CN117407712A - 一种基于多任务学习的低频地震数据补偿方法 - Google Patents

一种基于多任务学习的低频地震数据补偿方法 Download PDF

Info

Publication number
CN117407712A
CN117407712A CN202311341188.1A CN202311341188A CN117407712A CN 117407712 A CN117407712 A CN 117407712A CN 202311341188 A CN202311341188 A CN 202311341188A CN 117407712 A CN117407712 A CN 117407712A
Authority
CN
China
Prior art keywords
seismic data
data
learning
task learning
seismic
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
Application number
CN202311341188.1A
Other languages
English (en)
Inventor
张兵
米洪刚
徐伟
刘红星
史浩
周展
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.)
China United Coalbed Methane Corp Ltd
Original Assignee
China United Coalbed Methane Corp 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 China United Coalbed Methane Corp Ltd filed Critical China United Coalbed Methane Corp Ltd
Priority to CN202311341188.1A priority Critical patent/CN117407712A/zh
Publication of CN117407712A publication Critical patent/CN117407712A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01V1/36—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/096—Transfer 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
    • G01V2210/512—Pre-stack
    • 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
    • G01V2210/53—Statics correction, e.g. weathering layer or transformation to a datum
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Geophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于多任务学习的低频地震数据补偿方法，用于地震成像及叠前反演。本发明通过采用多任务学习(Multi‑taskLearning，MTL)减少机器学习所需的大量训练样本数量，解决标签数据不足的问题；通过采用稠密连接结构可以充分利用特征图信息，增强网络学习能力；通过使用全局残差连接，将输出层处理结果与对应网络输入相加，得到宽频地震数据，解决网络加深带来的网络退化与梯度消失问题，补偿实际地震数据的低频成分，以提高模型的分辨率。

