基于卷积神经网络的地震反演大数据生成方法技术

一种基于卷积神经网络的地震反演大数据生成方法，其核心是基于数据统计特征迁移生成大数据集，用于卷积神经网络实现地震反演，综合人工智能学、地球物理学、空间统计学、信息科学等多学科，将深度学习技术、大数据技术、地震反演技术等有机结合，针对地震反演所需数据集，以小数据生成大数据，解决野外勘探资料质量不高难题，降低数据收集成本及勘探风险，克服了现有技术存在的缺陷。

Large data generation method of seismic inversion based on convolution neural network

A method of generating big data for seismic inversion based on convolution neural network is proposed. The core of the method is to generate big data set based on the migration of data statistical characteristics, which is used for the realization of seismic inversion by convolution neural network. It integrates artificial intelligence, geophysics, spatial statistics, information science and other disciplines, organically combines deep learning technology, big data technology, seismic inversion technology and so on The data set needed for seismic inversion can generate big data with small data, solve the problem of low quality of field exploration data, reduce the cost of data collection and exploration risk, and overcome the defects of existing technology.

【技术实现步骤摘要】
基于卷积神经网络的地震反演大数据生成方法
本专利技术涉及石油、天然气地球物理勘探
，具体领域为基于卷积神经网络的地震反演大数据生成方法。
技术介绍
随着油气勘探技术的不断提升发展，对油气等自然资源的开发程度也逐渐增大，有限的资源使得高效勘探开采的难度持续提升。在地球物理勘探中，地震反演是根据实际观测得到的地震资料来推断地下地质真实情况以及地质模型各种性质的逆问题；与正演不同，反演通常具有多解性和不适定性，最终获得的结果往往受所用数据和处理方法等因素的影响。地震反演所使用的数据具有时间和空间上的特性，属于一种时空大数据，庞大的数据量加上种类繁多的有效信息使得地球物理勘探在处理解释环节遇到了大量的问题亟待处理，虽然使用传统反演方法也能达到很好的效果，但是却往往需要耗费大量的人力物力，因此传统反演技术不再能满足现状所需。近年来的各种研究表明，人工智能深度学习作为一种能通过数据挖掘以提取大数据中有效特征和其隐藏的规律结构的数据驱动算法在地球物理领域有着巨大的潜力和发展空间，有效地将两者交叉融合在很大程度上有助于传统反演方法的进一步优化改善。计算机技术的飞速发展推动了大数据时代的到来，在地震反演中，通过大数据挖掘，结合神经网络的帮助能更好地从地震数据中发现特征，进而更加容易地恢复油藏储层的实际物理参数以及相关的分布情况，为后续解释人员的资料分析工作提供极大的帮助。但由于沙漠、戈壁或是山前带等这种地表的复杂地质条件外，在地下的构造如断层、裂缝、潜山等都使得勘探资料的分辨率和精度大大降低。低质量的勘探大数据使得高效分离出数据有效信息并用于各种处理解释面临巨大的挑战。因此，提出一种新的大数据生成方法，即基于深度学习中的卷积神经网络算法的地震反演大数据生成。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的地震反演大数据生成方法，该方法基于卷积神经网络算法，综合人工智能学、地球物理学、空间统计学、信息科学等多学科，将深度学习技术、大数据技术、地震反演技术等有机结合，针对地震反演所需数据集，把数据统计特征迁移的随机反演和深度学习进行融合，在生成大数据的过程中使用地球物理定律进行约束，以小数据生成大数据，解决野外勘探资料质量不高难题，降低数据收集成本及勘探风险，克服了现有技术存在的缺陷。