基于地震反射波形和速度谱的深度学习速度建模方法技术

本发明专利技术涉及一种基于地震反射波形和速度谱的深度学习速度建模方法，属于石油地球物理勘探技术领域。本发明专利技术包括如下步骤：训练集地震速度模型的生成、训练集数据的生成与处理、深度神经网络架构的搭建、深度神经网络模型的训练、输入数据的准备、地震速度模型的预测。本发明专利技术拥有完备的网络架构和深度网络，它仅依赖于大规模的训练数据，并且具备强大的非线性映射能力。本发明专利技术可以方便高效地通过深度神经网络，利用地震记录数据和速度谱数据来构建地震速度模型；从理论成果可看出，可以利用地震记录数据对包含训练集特征的地层进行速度建模，且网络模型有一定的抗噪能力。

Modeling method of deep learning velocity based on seismic reflection waveform and velocity spectrum

【技术实现步骤摘要】
基于地震反射波形和速度谱的深度学习速度建模方法
本专利技术涉及一种基于地震反射波形和速度谱的深度学习速度建模方法，属于石油地球物理勘探

技术介绍
地震速度建模一直是地震勘探的重要内容，如何快速有效地构建速度模型一直是勘探地震学研究中的热点问题。它不仅影响地震波成像精度，还对结果解释具有指导作用。长期以来，人们建立了多种方法来建立速度模型，以期揭示地球内部的结构和提高地震成像精度。地震速度建模问题从数学的角度可看做是非线性泛函的极小值问题。近年来国内外许多地震工作者就地震速度建模做了大量研究，形成了多种成熟的建模方法。基于速度谱分析的速度建模方法在油气勘探中最为常用，该方法可以为油田速度建模提供初始速度模型，但由于该方法基于水平层状速度结构假设，导致其对复杂速度难以形成有效建模。常用的复杂速度模型估计方法主要是基于射线理论的走时层析成像(Keiiti等，1976)，走时层析逐渐从高频近似的射线理论发展到更精确的波动理论计算走时(Luo等，1991)，这类走时层析方法对于速度变化平缓的结构较为适用，但是对于复杂速度结构，走时层析方法在模型速度梯度较大区域的成像效果不佳。为了解决复杂速度结构的建模问题，Tarantola等(1984)提出了波形反演方法，波形反演理论逐渐从理论研究到实际应用，产生了很多的研究分支，主要分为时域波形反演(Chi等，2015)和频域波形反演(Pratt等，2012)。然而，上述速度建模方法强烈依赖于初始模型和先验信息。针对不同的研究区域进行速度建模，不仅要给出符合其地质特征的初始速度模型和先验信息，还要在此基础上进行模型参数的迭代优化，过程繁琐、稳定性低且耗时严重。随着数据量与数据类型的快速增长和计算能力的逐年迅速提高，近年来机器学习在各个领域的应用研究中日趋火热。另外，随着研究区域的不断扩展和检波器的更新换代，地球物理观测数据呈指数增长，因此发展一种更加高效智能化的速度建模方法迫在眉睫，机器学习为其提供了新的处理工具。陆文凯等(1996)提出了用BP神经网络进行地震反演，在假定反演目标和地震资料之间存在某种非线性映射的情况下，用神经网络逼近反演问题中的正演和反演过程，实现用神经网络自适应地外推测井资料。张繁昌等(2014)通过褶积神经网络进行地震反演，获得比常规稀疏脉冲反演分辨率更高的地层波阻抗剖面。LewisW等(2017)将深度学习的方法应用在盐丘类地质体速度成像中；Dahlke等(2017)直接从原始地震记录出发利用深度学习预测断层；奚先等(2018)将散射波场的反演成像问题转换为波场各点的二值分类问题，然后训练深度学习模型，确定散射点；Araya-PoloM等(2018)提出了深度学习层析成像的概念，利用深度神经网络在数据空间与模型空间之间直接建立非线性映射关系。深度学习的解决问题的基本思路是通过神经网络框架对数据空间进行全局搜索，不会受限于先验信息的缺失，避免了初始模型和先验信息准确度的限制，可作为一种速度建模的有力手段。另外，本方法在利用深度神经网络进行地震速度建模的时候，引入了速度谱，提高深度学习地震速度建模的稳定性和准确度。
