一种地震数据重建方法、装置、设备及介质制造方法及图纸

本申请公开了一种地震数据重建方法、装置、设备及介质，应用于地震勘探技术领域，用以解决现有技术中存在的高密度地震数据的采集成本较高、勘探精度较低的问题。具体为：利用各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练，使得最终训练出的地震数据重建模型可以根据待重建的稀疏地震数据获得高密度地震数据，从而实现了地震数据的重建，进而降低了高密度地震数据的采集成本，提升了高密度地震数据的勘探精度。度。度。

【技术实现步骤摘要】
一种地震数据重建方法、装置、设备及介质


[0001]本申请涉及地震勘探
，尤其涉及一种地震数据重建方法、装置、设备及介质。

技术介绍

[0002]随着地震勘探技术的不断发展，勘探目标越来越复杂，对勘探精度的要求也越来越高。
[0003]然而，在勘探过程中，高密度地震数据的采集成本较高，而且受采集条件、坏道等客观因素的影响，高密度地震数据的勘探精度较低。

技术实现思路

[0004]本申请实施例提供了一种地震数据重建方法、装置、设备及介质，用以解决现有技术存在的高密度地震数据采集成本较高、勘探精度较低的问题。
[0005]本申请实施例提供的技术方案如下：
[0006]一方面，本申请实施例提供了一种地震数据重建方法，包括：
[0007]获取待重建的稀疏地震数据；
[0008]基于稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
[0009]在一种可能的实施方式中，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之前，还包括：
[0010]构建各个地质模型；
[0011]基于分布式光纤声波传感技术(Distributed fiber Acoustic Sensing，DAS)的高密度采样特征，获取各个地质模型的高密度地震数据；
[0012]对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
[0013]在一种可能的实施方式中，构建各个地质模型，包括：
[0014]随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；
[0015]将多个地层数量、多个地层厚度、多组地层物性参数和多个地层起伏高度进行随机组合，得到各个地质模型参数；其中，每个地质模型参数包括地层数量、地层厚度、地层物性参数和地层起伏高度；
[0016]基于各个地质模型参数，构建相应的地质模型。
[0017]在一种可能的实施方式中，折叠构造算法为其中，Shift_Z表征地层起伏高度，表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Z
max
表征最大地层深度。
[0018]在一种可能的实施方式中，基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据，包括：
[0019]针对各个地质模型，基于地震正演算法，对地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为地质模型的高密度地震数据；其中，设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。
[0020]在一种可能的实施方式中，设定采样间隔为至少一个。
[0021]在一种可能的实施方式中，对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据，包括：
[0022]按照等间隔抽稀算法，从各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。
[0023]在一种可能的实施方式中，深度神经网络模型为其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，T
k
表征地震数据，d表征高密度地震数据的采样间隔，int
k
表征缺失的地震数据，DAS
k
表示高密度地震数据，||
·
||2表征L2范数。
[0024]在一种可能的实施方式中，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之后，还包括：
[0025]基于实地采集的各个地理区域的稀疏地震数据和高密度地震数据，对地震数据重建模型进行优化训练。
[0026]另一方面，本申请实施例提供了一种地震数据重建装置，包括：
[0027]地震数据获取单元，用于获取待重建的稀疏地震数据；
[0028]地震数据重建单元，用于基于稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
[0029]在一种可能的实施方式中，本申请实施例提供的地震数据重建装置还包括：
[0030]地质模型构建单元，用于构建各个地质模型；
[0031]地震数据采样单元，用于基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据，并对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
[0032]在一种可能的实施方式中，构建各个地质模型时，地质模型构建单元具体用于：
[0033]随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；
[0034]将多个地层数量、多个地层厚度、多组地层物性参数和多个地层起伏高度进行随机组合，得到各个地质模型参数；其中，每个地质模型参数包括地层数量、地层厚度、地层物性参数和地层起伏高度；
[0035]基于各个地质模型参数，构建相应的地质模型。
[0036]在一种可能的实施方式中，折叠构造算法为其中，Shift_Z表征地层起伏高度，表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Z
max
表征最大地层深度。
[0037]在一种可能的实施方式中，基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据时，地震数据采样单元具体用于：
[0038]针对各个地质模型，基于地震正演算法，对地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为地质模型的高密度地震数据；其中，设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。
[0039]在一种可能的实施方式中，设定采样间隔为至少一个。
[0040]在一种可能的实施方式中，对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据时，地震数据采样单元具体用于：
[0041]按照等间隔抽稀算法，从各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。
[0042]在一种可能的实施方式中，深度神经网络模型为其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，T
k
表征地震数据，d表征高密度地震数据的采样间隔，int
k
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地震数据重建方法，其特征在于，包括：获取待重建的稀疏地震数据；基于所述稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，所述地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。2.如权利要求1所述的地震数据重建方法，其特征在于，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之前，还包括：构建所述各个地质模型；基于分布式光纤声波传感技术DAS的高密度采样特征，获取所述各个地质模型的高密度地震数据；对所述各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。3.如权利要求2所述的地震数据重建方法，其特征在于，构建所述各个地质模型，包括：随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；将所述多个地层数量、所述多个地层厚度、所述多组地层物性参数和所述多个地层起伏高度进行随机组合，得到各个地质模型参数；基于所述各个地质模型参数，构建相应的地质模型。4.如权利要求3所述的地震数据重建方法，其特征在于，所述折叠构造算法为其中，Shift_Z表征地层起伏高度，表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Z
max
表征最大地层深度。5.如权利要求2所述的地震数据重建方法，其特征在于，基于DAS的高密度采样特征，获取所述各个地质模型的高密度地震数据，包括：针对所述各个地质模型，基于地震正演算法，对所述地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为所述地质模型的高密度地震数据；其中，所述设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。6.如权利要求5所述的地震数据重建方法，其特征在于，所述设定采样间隔为至少一个。7.如权利要求2所述的地震数据重建方法，其特征在于，对所述各个地质模型的高密度地震数据进行抽稀...

【专利技术属性】
技术研发人员：郭银玲，彭苏萍，杜文凤，李冬，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：