CN115616660B - 利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 - Google Patents
利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 Download PDFInfo
- Publication number
- CN115616660B CN115616660B CN202211636296.7A CN202211636296A CN115616660B CN 115616660 B CN115616660 B CN 115616660B CN 202211636296 A CN202211636296 A CN 202211636296A CN 115616660 B CN115616660 B CN 115616660B
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- data
- sea area
- monitoring
- imaging
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 49
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 30
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims description 224
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims description 112
- 239000001569 carbon dioxide Substances 0.000 title claims description 112
- 238000007789 sealing Methods 0.000 title description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 41
- 230000009919 sequestration Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000005755 formation reaction Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- 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
-
- 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
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- 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
-
- 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
- G01V2210/624—Reservoir parameters
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
Abstract
本发明公开了一种利用绕射波监测海域碳封存项目CO2泄露情况的方法及装置,该方法包括对所采集到的目标监测海域的二维海面多道地震数据进行预处理,得到预处理后的地震数据;基于预处理后的地震数据,进行偏移速度分析,得到偏移成像速度;将预处理后的地震数据输入到训练好的深度学习神经网络模型中,分离得到绕射波数据;把绕射波数据和偏移成像速度当做成像的输入数据,进行成像处理,得到最终的绕射波成像结果;基于绕射波成像的结果,确定CO2泄露区的范围。本发明提出利用绕射波成像来监测CO2渗漏情况,而绕射波包含地下小尺度异常体的高分辨率信息,可以生成高分辨率的图像,能够更好地确定CO2的范围。
Description
技术领域
本发明涉及监测技术领域,具体涉及一种利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置。
背景技术
二氧化碳排放引发的全球变暖问题已经引起了世界各国的关注,减少二氧化碳的排放已经成为共识。各国学者在考虑安全性,经济性和技术性之后,普遍认为,通过捕获二氧化碳并把它封存到地下地质体中是减弱温室气体的一种有效手段。在世界范围内,已有多个二氧化碳封存项目正在运行。用于封存二氧化碳的地质体包括陆地上不可采煤层、废弃的油气田、咸水层等,在海域盆地封存二氧化碳日益受到重视。
二氧化碳封存涉及社会效应,经济效应,生态环境安全,公众的理解等多个方面是一项非常复杂的工作,而且花费昂贵。为保证项目的安全性,持久性和有效性,必须要对封存在地下地质体中的二氧化碳进行科学严格的监测,为整个项目的成功提供保证。
二氧化碳地质封存监测通常需要采用多种技术。在不同的阶段,采用不用的技术。有些阶段还需要同时采用多种技术。这些技术包括地球物理,地球化学,遥感,测井等,其中地震学方法是最为重要的方法。
对于陆上的封存项目,借鉴石油天然气项目的监测方案,已经形成了成熟的监测体系,包括常规的二维三维地震,时移地震,VSP(Vertical Seismic Profiling,垂直地震剖面),井间地震等。地震技术能够给出地下构造的图像,能够确定二氧化碳在地下的分布范围和储量,确定二氧化碳是否向上运移等。除此之外,时移地震还能够给出二氧化碳的随时间的动态变化。
对于海域二氧化碳封存项目,VSP,井间地震等常规地震技术也用于监测二氧化碳封存效果,但由于施工相对困难,费用昂贵,海域二氧化碳的监测没有陆地上成熟。此外针对海域特殊情况,也发展了基于海底地震仪(OBS)的监测技术,但布设成本,维护保养,回收成本都很高。