技术实现思路
针对现有技术存在的上述缺陷，本专利技术提出了一种基于地震反射波形和速度谱的深度学习速度建模方法，该方法拥有完备的网络架构和网络深度，它仅依赖于大规模的训练数据，并且具备强大的非线性映射能力；在训练样本集包含足够反映地质模型参数信息的前提下，该方法可以用于从地震数据中提取不同层次、不同尺度的抽象信息；另外，模型参数的确定只需要训练一次，便可对不同地区完成速度建模；并且在利用深度神经网络进行地震速度建模的时候，引入了速度谱，提高深度学习地震速度建模的稳定性和准确度。本专利技术所述的基于地震反射波形和速度谱的深度学习速度建模方法，包括如下步骤：步骤一：训练集地震速度模型的生成：通过伪随机建模机制构建体现反演目标特征的二维理论地震速度模型；步骤二：训练集数据的生成与处理：对步骤一中得到的所有训练集地震速度模型，通过伪谱法声波正演模拟并行地生成多炮地震数据，然后利用地震记录，生成不同共中心点位置的速度谱，再对训练集地震数据和生成的速度谱分别做归一化，并联合为三维矩阵；步骤三：深度神经网络架构的搭建：设计一个包含24个卷积层，4个池化层，4个上采样层和1个Dropout层的全卷积神经网络模型；步骤四：深度神经网络模型的训练：分别将步骤二中得到的表示地震数据和速度谱的三维矩阵与步骤一中对应的表示训练集速度模型的二维矩阵作为步骤三中搭建的全卷积神经网络架构的输入和输出，以对其进行训练，通过迭代优化的方式确定全卷积神经网络的模型参数并保存；步骤五：输入数据的准备：对实际地震数据进行滤波预处理，然后生成不同共中心的位置的速度谱，再对预处理后的地震数据和生成的速度谱分别做归一化，并联合为三维矩阵；步骤六：地震速度模型的预测：将步骤五中得到的联合了地震记录和速度谱的三维矩阵输入步骤四中确定模型参数后的全卷积神经网络，输出的结果就是预测得到的地震速度模型。优选地，所述步骤一中，自由设计并生成各类特征丰富的速度模型，以应对实际情况下复杂多变的地质情况。优选地，所述步骤二和步骤五中，采用多准则速度谱生成方法，将各类单一准则的速度谱生成方法结合形成优势互补，从而使能量团产生较好的聚焦效果，提高了速度谱的精度；利用相似系数、叠加能量和方差倒数三个量的乘积作为目标函数，其表达式如下：式中：H表示多准则速度谱数值，A’、S’与V’则表示对平均振幅A、相似系数S以及方差V做完归一化以后的值，σ表示一个较小的整数，其目的是为了防止分母为零。优选地，所述步骤四中，在训练全卷积神经网络时，将共炮点集地震记录和地震速度谱联合作为输入数据，其中输入数据的通道数等于共炮点集个数与速度谱数量之和。优选地，所述步骤四中，多个通道的数据同时输入网络，提高数据冗余度。优选地，所述步骤四中，多个通道的数据直接输入地震记录使地震记录中蕴涵的速度结构的细节信息得到保留，提高反演模型的精度。优选地，所述步骤四中，多个通道的数据通过叠加的方式得到的速度谱将地震记录中蕴含的速度的信息进行稀疏化表示，提高深度神经网络稳定性的同时，也提高模型训练时的计算效率，降低深度学习速度建模的任务难度。本专利技术的有益效果是：(1)方便高效的地震速度建模：本专利技术可以在训练样本集包含足够丰富信息的前提下，利用地震记录对包含训练集特征的地层进行速度建模，且模型参数只需要训练一次，就可以对不同地区完成速度建模，在数据量较大的情况下可以极大提高速度建模的效率；(2)提高了速度建模的稳定性和准确度：对比了联合使用地震记录和速度谱训练深度神经网络模型和只使用地震数据或只使用速度谱进行训练的测试集结果可以看出，该方法将地震记录和速度谱进行联合，既有较高的速度建模能力和较小的误差，又提高了网络模型的抗噪能力。附图说明图1是基于地震反射波形和速度谱的深度学习速度建模的本文档来自技高网...

