数据驱动的大尺度密度建模方法、计算设备及存储介质技术

本发明专利技术涉及一种数据驱动的大尺度密度建模方法、计算设备及存储介质，其包括：基于实测的测井数据，得到测井数据中的概率密度；基于概率密度构建二维P波速度和二维密度模型；基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；基于二维密度模型和合成地震记录，得到大量数据对；基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。本发明专利技术克服了传统方法对地下介质层位、大尺度速度和人为设定经验公式的依赖。

【技术实现步骤摘要】
数据驱动的大尺度密度建模方法、计算设备及存储介质
本专利技术涉及一种地球物理勘探
，特别是关于一种数据驱动的大尺度密度建模方法、计算设备及存储介质。
技术介绍
地震勘探方法是油气勘探的主要方法，密度参数是油气检测的重要参数。然而由于地震波对大尺度密度(密度模型的缓变分量)的扰动并不敏感，导致直接基于地震数据反演大尺度密度很难实现。因此，为了构建大尺度密度，需要充分利用其它地球物理数据。目前常用的大尺度密度建模方法主要有如下两种：第一种方法依赖于测井数据来构建大尺度密度模型；这类方法首先从测井数据中得到测井位置处的大尺度密度模型；其次依据叠后地震数据拾取地下介质的层位；最后基于层位信息和测井处的大尺度密度曲线进行横向插值构建完整的大尺度密度模型。这类方法存在的问题是：1)实际处理中准确的拾取层位是一项充满挑战的工作；2)实际中测井数据的个数是非常有限的，仅基于几口测井数据的横向插值来构建大尺度密度无法保证横向变化剧烈位置处模型的准确性。第二种方法使用一些人为给定的经验公式通过大尺度速度构建大尺度密度；常用的经验公式为Gard本文档来自技高网...

【技术保护点】
1.一种数据驱动的大尺度密度建模方法，其特征在于，包括：/n基于实测的测井数据，得到测井数据中的概率密度；/n基于概率密度构建二维P波速度和二维密度模型；/n基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；/n基于二维密度模型和合成地震记录，得到大量数据对；/n基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；/n基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。/n

【技术特征摘要】
1.一种数据驱动的大尺度密度建模方法，其特征在于，包括：
基于实测的测井数据，得到测井数据中的概率密度；
基于概率密度构建二维P波速度和二维密度模型；
基于二维P波速度和二维密度模型，得到反射系数模型，并通过反射系数和地震子波的褶积得到模型每一道对应的合成地震记录；
基于二维密度模型和合成地震记录，得到大量数据对；
基于数据对，对深度神经网络进行训练，使训练后的深度神经网络精确的描述地震数据与大尺度密度之间的非线性关系；
基于用深度神经网络描述的非线性关系，将地震观测数据映射为大尺度密度，最终实现大尺度密度建模。


2.如权利要求1所述方法，其特征在于，所述概率密度函数的获取方法为：
找出测井曲线的最小值vmin和最大值vmax；
根据最大值和最小值将整个测井曲线的值域范围等间隔地划分为L个分段；
根据每一个分段内数据点个数占总数据点个数的比例生成该测井曲线对应的P波速度和密度的概率密度函数Pvp和Pρ。


3.如权利要求1所述方法，其特征在于，所述二维P波速度和二维密度模型的构建方法为：
基于Pvp和Pρ，通过抽样的方式随机生成若干个一维P波速度与密度曲线；
每个一维模型被随机的分为若干层，且每一层的厚度为随机的；
根据P波速度和密度的概率分布通过抽样的方式为一维模型的每一层随机赋予P波速度和密度参数值。


4.如权利要求1所述方法，其特征在于，所述反射系数模型为：



其中，vm,i是P波速度和密度模型第m道第i个采样点的数值；rm,i为第m道第i个采样点对应的反射系数；Nt为每一道数据的长度；ρm,i为密度模型第m道第i个采样点的数值。


5.如权利要求4所述方法，其特征在于，所述合成地震记录为：



其中，sm为合成记录的第m道数据；w＝[w1,w2,…,wL]T为地震子波，wi,i＝1,2,...,L为离散后的地震子波在第i个采样点上的数值。


6.如权利要...

【专利技术属性】
技术研发人员：米立军，高照奇，高静怀，张金淼，王清振，王建花，姜秀娣，丁继才，孙文博，
申请(专利权)人：中海石油中国有限公司，中海石油中国有限公司北京研究中心，
类型：发明
国别省市：北京;11