海面二维多道地震是目前主要的监测方法。通过每隔一段时间在海面采集多道地震数据,通过数据处理获得地下的图像,从而监测二氧化碳的泄露情况。目前主要存在的问题是:(1)地震数据里边包含反射波和绕射波,一般主要利用反射波进行成像处理,而把绕射波当做噪音加以压制,造成了数据的浪费。(2)由于施工的限制,海上地震检波器的密度相对较小,震源的主频也较低,导致利用反射波生成的图像的分辨率较低。由于二氧化碳在垂向上泄露的尺度较小,因此常用地震方法难以刻画二氧化碳在垂向上的泄露情况。而绕射波包含地下小尺度异常体的高分辨率信息,可以生成高分辨率的图像。
专利文献CN111173506A公开了一种二氧化碳泄漏监测方法 包括:先获取二氧化碳驱油封存区域所有地层内的历史压力值和与历史压力值对应的历史二氧化碳浓度;然后将历史压力值和历史二氧化碳浓度作为训练样本进行数值模拟,建立二氧化碳浓度与压力值之间的函数关系;再利用分布式光纤压力传感系统监测二氧化碳驱油封存区域内指定位置处各个地层的压力,得到各个地层的压力值;最后基于二氧化碳浓度与压力值之间的函数关系,根据各个地层的压力值进行计算,得到指定位置处每个地层的二氧化碳浓度,但该方法无法适用于海域碳封存项目二氧化碳泄露情况的监测。
发明内容
针对目前海域二氧化碳封存项目中利用二维多道地震监测二氧化碳泄露情况存在的问题,本发明提出利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置,通过充分利用地震数据上的绕射波与二氧化碳泄露区的关系,能够准确圈定二氧化碳的泄露范围,为碳封存项目封存效果的监测提供新的手段。
为实现上述目的,本发明的技术方案是:
第一方面,本发明提供一种利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法,包括:
对所采集到的目标监测海域的二维海面多道地震数据进行预处理,得到预处理后的地震数据;
基于预处理后的地震数据,进行偏移速度分析,得到偏移成像速度;
将预处理后的地震数据输入到训练好的深度学习神经网络模型中,分离得到绕射波数据;
把绕射波数据和偏移成像速度当做成像的输入数据,进行成像处理,得到最终的绕射波成像结果;
基于绕射波成像的结果,确定二氧化碳泄露区的范围。
进一步地,所述深度学习神经网络模型通过如下方式进行训练构建:
针对二氧化碳泄露区的速度参数特征和几何参数特征,在背景速度模型上添
加二氧化碳泄露区,得到包含二氧化碳泄露区的速度模型,记为;将包含二氧化碳泄露
区的速度模型和其对应的背景速度模型组成一组模型,记为(,);
对每一组模型(,/>)的两个速度模型分别进行数值正演模拟工作,获得数值模拟的炮记录,分别记为/>和/>;把包含绕射波的炮记录/>当做输入数据,不包含绕射波的炮记录/>当做目标数据,按深度学习神经网络模型需要的格式进行组织,以此构成标签数据;
构建多层卷积神经网络模型;
把标签数据分为分成训练数据和测试数据,其中训练数据用于训练神经网络,找到最优的神经网络模型,而测试数据用于评估训练得到的神经网络模型的泛化能力,确定没有过拟合和欠拟合的问题。
进一步地,所述成像处理采用克希霍夫方法。
进一步地,所述多层卷积神经网络模型最后一层的激励函数采用指数线性单元函数。
进一步地,所述目标监测海域的二维海面多道地震数据通过如下方式进行采集:
在目标监测的海域,在采集实际二维海面多道地震数据前需要设定采集参数,包括震源参数,检波器参数,炮点激发间隔,记录长度;设计好采集参数后,在海面激发震源,船后面拖曳的地震缆接收地震数据。
第二方面,本发明提供一种利用绕射波监测海域碳封存项目二氧化碳泄露情况的装置,包括存储器、处理器以及存储在所述存储器中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如上任一所述方法的步骤。
第三方面,本发明提供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如上任一所述方法的步骤。
本发明与现有技术相比,其有益效果在于:
1)海面二维多道地震方法是目前监测碳封存项目二氧化碳泄露情况的主要方法。一般利用地震数据中的反射波来监测二氧化碳渗漏,但由于海上地震检波器的密度相对较小,震源的主频也较低,导致利用反射波生成的图像的分辨率较低。本发明提出利用绕射波成像来监测二氧化碳渗漏情况,而绕射波包含地下小尺度异常体的高分辨率信息,可以生成高分辨率的图像,能够更好地确定二氧化碳的范围。
2)与反射波相比,绕射波的能量要低好几个数量级。常规的方法不能很好的从地震数据中分离出绕射波。本发明提出利用深度学习方法来分离绕射波,不仅能够更好地分离绕射波,而且该方法采用数据驱动,能够减少人为选择参数的困难。
3)在建立深度学习所需的样本数据时,与通常使用处理前后的实际数据来构建样本数据不同,本方案基于已有的背景地质知识建立背景速度模型和二氧化碳渗漏速度模型,通过正演模拟来构建大量的样本数据。此外在正演模拟时采用在目标监测的海域采集二维海面多道地震数据时相同的观测系统参数,这样使得训练的深度学习能够更好的实现绕射波的分离。
附图说明
图1为本发明实施例1提供的利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法的流程示意图;
图2为海面拖缆多道地震采集示意图;
图3为数值例子的模型;
图4为炮记录;
图5为分离出的绕射波;
图6为基于常规反射波成像结果识别的二氧化碳泄露区;
图7为基于绕射波成像结果识别的二氧化碳泄露区;
图8中a为二氧化碳封存背景模型,b为将包含二氧化碳泄露区的速度模型ma和其对应的背景速度模型m0组成一组模型;
图9为不含绕射波(左边)以及对应的包含绕射波(右边)的炮记录;
图10为本发明实施例2提供的利用绕射波监测海域碳封存项目二氧化碳泄露情况的装置的组成示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1:
