【技术实现步骤摘要】
本专利技术涉及地质数据处理领域，具体涉及一种应用于盆地基底界面起伏及密度的预测方法及系统。
技术介绍
1、地球物理勘探在油气勘探中扮演着重要的角色，为油气勘探提供了关键的技术手段和数据支持。传统的油气勘探方法通常使用地震勘探来划定盆地边界并寻找油气富集区域。然而，传统的重力反演方法受到稳定性和分辨率的限制，难以准确地描述密度界面的突变情况。
2、重力反演问题通常被认为是不适定问题，因为观测数据的数量与被剖分网格的数量不一致。此外，观测数据中的微小波动会对反演结果产生显著的干扰，导致解的唯一性和稳定性问题。因此，选择合适的反演方法来解决反问题的多解性至关重要。
3、常见的重力反演方法可以分为确定性反演和概率反演两类。确定性反演方法包括牛顿法、最陡下降法和共轭梯度法等。然而，这些梯度最小化技术有时会陷入局部最小值，特别是当误差目标函数具有多个局部最小值时。蒙特卡罗方法是一种基于随机搜索的方法，通过增加搜索步骤的数量来缓解确定性方法陷入局部极小值的问题。然而，该方法更适用于误差目标函数具有多个局部极小值的情况。为了克服这个限制，更新的蒙特卡罗方法采用优化算法来减少随机搜索所需的步骤数，主要的经典算法包括模拟退火算法和遗传算法。然而，传统的重力反演方法尚未提供有效的解决方案来处理重力场的体积效应、矩阵欠定问题和大型病态矩阵。
4、近年来，地球物理学家开始关注利用机器学习方法来解决反问题，特别是结合先前的地质信息。无监督机器学习算法，如聚类、线性分类器、支持向量机、决策树和随机森林等，被广泛应用于解决地
5、作为机器学习的另一个分支，深度学习（即监督学习）在泛化能力方面表现出优势，并减少对数据的依赖。深度学习通过训练多层神经网络来学习复杂数据的分层表示。在重力探测中，反向传播神经网络发挥着关键作用。然而，传统的反向传播神经网络在处理图像、参数数量和泛化能力等方面存在一些局限性。
6、为了克服这些限制，地球物理学家引入了卷积神经网络（cnn）。cnn具有局部连接和权值共享的特点，展现出更强的泛化和迁移学习能力，能够有效地提取和建模地球物理场的特征信息。为了捕捉复杂的地下结构和精确的边界信息，通常需要保留更多的局部和位置数据。然而，传统的cnn更注重全局信息，忽略了局部信息，因此无法获得良好的预测结果。综上所述，地球物理勘探在油气勘探中发挥着重要作用，而重力反演作为其重要组成部分，面临着多解性和稳定性的挑战。为了解决这些问题，传统方法如确定性反演和蒙特卡罗方法已被广泛应用，但仍存在局限性。近年来，机器学习方法，特别是无监督学习和深度学习，成为了新的研究方向。这些方法能够更好地处理不适定问题，提取地球物理数据的特征，并提供更准确的预测结果。然而，这些方法仍然面临一些挑战，如过拟合和解释结果的问题，需要进一步的研究和改进。
技术实现思路
1、为解决上述背景中的技术问题，本专利技术旨在提出一种可以更加接近真实地层数据的预测方法来预测盆地基底的界面起伏。
2、为实现上述目的，本专利技术提供了一种应用于盆地基底界面起伏及密度的预测方法，步骤包括：
3、基于研究区盆地的实际地质情况，构建若干基底界面起伏模型；
4、基于密度因子，对每个所述基底界面起伏模型进行密度填充，得到若干个对应的最终模型；
5、对每个所述最终模型进行重力正演，得到若干个对应的重力数据，构成训练集；
6、基于所述训练集，构建并训练预测模型；
7、利用所述预测模型，完成对盆地的基底界面起伏及密度的预测。
8、优选的，进行所述密度填充的方法包括：
9、
10、式中，表示棱柱体单元的密度值；表示是顶界面密度与围岩密度的差；表示棱柱体中控制沉积盆地密度随深度变化因子；表示沉积盆地深度。
11、优选的，进行所述重力正演的方法包括：
12、
13、式中，表示正演结果；表示是万有引力常数；表示地下密度体的密度；和分别表示观测点坐标和地下密度体的空间坐标。
14、优选的，构建所述预测模型的方法包括：采用efficientnetv2网络来构建基本训练框架，并利用所述训练集训练所述基本训练框架，完成所述预测模型的构建，其中，所述efficientnetv2网络包括：fused-mbconv卷积和mbconv卷积。
15、本专利技术还提供了一种应用于盆地基底界面起伏及密度的预测系统，所述系统用于实现上述方法，包括：构建模块、填充模块、正演模块、训练模块和预测模块；
16、所述构建模块用于基于研究区盆地的实际地质情况，构建若干基底界面起伏模型；
17、所述填充模块用于基于密度因子，对每个所述基底界面起伏模型进行密度填充，得到若干个对应的最终模型；
18、所述正演模块用于对每个所述最终模型进行重力正演，得到若干个对应的重力数据，构成训练集；
19、所述训练模块用于基于所述训练集，构建并训练预测模型；
20、所述预测模块用于利用所述预测模型，完成对盆地的基底界面起伏及密度的预测。
21、优选的，所述填充模块的工作流程包括：
22、
23、式中，表示棱柱体单元的密度值；表示是顶界面密度与围岩密度的差；表示棱柱体中控制沉积盆地密度随深度变化因子；表示沉积盆地深度。
24、优选的，所述正演模块的工作流程包括：
25、
26、式中，表示正演结果；表示是万有引力常数；表示地下密度体的密度；和分别表示观测点坐标和地下密度体的空间坐标。
27、优选的，所述训练模块的工作流程包括：采用efficientnetv2网络来构建基本训练框架，并利用所述训练集训练所述基本训练框架，完成所述预测模型的构建，其中，所述efficientnetv2网络包括：fused-mbconv卷积和mbconv卷积。
28、与现有技术相比，本专利技术的有益效果如下：
29、本专利技术采用了一种创新的深度学习网络efficientnetv2来分析地球物理勘探数据，它在兼顾了之前方法的优点的同时，通过结合mbconv卷积和fused-mbconv卷积作为卷积运算，同时采用nas和缩放技术改进传统的cnn网络。这一改进促进了多层地质特征的更有效的利用，减少了传统网络的训练参数以及加快了网路训练速度。
本文档来自技高网...【技术保护点】
1.一种应用于盆地基底界面起伏及密度的预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法，其特征在于，进行所述密度填充的方法包括：
3.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法，其特征在于，进行所述重力正演的方法包括：
4.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法，其特征在于，构建所述预测模型的方法包括：采用EfficientNetV2网络来构建基本训练框架，并利用所述训练集训练所述基本训练框架，完成所述预测模型的构建，其中，所述EfficientNetV2网络包括：Fused-MBConv卷积和MBConv卷积。
5.一种应用于盆地基底界面起伏及密度的预测系统，所述系统用于实现权利要求1-4任一项所述的方法，其特征在于，包括：构建模块、填充模块、正演模块、训练模块和预测模块；
6.根据权利要求5所述的应用于盆地基底界面起伏及密度的预测系统，其特征在于，所述填充模块的工作流程包括：
7.根据权利要求5所述的应用于盆地基底界面起伏
8.根据权利要求5所述的应用于盆地基底界面起伏及密度的预测系统，其特征在于，所述训练模块的工作流程包括：采用EfficientNetV2网络来构建基本训练框架，并利用所述训练集训练所述基本训练框架，完成所述预测模型的构建，其中，所述EfficientNetV2网络包括：Fused-MBConv卷积和MBConv卷积。
...【技术特征摘要】
1.一种应用于盆地基底界面起伏及密度的预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法，其特征在于，进行所述密度填充的方法包括：
3.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法，其特征在于，进行所述重力正演的方法包括：
4.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法，其特征在于，构建所述预测模型的方法包括：采用efficientnetv2网络来构建基本训练框架，并利用所述训练集训练所述基本训练框架，完成所述预测模型的构建，其中，所述efficientnetv2网络包括：fused-mbconv卷积和mbconv卷积。
5.一种应用于盆地基底界面起伏及密度的预...
【专利技术属性】
技术研发人员：张宇，张玉法，徐铮伟，税尹麒，王洁，刘艺霖，陈宁，
申请(专利权)人：成都理工大学，
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。