Description

一种基于多任务学习的低频地震数据补偿方法
技术领域
本发明涉及地震数据的处理的技术领域，具体涉及一种基于多任务学习的低频地震数据补偿方法。
背景技术
正演过程就是已知地质模型，经过一定的模型计算得到地震响应的过程。反演过程是正演的相反过程，即通过已知的地震响应反推得到地质模型的过程。正演模型是比较简单的，对于任一给定的地质模型只能有一个地震响应与之对应，解是唯一的。反演过程要复杂得多，某些正演模型的过程可能没有逆解，对于一个给定的地震响应也可能会有多个地质模型与之对应，具有多解性。
叠前反演技术是油气勘探领域中的一项新技术，它利用是指利用经过偏移的叠前不同炮检距道集数据所记录的振幅、频率、相位等信息以及横波、纵波、密度等测井资料，联合反演出与岩性、含油气性相关的多种弹性参数，来综合判别储层物性及含油气性。与叠后地震反演相比，叠前地震反演主要是从叠前成像道集的各种地震属性出发，利用炮检距或角道集数据，结合各种测井资料反演出与岩性、物性、含油气性等相关的多种参数，来综合判别储层物性及含油气性。叠前地震反演可以得到更加丰富的储层信息，可提供更多、更敏感、更有效的结果，能够进一步提高储层的描述精度，因而叠前地震反演技术相对叠后地震反演应用前景更为广泛。
地震叠前反演对初始模型依赖性强，如果初始模型不准确，容易导致FWI(fullwaveforminversion，全波形反演)陷入局部极值。常规的初始速度模型建模方法一般通过地震速度分析手段得到，这种模型分辨率非常低，不能满足地震叠前反演的需要。
发明内容
低频信息在构造成像、波阻抗反演、岩性解释、油田开发等领域起到了非常重要的作用。在叠前反演方面，基于模型迭代的反演方法更需要足够的低频分量来建立初始模型，本发明提供一种基于多任务学习的低频地震数据补偿方法，补偿实际地震数据的低频成分，以提高模型的分辨率。本发明提供的技术方案为：一种基于多任务学习的低频地震数据补偿方法，包括：
S100：搭建基于多任务学习的深度神经网络模型；
S200：利用低频缺失的地震数据和宽频带地震数据构建标签数据作为训练数据；
S300：使用所述训练数据训练所述基于多任务学习的深度神经网络模型；
S400：使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演；
其中所述的深度神经网络模型具有全局残差结构、稠密连接结构和U型对称结构。
进一步地，所述的稠密连接结构包含34个稠密处理块，第n块的输出可表示为：
其中fn(x)为该块映射函数，xn为其输入，x0为稠密连接部分的输入特征图，yi为稠密连接部分第i块的输出特征图。
进一步地，所述稠密处理块包含1×1的卷积层和3×3的卷积层。
进一步地，所述特征图与所述输出特征的求和方式为合并。
进一步地，所述全局残差结构用于将输出层处理结果与对应网络输入相加，网络输出可表示为：
y＝x+f(x) (2)
，其中x表示网络输入，f(x)表示网络映射函数。
进一步地，所述使用所述训练数据训练所述基于多任务学习的深度神经网络模型包括：使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用亚当优化器进行训练，训练过程中采用衰减学习率。
进一步地，所述衰减学习率：其中α0为初始学习率，β为衰减率，γ为迭代次数。
进一步地，所述使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演包括：
S401：输入实际地震数据d0和初始速度模型V0；
S402：利用褶积数学模型模拟得到合成地震数据d1；
S403：合成地震数据与实际地震数据d0相减得到的残差△d＝d1-d0,作为震源数据，再次利用褶积数学模型模拟得到另一套合成地震数据d2；
S404：将利用d1和d2进行卷积运算构建梯度函数，生成速度增量△V；
S405：速度增量与初始速度模型线性相加V＝V0+△V，得到更新速度模型V；
S406：通过S401-S405的多轮迭代，当终止迭代，形成地震叠前反演的最终速度模型。
进一步地，所述实际地震数据d0为其中低频地震数据。
进一步地，所述基于多任务学习的深度神经网络模型，包括：
输入层：用于输入低频缺失的地震数据；
稠密连接结构：由34个稠密处理块组成，所述稠密处理块包含1×1的卷积层和3×3的卷积层；
输出层：用于输出深度神经网络的处理结果；
全局残差结构：将所述输出层的处理结果与所述低频缺失的地震数据求和，得到经过低频补偿的宽频地震数据。
有益效果：