【技术保护点】
1.一种基于地震反射波形和速度谱的深度学习速度建模方法，其特征在于，包括如下步骤：/n步骤一：训练集地震速度模型的生成：通过伪随机建模机制构建体现反演目标特征的二维理论地震速度模型；/n步骤二：训练集数据的生成与处理：对步骤一中得到的所有训练集地震速度模型，通过伪谱法声波正演模拟并行地生成多炮地震数据，然后利用地震记录，生成不同共中心点位置的速度谱，再对训练集地震数据和生成的速度谱分别做归一化，并联合为三维矩阵；/n步骤三：深度神经网络架构的搭建：设计一个包含24个卷积层，4个池化层，4个上采样层和1个Dropout层的全卷积神经网络模型；/n步骤四：深度神经网络模型的训练：分别将步骤二中得到的表示地震数据和速度谱的三维矩阵与步骤一中对应的表示训练集速度模型的二维矩阵作为步骤三中搭建的全卷积神经网络架构的输入和输出，以对其进行训练，通过迭代优化的方式确定全卷积神经网络的模型参数并保存；/n步骤五：输入数据的准备：对实际地震数据进行滤波预处理，然后生成不同共中心的位置的速度谱，再对预处理后的地震数据和生成的速度谱分别做归一化，并联合为三维矩阵；/n步骤六：地震速度模型的预测：将步骤五中得到的联合了地震记录和速度谱的三维矩阵输入步骤四中确定模型参数后的全卷积神经网络，输出的结果就是预测得到的地震速度模型。/n...

【技术特征摘要】
1.一种基于地震反射波形和速度谱的深度学习速度建模方法，其特征在于，包括如下步骤：
步骤一：训练集地震速度模型的生成：通过伪随机建模机制构建体现反演目标特征的二维理论地震速度模型；
步骤二：训练集数据的生成与处理：对步骤一中得到的所有训练集地震速度模型，通过伪谱法声波正演模拟并行地生成多炮地震数据，然后利用地震记录，生成不同共中心点位置的速度谱，再对训练集地震数据和生成的速度谱分别做归一化，并联合为三维矩阵；
步骤三：深度神经网络架构的搭建：设计一个包含24个卷积层，4个池化层，4个上采样层和1个Dropout层的全卷积神经网络模型；
步骤四：深度神经网络模型的训练：分别将步骤二中得到的表示地震数据和速度谱的三维矩阵与步骤一中对应的表示训练集速度模型的二维矩阵作为步骤三中搭建的全卷积神经网络架构的输入和输出，以对其进行训练，通过迭代优化的方式确定全卷积神经网络的模型参数并保存；
步骤五：输入数据的准备：对实际地震数据进行滤波预处理，然后生成不同共中心的位置的速度谱，再对预处理后的地震数据和生成的速度谱分别做归一化，并联合为三维矩阵；
步骤六：地震速度模型的预测：将步骤五中得到的联合了地震记录和速度谱的三维矩阵输入步骤四中确定模型参数后的全卷积神经网络，输出的结果就是预测得到的地震速度模型。


2.根据权利要求1所述的基于地震反射波形和速度谱的深度学习速度建模方法，其特征在于，所述步骤一中，自由设计并生成各类特征丰富的速度模型，以应对实际情况下复杂多变的地质情况。


3.根据权利要求1所述的基于地震...

【专利技术属性】
技术研发人员：邹志辉，韩明亮，马锐，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37