基于深度卷积神经网络的自适应波阻抗反演方法及系统技术方案

本发明专利技术提供了一种基于深度卷积神经网络的自适应波阻抗反演方法及系统，属于地震反演解释领域。该方法包括：(1)生成训练集；(2)构建一维深度卷积神经网络波阻抗反演模型；(3)利用训练集对神经网络波阻抗反演模型进行训练，获得训练好的波阻抗反演模型；(4)将待反演的地震数据和低频约束数据输入到训练好的波阻抗反演模型，输出反演结果。本发明专利技术采用了半监督学习模式，建立了由地震波形损失项和低频约束损失项组成的目标函数，构建了包含多个卷积层和全连接层且适用于波阻抗反演的深度卷积神经网络模型，训练集不需要标签数据，在训练过程中该模型可自适应的学习出目标函数中两个损失项的权重系数组合，有效提高反演精度和效率。效率。效率。

【技术实现步骤摘要】
基于深度卷积神经网络的自适应波阻抗反演方法及系统


[0001]本专利技术属于地震反演解释领域，具体涉及一种基于深度卷积神经网络的自适应波阻抗反演方法及系统。

技术介绍

[0002]地震波阻抗反演是利用地震、测井、地质等资料推算地下介质阻抗参数的过程，广泛应用在油气勘探领域，是储层识别的重要技术手段。常规地震波阻抗反演技术常存在分辨率不够高、道间匹配性差、计算效率低等问题。
[0003]很多学者对此开展了相关研究，包括采用高分辨率地震数据、优化低频建模、相控约束或地质统计学反演等。近年来，以深度神经网络为基础的深度学习技术发展迅速，特别是深度卷积神经网络(CNN)模型，其在图像识别与分类、自然语言处理、目标检测、自动驾驶等领域的应用中均取得了丰硕的研究成果，极大的推动了人工智能技术的发展。该技术也开始被地球物理学家们引入到了地震反演领域，用于解决常规反演中存在的问题，并取得了一定的研究成果。深度卷积神经网络由Hinton、Lecun等研究学者提出并发展而来，该网络模型一般可由多个卷积层、池化层、全连接层、反卷积层等网络结构组合而成，此外还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的自适应波阻抗反演方法，其特征在于，所述方法，包括以下步骤：(1)生成训练集；(2)构建一维深度卷积神经网络波阻抗反演模型；(3)利用训练集对神经网络波阻抗反演模型进行训练，获得训练好的波阻抗反演模型；(4)将待反演的地震数据和低频约束数据输入到训练好的波阻抗反演模型，输出最终的反演结果。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中训练集包含地震数据和低频约束数据。3.根据权利要求2所述的方法，其特征在于，所述步骤(2)中一维深度卷积神经网络波阻抗反演模型由4个32通道的卷积层，4个16通道的卷积层，1个1通道的卷积层，2个全连接层组合而成。4.根据权利要求3所述的方法，其特征在于，在正向传播过程中卷积层利用卷积核从训练集中自动提取与波阻抗有关的特征，全连接层用于自动学习与目标函数有关的参数，此过程包含卷积运算、批标准化、非线性映射。5.根据权利要求4所述的方法，其特征在于，所述步骤(2)中一维深度卷积神经网络波阻抗反演模型的输出包含两部分；第一部分是由最后一个卷积层与低频数据进行合并后输出的反演阻抗，用公式表示如下：z
(l)
＝Conv1D(W
(l)
，a
(l
‑
1)
)+by＝z
(l)
+y
′
式中，z
(l)
为最后一个卷积层的输出，W
(l)
为相应的卷积核，该卷积核只有1个通道，a
(l
‑
1)
则为上一个卷积层的输出，b为偏置项；y
′
为模型输入的低频约束数据，y为模型输出的波阻抗反演结果，Conv1D表示执行卷积运算；另一部分是通过两个全连接层输出目标函数中不同损失项权重系数组合的参数，用公式表示如下：q
(1)
＝f(U
(1)
*y+c
(1)
)q
(2)
＝σ(U
(2)
*q
(1)
+c
(2)
)式中，U
(1)
为第一个全连接层的权重矩阵，y为模型合并输出的反演结果，c
(1)
为第一个全连接层的偏置，q
(1)
为第一个全连接层的输出，f为ReLU激活函数；第二个全连接层有两个神经元，U
(2)

【专利技术属性】
技术研发人员：杨柳鑫，马永强，邓光校，张如一，吕慧，王秀玲，尹龙，邹韵，李阳，赵军，
申请(专利权)人：中国石油化工股份有限公司石油物探技术研究院，
类型：发明
国别省市：