叠前共成像点道集增强方法及装置制造方法及图纸

本说明书涉及地震资料处理技术领域，具体地公开了一种叠前共成像点道集增强方法及装置，其中，该方法包括：获取叠前共成像点道集，从叠前共成像点道集中抽取共偏移距地震数据集；基于共偏移距地震数据集中偏移距在预设范围内的共偏移距地震数据，生成标准图像；基于共偏移距地震数据集中偏移距预设范围之外的共偏移距地震数据，生成待配准图像；利用深度学习数据驱动模型对标准图像与待配准图像之间的全局特征关系进行学习，得到待配准图像的形变参数；利用形变参数对待配准图像进行配准，得到配准后图像；基于标准图像和配准后图像，生成增强后的共成像点道集。上述方案可以提高叠前共成像点道集增强的精度和效率。提高叠前共成像点道集增强的精度和效率。提高叠前共成像点道集增强的精度和效率。

【技术实现步骤摘要】
叠前共成像点道集增强方法及装置


[0001]本说明书涉及地震资料处理
，特别涉及一种叠前共成像点道集增强方法及装置。

技术介绍

[0002]在地震资料处理的过程中，实现地质构造的准确清晰成像是一项重要的工作，对于后续研究地下地质构造有着非常重要的作用。随着石油勘探开发技术的发展，以前受限制未开发的小构造复杂型油气藏和岩性油气藏也成为了勘探目标。这类非常规油气藏隐蔽性更强，成藏规律更复杂，这就要求地震勘探的精度需要更大的提升。研究人员过去往往采用信噪比高的叠后地震数据，叠后地震数据可以反映同相轴的强弱，连续性，但是不能得到反射系数随着偏移距的改变而改变的信息，即反射波振幅随偏移距的变化而变化的信息。而叠前道集未经过叠加，数据量大，包含了丰富的信息，尤其是偏移距信息，它与储层岩性，流体的特性紧密相关。
[0003]在理想情况下，经叠前偏移生成的共成像点道集(Common Image Gather,CIG道集)对应于相同的地质地层位置、几何结构。期望共成像点道集中的各道保持高度的波形、相位一致性，然而由于偏移速度误差、各向异性等的影响，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种叠前共成像点道集增强方法，其特征在于，包括：获取叠前共成像点道集，从所述叠前共成像点道集中抽取共偏移距地震数据集；基于所述共偏移距地震数据集中偏移距在预设范围内的共偏移距地震数据，生成标准图像；基于所述共偏移距地震数据集中偏移距预设范围之外的共偏移距地震数据，生成待配准图像；利用深度学习数据驱动模型对所述标准图像与所述待配准图像之间的全局特征关系进行学习，得到所述待配准图像的形变参数；利用所述形变参数对所述待配准图像进行配准，得到配准后图像；基于所述标准图像和所述配准后图像，生成增强后的共成像点道集。2.根据权利要求1所述的叠前共成像点道集增强方法，其特征在于，获取叠前共成像点道集，从所述叠前共成像点道集中抽取共偏移距地震数据集，包括：获取叠前地震数据集；对所述叠前地震数据集进行偏移，得到叠前共成像点道集；从所述叠前共成像点道集中抽取共偏移距地震数据集；对所述共偏移距地震数据集进行预处理，得到预处理后的共偏移距地震数据集。3.根据权利要求1所述的叠前共成像点道集增强方法，其特征在于，在所述深度学习数据驱动模型迭代训练过程中，将所述标准图像和所述待配准图像输入所述深度学习数据驱动模型中，得到初步配准结果，通过损失函数计算所述初步配准结果的损失值，判断所述损失值是否满足预设条件，若不满足预设条件，则更新所述深度学习数据驱动模型的模型参数，并进入下一次迭代周期，直至得到的损失值满足预设条件。4.根据权利要求3所述的叠前共成像点道集增强方法，其特征在于，所述深度学习数据驱动模型包括孪生神经网络；所述孪生神经网络包括编码器和解码器；所述编码器用于提取所述标准图像和所述待配准图像的地震特征；所述地震特征包括所述标准图像与所述待配准图像之间的相似性特征和差异性特征；所述解码器用于对提取到的地震特征进行数据重构，得到所述待配准图像的形变参数。5.根据权利要求4所述的叠前共成像点道集增强方法，其特征在于，所述损失函数为：其中，L(f,m,φ)为所述损失函数，为相似性评价损失函数，L
smooth

【专利技术属性】
技术研发人员：袁三一，吴祖光，张海风，王尚旭，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：