参阅图1所示,本实施例提供的利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法主要包括如下步骤:
101、对所采集到的目标监测海域的二维海面多道地震数据进行预处理,得到预处理后的地震数据。
具体地,在本步骤中,该目标监测海域的二维海面多道地震数据是通过如下方式采集的:
在目标监测的海域,采集二维海面多道地震数据(如图2所示)。在采集实际数据前需要设定采集参数,包括震源参数,检波器参数,炮点激发间隔,记录长度等。设计好采集参数后,在海面激发震源,船后面拖曳的地震缆接收地震数据。采集的地震数据记为。采集的地震数据包括来自地层的反射波和来自二氧化碳泄露区的绕射波,其中/>分别对应炮点坐标,检波点坐标,以及时间。
需要说明的是,上述步骤102和103并不存在先后顺序的限制,两个步骤是并列的关系。
105、基于绕射波成像的结果,确定二氧化碳泄露区的范围。
通过分析二氧化碳泄露的范围来评估二氧化碳是否泄露到海底,评估项目的安全性。
由此可见,本方法提出利用绕射波成像来监测二氧化碳渗漏情况,而绕射波包含地下小尺度异常体的高分辨率信息,可以生成高分辨率的图像,能够更好地确定二氧化碳的范围。
下面结合一个数值例子来来验证说明利用绕射波来对二氧化碳成像,能够提高二氧化碳渗漏区成像的分辨率。
数值例子所用的简化模型如图3所示。炮点设置在2000-3000米,炮间距为20米,一共51炮。拖缆长度为3000米,炮点在3000米的炮记录如图4所示。图5显示了分离出的绕射波;
图6显示了基于常规反射波成像结果识别二氧化碳泄露的结果;图7显示了基于绕射波成像结果识别的二氧化碳泄露区;对比图6与图7可以看出,在常规反射波成像结果上确定二氧化碳泄露范围容易受到周围地层的影响,尤其是当二氧化碳泄露区靠近地层界面时,难以准确圈定二氧化碳泄露的范围。而基于绕射波成像的结果,能够更好地圈定二氧化碳泄露的范围。此外,基于绕射波成像的结果,由于减少了地层的影响,有利于计算机程序自动识别二氧化碳泄露的区域。
与反射波相比,绕射波的能量要低好几个数量级。常规的方法不能很好的从地震数据中分离出绕射波。为此,本发明提出利用深度学习神经网络模型的方法来分离绕射波,不仅能够更好地分离绕射波,而且该方法采用数据驱动,能够减少人为选择参数的困难。具体地,该深度学习神经网络模型通过如下方式进行训练构建:
(1)首先,收集目标监测海域已知的地质构造信息,速度和密度信息等。这些信息主要来源于二氧化碳封存项目选址和工程实施阶段所进行的大量的地质和地球物理调查。基于这些背景知识,建立背景速度模型,记为。图8a显示了一个示例的背景模型。
(2)针对二氧化碳泄露区的速度参数特征和几何参数(形状,横向和纵向尺度等)特征,在背景速度模型上添加二氧化碳泄露区,得到包含二氧化碳泄露区的速度模型,记为/>。如图8b所示。将包含二氧化碳泄露区的速度模型/>和其对应的背景速度模型组成一组模型,记为(/>,/>)。
(3)通过改变背景速度模型中的速度值的大小,可获得大量的背景速度模型。通过改变二氧化碳的饱和度,地层的孔隙度,二氧化碳泄露区的几何形状,尺寸等来考虑尽可能多的情形,可建立大量的包含二氧化碳泄露区的速度模型。在建立包含二氧化碳泄露区的速度模型时,二氧化碳泄露区的速度值基于饱和度,孔隙度等,采用岩石物理公式来计算,由此,可以得到数量巨大的模型组合。每一组模型都包含一个二氧化碳泄露区速度模型及其对应的一个背景速度模型,记为(,/>)。
(4)对每一组模型(,/>)的两个速度模型分别进行数值正演模拟工作,获得数值模拟的炮记录,分别记为/>和/>。在正演模拟时,采用与在目标监测的海域采集二维海面多道地震数据时完全相同的观测系统参数,相同的子波参数。由于背景速度模型/>中不包含二氧化碳泄露区,因此背景速度模型对应的模拟炮记录/>中不包含绕射波。对应的模拟炮记录/>包含绕射波。图9显示了包含绕射波和不包含绕射波的模拟炮记录数。把包含绕射波的炮记录/>当做输入数据,不包含绕射波的炮记录/>当做目标数据,按深度学习模型需要的格式进行组织,以此构成标签数据。
(5)构建多层卷积神经网络模型。对于卷积神经网络节点个数,中间层的个数,池化层等进行测试。最后一层的激励函数采用指数线性单元函数(ELU)。目标函数定义为输入炮记录和输出炮记录的最小二乘范数。
(6)把标签数据分成训练数据和测试数据,其中训练数据用于训练神经网络模型,找到最优的神经网络模型。而测试数据用于评估训练得到的模型的泛化能力,确定没有过拟合和欠拟合的问题。
由此可见,在建立深度学习神经网络模型所需的样本数据时,与通常使用处理前后的实际数据来构建样本数据不同,本方法基于已有的背景地质知识建立背景速度模型和二氧化碳渗漏速度模型,通过正演模拟来构建大量的样本数据,此外,在正演模拟时采用在目标监测的海域采集二维海面多道地震数据时相同的观测系统参数,这样使得训练的深度学习能够更好的实现绕射波的分离。
实施例2:
参阅图10所示,本实施例提供的利用绕射波监测海域碳封存项目二氧化碳泄露情况装置包括处理器、存储器以及存储在该存储器中并可在所述处理器上运行的计算机程序,例如利用绕射波监测海域碳封存项目二氧化碳泄露情况程序。该处理器执行所述计算机程序时实现上述实施例1步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置中的执行过程。