本发明一种基于多任务学习的低频地震数据补偿方法，用于地震成像及叠前反演，包括：搭建基于多任务学习的深度神经网络模型；利用低频缺失的地震数据和宽频带地震数据构建标签数据作为训练数据；使用所述训练数据训练所述基于多任务学习的深度神经网络模型；使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演。本发明通过采用多任务学习(Multi-taskLearning，MTL)减少机器学习所需的大量训练样本数量，解决标签数据不足的问题；通过采用稠密连接结构可以充分利用特征图信息，增强网络学习能力；通过使用全局残差连接，将输出层处理结果与对应网络输入相加，得到宽频地震数据，解决网络加深带来的网络退化与梯度消失问题，补偿实际地震数据的低频成分，以提高模型的分辨率。
附图说明
图1是本发明实施例中的基于多任务学习的低频地震数据补偿方法的整体流程图；
图2是本发明一个或多个实施例中的基于多任务学习的深度神经网络模型的结构图；
图3是本发明一个或多个实施例中的基于多任务学习的深度神经网络模型的稠密连接结构示意图；
图4是本发明一个或多个实施例中的使用训练完成的基于多任务学习的深度神经网络模型进行叠前地震反演流程图；
图5是本发明一个或多个实施例中的使用训练完成的基于多任务学习的深度神经网络模型进行叠前地震反演效果图。
具体实施方式
低频信息在构造成像、波阻抗反演、岩性解释、油田开发等领域起到了非常重要的作用。在叠前反演方面，基于模型迭代的反演方法更需要足够的低频分量来建立初始模型，一个理想的低频模型可以确保反演结果更加稳定。如果地震资料缺少低频分量，一般只能通过测井等资料获得低频信息，当缺少井资料时，初始模型的建立就成为一个比较棘手的问题。因此，保持叠前数据有足够的低频信息非常重要。
本发明提供一种基于多任务学习的低频地震数据补偿方法，图1是本发明一些实施例中的基于多任务学习的低频地震数据补偿方法的整体流程图，如图1所示，本申请中所述的地震数据低频补偿方法包括以下步骤:
S100：搭建基于多任务学习的深度神经网络。
图2是本发明实施例中的基于多任务学习的深度神经网络模型示意图。
如图2所示，所述的基于多任务学习的深度神经网络模型使用全局残差结构、U形网络结构以及稠密连接结构搭建。
普通网络(Plain network)，类似VGG，没有残差，凭经验会发现随着网络深度的加深，训练错误会先减少，然后增多。从理论上分析，网络深度越深越好。但实际上，如果没有残差网络，对于一个普通网络来说，深度越深意味着用优化算法越难训练。实际上，随着网络深度的增加，训练误差会越来越多，这被描述为网络退化。
基于多任务学习的地震数据低频补偿技术是基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)的高分辨率处理技术，通过训练低分辨率(LowResolution，LR)与高分辨率(HighResolution，HR)数据之间的残差，解决网络加深带来的网络退化与梯度消失问题。
从图2中可以看出，本发明中的深度神经网络从整体上呈U型。U-Net网络结构是对称的，由于网络结构像U型，所以被命名为U-Net。整体而言，U-Net是一个Encoder-Decoder(编码器-解码器)的结构，这一点是与FCN的结构相同。该网络结构的左半部分是特征提取，右半部分是上采样。Encoder是由卷积和下采样组成，所用的卷积结构统一为33的卷积核，Unet的卷积都是valid卷积(而非same)，这么做是为了，网络只使用输入图片的信息。如果会用same卷积，这样每次3x3卷积就不会改变特征图的尺寸了，最终上采样回来的尺寸就能够和输入一致了。但是，padding是会引入误差的，而且模型越深层得到的feature map抽象程度越高，受到padding的影响会呈累积效应。所以要将padding置为0；没有了padding所以每次卷积之后特征图的大小会减2。经过了四次池化，共有5个尺度，用于降低维度。
Decoder用于恢复特征图(feature map)的原始分辨率，除了卷积以外，这一部分最主要的就是上采样(upsample)与跳层连接(Skip connection)。上采样是用于恢复维度的。跳层连接是在上采样的过程中融合下采样过程中的特征图，融合的方式为concatent,按特征图通道数进行叠加。然后根据得到的特征图进行预测分割，在实际过程中，融合的特征图的尺寸可能不同，因此需要进行裁剪。最后一层用11的卷积做分类。
基于多任务学习的深度神经网络模型，结构上包括：输入层：用于输入低频缺失的地震数据；稠密连接结构：由34个稠密处理块组成，所述稠密处理块包含1×1的卷积层和3×3的卷积层；输出层：用于输出深度神经网络的处理结果；全局残差结构：将所述输出层的处理结果与所述低频缺失的地震数据求和，得到经过低频补偿的宽频地震数据。
