基于共成像点道集的智能化绕射波分离方法技术

本发明专利技术公开了一种基于共成像点道集的智能化绕射波分离方法，涉及勘探地球物理技术领域，包括以下步骤：获取输入数据；利用输入数据计算全波场和反射波地震记录；计算全波场共成像点道集、全波场成像结果和反射波共成像点道集；构建4层卷积神经网络结构；利用生成的训练数据集对卷积神经网络参数进行迭代训练；在测试数据集上应用训练好的神经网络，预测呈现“笑脸”形态的反射波特征；利用自适应相减方法获得绕射波共成像点道集，将道集叠加获得绕射波成像剖面。本发明专利技术能够获得高信噪比的绕射波倾角域共成像点道集和高精度地下小尺度地质体成像剖面，在保证计算效率的同时提高了绕射目标体的成像分辨率。目标体的成像分辨率。目标体的成像分辨率。

【技术实现步骤摘要】
基于共成像点道集的智能化绕射波分离方法


[0001]本专利技术涉及勘探地球物理
，尤其涉及一种基于共成像点道集的智能化绕射波分离方法。

技术介绍

[0002]反射波与绕射波是地震勘探中的两种典型的地震响应。反射波源自地下平滑连续界面，是当前地震反演及成像的主要目标；绕射波源自地下小尺度不连续地质构造及不规则地质体(断层、裂缝、缝洞等)，携带地震高分辨率信息。随着油气田勘探开发的需求，常规的将反射波作为主要研究对象的勘探方法已经无法满足精度要求，而绕射波成像具有探测小尺度地质体的能力。因此，充分利用地震资料中的绕射波响应，实现绕射波单独成像，这对于提高小尺度不连续构造的地震成像分辨率以及复杂构造条件下的高精度地震解释意义重大。然而地震资料中的绕射波能量往往淹没在能量相对较强的反射信息中。
[0003]在地震数据处理流程中，携带地下高分辨信息的弱振幅绕射波往往被视为噪音被滤除或压制，致使地下小尺度非连续及非均质地质体成像分辨率低。常用的解决办法是根据反射波和绕射波在叠前地震道集和偏移过程中的特征差异进行提取和分离。在叠前道集提取绕射波的方法存在需要高信噪比原始地震数据，计算效率低等问题。在偏移过程中可以通过改进偏移算子实现绕射波成像，但是常规波动方程偏移存在传播能量几何扩散损失，深层区域照明不足，需要高覆盖次数地震数据等缺点。也可以从偏移过程中提取各类道集，通过识别反射波稳相顶点附近能量进行反射波压制实现绕射波提取，但是这类波场分离方法的效果很大程度上取决于反射波切除半径。来自地下小尺度不连续地质体的绕射波响应很难从地震数据中有效提取和分离，从而大大的降低了绕射目标体的成像精度和分辨率。
[0004]因此，亟需研究一种绕射波分离及提取方法，解决地震记录中较弱能量绕射波被强反射响应覆盖，难以实现绕射波分离和小尺度地质体高精度成像问题，以实现绕射波对地下断层、尖灭等小尺度构造的高分辨率地震成像，来满足当前对构造及岩性油气藏的精细勘探。

