【技术实现步骤摘要】
本专利技术一种基于深度学习的智能地震反演预测方法，属于地震反演。
技术介绍
1、地震反演作为储层预测的核心技术，实际上是把地球物理数据经过一定的数据处理，转变为地下岩性数据的方法，反演结果包括丰富的地层信息、孔隙度、波阻抗等信息用于储层描述。波阻抗反演理论认为不同的岩石相所对应的波阻抗是不同的，这是进行反演的前提，经过多年的发展应用，地震反演已经发展出很多种的方法用于储层描述。现有的地震反演理论主要基于波动方程的地震反演和基于褶积模型的地震反演，前者由于实际情况较为复杂，并没有投入实际应用，因此目前实际应用的为基于褶积模型的地震反演，其理论认为地震数据是由反射系数和地震子波褶积的结果，而反射系数可以通过波阻抗经过一定的计算得到，规定通过地震子波和反射系数褶积求取地震数据的过程称之为正演，反之则称之为反演。在实际情况下，地震数据往往含有不少噪音，这影响了地震的分辨率和增加了反演的多解性。
2、因此，目前尚没有全面考虑不确定性且复杂性的地震反演技术，也不能具有较高的分辨率，无法识别薄层砂体。
3、传统的地震反演的实现通常可分为两步，首先需要通过对反演方程的各种假设建立目标方程，然后添加一定的约束条件以解决此方程。然而，实际地质情况和数据往往十分复杂，难以用单一明确的方式来表述。无论是在建立反演方程还是解决此类方程的过程中，均存在巨大的挑战，实际反演精度低，分辨率差，对砂体的预测识别很大程度依赖井曲线数据，在井间距离较大或地震等三维资料复杂、质量差等情况下，很难准确的对储层做出预测。
1、本专利技术的主要目的在于构建了一种多尺度超非对称网络(cycle-jnet)。所要解决的问题是如何识别复杂的地震资料，并对薄砂层进行准确的识别和预测，充分考虑井震资料间的对应关系，且能根据地震数据生成各种真实的地震反演体。最终建立出与地震资料相符合的高分辨率地震反演体，实现对砂体和隔夹层的准确识别和预测，达到提高反演分辨率和准确性的目的，从而更加适于实用。
2、为实现上述目的，本专利技术提供一种基于深度学习的智能地震反演预测方法，所述方法包括如下步骤：
3、s1、搭建深度卷积多属性多尺度超非对称cycle-jnet网络模型；
4、s2、获取数据集即各类井震数据；
5、s3、对井震数据体进行处理，根据训练需要，将井震数据体中的井曲线数据和地震数据分别划分成所需要的1*1*128大小，每个井曲线数据都有对应的地震数据；
6、步骤s3具体包括以下子步骤：
7、s301、基于井曲线数据的多样性以及地震数据的唯一性，可以同时对一段地震数据上的多种井曲线数据进行学习训练，因此在进行数据处理时，将要学习的多种井曲线属性与对应的地震数据进行捆绑，并将井曲线中的无效数据以及异常数据除去，以保持数据集的质量；
8、s302、建立一个空数据体，依据想要训练的属性数目对空数据体进行分割，将数据体中需要的数据全部写入数据体中，其中每种井曲线数据以及地震数据的大小均为1*1*128。
9、s4、将该训练数据集中的模型数据进行小波变换，得到不同尺度的井震数据，每个井曲线数据都有对应的地震数据；
10、步骤s4具体包括以下子步骤：
11、s401、基于井曲线数据和地震数据的一维性，小波变换可以得到两种分辨率的数据，在具体对数据体进行小波变换时，将每一种井曲线数据分别进行小波变换得到低分辨率的aaa和高分辨率的daa两种分辨率的数据；
12、s402、将对应的地震数据也进行小波变换，得到低分辨率的aaa和高分辨率的daa两种分辨率的数据。
13、s5、将该不同尺度的井震数据输入该多属性多尺度超非对称cycle-jnet网络模型中进行训练，得到训练好的jnet模型；
14、步骤s5具体包括以下子步骤：
15、s501、cycle-jnet网络被设计为两个并行的aaa网络与daa网络，分别对不同分辨率的特征进行学习，以aaa网络为例，将真实的地震数据经过小波变换后的真实低频部分segy(r-aaa)输入jnet(s1-aaa)网络进行卷积，网络生成对应的虚假井曲线well(f-aaa)，同时daa网络生成对应的虚假井曲线well(f-daa)；
16、s502、well(f-aaa)、well(f-daa)与经过小波分解后的真实井曲线well(r-aaa)、well(r-daa)进行比对，将两个aaa网络与daa网络得到的残差线性相加，得到该次jnet(s1)网络的残差loss1(s1)；
17、s503、以aaa网络为例，将输出的井曲线well(f-aaa)输入到jnet(s2)中，使其对井曲线well(f-aaa)进行卷积，生成地震数据segy(f-aaa)，同时ddd网络生成对应的地震数据segy(f-aaa)；
18、s504、对segy(f-aaa)与segy(f-daa)进行逆小波变换，得到该轮机器学习后认为的地震数据segy(fake)，与真正的地震数据segy(real)进行比对，得到该次jnet(s2)网络的残差loss2(s2)；
19、s505、将loss1(s1)与loss2(s2)线性相加得到总残差loss(s)，用loss(s)对jnet(s1)和jnet(s2)进行优化，再让机器进入下一轮训练学习。