本发明中深度神经网络采取多任务学习方案，基于多任务学习的深度神经网络同时处理地震数据，使用‘same’模式的卷积层，普通卷积层不改变特征图尺寸，上采样与下采样卷积层通过‘stride’参数调整输出特征图尺寸。首先多次使用步长为2的卷积层进行下采样，每次将特征图的长度和宽度缩小为原来的50％，通道数变为原来的两倍。每次下采样后使用普通卷积层进行缓冲，不改变特征图尺寸与通道数，为下次下采样做准备。缩小4次后得到小尺寸特征图x0。
四次下采样后引入稠密连接可以有效降低稠密连接带来的学习压力。稠密连接处理后，通过四次上采样放大特征图，使用转置卷积放大特征图尺寸，每次放大后得到的特征图与对应下采样前的特征图合并(concat)，通过此局部残差结构提高学习效率。后接四层普通卷积层进一步处理。输出层任务分离，分别使用一层卷积层处理地震数据图像的拓宽低频任务。
图3是本发明实施例中的稠密连接结构的示意图。
本申请使用如图3所示的稠密连接结构进行处理。该部分包含34个稠密处理块(block)，第n块的输出可表示为：
其中fn(x)为该块映射函数，xn为其输入，x0为稠密连接部分的输入特征图，yi为稠密连接部分第i块的输出特征图，特征图求和方式为合并(concat)。稠密连接结构可以充分利用特征图信息，增强网络学习能力。稠密连接会带来大量参数，故每块内部包含1×1的卷积层和3×3的卷积层，以减小参数规模。使用全局残差连接，将输出层处理结果与对应网络输入相加，得到宽频地震数据，网络输出可表示为：
y＝x+f(x) (2)
其中x表示网络输入，f(x)表示网络映射函数。
S200：准备训练数据。
利用低频缺失的地震数据和宽频带地震数据构建标签数据；所构建的标签数据用于对基于多任务学习的深度神经网络模型进行训练。现在大多数机器学习任务都是单任务学习。对于复杂的问题，也可以分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。这样做看似合理，其实是不正确的，因为现实世界中很多问题不能分解为一个一个独立的子问题，即使可以分解，各个子问题之间也是相互关联的，通过一些共享因素或共享表示(share representation)联系在一起。把现实问题当做一个个独立的单任务处理，忽略了问题之间所富含的丰富的关联信息。多任务学习就是为了解决这个问题而诞生的。多任务学习(Multitask learning)是基于共享表示(sharedrepresentation)，把多个相关的任务放在一起学习的一种机器学习方法。多任务学习有效的增加了训练实例的数目。由于所有任务都或多或少存在一些噪音，例如，当我们训练任务A上的模型时，我们的目标在于得到任务A的一个好的表示，而忽略了数据相关的噪音以及泛化性能。由于不同的任务有不同的噪音模式，同时学习到两个任务可以得到一个更为泛化的表示。如果只学习任务A要承担对任务A过拟合的风险，然而同时学习任务A与任务B对噪音模式进行平均，可以使得模型获得更好表示。本发明中通过采用多任务学习(Multi-taskLearning，MTL)减少机器学习所需的大量训练样本数量，解决标签数据不足的问题。
S300：使用所述训练数据训练基于多任务学习的深度神经网络模型。
使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练用标签数据，使用亚当优化器进行训练，训练过程中采用衰减学习率。这里采用衰减学习率：其中α0为初始学习率，β为衰减率，γ为迭代次数。
S400：使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演。
通过向训练完成的基于多任务学习的深度神经网络模型输入实际低频地震数据，得到宽频地震数据。
图4本发明实施例中的使用训练完成的基于多任务学习的深度神经网络模型进行叠前地震反演流程图。
全波形反演方法的基本原理是通过不断比较模拟地震波形数据与观测地震数据来迭代更新地球参数模型(一般为纵、横波速度和密度)。当预测数据与观测数据足够接近时，我们认为此时的地球参数模型也就足以近似地球内部的真实情况。为了生成预测数据，我们需要考虑震源、初始模型及所用的正演模拟方法；为了比较预测数据和观测数据的不同，我们需要选取合适的目标函数；最终数据域的残差通过数据反传映射到模型域并通过优化算法更新参数模型。这些也是决定全波形反演方法应用效果的关键因素。
所述使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演具体包括以下步骤：
S401：输入实际地震数据d0和初始速度模型V0。
如图4所示，使用低频地震数据作为地震叠前反演中的实际地震数据d0。
