一种基于深度学习的地震反演初始模型构建方法技术

本发明专利技术公开了一种基于深度学习的地震反演初始模型构建方法，该发明专利技术以测井纵波阻抗曲线、测井横波阻抗曲线、测井纵横波速度比曲线和测井密度曲线作为学习目标，采用深度前馈神经网络算法，将常规反演初始模型和地震属性进行融合，目的是构建出同时带有低频信息和地层结构信息的反演初始模型；本发明专利技术构建的初始模型与地层产状特征一致性更好，可以有效解决传统初始模型中存在的“穿时”问题，且无需高密度的层位解释数据，可大幅降低层位解释的工作量，基于本发明专利技术构建的初始模型对应的反演结果与地质认识符合的更好。与地质认识符合的更好。与地质认识符合的更好。

【技术实现步骤摘要】
一种基于深度学习的地震反演初始模型构建方法


[0001]本专利技术属于石油天然气勘探开发领域，尤其涉及一种基于深度学习的地震反演初始模型构建方法。

技术介绍

[0002]地震反演是开展储层预测和烃类检测的主要手段，反演所需的初始模型是影响反演效果好坏的关键因素之一。现有地震反演初始模型构建方法利用层位和断层构建等时层序框架，采用适当的插值算法，将测井中的低频信息沿层序框架外推，得到反演所需的初始模型。现有地震反演初始模型构建技术方案主要存在以下几点问题：1)现有技术方案只适用于垂积作用为主的沉积相，对于以侧积和前积作用为主的沉积相，现有技术方案构建的初始模型会出现“穿时”现象，导致反演结果与地层产状出现矛盾。2)当研究区发育复杂的断裂系统时，现有技术方案需要高密度的层位解释数据以保证等时层序框架的精度，会极大增加解释的工作量和难度，影响地震反演的进度和效果。

技术实现思路

[0003]针对上述问题，本专利技术的目的是提供一种基于深度学习的反演初始模型构建方法。本专利技术适用于复杂地质条件下大、中型油气田勘探开发的地震资料处理领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地震反演初始模型构建方法，其特征在于，包括如下步骤：S1、获取测井曲线数据、解释层位数据和叠后地震数据作为后续计算步骤的输入数据；S2、根据测井曲线数据中的纵波速度、横波速度和密度数据分别生成纵波阻抗曲线数据、横波阻抗曲线数据、纵横波速度比曲线数据和密度曲线数据；S3、通过现有反演初始模型构建方法将所述解释层位数据与纵波阻抗曲线、横波阻抗曲线、纵横波速度比曲线和密度曲线数据进行计算生成原始反演初始模型数据体；S4、对所述叠后地震数据进行计算获取地震道积分属性、地震正交道属性、地震频率滤波属性、地震主频属性、地震平均频率属性、地震极性属性、地震瞬时属性、地震包络属性、地震一阶导数属性和地震二阶导数属性；其中：地震道积分属性：该属性突出地震信号的中低频成分并实现地震数据的负90度相位旋转。计算方法为，对地震数据进行积分运算得到；地震频率滤波属性：该属性突出地震信号在某个频段内的信息；计算方法为，先对地震数据做傅里叶变换，在频率域中选定滤波范围后，再做傅里叶反变换，得到滤波后的地震数据；地震主频属性：该属性表达地震信号在某时窗范围内的主频大小；计算方法为，选择时窗范围并滑动，在每个时窗范围内对地震数据做傅里叶变换，振幅谱中最大值所对应的频率即为地震主频；地震平均频率属性：该属性表达地震信号在某时窗范围内频率的平均值；计算方法为，选择时窗范围并滑动，在每个时窗范围内对地震数据做傅里叶变换，对各频率按振幅谱大小进行加权平均；地震瞬时属性：该属性包含瞬时频率和瞬时相位两种属性，其中瞬时频率属性表达某时刻地震信号频率的信息，瞬时相位属性表达某时刻地震信号的相位信息；计算方法为，对地震数据做希尔伯特变换，对变换后得到的复数道通过如下公式计算：希尔伯特变换，对变换后得到的复数道通过如下公式计算：其中，Φ
t
为瞬时相位，w
t
为瞬时频率...

【专利技术属性】
技术研发人员：周东红，张志军，徐德奎，谭辉煌，王伟，张生强，丁洪波，樊建华，肖广锐，陈平，段新意，
申请(专利权)人：中海石油中国有限公司天津分公司，
类型：发明
国别省市：