基于反射结构特征的机器学习高分辨率地震数据处理方法技术

本发明专利技术公开了一种基于反射结构特征的机器学习高分辨率地震数据重建方法，通过输入地震数据，筛选声波测井曲线和密度测井曲线，将深度域测井数据转换成时间域数据，首先计算声波阻抗，进而计算反射系数，再建立神经网络训练集，并利用原始地震数据，计算构造算子，最后建立具有反射数据结构特征的机器学习高分辨率数据处理系统的目标函数并求解，完成基于反射结构特征的机器学习高分辨率地震数据处理。本发明专利技术的方法将地震数据的空间特征融入机器学习高分辨率重建过程中，使预测结果包含数据的横向空间信息，最终提高结果的稳定性以及准确性，同时提升了地震数据薄层结构的恢复效果，能更加精细的刻画薄层砂体的空间展布特征和储层特征。和储层特征。和储层特征。

【技术实现步骤摘要】
基于反射结构特征的机器学习高分辨率地震数据处理方法


[0001]本专利技术属于油气地球物理勘探中的地震资料处理
，具体涉及一种基于反射结构特征的机器学习高分辨率地震数据处理方法。

技术介绍

[0002]地震勘探方法是油气勘探与开发的主要手段，该方法以人工激发地震波在地下介质中传播为基础，对接收到的反射波信号进行各种处理来探明地下构造。随着石油、天然气资源需求的增长，地震勘探的对象日益复杂，从地表条件和地下构造简单向复杂发展，从构造勘探向岩性勘探方向发展。因此，提高地震资料的分辨率，使地震数据能够分辨薄层、刻画地层边界，已成为当前地震数据处理的迫切需求。
[0003]近年来，机器学习在提高地震勘探分辨率场景取得了较好的应用。该方法利用神经网络提取测井数据中的低频以及高频特征，来拓宽地震数据的频谱带宽，提高地震勘探的分辨率。相较于现有方法而言，机器学习技术从训练集中提取高频特征、建立复杂非线性关系，能够更好的分辨薄层。然而，因为用于建立标签的测井曲线是一维序列，大多数提出的机器学习方法都是基于一维神经网络。一维网络对地震数据中的噪声较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反射结构特征的机器学习高分辨率地震数据处理方法，具体步骤如下：步骤1、输入地震数据，筛选声波测井曲线和密度测井曲线，将深度域测井数据转换成时间域数据，首先计算声波阻抗，进而计算反射系数；步骤2、建立神经网络训练集；步骤3、利用原始地震数据，计算构造算子；步骤4、建立具有反射数据结构特征的机器学习高分辨率数据处理系统的目标函数并求解，完成基于反射结构特征的机器学习高分辨率地震数据处理。2.根据权利要求1所述的一种基于反射结构特征的机器学习高分辨率地震数据处理方法，其特征在于，所述步骤1具体如下：用x(t),t＝1,2,
…
n表示地震数据，t表示采样时刻，n表示采样点数，v(t)表示声波测井曲线，ρ(t)表示密度测井曲线，则可计算得到声波阻抗z(t)：z(t)＝ρ(t)v(t)再利用波阻抗数据，计算得到反射系数r(t),t＝1,2,
…
n；反射系数的表达式为：其中，r
i
‑1表示第i
‑
1层的反射系数，z
i
‑1表示第i
‑
1层的声波阻抗。3.根据权利要求1所述的一种基于反射结构特征的机器学习高分辨率地震数据处理方法，其特征在于，所述步骤2具体如下：神经网络训练集表达式如下：x
h
(t)＝r(t)*w
h
(t)其中，*表示褶积运算，给定高频子波w
h
(t)后，得到高频地震数据x
h
(t)后，提取相应井旁地震道x
l
(t)，建立训练集X
h
与X
l
用于神经网络训练，并生成二进制遮挡矩阵M，该过程可以描述为：其中，L表示地震道长度，q表示井旁地震道序号；进而建立机器学习的高分辨率处理系统L1：L1＝|X
h
‑
f
θ
(X
l
)|其中，f
θ
表示机器学习神经网络，θ表示神经网络参...

【专利技术属性】
技术研发人员：李皓，赵东凤，杨圆圆，谷巍巍，赵云生，邢孟江，邢孟道，李国发，高鹏，王峣钧，王磊，彭建，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：