首先是震源问题。一般而言，数值模拟所用的震源需要接近观测数据的真实震源以确保数据残差是由于模型参数的不精确引起的。在求解区域及全球尺度问题时，所用的震源一般为天然地震事件，相应的震源信息需要在反演之初求解(如CMT解)并在迭代过程中适时更新(震源和模型联合反演)。勘探应用一般选取主动源数据，震源信息较易获得。当震源信息缺失或者不够精确时，也可考虑之前提到的震源与模型联合反演。由于震源反演与模型反演存在一定程度的串扰，现在也发展出了一些不依赖于震源的反演方法(如双差反演)来避免反演震源信息。
其次是初始模型。对于经典全波形反演算法而言，初始模型需要足够接近真实模型以避免反演陷入局部极值。即基于初始模型得到的预测数据与观测数据的波形(走时)差异要控制在半个波长范围内。
紧接着是正演模拟，对于给定的震源和初始模型，若要得到预测地震数据，我们需要模拟地震波的传播过程即正演模拟。
S402：利用褶积数学模型模拟得到合成地震数据d1。
褶积模型(convolutionmodel)，是一种制作合成(理论)地震记录的模型，它假设每道地震记录是由地震子波与地下模型各层的反射函数之褶积所构成，必要时还可以加上随机噪声。
现有的全波形反演方法使用基于梯度的局部优化算法，比如最速下降法、共轭梯度法、牛顿法、高斯-牛顿法以及拟牛顿法。其中L-BFGS方法被认为是最为实用的拟牛顿方法。拟牛顿法(L-BFGS)由牛顿法(BFGS)发展而来，是为了提高计算效率而提出的近似计算方法，在施行牛顿法的过程中需要计算海森矩阵的逆，计算矩阵逆工作量巨大，所以采用符合拟牛顿条件的矩阵代替或进行计算，这种方法称为拟牛顿法，其代表性方法有DFP算法和BFGS算法，L-BFGS在BFGS的基础上进一步在有限的内存下进行近似而提高效率的算法。
S403：合成地震数据与实际地震数据d0相减得到的残差△d＝d1-d0,作为震源数据，再次利用褶积数学模型模拟得到另一套合成地震数据d2。将残差反传并结合步骤2得到的正传波场，利用基于地质构造模型约束的全波形速度梯度计算公式，计算各炮记录对应的单炮梯度，再将所有单炮梯度相加，得到基于地质构造模型约束的总速度梯度残差在数理统计中是指实际观察值与估计值(拟合值)之间的差。
S404：将利用d1和d2进行卷积运算构建梯度函数，生成速度增量△V。
5.数据反传：模型梯度为更新当前参数模型提供了更新方向。全波形反演方法可以使用弗雷谢特微分或者伴随状态法两种方法求取模型梯度。在当前数以亿计(大型三维模型)的模型参数条件下，计算每一模型参数的弗雷谢特微分并不可行。正是由于伴随状态法的提出，使得全波形反演算法实用化。藉此，模型梯度可以由正传波场与反传波场的互相关得到。所谓反传波场即由目标函数计算得到的伴随震源在检波点处沿时间反传得到。反传所用的方程为正传方程的伴随形式，所用的数值算法为之前提到的时间域有限差分或者谱元方法。在实际应用中，由于正传与反传波场存在传播时间上的差异，一般需要对正传波场做存储(硬盘)或者重建处理。
S405：速度增量与初始速度模型线性相加V＝V0+△V，得到更新速度模型V。
4.目标函数：作为衡量模拟数据与观测数据近似程度的指标和模型更新方向的指示(伴随震源)，目标函数在某种程度上决定了反演的成败。经典的全波形反演方法选用模拟数据与观测数据的最小二乘差异作为目标函数，该目标函数只有在模拟数据与观测数据较为接近(半波长准则)时才有唯一局部极小值，因此在应用局部优化算法时对初始模型和数据频率范围有较高要求。
S406：通过S401-S405的多轮迭代，当终止迭代，形成地震叠前反演的最终速度模型。
图5是本发明实施例中的叠前地震反演效果图。
如图5所示，横坐标为地震道，trace为地震道号，最左侧图为低频缺失地震数据，左二图为预测宽频地震数据，右侧两幅图为两套数据频谱图。对比可以看出，预测后的地震数据有效补偿了低频成分。从图5可以看出，但后者断面成像清晰，构造形态更加符合地质认识，断面下部反射特征明显，波阻特征清楚，成像质量好于前者。进一步，抽取剖面中相同位置处的道集进行对比，发现常规FWI方法得到的反演速度的成像道集同相轴扭曲，没有完全校平，而基于地质模型约束的全波形速度建模反演方法得到的反演速度，其成像道集同相轴已经被明显拉平，且能量聚焦，说明在相同位置处，本发明方法得到的速度真实准确。
本发明方法的偏移剖面成像更清晰，可以有效克服周波跳跃的问题，本发明方法建立的速度模型更精准。相比于现有技术，该技术利用多任务学习深度学习网络能够拓展地震频率，为叠前反演提供宽频数据，能够提高反演的精度。
本发明方法不仅可以克服野外采集的数据带来的周波跳跃和噪音影响，而且可以通过多尺度FWI不断修正速度模型，使得该速度能精确成像，而且本发明方法只需要用一个软件就可以完成，相比于现有的建模方法，效率更高且效果更好。