为达到以上技术目的，本专利技术提供以下技术方案。基于卷积神经网络的地震反演大数据生成方法，其核心是基于数据统计特征迁移生成大数据集，用于卷积神经网络实现地震反演。该方法依次包括以下步骤：(1)对目的工区测井波阻抗数据进行概率密度函数统计，选取差异最大的两组数据；(2)将上述两组数据进行扰动漂移，同时根据波阻抗数据所对应的合成地震数据进行约束；(3)保存符合数据特征迁移收敛条件的所有数据，确定训练样本；(4)构建卷积神经网络模型，利用步骤(3)中的数据作为训练集进行模型训练；(5)利用步骤(4)得到的卷积神经网络训练模型对目的工区进行地震反演。附图说明图1为本专利技术的扰动漂移示意图。图2为本专利技术的基于卷积神经网络的地震反演大数据生成方法流程图。具体实施方式基于卷积神经网络的地震反演大数据生成方法，依次包括以下详细步骤：步骤一：对目的工区每组测井波阻抗数据进行概率密度函数统计，选取符合筛选条件的两组数据。步骤二：将上述两组波阻抗数据选取一组作为起始井数据A，另一组作为目标井数据B，在A中根据式1随机选取一点i基于贪婪算法进行扰动漂移，根据式2将工区地质模型直方图中概率为0的波阻抗数据迁移到非0概率范畴(图1)，基于式3得到最终的扰动结果Vnew_并组合为数据C。i＝N*random(0～1)+0.5(1)其中，N为一组井数据的总样点数，DV为直方图的间隔大小且式中m为直方图划分个数，a为0～1之间的任意参数，Vnew为随机爬山算法的扰动值，Vmax为扰动数据最大值，Vmin为扰动数据最小值。步骤三：将步骤二中数据C基于褶积模型计算合成地震记录S(式4)。S＝R*W(4)其中，S为地震响应，R为反射系数序列，W为子波。步骤四：把步骤三中计算结果与B中所对应的实际地震数据计算相关系数r(X,S)(式5)。其中，X为目标井B所对应的实际地震数据，S为步骤三中计算结果，Cov(X,S)为X与S的协方差，Var[X]为X的方差，Var[S]为S的方差。步骤五：保存相关系数满足扰动收敛条件(式6)的数据C。|ri|>|ri-1|(6)其中，r为步骤四中所得相关系数，i为扰动漂移迭代次数。步骤六：为了获取大数据并且使得A能通过逐步扰动漂移转化为B，对步骤五中得到的数据C继续进行扰动漂移，重复步骤二到步骤五以完成多次迭代过程，为了获得一个更接近目标井B真实波阻抗分布的解，直到数据B与C所对应的地震数据相关系数达到指定接受率时采用随机爬山算法进行后续扰动漂移，当B与C相关系数达到收敛条件时完成扰动漂移。步骤七：整理上述步骤保存的所有扰动漂移数据，制作神经网络训练集。步骤八：构建神经网络模型，用步骤七中数据对模型进行训练。步骤九：利用上述得到的卷积神经网络训练模型对目的工区进行地震反演得到反演波阻抗数据结果图像。以上步骤对应的流程图如图2所示。最后，本申请的方法仅为较佳的实施方案，并非用于限定本专利技术的保护范围。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的地震反演大数据生成方法，其特征在于，包括如下步骤：/n步骤1，对目的工区每组测井波阻抗数据进行概率密度函数统计，选取符合筛选条件的两组数据；/n步骤2，将上述两组数据进行扰动漂移，同时根据波阻抗数据所对应的合成地震数据进行约束；/n步骤3，保存符合数据特征迁移收敛条件的所有数据，确定训练样本；/n步骤4，构建卷积神经网络模型，利用步骤3所述训练样本作为训练集进行模型训练；/n步骤5，利用步骤4中卷积神经网络训练模型对目的工区进行地震反演。/n

【技术特征摘要】
1.基于卷积神经网络的地震反演大数据生成方法，其特征在于，包括如下步骤：
步骤1，对目的工区每组测井波阻抗数据进行概率密度函数统计，选取符合筛选条件的两组数据；
步骤2，将上述两组数据进行扰动漂移，同时根据波阻抗数据所对应的合成地震数据进行约束；
步骤3，保存符合数据特征迁移收敛条件的所有数据，确定训练样本；
步骤4，构建卷积神经网络模型，利用步骤3所述训练样本作为训练集进行模型训练；
步骤5，利用步骤4中卷积神经网络训练模型对目的工区进行地震反演。


2.如权利要求1所述的基于卷积神经网络的地震反演大数据生成方法，其特征在于，所述目标函数为：
i＝N*random(0～1)+0.5；






S＝R*W；



|ri|＞...

【专利技术属性】
技术研发人员：黄旭日，代月，徐云贵，胡叶正，曹卫平，唐静，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：四川;51