CN111273349A - 一种用于海底浅部沉积层的横波速度提取方法及处理终端 - Google Patents
一种用于海底浅部沉积层的横波速度提取方法及处理终端 Download PDFInfo
- Publication number
- CN111273349A CN111273349A CN202010103314.XA CN202010103314A CN111273349A CN 111273349 A CN111273349 A CN 111273349A CN 202010103314 A CN202010103314 A CN 202010103314A CN 111273349 A CN111273349 A CN 111273349A
- Authority
- CN
- China
- Prior art keywords
- wave velocity
- data
- obs data
- obs
- transverse wave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 239000013049 sediment Substances 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 4
- 239000013535 sea water Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005553 drilling Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/661—Model from sedimentation process modeling, e.g. from first principles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种用于海底浅部沉积层的横波速度提取方法及处理终端,所述方法包括如下步骤:步骤1:生成若干海底浅部沉积层的水平层状地质模型;步骤2:对每一个所述水平层状地质模型采用地震波场数值模拟方法进行模拟,模拟得到对应的OBS数据,包括垂直分量和水平分量;步骤3:对OBS数据的水平分量进行预处理,预处理包括对OBS数据进行时间校正,得到预处理后的OBS数据;步骤4:将OBS数据与横波速度组合成标签数据,并输入至神经网络进行训练;步骤5:获取实际的OBS数据并预处理,输入至神经网络处理,输出结果乘以归一化因子,从而得到最终的横波速度。本发明人工干预的成分少,计算量少,横波速度精确度更高。
Description
技术领域
本发明涉及海底地震数据处理技术领域,具体是一种用于海底浅部沉积层的横波速度提取方法及处理终端。
背景技术
海底浅部沉积层的横波速度在海洋勘探中起着非常重要的作用,尤其是海洋工程的海洋钻井以及水合物调查等领域。目前,提取横波速度主要有以下几种方法:(1)面波频散曲线反演;(2)海底地震仪(OBS)数据旅行时反演;(3)弹性波全波形反演;(4)钻井测量。其中,基于面波频散曲线反演的方法要求地震数据中记录了面波信息,但在深海环境下,一般难以采集到面波信息。基于OBS数据旅行时反演横波速度参数需要先确定准确的纵波速度结构,然后把OBS数据中记录的转换横波与产生横波的界面对应起来,主观因素较大,误差较大。而且,基于OBS数据采用旅行时反演横波速度工作量较大,不适合大范围开展。理论上,弹性波的全波形反演能够直接提取出海底浅部沉积物的横波速度结构,但该方法对原始数据的质量要求非常高,对反演算法的稳定性也有非常高的要求,而且计算量非常大,目前仍处于发展阶段。钻井测量是提取横波速度参数最可靠的方法,但钻井的成本非常高,既费时间又费钱,尤其是在深海环境下钻井成本更高。
因此,需要一种成本低廉、能够提取高可靠性横波速度的方法,而基于神经网络正好能够解决这方面的问题。目前,已有基于神经网络提取地震速度,例如,Gunter等用神经网络直接从多道地震数据中提取纵波速度信息;康治梁提出利用BP神经网络来从单个地震站台记录的数据中提取横波速度结构。但均未考虑深海环境下的浅表横波速度的问题。
发明内容
针对现有技术的不足,本发明的目的之一提供一种用于海底浅部沉积层的横波速度提取方法,其能够解决提取横波速度的问题;
本发明的目的之二提供一种处理终端,其能够解决提取横波速度的问题。