上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种基于多任务学习的低频地震数据补偿方法，其特征在于，包括：
S100：搭建基于多任务学习的深度神经网络模型；
S200：利用低频缺失的地震数据和宽频带地震数据构建标签数据作为训练数据；
S300：使用所述训练数据训练所述基于多任务学习的深度神经网络模型；
S400：使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演；
其中所述的深度神经网络模型具有全局残差结构、稠密连接结构和U型对称结构。
2.根据权利要求1所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述的稠密连接结构包含34个稠密处理块，第n块的输出表示为：
其中fn(x)为该块映射函数，xn为其输入，x0为稠密连接部分的输入特征图，yi为稠密连接部分第i块的输出特征图。
3.根据权利要求2所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述稠密处理块包含1×1的卷积层和3×3的卷积层。
4.根据权利要求3所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述特征图与所述输出特征的求和方式为合并。
5.根据权利要求1所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述全局残差结构用于将输出层处理结果与对应网络输入相加，网络输出表示为：
y＝x+f(x) (2)，其中x表示网络输入，f(x)表示网络映射函数。
6.根据权利要求1所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述使用所述训练数据训练所述基于多任务学习的深度神经网络模型包括：使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用亚当优化器进行训练，训练过程中采用衰减学习率。
7.根据权利要求6所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于,所述衰减学习率：其中α0为初始学习率，β为衰减率，γ为迭代次数。
8.根据权利要求1所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述使用训练后的基于多任务学习的深度神经网络模型进行地震叠前反演包括：
S401：输入实际地震数据d0和初始速度模型V0；
S402：利用褶积数学模型模拟得到合成地震数据d1；
S403：合成地震数据与实际地震数据d0相减得到的残差△d＝d1-d0,作为震源数据，再次利用褶积数学模型模拟得到另一套合成地震数据d2；
S404：将利用d1和d2进行卷积运算构建梯度函数，生成速度增量△V；
S405：速度增量与初始速度模型线性相加V＝V0+△V，得到更新速度模型V；
S406：通过S401-S405的多轮迭代，当终止迭代，形成地震叠前反演的最终速度模型。
9.根据权利要求8所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述实际地震数据d0为其中低频地震数据。
10.根据权利要求1所述的一种基于多任务学习的低频地震数据补偿方法，其特征在于，所述基于多任务学习的深度神经网络模型包括：
输入层：用于输入低频缺失的地震数据；
稠密连接结构：由34个稠密处理块组成，所述稠密处理块包含1×1的卷积层和3×3的卷积层；
输出层：用于输出深度神经网络的处理结果；
全局残差结构：将所述输出层的处理结果与所述低频缺失的地震数据求和，得到经过低频补偿的宽频地震数据。
CN202311341188.1A 2023-10-17 2023-10-17 一种基于多任务学习的低频地震数据补偿方法 Pending CN117407712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311341188.1A CN117407712A (zh) 2023-10-17 2023-10-17 一种基于多任务学习的低频地震数据补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311341188.1A CN117407712A (zh) 2023-10-17 2023-10-17 一种基于多任务学习的低频地震数据补偿方法

