System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术实施例涉及油气勘探开发领域,尤其涉及一种模型生成方法、井震联合速度建模方法、装置、电子设备及可读存储介质。
技术介绍
1、深度偏移对于速度极其敏感,因此速度建模精度直接决定了后续的地质解释和储层参数建模。随着勘探开发程度不断深入,以火成岩侵入、复杂断熔体等代表的复杂构造区块,也对速度建模提出了新的挑战。当前建模的方式例如:反演=层析+偏移,层析实现背景速度更新,偏移实现反射面归位,最终实现速度与反射面相匹配。从简单的时深关系t(走时)=d(反射面埋深)/v(速度)同样可以得出这一结论,成功的全波形反演需要同时实现反射面归位与背景速度更新。
2、当前利用速度与反射面匹配关系的速度建模策略相比于反射波形反演来说,尽管计算量更少,但是对层位信息的自动选取以及层位信息无缝融入反演过程中的建模效果不佳。
技术实现思路
1、鉴于上述问题,提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种模型生成方法、井震联合速度建模方法、装置及设备。
2、第一方面,本申请实施例公开了一种模型生成方法,所述方法包括:
3、搭建纹理迁移网络模型,所述纹理迁移网络包括生成器、判别器和自编码器;所述生成器和判别器用于构成条件生成对抗网络,所述自编码器用于重构测井速度;
4、获取样本数据,将所述样本数据输入所述生成器中,并基于所述生成器和判别器构成的条件生成对抗网络,对所述纹理迁移网络模型进行训练;所述样本数据包括:初始速度和深度剖面
5、将测井速度输入所述自编码器,对所述纹理迁移网络模型进行参数优化,得到训练后的纹理迁移网络模型;所述训练后的纹理迁移网络模型用于根据输入的初始速度和深度剖面输出速度建模图像,所述速度建模图像中速度和反射面形态匹配。
6、第二方面,本申请实施例公开了一种井震联合速度建模方法,所述方法包括:
7、获取待预测数据,所述待预测数据包括初始速度和深度剖面;
8、将所述待预测数据输入训练后的纹理迁移网络模型,输出速度建模图像,所述速度建模图像中速度和反射面形态匹配;其中,所述纹理迁移网络模型是由权利要求1-7任一项所述的模型生成方法训练得到的。
9、第三方面,本申请实施例公开了一种模型生成装置,所述装置包括:
10、搭建模块,用于搭建纹理迁移网络模型,所述纹理迁移网络包括生成器、判别器和自编码器;所述生成器和判别器用于构成条件生成对抗网络,所述自编码器用于重构测井速度;
11、第一训练模块,用于获取样本数据,将所述样本数据输入所述生成器中,并基于所述生成器和判别器构成的条件生成对抗网络,对所述纹理迁移网络模型进行训练;所述样本数据包括:初始速度和深度剖面;
12、第二训练模块,用于将测井速度输入所述自编码器,对所述纹理迁移网络模进行参数优化,得到训练后的纹理迁移网络模型;所述训练后的纹理迁移网络模型用于根据输入的初始速度和深度剖面输出速度建模图像,所述速度建模图像中速度和反射面形态匹配。
13、第四方面,本申请实施例公开了一种井震联合速度建模装置,所述装置包括:
14、获取模块,用于获取待预测数据,所述待预测数据包括初始速度和深度剖面;
15、生成模块,本申请实施例公开了用于将所述待预测数据输入训练后的纹理迁移网络模型,输出速度建模图像,所述速度建模图中速度和反射面形态匹配;其中,所述纹理迁移网络模型是由权利要求1-7任一项所述的模型生成方法训练得到的。
16、第五方面,本申请实施例公开了一种电子设备,包括处理器和存储器、所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面和第二方面任一项所述的方法的步骤。
17、第五方面,本申请实施例公开了一种可读存储介质,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如第一方面和第二方面任一项所述的方法的步骤。
18、本申请实施例中,搭建纹理迁移网络模型,纹理迁移网络包括生成器、判别器和自编码器;生成器和判别器用于构成条件生成对抗网络,自编码器用于重构测井速度;获取样本数据,将样本数据输入生成器中,并基于所述生成器和判别器构成的条件生成对抗网络,对纹理迁移网络模型进行训练;样本数据包括:初始速度和深度剖面;将测井速度输入自编码器,对纹理迁移网络模型进行参数优化,得到训练后的纹理迁移网络模型;训练后的纹理迁移网络模型用于根据输入的初始速度和深度剖面输出速度建模图像,速度建模图像中速度和反射面形态匹配。本申请的方案从速度-反射面匹配关系出发,提出基于纹理迁移网络的井震联合速度建模方法,仅利用人工合成数据训练网络即可应用于未见数据,提高了网络的泛化能力;迁移学习仅利用少量测井标签,无需额外收集目标区监督学习所需标签,通过少量数据实现了高精度的速度建模。
本文档来自技高网...【技术保护点】
1.一种模型生成方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述生成器包括编码器和解码器;所述解码器和所述编码器采用跳线连接的方式连接;所述解码器的输出通道为1。
3.根据权利要求1或2所述的方法,其特征在于,所述将所述样本数据输入所述生成器中,并基于所述生成器和判别器构成的条件生成对抗网络,对所述纹理迁移网络模型进行训练,包括:
4.根据权利要求3所述的方法,其特征在于,将所述样本数据和新的样本数据输入所述判别器,在损失函数的驱动下,进行对所述纹理迁移网络模型的训练,包括:
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一损失函数、第二损失函数和第三损失函数确定目标损失函数,包括:
6.根据权利要求1或2所述的方法,其特征在于,所述将测井速度输入所述自编码器,对所述纹理迁移网络模型进行参数优化,包括:
7.根据权利要求6所述的方法,其特征在于,所述基于所述测井速度对所述生成器的解码器以及自编码器进行参数调整,包括:
8.一种井震联合速度建模方法,其特征在
9.一种模型生成装置,其特征在于,所述装置包括:
10.一种井震联合速度建模装置,其特征在于,所述装置包括:
11.一种电子设备,其特征在于,包括处理器和存储器、所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种模型生成方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述生成器包括编码器和解码器;所述解码器和所述编码器采用跳线连接的方式连接;所述解码器的输出通道为1。
3.根据权利要求1或2所述的方法,其特征在于,所述将所述样本数据输入所述生成器中,并基于所述生成器和判别器构成的条件生成对抗网络,对所述纹理迁移网络模型进行训练,包括:
4.根据权利要求3所述的方法,其特征在于,将所述样本数据和新的样本数据输入所述判别器,在损失函数的驱动下,进行对所述纹理迁移网络模型的训练,包括:
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一损失函数、第二损失函数和第三损失函数确定目标损失函数,包括:
6.根据权利要求1或2所述的方法,其特征在于,所述将测井...
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。