 2020-07-15 | 2020-11-13 | 清华大学 | 基于多任务学习的地震数据约束下的速度模型超辨率方法 |
US20210041596A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical Inversion With Machine Learning-Based Geologic Priors |
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 |
CN113311484A (zh) * | 2021-05-26 | 2021-08-27 | 中国矿业大学(北京) | 利用全波形反演获取粘弹性介质弹性参数的方法及装置 |
CN113642675A (zh) * | 2021-09-07 | 2021-11-12 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
US11226423B1 (en) * | 2020-08-06 | 2022-01-18 | Xi'an Jiaotong University | Model-driven deep learning-based seismic super-resolution inversion method |
-
2022
- 2022-08-02 CN CN202210921351.0A patent/CN115166822A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450102A (zh) * | 2017-07-28 | 2017-12-08 | 西安交通大学 | 基于分辨率可控包络生成算子的多尺度全波形反演方法 |
US20210041596A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical Inversion With Machine Learning-Based Geologic Priors |
CN110516358A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于稀疏表示的地震各向异性参数反演方法 |
CN111337980A (zh) * | 2020-04-16 | 2020-06-26 | 中国矿业大学(北京) | 基于时移全波形反演的二氧化碳封存监测方法和系统 |
CN111666721A (zh) * | 2020-06-19 | 2020-09-15 | 中国科学院地质与地球物理研究所 | 全波形反演方法、装置及电子设备 |
CN111929723A (zh) * | 2020-07-15 | 2020-11-13 | 清华大学 | 基于多任务学习的地震数据约束下的速度模型超辨率方法 |
US11226423B1 (en) * | 2020-08-06 | 2022-01-18 | Xi'an Jiaotong University | Model-driven deep learning-based seismic super-resolution inversion method |
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 |
CN113311484A (zh) * | 2021-05-26 | 2021-08-27 | 中国矿业大学(北京) | 利用全波形反演获取粘弹性介质弹性参数的方法及装置 |
CN113642675A (zh) * | 2021-09-07 | 2021-11-12 | 湖南大学 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
D. LI等: "SUPER-RESOLUTION FULL WAVEFORM INVERSION FOR CO2 STORAGE MONITORING", 《83RD EAGE ANNUAL CONFERENCE & EXHIBITION》 * |
MAN-SUNG KANG AND YUN-KYU AN: "Frequency–Wavenumber Analysis of Deep Learning-based Super Resolution 3D GPR Images", 《REMOTE SENS.》 * |
YINSHUO LI等: "Multitask Learning for Super-Resolution of Seismic Velocity Model", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3106900B1 (en) | System and method for geological-time refinement | |
AU2020283448B2 (en) | System and method for accelerated computation of subsurface representations | |
US10534877B2 (en) | Adaptive multiscale multi-fidelity reservoir simulation | |
CN111460877B (zh) | 利用图像级联及cnn的客体检测方法及装置 | |
KR20200091329A (ko) | 타겟 객체 예측 네트워크 및 타겟 객체 통합 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 따른 최적화를 위해 재구성 가능한 네트워크 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
CN107366534B (zh) | 粗化渗透率的确定方法和装置 | |
Stefanescu et al. | Effect of digital elevation model on Mohr-Coulomb geophysical flow model output | |
Youssef et al. | Landslide susceptibility modeling by interpretable neural network | |
CN108828669B (zh) | 一种二维相交测线静校正处理方法、装置及系统 | |
CN105180955A (zh) | 机动车实时精准定位方法及装置 | |
JP2008310036A (ja) | 浸水深調査システム及びプログラム | |
CN112444850B (zh) | 地震资料速度建模方法、存储介质及计算设备 | |
CN115166822A (zh) | 储层弹性参数的预测方法、装置和电子设备 | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
US20200308934A1 (en) | Automatic calibration of forward depositional models | |
US20220404515A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
Fouedjio et al. | Predictive geological mapping using closed-form non-stationary covariance functions with locally varying anisotropy: case study at El Teniente Mine (Chile) | |
Wang et al. | Modelling porosity distribution in the A'nan Oilfield: Use of geological quantification, neural networks and geostatistics | |
CN111381279B (zh) | 储层孔隙度定量预测方法及装置 | |
CN114913436A (zh) | 基于多尺度注意力机制的地物分类方法、装置、电子设备及介质 | |
CN112347707B (zh) | 油藏流动非均质性的表征方法及装置 | |
CN114792397A (zh) | 一种sar影像城市道路提取方法、系统以及存储介质 | |
EP3887872B1 (en) | System and method for analysis of subsurface data | |
Chaki et al. | A Proxy Flow Modelling Workflow to Estimate Gridded Dynamic Properties and Well Production Rates by Deep Learning Algorithms | |
AU2022252835B2 (en) | Acceleration of subsurface simulation using filtered grid connectivity graph |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |