基于虚拟井训练的卷积神经网络弹性参数预测方法技术

本发明专利技术公开了一种基于虚拟井训练的卷积神经网络弹性参数预测方法,属于地震勘探属性分析与精细解释技术领域，该方法首先对工区有限井数据进行统计分析，获得大量具有物理意义的虚拟井，再对虚拟井使用精确的正演方程计算叠前角度道集地震数据，然后使用该数据集对卷积神经网络进行训练并获得两者之间的复杂非线性映射关系，最后对实际观测数据进行预测并获得高精度纵波速度、横波速度和密度三个弹性参数反演结果。本发明专利技术的有益效果是，可以有效的避免传统反演技术存在的参数串扰假象，保证反演结果精度的同时提高了反演效率。反演结果精度的同时提高了反演效率。反演结果精度的同时提高了反演效率。

【技术实现步骤摘要】
基于虚拟井训练的卷积神经网络弹性参数预测方法


[0001]本专利技术涉及地震勘探属性分析与精细解释的
，尤其涉及一种基于虚拟井训练的 卷积神经网络弹性参数预测方法。

技术介绍

[0002]深度学习技术是一种基于网络的数据驱动学习算法，这类方法预测结果精度与训练网络 的数据有直接的关系。目前，采用卷积神经网络预测弹性参数需要使用大量的叠前角度道集 地震数据，以及对应的标签数据进行大规模训练，以获得两者之间的非线性映射关系，然后 将这种关系应用于地震数据以估计地震纵波速度、横波速度和密度三个弹性参数。其中标签 数据为真实测井数据，在典型的地球物理储层描述中测井数据通常不足数十口，这严重限制 了深度学习储层参数预测的精度。

技术实现思路

[0003]为解决智能学习弹性参数预测中缺少标签数据的技术问题，本专利技术公开了一种基于虚拟 井训练的卷积神经网络弹性参数预测方法。
[0004]为实现上述目的，本专利技术采用下述技术方案：
[0005]一种基于虚拟井训练的卷积神经网络弹性参数预测方法，包括以下步骤：
[0006]S1:获取输入数据；
[0007]S2：对测井曲线变化信息进行统计分析，获得待反演参数的数据方差和空间相关长度， 利用理论高斯变差函数表征待反演参数的空间相关性；
[0008]S3：将变差函数按照一定排列方式构建协方差矩阵；
[0009]S4：构建纵波速度、横波速度和密度三个弹性参数的相关性矩阵R；
[0010]S5：将表征空间相关性的矩阵R与符合标准正态分布且长度为3*n的随机非相关信号相 乘，得到纵波速度、横波速度和密度三参数剩余曲线；将获得的剩余虚拟井数据添加到输入 的初始模型上，构建虚拟井的三个弹性参数；
[0011]S6：使用构建的虚拟井，通过求解Zoeppritz方程计算反射系数，并褶积上地震子波w(t)， 得到合成的叠前角度道集，为训练卷积神经网络提供所需的地震道集及标签数据集；
[0012]S7：搭建卷积神经网络结构，利用模拟数据训练网络，并在实际叠前角度地震数据上应 用训练好的神经网络预测纵波速度、横波速度和密度三个弹性参数。
[0013]作为本专利技术进一步地优选，步骤S1中，输入数据包括：测井曲线x(t)，初始三参数模型 m0(t)，地震角度域道集数据d(t)，地震子波w(t)。
[0014]作为本专利技术进一步地优选，步骤S2中，理论高斯变差函数为：：
[0015][0016]其中，h为两个参数之间的距离，a为相关长度。
[0017]作为本专利技术进一步地优选，步骤S3中，协方差矩阵具体形式为：
[0018][0019]其中，γ为变差函数，d
max
为井数据曲线数据点之间最大相隔距离。
[0020]作为本专利技术进一步地优选，步骤S4中，模拟多个弹性参数除了考虑空间垂直相关性，还 需要考虑多个参数之间的相关性；同时反演纵波速度、横波速度和密度参数时，具体地包括：
[0021](1)引入协方差矩阵S表征参数之间相关性，表示为，
[0022][0023]其中，其中，和分别为剩余 纵波、剩余横波与剩余密度方差，n为井数据采样点点数，p、s和den分别表示剩余纵波速 度、剩余横波速度和剩余密度，μ为对应变量的均值，σ
p,s
、σ
p,den
和σ
den,s
分别为对应变 量的协方差；
[0024](2)使用克罗内克(Kronecker)积计算综合协方差矩阵K：
[0025][0026](3)应用乔利斯基(Cholesky)分解将综合协方差矩阵分解为：
[0027]K＝RR
T
ꢀꢀꢀ
(5)
[0028]其中，K和R的大小分别为3*n乘3*n。
[0029]作为本专利技术进一步地优选，步骤S5，参数剩余曲线R
t
的具体形式为：
[0030]R
t
＝Ru
ꢀꢀꢀ
(6)；
[0031]构建的虚拟井可表示为：
[0032][0033]其中，m
p
，m
s
和m
den
为符合地质先验信息的虚拟井变化曲线。
[0034]本专利技术的有益效果是，该方法首先对工区有限井数据进行统计分析，获得大量具有物理 意义的虚拟井，再利用虚拟井基于精确正演方程计算叠前角度道集地震数据，然后采用数值 模拟计算叠前角度道集地震数据以及对应的虚拟井数据，对卷积神经网络进行训练获得两者 之间的复杂非线性映射关系，最后对纵波速度、横波速度和密度三个弹性参数进行预测。
[0035]与传统地球物理反演技术相比，该技术方法可有效地避免传统反演技术存在的多参数串 扰现象。除此之外，当初始模型精度不高时，反演的弹性参数分辨率高于柯西约束
的非线性 反演结果。反演剖面中同相轴比较连续，储层结构清晰，储层位置反演准确。网络预测时间 只需几秒，这种基于虚拟井训练的网络弹性参数预测技术中在保证反演结果精度的同时提高 了反演效率。
附图说明
[0036]图1为本专利技术流程示意图；
[0037]图2为本专利技术实施例中纵波速度模型v
p
(t)图；
[0038]图3为本专利技术实施例中横波速度模型v
s
(t)图；
[0039]图4为本专利技术实施例中密度模型den(t)图；
[0040]图5为本专利技术实施例中初始纵波速度模型v
p0
(t)图；
[0041]图6为本专利技术实施例中初始横波速度模型v
s0
(t)图；
[0042]图7为本专利技术实施例中初始密度模型den0(t)图；
[0043]图8为传统地球物理非线性反演方法预测纵波速度结果；
[0044]图9为传统地球物理非线性反演方法预测横波速度结果；
[0045]图10为传统地球物理非线性反演方法预测密度结果；
[0046]图11为本专利技术实施例所提出基于虚拟井训练的卷积神经网络纵波速度预测结果；
[0047]图12为本专利技术实施例所提出基于虚拟井训练的卷积神经网络横波速度预测结果；
[0048]图13为本专利技术实施例所提出基于虚拟井训练的卷积神经网络密度预测结果。
具体实施方式
[0049]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都 属于本专利技术保护的范围。
[0050]一种基于虚拟井训练的卷积神经网络弹性参数预测方法，包括以下步骤：
[0051](1)获取输入数据。
[0052]输入数据包括：测井数据曲线x(t)，初始模型m0(t)，地震数据d(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于虚拟井训练的卷积神经网络弹性参数预测方法，其特征在于，包括以下步骤：S1:获取输入数据；S2：对测井曲线变化信息进行统计分析，获得待反演参数的数据方差和空间相关长度，利用理论高斯变差函数表征待反演参数的空间相关性；S3：将变差函数按照一定排列方式构建协方差矩阵；S4：构建纵波速度、横波速度和密度三个弹性参数的相关性矩阵R；S5：将表征空间相关性的矩阵R与符合标准正态分布且长度为3*n的随机非相关信号相乘，得到纵波速度、横波速度和密度三参数剩余曲线；将获得的剩余虚拟井数据添加到输入的初始模型上，构建虚拟井的三个弹性参数；S6：使用构建的虚拟井，通过求解Zoeppritz方程计算反射系数，并褶积上地震子波w(t)，得到合成的叠前角度道集，为训练卷积神经网络提供所需的地震道集及标签数据集；S7：搭建卷积神经网络结构，利用模拟数据训练网络，并在实际叠前角度地震数据上应用训练好的神经网络预测纵波速度、横波速度和密度三个弹性参数。2.如权利要求1所述的一种基于虚拟井训练的卷积神经网络弹性参数预测方法，其特征在于，步骤S1中，输入数据包括：测井数据曲线x(t)，初始参数模型m0(t)，地震角度域道集数据d(t)，地震子波w(t)。3.如权利要求1所述的一种基于虚拟井训练的卷积神经网络弹性参数预测方法，其特征在于，步骤S2中，高斯变差函数可表示为：其中，h为两个参数之间的距离，a为相关长度。4.如权利要求1所述的一种基于虚拟井训练的卷积神经网络弹性参数预测方法，其特征在于，步骤S3中，协方...

【专利技术属性】
技术研发人员：杨继东，孙加星，李振春，黄建平，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：