薄层结构高分辨率地震反演方法、装置、介质和设备制造方法及图纸

本发明专利技术涉及一种薄层结构高分辨率地震反演方法、装置、介质和设备，所述方法包括步骤：构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；将所述地震道s与阻抗数据z构成训练数据，制作训练集{s,z}

【技术实现步骤摘要】
薄层结构高分辨率地震反演方法、装置、介质和设备


[0001]本专利技术涉及一种薄层结构高分辨率地震反演方法、装置、介质和设备，属于油气地球物理勘探反演


技术介绍

[0002]目前，随着国内油田大多已进入勘探开发的中后期，目标储层越来越多的集中于薄互层砂体及岩性储集体，虽然这些油藏的勘探难度较大，但其储藏的油气资源十分丰富，勘探开发前景广阔。地震反演作为油气勘探开发阶段储层预测的重要技术手段，其在描述地下储层空间分布，刻画砂体空间结构，预测储层物性参数等方面发挥着不可替代的作用，而传统地震反演方法有限的分辨能力严重限制了该技术在薄层结构预测领域的应用。因此，发展面向薄层及薄互层储层的高分辨率储层反演方法，对于进入开发中后期的油田在薄储层预测及井位部署方面具有非常重要的现实意义。
[0003]针对这类油藏开展的地震资料处理往往集中在两个方面，一是通过提高地震资料的分辨率来直接表征储层，二是通过反演来识别砂体的空间展布形态。传统的阻抗反演方法依赖于初始模型，对于薄互层这类受严重干涉效应影响的储集层来说，难以建立满足反演要求的、相对准确的初始模型。其反演结果的分辨率受限于地震频带，无法满足勘探对于分辨率的需求，基于反演结果开展的砂体展布形态及空间结构的刻画也十分有限。近年来，基于统计学理论开展的地震反演突破了地震频带的限制，相比于确定性反演方法，进一步提高了反演结果的分辨率，但其同样受限于初始地质模型。
[0004]随着机器学习技术在地震资料处理和解释领域的成功应用和发展，许多学者开始研究基于数据驱动的薄层结构表征。得益于其强大的非线性映射能力，反演结果的分辨率大幅提升。然而，没有明确的物理含义，不具备物理可解释性，迁移泛化能力弱，严重依赖于标签等问题使得单一数据驱动的阻抗反演技术发展受限。

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薄层结构高分辨率地震反演方法、装置、介质和设备，以大幅度提高地震反演结果表征薄层结构的能力，提高薄层油气藏预测和描述的精度。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]第一方面，本专利技术提供一种薄层结构高分辨率地震反演方法，包括步骤：
[0008]构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
[0009]将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
[0010]将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
[0011]所述神经网络模型的构建构成包括：
[0012]采用地震道s与阻抗数据构成训练数据，制作训练集{s,z}
T
和验证集{s,z}
V
；
[0013]所述训练集{s,z}
T
进行训练得到神经网络模型，用所述验证集{s,z}
V
对所述神经网络模型进行验证。
[0014]优选所述训练数据的70％作为训练集，30％作为验证集。
[0015]所述的薄层结构高分辨率地震反演方法还包括步骤：
[0016]保存所述神经网络模型的网络架构和节点权重；
[0017]基于实际地震数据开展阻抗反演应用分析，检测迁移泛化能力以及实用性。
[0018]所述神经网络模型为ConvLSTM神经网络模型。
[0019]所述采用所述神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列，具体计算公式为：
[0020][0021]式中，为所述神经网络模型给出的预测阻抗，为相应的反射系数，i代表某一沉积地层。
[0022]所述将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程的目标函数为：
[0023][0024]式中，为所述神经网络模型给出的预测阻抗，为相应的反射系数，G是已知的正演子波矩阵，μ是正则化参数，用于平衡数据驱动和模型约束，调整反演效果。
[0025]第二方面，本专利技术还提供一种薄层结构高分辨率地震反演装置，包括：
[0026]第一处理单元，用于构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
[0027]第二处理单元，用于将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
[0028]第三处理单元，用于将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
[0029]第三方面，本专利技术还提供一种计算机可读存储介质，储有计算机指令，所述计算机指令用于被处理器执行时实现所述的薄层结构高分辨率地震反演方法。
[0030]第四方面，本专利技术还提供一种计算机设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的薄层结构高分辨率地震反演方法。
[0031]本专利技术由于采取以上技术方案，其具有以下优点：
[0032]联合驱动的高分辨率地震阻抗反演方法，结合数据驱动大幅提高分辨率及模型约束提高反演精度的优势开展薄互层砂体空间结构表征试验分析，与单一数据驱动反演技术相比，联合驱动在提高反演结果分辨率的同时，提供了更为准确的砂体刻画结果，砂体的横向展布和分布范围刻画准确。
附图说明
[0033]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。
[0034]在附图中：
[0035]图1为本专利技术所述的一种联合驱动的高分辨率阻抗反演方法实施流程图；
[0036]图2为本专利技术所述的联合驱动实施流程图；
[0037]图3为本专利技术所述的简单薄互层地质模型；
[0038]图4为本专利技术所述的简单薄互层地质模型对应的合成地震记录；
[0039]图5a为本专利技术基于数据驱动的简单薄互层模型阻抗反演结果；
[0040]图5b为本专利技术基于联合驱动的简单薄互层模型阻抗反演结果；
[0041]图6为本专利技术所述的ConvLSTM神经网络模型的学习曲线；
[0042]图7为本专利技术所述的实际地震资料；
[0043]图8a为本专利技术基于数据驱动的地震资料阻抗反演结果；
[0044]图8b为本专利技术基于联合驱动的地震资料阻抗反演结果。
具体实施方式
[0045]下面将参照附图更详细地描述本专利技术的示例性实施方式。虽然附图中显示了本专利技术的示例性实施方式，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种薄层结构高分辨率地震反演方法，其特征在于，包括步骤：构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。2.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，所述神经网络模型的构建构成包括：采用地震道s与阻抗数据构成训练数据，制作训练集{s,z}
T
和验证集{s,z}
V
；所述训练集{s,z}
T
进行训练得到神经网络模型，用所述验证集{s,z}
V
对所述神经网络模型进行验证。3.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，所述训练数据的70％作为训练集，30％作为验证集。4.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，还包括步骤：保存所述神经网络模型的网络架构和节点权重；基于实际地震数据开展阻抗反演应用分析，检测迁移泛化能力以及实用性。5.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，所述神经网络模型为ConvLSTM神经网络模型。6.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，采用所述神经网络模型得到预测阻...

【专利技术属性】
技术研发人员：杨娜霞，李皓，李国发，张思超，高洋，赵东凤，谷巍巍，梁伽福，张平民，王鹏飞，李泽林，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：