一种波阻抗反演方法、系统、设备和存储介质技术方案

本发明专利技术涉及一种波阻抗反演方法、系统、设备和存储介质，方法包括以下步骤：获取采样区域的地震数据集；基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。因此，本发明专利技术能够基于地震数据得到准确的、有效地的波阻抗预测值，使得波阻抗反演的精度更大，真实性更高，同时对油藏的开发具有现实的帮助意义。现实的帮助意义。现实的帮助意义。

【技术实现步骤摘要】
一种波阻抗反演方法、系统、设备和存储介质


[0001]本专利技术涉及地球物理勘探领域，更具体地，涉及一种基于神经网络与符号网络的波阻抗反演方法、系统、设备和存储介质。

技术介绍

[0002]近年来，在地震勘探技术上，随着相关物理设备的进步，地震数据的采集能力与数据资料的处理解释方法得到了很大的提升和发展，因此，地震反演技术成为预测储层的核心手段。地震反演技术是指利用地震观测资料(地震数据)，将已知的一些地质规律与测井、钻井资料作为约束条件，对地面以下的岩层的物性及物理结构成像的过程，这一过程也是一个求解的过程。由于地震波阻抗与含油气储层具有很好的对应性，波阻抗反演技术成为地震反演技术的一个常用方法。在求解波阻抗的过程中，使用到的方法就是波阻抗反演，即一种利用地震观测资料来反演地层波阻抗的地震特殊处理解释技术。
[0003]目前许多基于机器学习和神经网络的波阻抗反演算法已经取得了初步的效果，这些基于深度学习的方法都是通过学习地震记录与标签数据之间的参数权重来寻找反演映射关系的。对于一些地下构造复杂的情况，地震数据与反演参数之间的关系是十分复杂的，单纯的使用深度神经网络也无法准确的表示其反演映射关系，在数据量有限的条件下，如果尝试增加网络深度可能会增加过拟合的风险。
[0004]如何能够避免神经网络在反演过程中的过拟合问题，并且能准确的找到地震数据与波阻抗之间的反演关系，是地球物理勘探领域亟待解决的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种基于神经网络与符号网络的波阻抗反演方法、系统、设备和存储介质，该方法能取得不错的反演效果，又能显示地找出反演公式，可以有效提高储层预测的准确度。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]一种波阻抗反演方法，其包括以下步骤：获取采样区域的地震数据集；基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
[0008]进一步，所述地震数据集包括地震记录、波阻抗标签数据以及包含低频信息的波阻抗数据。
[0009]进一步，所述基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型的方法，包括：
[0010]a、基于地震数据集得到训练样本集；
[0011]b、将训练样本集中的地震记录、包含低频信息的波阻抗数据输入到波阻抗反演模型的低频信息约束模块，得到波阻抗的低频约束信息；
[0012]c、将波阻抗的低频约束信息作为约束条件，将训练集中的地震记录输入到波阻抗反演模型的符号网络模型进行训练，得到符号网络模型输出的预测波阻抗值；
[0013]d、基于地震数据集以及预测波阻抗值进行损失函数的计算，若损失函数不收敛，则重复步骤b和c继续进行训练，直到得到训练好的波阻抗反演模型。
[0014]进一步，所述步骤a中，所述训练样本集为从地震数据集的相邻的n道地震记录中选取m个数据点构成。
[0015]进一步，所述低频信息约束模块由卷积神经网络与全连接网络连接而成；所述卷积神经网络包括三个卷积块、一个并列块和一个展开块；所述三个卷积块用于接收地震记录，并提取各道地震记录的低频数据特征；所述并列块用于接收三个卷积块所提取的各道地震记录的低频数据特征，并进行合并；所述展开层用于将并列块输出的合并后的低频数据特征进行一维化，得到波阻抗的低频约束信息；所述全连接层用于接收展开层的输出作为其输入，并将波阻抗的低频约束信息输出。
[0016]进一步，所述符号网络模块包括隐层和函数节点层；所述隐层的输入为地震记录，输出为地震记录的隐藏特征；所述函数节点层包括多个数学符号构成的函数节点。
[0017]进一步，所述损失函数的计算公式为：
[0018]Loss＝α*mse1+mse2
[0019]其中，Loss为损失函数值；α为学习率；mse1为地震记录和低频信息约束模块输出的波阻抗的低频约束信息之间的均方误差；mse2为符号网络模块输出的预测波阻抗值和波阻抗标签数据之间的均方误差。