技术实现思路

[0005]为解决上述技术问题，本专利技术公开了一种基于共成像点道集的智能化绕射波分离方法。本专利技术首先基于预设的散射点速度模型通过全波场正演模拟和高斯束共成像点道集偏移计算只包含反射波和既包含反射波也包含散射波的共成像点道集，然后将反射波共成像点道集作为深度神经网络的输入，将既包含反射波也包含散射波的成像道集作为智能化网络的输出，使用合成的训练数据集训练神经网络结构，利用反射波和绕射波响应在共成像点道集上明显的几何特征差异，将具有稳相顶点的呈现“笑脸”形状的反射波特征提取出来，最后使用自适应相减计算绕射波共成像点道集和成像剖面，最终获得绕射目标体高分辨率成像结果。
[0006]为实现上述目的，本专利技术采用下述技术方案：
[0007]根据本专利技术实施例的第一方面，提出了一种基于共成像点道集的智能化绕射波分离方法。
[0008]在一个实施例中，基于共成像点道集的智能化绕射波分离方法，包括以下步骤：
[0009]S1：获取输入数据；
[0010]S2：利用输入数据计算全波场和反射波地震记录；
[0011]S3：计算全波场共成像点道集、全波场成像结果和反射波共成像点道集；
[0012]S4：构建4层卷积神经网络结构；
[0013]S5：利用步骤S3生成的训练数据集对步骤S4构建的卷积神经网络参数进行迭代训练；
[0014]S6：在测试数据集上应用步骤S5训练好的神经网络，识别“笑脸”形态的反射波特征；
[0015]S7：利用自适应相减方法获得绕射波共成像点道集，将道集叠加获得绕射波成像剖面。
[0016]可选地，步骤S1中，所述输入数据包括：包含和不包含散射点的速度模型、平滑偏移速度模型、震源函数和地震子波。
[0017]可选地，步骤S2中，所述利用输入数据计算全波场和反射波地震记录包括，使用包含和不包含散射点的速度模型、震源函数和地震子波，通过求解声介质波动方程计算全波场和反射波地震记录，所述声波波动方程为：
[0018][0019]其中，v为纵波传播速度，p为压强，f为震源函数，表示时间二次导数，为拉普拉斯算子。
[0020]可选地，步骤S3中，利用全波场地震记录和平滑速度模型通过偏移算法计算全波场共成像点道集和全波场成像结果，利用反射波地震记录和平滑速度模型通过偏移算法计算反射波共成像点道集，所述偏移算法为：
[0021][0022]其中，I(x；x
s
；θ)为成像结果，X
r
代表检波点位置，x
s
为震源位置，x为成像点位置，θ为入射角，p(x
r
；x
s
；t)为压强记录，τ为双程旅行时，W(x
r
；x；x
s
；θ)为偏移成像加权系数。
[0023]可选地，步骤S5中，迭代训练时，将包含反射波和绕射波响应的全波场倾角域共成像点道集作为神经网络输入，将仅包含反射波响应的倾角域共成像点道集作为神经网络输出。
[0024]可选地，所述自适应相减方法为，从全波场倾角域道集中自适应减去神经网络预测出来的反射波道集。
[0025]根据本专利技术实施例的第二方面，提出了一种电子设备。
[0026]在一个实施例中，电子设备包括存储器、处理器及存储在存储器上并可在处理器
上运行的程序，其特征在于，所述处理器执行所述程序时实现上述任一项方法的步骤。
[0027]根据本专利技术实施例的第三方面，提出了一种计算机可读存储介质。
[0028]在一个实施例中，所述计算机可读存储介质存储有执行上述任一项方法的程序。
[0029]本专利技术的有益效果是，
[0030]1、本专利技术可以将来自地下小尺度地质构造并且被反射波能量淹没的绕射波成功分离出来，最终获得高精度绕射体成像结果。
[0031]2、本专利依据绕射波和反射波响应在倾角共成像点道集中的几何特征差异应用卷积神经网络进行绕射波分离，摒弃了传统方法为了保证绕射波分离成功，而去分析反射波和绕射波在不同地震道集中的运动学和动力学特征的区别。
[0032]3、本专利技术首先应用加入人工散射点和未加入人工散射点的速度模型计算全波场和反射波倾角域共成像点道集，然后利用两种道集分别作为神经网络的输入和输出训练神经网络参数，使网络在训练过程中成功识别“笑脸”形状的具有稳相顶点的反射波特征，最后将训练好的网络应用于测试工区。与传统基于顶点切除的绕射波分离方法相比，本专利技术可以识别反射波稳相顶点附近更大横向范围的波形特征，并且反射波特征识别半径可以很好的适应地下复杂构造。虽然神经网络在训练过程耗费数个小时，但捕捉到反射波几何特征的神经网络在应用过程中仅仅需要几秒。
[0033]4、本专利技术进一步应用自适应相减方法计算绕射波道集和成像结果，最终获得高信噪比的绕射波倾角域共成像点道集和高精度地下小尺度地质体成像剖面，在保证计算效率的同时提高了绕射目标体的成像分辨率。
...

【技术保护点】

【技术特征摘要】
1.一种基于共成像点道集的智能化绕射波分离方法，其特征在于，包括以下步骤：S1：获取输入数据；S2：利用输入数据计算全波场和反射波地震记录；S3：计算全波场共成像点道集、全波场成像结果和反射波共成像点道集；S4：构建4层卷积神经网络结构；S5：利用步骤S3生成的训练数据集对步骤S4构建的卷积神经网络参数进行迭代训练；S6：在测试数据集上应用步骤S5训练好的神经网络，识别“笑脸”形态的反射波特征；S7：利用自适应相减方法获得绕射波共成像点道集，将道集叠加获得绕射波成像剖面。2.如权利要求1所述的一种基于共成像点道集的智能化绕射波分离方法，其特征在于，步骤S1中，所述输入数据包括：包含和不包含散射点的速度模型、平滑偏移速度模型、震源函数和地震子波。3.如权利要求2所述的一种基于共成像点道集的智能化绕射波分离方法，其特征在于，步骤S2中，所述利用输入数据计算全波场和反射波地震记录包括，使用包含和不包含散射点的速度模型、震源函数和地震子波，通过求解声介质波动方程计算全波场和反射波地震记录，所述声波波动方程为：其中，v为纵波传播速度，p为压强，f为震源函数，表示时间二次导数，为拉普拉斯算子。4.如权利要求1所述的一种基于共成像点道集的智能化绕射波分离方法，其特征在于，步骤S3中，利用全波场地震记录和平滑速度模型通过偏移算法计算全波场共成像点道集和全波场成像结果...

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