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Gardner公式。这类方法存在如下不足：1)实际处理中构建准确的大尺度速度模型充满了挑战，不易实现；2)使用的经验公式往往无法准确的描述速度与密度间的非线性关系，导致转换得到的大尺度密度的精度无法得到保障。
技术实现思路
针对上述问题，本专利技术的目的是提供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，其为横向强非均匀介质大尺度密度建模提供新的有效方法，克服了井插值不适用于横向强非均匀介质的限制，并克服了经验公式法对速度模型以及人为设定的经验公式的依赖。为实现上述目的，本专利技术采取以下技术方案：一种数据驱动的大尺度密度建模方法，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。进一步，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。进一步，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。进一步，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。进一步，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。进一步，所述数据对获取方法为：获取合成地震记录数据；对二维密度模型的每一道进行低通滤波提取对应的大尺度结构，得到与叠后地震数据每一道对应的大尺度密度；通过将每一道叠后地震数据和对应的大尺度密度进行匹配，构造数据对。进一步，优化如下的目标泛函以确定深度神经网络的参数：其中，为步骤S4建立的数据对；Θ为需要学习的网络参数集；Γ为所构造的数据对；为数据对中第n对数据t时刻的真实密度值；为第n对数据t时刻的网络预测密度值；为数据对中第n对数据t时刻的输入地震数据向量。一种数据驱动的大尺度密度建模系统，其包括第一处理模块、第二处理模块、合成地震记录生成模块、数据对生成模块、网络训练模块和模型生成模块；所述第一处理模块基于实测的测井数据，得到测井数据中的概率密度；所述第二处理模块基于概率密度构建二维P波速度和二维密度模型；所述合成地震记录生成模块基于二维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；所述数据对生成模块基于二维密度模型和合成地震记录，得到大量数据对；所述网络训练模块基于数据对，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；所述模型生成模块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。一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述各实施例所述方法中的任一方法。一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述各实施例所述的方法中的任一方法的指令。本专利技术由于采取以上技术方案，其具有以下优点：1、本专利技术不依赖于精确的大尺度速度模型、人为设定的速度与密度之间的非线性关系以及地下介质准确的层位信息，更加适用于横向强非均匀介质的大尺度密度建模。2、本专利技术首先使用了能够充分考虑地震数据和测井数据时序性的长短时记忆网络来构建地震数据与大尺度密度的非线性关系，克服了对层位、速度模型的依赖；其次，在数据驱动框架下使用深度神经网络通过学习的方式建立起地震数据与长波长密度之间的非线性关系，克服了对人为设定非线性关系的依赖；最后，基于随机数据集生成技术，显著增加了数据集的规模和多样性，增强了深度神经网络在横向强非均匀介质中的泛化性能。3、本专利技术为产生能够覆盖尽可能多地下介质情况的P波速度和密度模型。首先基于上述统计的概率分布随机的产生若干具有随机层数和数值的一维P波速度和一维密度模型。其次，通过横向插值将这些一维模型整合为二维模型，生成的随机模型够覆盖尽可能多的地下介质情况，适合于构造数据集。4、本专利技术使用深度网络结构充分考虑了地震资料和测井数据的动态特征，充分利用数据的时间相关性提高深度网络的性能，减少网络需要的参数个数。综上所述，本专利技术为横向强非均匀介质的大尺度密度建模提供了有效方法。附图说明图1为本专利技术流程示意图。图2为根据测井曲线构建其对应的概率密度的示意图，其中，(a)为测井曲线，(b)为概率密度。图3为本专利技术中使用的深度神经网络的结构图。图4为模型算例中使用的Marmousi模型，其中，(a)为P波速度模型；(b)为密度模型。图5为模型算例中统计得到的测井曲线概率分布，其中，(a)为P波速度；(b)为密度。...

【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