CN116577821A - 基于神经网络的时移地震预测方法和系统 - Google Patents
基于神经网络的时移地震预测方法和系统 Download PDFInfo
- Publication number
- CN116577821A CN116577821A CN202310598241.XA CN202310598241A CN116577821A CN 116577821 A CN116577821 A CN 116577821A CN 202310598241 A CN202310598241 A CN 202310598241A CN 116577821 A CN116577821 A CN 116577821A
- Authority
- CN
- China
- Prior art keywords
- data
- obn
- neural network
- time
- offset
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000004215 Carbon black (E152) Substances 0.000 description 4
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于神经网络的时移地震预测方法和系统，包括：建立非管道区拖缆数据与OBN数据的非线性映射关系，训练神经网络模型，当模型稳定后，利用管道区拖缆数据对OBN管道区数据进行预测，再将预测数据放入OBN数据管道区内，完成OBN数据重建。本发明的优点是：更加准确地对管道区数据进行预测重建，基于重建地震资料的时移地震可以更加有效地对剩余气藏进行监测。提高采收率，达到高效益开发。
Description
技术领域
本发明涉及地震预测技术领域，特别涉及一种基于U-Net神经网络或或LeNet神经网络的时移地震预测方法和系统。
背景技术
南海西部海域在生产气田类型多样，涵盖不同开发层系、不同温压系统、不同驱动类型、不同岩性组合等。各气田历经多年开发，目前已经相继进入产量递减期。其中由于气田的部分气组为低渗储层，空间非均质性强，造成储层连通性差，开发低效，为了实现气田高效开发，需要对气藏进行地震监测，进而对已处于开发中后期甚至开发末期的气藏进行剩余气预测及调整挖潜。时移地震作为监测油气藏随开发变化、定量预测剩余油气分布的重要有效技术成为气田挖潜调整的重要研究方向与手段。
基于同一工区不同时间采集的两套三维地震资料，分别为早期采集三维拖缆资料和近期采集三维OBN资料。由于OBN数据采集时避开海底管道区域布设检波点，导致采集的三维OBN资料出现数据空缺。时移地震作为监测油气藏随开发变化、定量预测剩余油气分布的重要技术，需要两套不同时期采集的数据对油气藏进行地震监测。该工区三维OBN地震资料空缺的管道部分数据，包含了大量油气藏主力产区，缺少大量信息。为使用时移技术对剩余油气藏进行有效监测，利用早期采集的三维拖缆数据制作数据集，通过U-Net神经网络对近期三维OBN数据的空缺部分进行预测。两套数据处于同一工区内，有相同的地下构造，能反映相对完整的非线性映射关系。现神经网络智能预测技术已在地球物理领域有多方面的应用，使用神经网络学习两套地震间的差异并进行非线性映射，可以为时移地震提供更加完整的监测数据。现有技术一的技术方案
中国发明专利：一种基于5D-CNN的地震数据五维插值方法，专利号：CN115184985A,公开日：2022.10.14；公开了一种基于5D-CNN的地震数据五维插值方法，包括：利用低维卷积级联搭建5D卷积，并设计5D卷积层；在5D卷积层基础上构造5D-CNN网络；构造训练数据集；构造损失函数；将训练集Dtrain输入到5D-CNN网络中，通过优化算法最小化损失函数，训练5D-CNN网络参数，并在每一轮训练后使用验证集Dval评估网络性能；训练完成后，使用训练好的5D-CNN网络对其他工区数据进行插值处理。
现有技术一的缺点
该专利只能在某一工区制作训练集进行模型训练后，将模型应用于另一工区进行插值处理。该技术的训练集样本工区与最终应用工区不处于统一工区范围内，不同工区内地下构造信息不同，不能在模型中学习应用工区的地下信息，需要模型具有极强的泛化能力。
发明内容
本发明针对现有技术的缺陷，提供了一种基于神经网络的时移地震预测方法和系统。对气层进行时移地震差异综合解释分析，落实气田剩余气分布，从而指导开发方案调整，提高采收率，达到效益开发。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于神经网络的时移地震预测方法，包括以下步骤：
步骤一：基于矢量偏移距的数据匹配抽选。
采集拖缆数据和海底节点(Ocean Bottom Node，OBN)数据，为使两套数据反映相同的地质信息，将叠前拖缆数据和叠前OBN数据分选到CDP(Common Depth Point)域，并进行基于矢量偏移距的数据匹配抽选。
步骤二：叠前一致性处理。为消除数据中的非可重复性因素，准确求取油气田的时移地震响应差异，需要对矢量偏移距抽选后的CDP道集进行全局匹配校正；
步骤三：叠后一致性处理。采用基于统计的互均衡化处理方法，通过对叠加地震数据的能量、频率和相位等差异进行校正，可以有效地消除非期望差异。
步骤四：构建U-Net神经网络或LeNet神经网络，选取Tanh函数作为激活函数。
步骤五：制作样本集。样本集包括特征和标签，特征为网络输入，标签为期望输出。训练集包括同等数量的特征数据和标签数据。拖缆数据将作为神经网络的输入特征，OBN数据为期望输出的标签。将拖缆与OBN数据抽取为128*128二维矩阵，剔除包含空道的样本。
步骤六：模型训练。将训练集输入U-Net网络，初始化权向量w以及偏置b，计算节点输出与期望输出之间的误差LMSE，当LMSE收敛，则训练结束，储存各项参数权重。
步骤七：管道区数据重建。抽取拖缆数管道区数据截取为128*128二维矩阵，进行零均值化处理后作为模型输入。将拖缆数据输入步骤六得到的模型，得到期望输出，进行反零均值化处理后将数据放回OBN数据管道区内完成OBN管道区数据重建。
进一步地，步骤一中基于矢量偏移距的数据匹配抽选具体如下：
计算道集截取范围，截取拖缆与OBN数据偏移距(Offset)重合部分的道集，作为后续处理的基础数据。统计OBN数据纵向最大偏移距(MaxOffsetY)，为拖缆数据划定截取范围，计算公式如下：
MaxOffsetY＝(max{SY1max,RY1max}-min{SY1min,RY1min})÷2
式中，SY1为OBN数据炮点纵向坐标值，RY1为OBN数据检波点纵向坐标值。
根据OBN最大纵向偏移距分布情况，最终确定MaxOffsetY。
统计拖缆数据横向最大偏移距(MaxOffsetX)，为OBN数据划定截取范围，计算公式如下：
MaxOffsetX＝(max{SX2max,RX2max}-min{SX2min,RX2min})÷2
式中，SX1为拖缆数据炮点横向坐标值，RX1为拖缆数据检波点横向坐标值。
根据拖缆最大横向偏移距分布情况，最终确定MaxOffsetX。
进一步地，步骤二中，全局匹配校正包括：噪音压制、鬼波压制、多次波压制、子波整形、一致性速度分析和一致性叠前时间偏移。
进一步地，步骤五中为避免进行模型训练过程中出现梯度爆炸的问题，对样本集进行零均值化处理，计算公式为：
X′＝X-μ
式中，X为原始数据，μ为均值。
进一步地，步骤六中计算节点输出与期望输出之间的误差L，具体如下：
将神经元的组成公式表示为：
其中y表示神经元输出，f(·)表示激活函数，ωi表示第i个输入信号的权重，xi表示第i个输入特征，b表示偏置。
先将神经网络中的权重ω1,ω2,…,ωi及偏置b初始化，再将特征x1,x2,…,xi输入神经网络中，正向传播得到输出y。
再计算神经元输出值与期望输出之间的损失函数LMSE，计算公式为：
其中，n为样本数量，yi为真实值，为预测值。
根据损失函数对权重和偏置参数进行更新迭代，当LMSE收敛，则模型得到最优解。
本发明还公开了一种时移地震预测系统，该系统能够用于实施上述的时移地震预测方法，具体的，包括：数据匹配抽选模块、叠前一致性处理模块、叠后一致性处理模块、神经网络模块、管道区数据重建模块和地震判断模块；
数据匹配抽选模块：采集拖缆数据和OBN数据，将叠前拖缆数据和叠前OBN数据分选到CDP域，并进行基于矢量偏移距的数据匹配抽选。
叠前一致性处理模块：对矢量偏移距抽选后的CDP道集进行全局匹配校正；
叠后一致性处理模块：采用基于统计的互均衡化处理方法，通过对叠加地震数据的能量、频率和相位等差异进行校正，消除非期望差异。
神经网络模块：通过制作的训练样本集，将训练集输入神经网络，初始化权向量，计算节点输出与期望输出之间的误差，当误差收敛，则训练结束，储存各项参数权重。将拖缆数据输入训练模型，得到模型输出，进行反归一化。
管道区数据重建模块：将反归一化后将数据放回OBN管道区内进行重建。
地震判断模块：根据重建结果，判断是否存在时移地震。
本发明还公开了一种计算机设备，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上述时移地震预测方法。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述时移地震预测方法。
与现有技术相比，本发明的优点在于：
更加准确地对管道区数据进行预测重建，基于重建地震资料的时移地震可以更加有效地对剩余气藏进行监测。提高采收率，达到高效益开发。
附图说明
图1是本发明实施例拖缆与OBN数据道集方位角对比图。
图2是本发明实施例统计OBN纵向偏移距数据结果图。
图3是本发明实施例统计拖缆横向偏移距数据结果图。
图4是本发明实施例数据重建前后对比图，a：原始OBN数据,b：管道区重建后OBN数据。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
一种基于神经网络的时移地震预测方法，包括以下步骤：
步骤一：基于矢量偏移距的数据匹配抽选。
由于不同年度的地震资料受采集、处理等因素影响，非一致性不可避免。而非油藏因素引起的信号差异会导致时移地震信息的错误解释，因此需要对时移地震资料进行匹配处理，消除非油藏因素的影响，保证信号差异反映出现今气藏开采情况及剩余气分布特征，实现对油藏参数的时移变化研究。拖缆数据为南北向采集，海底节点(Ocean Bottom Node，OBN)数据为东西向采集，为使两套数据反映相同的地质信息，将叠前拖缆数据和叠前OBN数据分选到CDP(Common Depth Point)域，并进行基于矢量偏移距的数据匹配抽选。
进一步地，步骤一中基于矢量偏移距的数据匹配抽选具体如下：
计算道集截取范围，拖缆与OBN数据道集方位角对比如图1，截取拖缆与OBN数据偏移距(Offset)大致重合部分的道集，作为后续处理的基础数据。统计OBN数据Y方向最大偏移距(MaxOffsetY)，为拖缆数据划定截取范围，计算公式如下：
MaxOffsetY＝(max{SY1max,RY1max}-min{SY1min,RY1min})÷2
式中，SY1为OBN数据炮点纵向坐标值，RY1为OBN数据检波点Y坐标值。
统计OBN数据结果如图2，根据OBN最大纵向偏移距分布情况，最终确定MaxOffsetY＝800m。
统计拖缆数据X方向最大偏移距(MaxOffsetX)，为OBN数据划定截取范围，计算公式如下：
MaxOffsetX＝(max{SX2max,RX2max}-min{SX2min,RX2min})÷2
式中，SX1为拖缆数据炮点X坐标值，RX1为拖缆数据检波点X坐标值。
统计拖缆数统计结果如图3，根据拖缆最大横向偏移距分布情况，最终确定MaxOffsetX＝300m.
步骤二：叠前一致性处理。为消除数据中的非可重复性因素，准确求取油气田的时移地震响应差异，需要对矢量偏移距抽选后的CDP道集进行全局匹配校正，包括噪音压制、鬼波压制、多次波压制、子波整形、一致性速度分析、一致性叠前时间偏移等。
步骤三：叠后一致性处理。采用基于统计的互均衡化处理方法，通过对叠加地震数据的能量、频率和相位等差异进行校正，可以有效地消除非期望差异。
步骤四：构建U-Net神经网络或LeNet神经网络。U-Net神经网络，包括池化层、三层下采样层、三层上采样层和单卷积层。每一个采样层内包含卷积层、BatchNorm层以及激活函数激活函数。LeNet神经网络包含三层卷积层、池化层以及全连接层。以上网络均选取Tanh函数作为激活函数，Tanh函数表达式为：
步骤五：制作样本集。样本集包括特征和标签，特征为网络输入，标签为期望输出。训练集包括同等数量的特征数据和标签数据。拖缆数据将作为U-Net或LeNet网络的输入(特征)，OBN数据为期望输出(标签)。将拖缆与OBN数据抽取为128*128二维矩阵，剔除包含空道的样本。为避免进行模型训练过程中出现梯度爆炸的问题，对样本集进行零均值化处理，计算公式为：
X′＝X-μ
式中，X为原始数据，μ为均值。
步骤六：模型训练。将训练集输入U-Net网络，初始化权向量w以及偏置b，计算节点输出与期望输出之间的误差L，当L收敛，则训练结束，储存各项参数权重。
步骤六具体的计算方法如下：
神经网络中的基本单元是神经元，将神经元的组成公式表示为：
其中y表示神经元输出，f(·)表示激活函数，ωi表示第i个输入信号的权重，xi表示第i个输入特征，b表示偏置。
先将神经网络中的权重ω1,ω2,…,ωi及偏置b初始化，再将特征x1,x2,…,xi输入神经网络中，正向传播得到输出y。
再计算神经元输出值与期望输出之间的损失函数LMSE，计算公式为：
其中，n为样本数量，yi为真实值，为预测值。
根据损失函数对权重和偏置参数进行更新迭代，当LMSE收敛，则模型得到最优解。
步骤七：管道区数据重建。抽取拖缆数管道区数据截取为128*128二维矩阵，进行零均值化处理后作为模型输入。将拖缆数据输入步骤六得到的模型，得到期望输出，进行反零均值化处理后将数据放回OBN数据管道区内完成OBN管道区数据重建。
拖缆数据为完整三维数据，OBN数据缺少管道区数据，本实施例建立非管道区拖缆数据与OBN数据的非线性映射关系，训练神经网络模型，当模型稳定后，利用管道区拖缆数据对OBN管道区数据进行预测，再将预测数据放入OBN数据管道区内，完成OBN数据重建。数据重建前后的对比如图4所示。
本发明再一个实施例中，提供了一种时移地震预测系统，该系统能够用于实施上述的时移地震预测方法，具体的，包括：数据匹配抽选模块、叠前一致性处理模块、叠后一致性处理模块、神经网络模块、管道区数据重建模块和地震判断模块；
数据匹配抽选模块：采集拖缆数据和OBN数据，将叠前拖缆数据和叠前OBN数据分选到CDP域，并进行基于矢量偏移距的数据匹配抽选。
叠前一致性处理模块：对矢量偏移距抽选后的CDP道集进行全局匹配校正；
叠后一致性处理模块：采用基于统计的互均衡化处理方法，通过对叠加地震数据的能量、频率和相位等差异进行校正，消除非期望差异。
神经网络模块：通过制作的训练样本集，将训练集输入神经网络，初始化权向量，计算节点输出与期望输出之间的误差，当误差收敛，则训练结束，储存各项参数权重。将拖缆数据输入训练模型，得到模型输出，进行反归一化。
管道区数据重建模块：将反归一化后将数据放回OBN管道区内进行重建。
地震判断模块：根据重建结果，判断是否存在时移地震。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，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 Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于上述时移地震预测的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种时移地震预测的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行一种时移地震预测的相应步骤。
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、系统、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(系统)、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。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于神经网络的时移地震预测方法，其特征在于，包括以下步骤：
步骤一：基于矢量偏移距的数据匹配抽选；
采集拖缆数据和海底节点(Ocean Bottom Node，OBN)数据，为使两套数据反映相同的地质信息，将叠前拖缆数据和叠前OBN数据分选到CDP(Common Depth Point)域，并进行基于矢量偏移距的数据匹配抽选；
步骤二：叠前一致性处理；为消除数据中的非可重复性因素，准确求取油气田的时移地震响应差异，需要对矢量偏移距抽选后的CDP道集进行全局匹配校正；
步骤三：叠后一致性处理；采用基于统计的互均衡化处理方法，通过对叠加地震数据的能量、频率和相位等差异进行校正，可以有效地消除非期望差异；
步骤四：构建U-Net神经网络或LeNet神经网络，选取Tanh函数作为激活函数；
步骤五：制作样本集；样本集包括特征和标签，特征为网络输入，标签为期望输出；训练集包括同等数量的特征数据和标签数据；拖缆数据将作为神经网络的输入特征，OBN数据为期望输出的标签；将拖缆与OBN数据抽取为128*128二维矩阵，剔除包含空道的样本；
步骤六：模型训练；将训练集输入U-Net网络，初始化权向量w以及偏置b，计算节点输出与期望输出之间的误差LMSE，当LMSE收敛，则训练结束，储存各项参数权重；
步骤七：管道区数据重建；抽取拖缆数管道区数据截取为128*128二维矩阵，进行零均值化处理后作为模型输入；将拖缆数据输入步骤六得到的模型，得到期望输出，进行反零均值化处理后将数据放回OBN数据管道区内完成OBN管道区数据重建。
2.根据权利要求1所述的一种基于神经网络的时移地震预测方法，其特征在于：步骤一中基于矢量偏移距的数据匹配抽选具体如下：
计算道集截取范围，截取拖缆与OBN数据偏移距(Offset)重合部分的道集，作为后续处理的基础数据；统计OBN数据纵向最大偏移距(MaxOffsetY)，为拖缆数据划定截取范围，计算公式如下：
MaxOffsetY＝(max{SY1max,RY1max}-min{SY1min,RY1min})÷2
式中，SY1为OBN数据炮点纵向坐标值，RY1为OBN数据检波点纵向坐标值；
根据OBN最大纵向偏移距分布情况，最终确定MaxOffsetY；
统计拖缆数据横向最大偏移距(MaxOffsetX)，为OBN数据划定截取范围，计算公式如下：
MaxOffsetX＝(max{SX2max,RX2max}-min{SX2min,RX2min})÷2
式中，SX1为拖缆数据炮点横向坐标值，RX1为拖缆数据检波点横向坐标值；
根据拖缆最大横向偏移距分布情况，最终确定MaxOffsetX。
3.根据权利要求2所述的一种基于神经网络的时移地震预测方法，其特征在于：步骤二中，全局匹配校正包括：噪音压制、鬼波压制、多次波压制、子波整形、一致性速度分析和一致性叠前时间偏移。
4.根据权利要求3所述的一种基于神经网络的时移地震预测方法，其特征在于：步骤五中为避免进行模型训练过程中出现梯度爆炸的问题，对样本集进行零均值化处理，计算公式为：
X′＝X-μ
式中，X为原始数据，μ为均值。
5.根据权利要求4所述的一种基于神经网络的时移地震预测方法，其特征在于：步骤六中计算节点输出与期望输出之间的误差L，具体如下：
将神经元的组成公式表示为：
其中y表示神经元输出，f(·)表示激活函数，ωi表示第i个输入信号的权重，xi表示第i个输入特征，b表示偏置；
先将神经网络中的权重ω1，ω2，…，ωi及偏置b初始化，再将特征x1，x2，…，xi输入神经网络中，正向传播得到输出y；
再计算神经元输出值与期望输出之间的损失函数LMSE，计算公式为：
其中，n为样本数量，yi为真实值，为预测值；
根据损失函数对权重和偏置参数进行更新迭代，当LMSE收敛，则模型得到最优解。
6.一种时移地震预测系统，其特征在在于：该系统能够用于实施权利要求1至5其中一项所述的时移地震预测方法，具体的，包括：数据匹配抽选模块、叠前一致性处理模块、叠后一致性处理模块、神经网络模块、管道区数据重建模块和地震判断模块；
数据匹配抽选模块：采集拖缆数据和OBN数据，将叠前拖缆数据和叠前OBN数据分选到CDP域，并进行基于矢量偏移距的数据匹配抽选；
叠前一致性处理模块：对矢量偏移距抽选后的CDP道集进行全局匹配校正；
叠后一致性处理模块：采用基于统计的互均衡化处理方法，通过对叠加地震数据的能量、频率和相位等差异进行校正，消除非期望差异；
神经网络模块：通过制作的训练样本集，将训练集输入神经网络，初始化权向量，计算节点输出与期望输出之间的误差，当误差收敛，则训练结束，储存各项参数权重；将拖缆数据输入训练模型，得到模型输出，进行反归一化；
管道区数据重建模块：将反归一化后将数据放回OBN管道区内进行重建；
地震判断模块：根据重建结果，判断是否存在时移地震。
7.一种计算机设备，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权利要求1至5其中一项所述时移地震预测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至5其中一项所述时移地震预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310598241.XA CN116577821A (zh) | 2023-05-25 | 2023-05-25 | 基于神经网络的时移地震预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310598241.XA CN116577821A (zh) | 2023-05-25 | 2023-05-25 | 基于神经网络的时移地震预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116577821A true CN116577821A (zh) | 2023-08-11 |