所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图10仅仅是利用绕射波监测海域碳封存项目二氧化碳泄露情况装置的示例,并不构成利用绕射波监测海域碳封存项目二氧化碳泄露情况装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC) 、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器可以是所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置的内部存储元,例如利用绕射波监测海域碳封存项目二氧化碳泄露情况装置的硬盘或内存。所述存储器也可以是所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置的外部存储设备,例如所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述利用绕射波监测海域碳封存项目二氧化碳泄露情况装置所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3:
本实施例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计算机程序,所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
所示计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理再以电子方式获得所述程序,然后将其存储在计算机存储器中。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (8)
1.一种利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法,其特征在于,包括:
对所采集到的目标监测海域的二维海面多道地震数据进行预处理,得到预处理后的地震数据;
基于预处理后的地震数据,进行偏移速度分析,得到偏移成像速度;
将预处理后的地震数据输入到训练好的深度学习神经网络模型中,分离得到绕射波数据;
把绕射波数据和偏移成像速度当做成像的输入数据,进行成像处理,得到最终的绕射波成像结果;
基于绕射波成像的结果,确定二氧化碳泄露区的范围;
所述深度学习神经网络模型通过如下方式进行训练构建:
针对二氧化碳泄露区的速度参数特征和几何参数特征,在背景速度模型上添加二氧化碳泄露区,得到包含二氧化碳泄露区的速度模型,记为/>;将包含二氧化碳泄露区的速度模型/>和其对应的背景速度模型/>组成一组模型,记为(/>,/>);
对每一组模型(,/>)的两个速度模型分别进行数值正演模拟工作,获得数值模拟的炮记录,分别记为/>和/>;把包含绕射波的炮记录/>当做输入数据,不包含绕射波的炮记录/>当做目标数据,按深度学习神经网络模型需要的格式进行组织,以此构成标签数据;每一组模型(/>,/>)的两个速度模型分别进行数值正演模拟时,采用与在目标监测的海域采集二维海面多道地震数据时完全相同的观测系统参数,相同的子波参数;
构建多层卷积神经网络模型;
把标签数据分成训练数据和测试数据,其中训练数据用于训练神经网络,找到最优的神经网络模型,而测试数据用于评估训练得到的神经网络模型的泛化能力,确定没有过拟合和欠拟合的问题。
4.如权利要求1所述的利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法,其特征在于,所述成像处理采用克希霍夫方法。
5.如权利要求1所述的利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法,其特征在于,所述多层卷积神经网络模型最后一层的激励函数采用指数线性单元函数。
6.如权利要求1所述的利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法,其特征在于,所述目标监测海域的二维海面多道地震数据通过如下方式进行采集:
在目标监测的海域,在采集实际二维海面多道地震数据前需要设定采集参数,包括震源参数,检波器参数,炮点激发间隔,记录长度;设计好采集参数后,在海面激发震源,船后面拖曳的地震缆接收地震数据。
7.一种利用绕射波监测海域碳封存项目二氧化碳泄露情况的装置,包括存储器、处理器以及存储在所述存储器中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如权利要求1至6任一所述方法的步骤。
8.一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如权利要求1至6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636296.7A CN115616660B (zh) | 2022-12-20 | 2022-12-20 | 利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636296.7A CN115616660B (zh) | 2022-12-20 | 2022-12-20 | 利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616660A CN115616660A (zh) | 2023-01-17 |
CN115616660B true CN115616660B (zh) | 2023-05-19 |
Family
ID=84880917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636296.7A Active CN115616660B (zh) | 2022-12-20 | 2022-12-20 | 利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616660B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015130573A (ja) * | 2014-01-07 | 2015-07-16 | 日本電信電話株式会社 | 地球局アンテナ装置および地球局アンテナ制御方法 |
CN105353405A (zh) * | 2014-08-21 | 2016-02-24 | 中国石油化工股份有限公司 | 一种全波形反演方法和系统 |