Publications (1)

Publication Number Publication Date
CN117407712A true CN117407712A (zh) 2024-01-16

Family

ID=89491911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311341188.1A Pending CN117407712A (zh) 2023-10-17 2023-10-17 一种基于多任务学习的低频地震数据补偿方法

Country Status (1)

Country Link
CN (1) CN117407712A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461988A (zh) * 2020-04-02 2020-07-28 清华大学 一种基于多任务学习的地震速度模型超分辨率技术
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
CN114117906A (zh) * 2021-11-19 2022-03-01 山东大学 基于观测数据自编码的多尺度无监督地震波速反演方法
CN116047583A (zh) * 2021-10-27 2023-05-02 中国石油化工股份有限公司 基于深度卷积神经网络的自适应波阻抗反演方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461988A (zh) * 2020-04-02 2020-07-28 清华大学 一种基于多任务学习的地震速度模型超分辨率技术
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
CN116047583A (zh) * 2021-10-27 2023-05-02 中国石油化工股份有限公司 基于深度卷积神经网络的自适应波阻抗反演方法及系统
CN114117906A (zh) * 2021-11-19 2022-03-01 山东大学 基于观测数据自编码的多尺度无监督地震波速反演方法
WO2023087451A1 (zh) * 2021-11-19 2023-05-25 山东大学 基于观测数据自编码的多尺度无监督地震波速反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JEROEN TROMP等: "Seismic wavefield imaging of Earth’sinterior across scales", 《TECHNICAL REVIEWS》, 31 January 2020 (2020-01-31), pages 1 - 14 *
张振东等: "Nature Reviews Earth & Environment：基于地震波场的跨尺度地球内部成像", 《HTTPS://BAIJIAHAO.BAIDU.COM/S?ID=1675136769291476560&WFR=SPIDER&FOR=PC》, 16 August 2020 (2020-08-16), pages 1 - 11 *

Similar Documents

Publication Publication Date Title
KR102020759B1 (ko) Q-보상된 전 파동장 반전
Berkhout An outlook on the future of seismic imaging, Part III: Joint migration inversion
Deutsch A sequential indicator simulation program for categorical variables with point and block data: BlockSIS
Strebelle et al. Modeling of a deepwater turbidite reservoir conditional to seismic data using principal component analysis and multiple-point geostatistics
EP0750203B1 (en) Subsurface modeling from seismic data and secondary measurements
CN110031896B (zh) 基于多点地质统计学先验信息的地震随机反演方法及装置
CN102695970B (zh) 用于表征石油或者天然气储集层随时间演变的改进方法
CN113740901B (zh) 基于复杂起伏地表的陆上地震数据全波形反演方法及装置
Landa et al. Joint inversion of 4D seismic and production data
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
US11733413B2 (en) Method and system for super resolution least-squares reverse time migration
Lin et al. Physics-guided data-driven seismic inversion: Recent progress and future opportunities in full-waveform inversion
Yang et al. Stochastic seismic inversion based on an improved local gradual deformation method
Caetano Integration of seismic information in reservoir models: Global Stochastic Inversion
Helbig Modeling The Earth For Oil Exploration: Final Report of the CEC's Geoscience I Program 1990-1993
Bevc Imaging under rugged topography and complex velocity structure
Pan et al. Hierarchical machine learning workflow for conditional and multiscale deep-water reservoir modeling
Yang et al. Stereotomography in triangulated models
CN117407712A (zh) 一种基于多任务学习的低频地震数据补偿方法
Dorn et al. Shape reconstruction in seismic full waveform inversion using a level set approach and time reversal
Pyrcz et al. Event-based geostatistical modeling: application to deep-water systems
Jimenez-Tejero et al. Downward continuation of marine seismic reflection data: an undervalued tool to improve velocity models
CN115880455A (zh) 基于深度学习的三维智能插值方法
Strebelle Sequential simulation for modeling geological structures from training images
Hoffman et al. A practical data-integration approach to history matching: application to a deepwater reservoir

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