Family
ID=87537533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310598241.XA Pending CN116577821A (zh) | 2023-05-25 | 2023-05-25 | 基于神经网络的时移地震预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116577821A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976146A (zh) * | 2023-09-22 | 2023-10-31 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
-
2023
- 2023-05-25 CN CN202310598241.XA patent/CN116577821A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976146A (zh) * | 2023-09-22 | 2023-10-31 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
| CN116976146B (zh) * | 2023-09-22 | 2024-01-05 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001802B (zh) | 基于Hankel张量分解的地震信号重构方法 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN109709603A (zh) | 地震层位识别与追踪方法、系统 | |
| CN110058302A (zh) | 一种基于预条件共轭梯度加速算法的全波形反演方法 | |
| CN105319589B (zh) | 一种利用局部同相轴斜率的全自动立体层析反演方法 | |
| CN112541572A (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
| CN106646612A (zh) | 基于矩阵降秩的地震数据重建方法 | |
| US12032111B2 (en) | Method and system for faster seismic imaging using machine learning | |
| CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
| CN116577821A (zh) | 基于神经网络的时移地震预测方法和系统 | |
| CN110837111B (zh) | 地震数据插值方法及系统 | |
| CN112231974B (zh) | 基于深度学习的tbm破岩震源地震波场特征恢复方法及系统 | |
| CN111551988B (zh) | 一种深度学习与预测滤波结合的地震数据反假频插值方法 | |
| CN106483559A (zh) | 一种地下速度模型的构建方法 | |
| CN115267911B (zh) | 一种基于模型与数据驱动深度学习的地震多次波压制方法 | |
| WO2021127382A1 (en) | Full waveform inversion in the midpoint-offset domain | |
| Cheng et al. | Meta-Processing: A robust framework for multi-tasks seismic processing | |
| CN114325821A (zh) | 基于3d-snacnn网络的叠前地震资料中强散射噪声压制方法及系统 | |
| CN116011338A (zh) | 一种基于自编码器和深度神经网络的全波形反演方法 | |
| CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
| CN116068644B (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
| US12013508B2 (en) | Method and system for determining seismic processing parameters using machine learning | |
| Malvić et al. | Neural networks in petroleum geology as interpretation tools | |
| CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
| CN113642232B (zh) | 一种面波智能反演勘探方法、存储介质及终端设备 |
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 |