CN106154319A (zh) * | 2015-04-22 | 2016-11-23 | 中国石油化工股份有限公司 | 一种成像道集的分选方法 |
CN109490951A (zh) * | 2018-12-03 | 2019-03-19 | 中国矿业大学(北京) | 绕射波成像方法、装置和电子设备 |
WO2020084805A1 (ja) * | 2018-10-25 | 2020-04-30 | オムロン株式会社 | 報知装置及び報知方法 |
CN111323817A (zh) * | 2020-04-15 | 2020-06-23 | 中国矿业大学(北京) | 基于深度学习的二氧化碳封存监测方法及装置 |
CN111722284A (zh) * | 2020-06-28 | 2020-09-29 | 成都捷科思石油天然气技术发展有限公司 | 一种基于道集数据建立速度深度模型的方法 |
CN111929729A (zh) * | 2020-08-20 | 2020-11-13 | 中国矿业大学(北京) | 绕射波成像方法、装置和电子设备 |
CN112255679A (zh) * | 2020-10-26 | 2021-01-22 | 中国石油天然气集团有限公司 | 地震资料绕射深度偏移处理方法及装置 |
CN112394414A (zh) * | 2020-12-14 | 2021-02-23 | 中国海洋石油集团有限公司 | 两步法地震绕射波场叠前分离的工艺 |
CN112415591A (zh) * | 2020-10-30 | 2021-02-26 | 中国石油天然气集团有限公司 | 绕射波的成像方法、装置、电子设备及存储介质 |
CN114910956A (zh) * | 2022-05-11 | 2022-08-16 | 中国石油大学(华东) | 基于共成像点道集的智能化绕射波分离方法 |
-
2022
- 2022-12-20 CN CN202211636296.7A patent/CN115616660B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015130573A (ja) * | 2014-01-07 | 2015-07-16 | 日本電信電話株式会社 | 地球局アンテナ装置および地球局アンテナ制御方法 |
CN105353405A (zh) * | 2014-08-21 | 2016-02-24 | 中国石油化工股份有限公司 | 一种全波形反演方法和系统 |
CN106154319A (zh) * | 2015-04-22 | 2016-11-23 | 中国石油化工股份有限公司 | 一种成像道集的分选方法 |
WO2020084805A1 (ja) * | 2018-10-25 | 2020-04-30 | オムロン株式会社 | 報知装置及び報知方法 |
CN109490951A (zh) * | 2018-12-03 | 2019-03-19 | 中国矿业大学(北京) | 绕射波成像方法、装置和电子设备 |
CN111323817A (zh) * | 2020-04-15 | 2020-06-23 | 中国矿业大学(北京) | 基于深度学习的二氧化碳封存监测方法及装置 |
CN111722284A (zh) * | 2020-06-28 | 2020-09-29 | 成都捷科思石油天然气技术发展有限公司 | 一种基于道集数据建立速度深度模型的方法 |
CN111929729A (zh) * | 2020-08-20 | 2020-11-13 | 中国矿业大学(北京) | 绕射波成像方法、装置和电子设备 |
CN112255679A (zh) * | 2020-10-26 | 2021-01-22 | 中国石油天然气集团有限公司 | 地震资料绕射深度偏移处理方法及装置 |
CN112415591A (zh) * | 2020-10-30 | 2021-02-26 | 中国石油天然气集团有限公司 | 绕射波的成像方法、装置、电子设备及存储介质 |
CN112394414A (zh) * | 2020-12-14 | 2021-02-23 | 中国海洋石油集团有限公司 | 两步法地震绕射波场叠前分离的工艺 |
CN114910956A (zh) * | 2022-05-11 | 2022-08-16 | 中国石油大学(华东) | 基于共成像点道集的智能化绕射波分离方法 |
Non-Patent Citations (4)
Title |
---|
3D diffraction imaging of linear features and its applicationto seismic monitoring.Geophysical Prospecting.2013,第1206-1217页. * |
F. Alonaizi et al..Application of Diffracted Wave Analysis to Time-lapse Seismic Data for CO2 Leakage Detection.2011 73 EAGE Conference.2014,第1-5页. * |
栾锡武 等.地震绕射波波场分离与成像方法综述.石油物探.2022,第61卷(第5期),第761-770页. * |
王志辉 等.地震绕射波分离方法研究进展.地球物理学进展.2019,第34卷(第1期),第221-228页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115616660A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110462445B (zh) | 地球物理深度学习 | |
US10386511B2 (en) | Seismic survey design using full wavefield inversion | |