[0020]一种波阻抗反演系统，其包括：
[0021]数据集获取模块，用于获取采样区域的地震数据集；
[0022]模型训练模块，用于基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；
[0023]模型预测模块，用于使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。
[0024]一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述波阻抗反演方法的步骤。
[0025]一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述波阻抗反演方法的步骤。
[0026]本专利技术由于采取以上技术方案，其具有以下优点：本专利技术使用的符号网络不仅可以提取到反演关系，还可以通过真实的数学公式对反演效果做辅助验证并且能够显式地找出地震记录与波阻抗的数学关系。因此，能够基于地震数据得到准确的、有效地的波阻抗预测值，使得波阻抗反演的精度更大，真实性更高，在提高波阻抗反演准确度的同时，以公式做以辅助验证，可靠性与反演精度都会更高，并且可以有效避免过拟合风险，对油藏的开发具有现实的帮助意义。
附图说明
[0027]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术
的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0028]图1是本专利技术实施例提供的波阻抗反演方法的网络结构示意图；
[0029]图2是本专利技术实施例提供的波阻抗反演方法的流程图；
[0030]图3是本专利技术实施例提供的波阻抗反演方法使用的低频信息约束模块的网络结构示意图；
[0031]图4是本专利技术实施例提供的波阻抗反演方法使用的符号网络模块的网络结构示意图；
[0032]图5是本专利技术实施例提供的波阻抗反演方法在Marmousi2模型数据上的实施效果图；
[0033]图6是本专利技术实施例提供的波阻抗反演方法在Marmousi2模型训练数据上的某一道训练集上的真实波阻抗与预测波阻抗的拟合效果图；
[0034]图7是本专利技术实施例提供的波阻抗反演方法在Marmousi2模型测试数据上的某一道测试集上的真实波阻抗与预测波阻抗的拟合效果图。
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术的一部分实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种波阻抗反演方法，其特征在于，包括以下步骤：获取采样区域的地震数据集；基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型；使用训练好的波阻抗反演模型对采样区域的波阻抗值进行预测，得到采样区域的预测波阻抗数据。2.如权利要求1所述的一种波阻抗反演方法，其特征在于：所述地震数据集包括地震记录、波阻抗标签数据以及包含低频信息的波阻抗数据。3.如权利要求1所述的一种波阻抗反演方法，其特征在于：所述基于获取的地震数据集，对构建的基于神经网络与符号网络相结合的波阻抗反演模型进行训练，得到训练好的波阻抗反演模型的方法，包括：a、基于地震数据集得到训练样本集；b、将训练样本集中的地震记录、包含低频信息的波阻抗数据输入到波阻抗反演模型的低频信息约束模块，得到波阻抗的低频约束信息；c、将波阻抗的低频约束信息作为约束条件，将训练集中的地震记录输入到波阻抗反演模型的符号网络模型进行训练，得到符号网络模型输出的预测波阻抗值；d、基于地震数据集以及预测波阻抗值进行损失函数的计算，若损失函数不收敛，则重复步骤b和c继续进行训练，直到得到训练好的波阻抗反演模型。4.如权利要求3所述的一种波阻抗反演方法，其特征在于：所述步骤a中，所述训练样本集为从地震数据集的相邻的n道地震记录中选取m个数据点构成。5.如权利要求3所述的一种波阻抗反演方法，其特征在于：所述低频信息约束模块由卷积神经网络与全连接网络连接而成；所述卷积神经网络包括三个卷积块、一个并列块和一个展开块；所述三个卷积块用于接收地震记录，并提取各道地震记录的低频数据特征；所述并列块用于接...

【专利技术属性】
技术研发人员：鲁强，崔馨元，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：