20、搭建的多属性多尺度超非对称cycle-jnet网络，生成网络一共有12层反卷积层，第一层卷积核大小为4，步长为2，宽度为1，第二层卷积核大小为4，步长为2，宽度为1，第三层卷积核大小为4，步长为2，宽度为1，第四层卷积核大小为4，步长为2，宽度为1，第五层卷积核大小为4，步长为2，宽度为1，第六层卷积核大小为4，步长为2，宽度为1，第七层卷积核大小为4，步长为2，宽度为1，第八层卷积核大小为4，步长为2，宽度为1，第九层卷积核大小为4，步长为2，宽度为1，第十层卷积核大小为4，步长为2，宽度为1，第十一层卷积核大小为4，步长为2，宽度为1，第十二层卷积核大小为4，步长为2，宽度为1，生成网络初始学习率为0.0001，优化函数使用adam，损失函数为bceloss，激活函数为relu，relu，relu，sigmoid，sigmoid，sigmoid，sigmoid，sigmoid，sigmoid，sigmoid，sigmoid，sigmoid。
21、搭建的多属性多尺度超非对称cycle-jnet网络，判别网络一共有7层卷积层，第一层卷积核大小为4，步长为2，宽度为1，第二层卷积核大小为4，步长为2，宽度为1，第三层卷积核大小为4，步长为2，宽度为1，第四层卷积核大小为4，步长为2，宽度为1，第五层卷积核大小为4，步长为2，宽度为1，第六层卷积核大小为4，步长为2，宽度为1，第七层卷积核大小为4，步长为2，宽度为1，生成网络初始学习率为0.0001，优化函数使用adam，损失本文档来自技高网...
【技术保护点】
1.一种基于深度学习的智能地震反演预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤S3具体包括以下子步骤：
3.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤S4具体包括以下子步骤：
4.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤S5具体包括以下子步骤：
5.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，搭建的多属性多尺度超非对称Cycle-JNET网络，生成网络一共有12层反卷积层：第一层卷积核大小为4，步长为2，宽度为1，第二层卷积核大小为4，步长为2，宽度为1，第三层卷积核大小为4，步长为2，宽度为1，第四层卷积核大小为4，步长为2，宽度为1，第五层卷积核大小为4，步长为2，宽度为1，第六层卷积核大小为4，步长为2，宽度为1，第七层卷积核大小为4，步长为2，宽度为1，第八层卷积核大小为4，步长为2，宽度为1，第九层卷积核大小为4，步长为2，宽度为1，第十层卷积核大小为4
6.根据权利要求5所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤S5中，搭建的多属性多尺度超非对称Cycle-JNET网络，判别网络一共有7层卷积层，第一层卷积核大小为4，步长为2，宽度为1，第二层卷积核大小为4，步长为2，宽度为1，第三层卷积核大小为4，步长为2，宽度为1，第四层卷积核大小为4，步长为2，宽度为1，第五层卷积核大小为4，步长为2，宽度为1，第六层卷积核大小为4，步长为2，宽度为1，第七层卷积核大小为4，步长为2，宽度为1，生成网络初始学习率为0.0001，优化函数使用Adam，损失函数为BCEloss，激活函数为LeakyReLU，LeakyReLU，LeakyReLU，LeakyReLU，Sigmoid，Sigmoid，Sigmoid。
7.根据权利要求6所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤S5中，搭建的DCGAN网络，batchsize大小为8，epoch数为250。
...【技术特征摘要】
1.一种基于深度学习的智能地震反演预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤s3具体包括以下子步骤：
3.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤s4具体包括以下子步骤：
4.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，步骤s5具体包括以下子步骤：
5.根据权利要求1所述的一种基于深度学习的智能地震反演预测方法，其特征在于，搭建的多属性多尺度超非对称cycle-jnet网络，生成网络一共有12层反卷积层：第一层卷积核大小为4，步长为2，宽度为1，第二层卷积核大小为4，步长为2，宽度为1，第三层卷积核大小为4，步长为2，宽度为1，第四层卷积核大小为4，步长为2，宽度为1，第五层卷积核大小为4，步长为2，宽度为1，第六层卷积核大小为4，步长为2，宽度为1，第七层卷积核大小为4，步长为2，宽度为1，第八层卷积核大小为4，步长为2，宽度为1，第九层卷积核大小为4，步长为2，宽度为1，第十层卷积核大小为4，步长为2，宽度为1，第十一层卷积核大小为4，步长为2，宽度为1，第十二层卷积核大小为4，步长为2，宽度为1，生成网络初始学习...
【专利技术属性】
技术研发人员：唐明明，黄伯阳，马慧芳，解容，陈万鑫，雷忻洋，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。