Faleide et al. | Impacts of seismic resolution on fault interpretation: Insights from seismic modelling | |
US9146329B2 (en) | System and method for reconstruction of time-lapse data | |
CN102939546B (zh) | 用于在地震处理中的局部属性匹配的系统和方法 | |
US8724429B2 (en) | System and method for performing time-lapse monitor surverying using sparse monitor data | |
Jenkins | The State of the Art in Monitoring and Verification: an update five years on | |
Robinson et al. | Multiscale characterisation of chimneys/pipes: Fluid escape structures within sedimentary basins | |
Boersma et al. | Natural fault and fracture network characterization for the southern Ekofisk field: A case study integrating seismic attribute analysis with image log interpretation | |
US11719836B1 (en) | Methods of oil and gas exploration using digital imaging | |
Jun et al. | Repeatability enhancement of time-lapse seismic data via a convolutional autoencoder | |
Cho et al. | Estimation and uncertainty analysis of the CO2 storage volume in the Sleipner field via 4D reversible-jump Markov-chain Monte Carlo | |
RU2490677C2 (ru) | Способ комплексной обработки геофизических данных и технологическая система "литоскан" для его осуществления | |
Harishidayat et al. | Reconstruction of land and marine features by seismic and surface geomorphology techniques | |
Michie et al. | Assessing the accuracy of fault interpretation using machine-learning techniques when risking faults for CO2 storage site assessment | |
CN115616660B (zh) | 利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 | |
Leong et al. | Time-lapse seismic inversion for CO2 saturation with SeisCO2Net: An application to Frio-II site | |
US20220236435A1 (en) | Low-Frequency Seismic Survey Design | |
Artman | Passive seismic imaging | |
Cheong et al. | Test processing of seismic monitoring using Sleipner 4D data | |
Yang et al. | Joint Microseismic Event Detection and Location with a Detection Transformer | |
US20240159930A1 (en) | Method and apparatus for implementing full waveform inversion using angle gathers | |
Naseer et al. | Delineation of stratigraphic traps within the basin floor fans of Miocene sedimentary sequences, offshore Indus, Pakistan using inverted acoustic impedance simulations | |
Davids et al. | How legacy data can open new potential for carbon capture and storage in South Africa | |
US20230051004A1 (en) | Method and apparatus for performing efficient modeling of extended-duration moving seismic sources |
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 |