实现本发明的目的之一的技术方案为:一种用于海底浅部沉积层的横波速度提取方法,包括如下步骤:
步骤1:生成若干海底浅部沉积层的水平层状地质模型,每个水平层状地质模型设定至少包括海水层在内的两个地层,海水层为所有地层中的第一层,每一个水平层状地质模型均至少包括地层厚度、纵波速度、横波速度和密度,每一个地层设置对应的纵波速度、横波速度以及密度,纵波速度、横波速度以及密度的数值为随机值;
步骤2:对每一个所述水平层状地质模型采用地震波场数值模拟方法进行模拟,模拟得到对应的OBS数据,OBS数据包括垂直分量和水平分量;
步骤3:对步骤2得到的OBS数据的水平分量进行预处理,预处理包括对OBS数据进行时间校正,得到预处理后的OBS数据,以及对每一个水平层状地质模型的横波速度除以归一化因子进行归一化处理;
步骤4:将预处理后的OBS数据和归一化处理后的横波速度一起构成标签数据,并输入至神经网络进行训练,得到训练后的神经网络;
步骤5:获取实际的OBS数据,并对实际的OBS数据的水平分量进行预处理,对实际的OBS数据预处理与步骤3的预处理相同,从而得到预处理后的实际OBS数据,将预处理后的实际OBS数据输入至步骤4中训练好的神经网络进行处理,得到输出结果,输出结果乘以归一化因子,从而得到最终的横波速度。
进一步地,所述步骤1中,水平层状地质模型的数量≥10000个。
进一步地,水平层状地质模型的地层厚度为1000米。
进一步地,每个水平层状地质模型设定地层数量为10个。
进一步地,所述纵波速度为1500-3000m/s,横波速度为0-2000m/s,密度为1-2g/cm3。
进一步地,所述步骤3中,提取出OBS数据的包络,根据OBS数据的包络进行时间校正。
进一步地,所述步骤3和步骤5的归一化因子相同,均为2000。
进一步地,所述神经网络为全连接的多层神经网络。
实现本发明目的之二的技术方案为:一种处理终端,其包括,
存储器,用于存储程序指令;
处理器,用于运行所述程序指令,以执行所述用于海底浅部沉积层的横波速度提取方法中的步骤。
本发明的有益效果为:本发明是针对应用于深海环境下的海底浅部沉积层提取横波速度,通过训练好的神经网络从海底地震仪提取出横波速度。主要思路是通过生成大量的海底地质模型,并通过数值正演模拟生成大量的OBS数据,对OBS数据和地质模型进行预处理后训练神经网络,从而得到训练后的神经网络,进而处理实际的OBS数据以提取横波速度。相比于其他方法,本发明人工干预的成分少,计算量少,提高工作效率,能够提供更精确的横波速度。
附图说明
图1为本发明的流程示意图;
图2(a)为设置的一个水平层状地震模型;
图2(b)为根据图2(a)模拟出的OBS数据的水平分量;
图3(a)为经过本步骤预处理后的OBS数据;
图3(b)为从图3(a)中提取出的包络数据;
图3(c)为对图3(a)的包络数据经过时间校正后的包络数据;
图4为根据本方法得到的横波速度和实际的横波速度对比的示意图;
图5为本发明一种处理终端的结构示意图。
具体实施方案
下面,结合附图以及具体实施方案,对本发明做进一步描述:
如图1-图4所示,一种用于海底浅部沉积层的横波速度提取方法,包括如下步骤:
步骤1:生成若干海底浅部沉积层的水平层状地质模型,通常生成海底浅部沉积层的水平层状地质模型的数量≥10000个,每一个水平层状地质模型均至少包括地层厚度、纵波速度、横波速度和密度。每个模型的最大地层厚度设定为a米,a通常为1000米,本文针对深海环境下的海底浅部沉积层,通常,深海是指水深为500米以下,因此,a≥500米,当然a的取值可以根据实际需要进行调整。每个水平层状地质模型设定至少包括海水层在内的b个地层,b≥2,b通常取值为10,海水层为第一层,也即,海水层处于最上方的地层。每一个地层的厚度随机取值,但所有地层的厚度总和为a米。
每一个地层设置对应的纵波速度、横波速度以及密度,纵波速度、横波速度以及密度的数值为随机值,这些参数的取值范围主要依据岩石物理的研究结果、地质解释的结果以及钻井结果等得到。本实施例中,纵波速度为1500-3000m/s(米/秒),横波速度为0-2000m/s(米/秒),密度为1-2g/cm3。
实际应用中,也可以预先设置好地层厚度范围、纵波速度范围、横波速度范围和密度范围,然后在这些参数范围内随机取值,然后进行组合,从而得到大量的水平层状地质模型。这与上述步骤过程实质上是相同的。
步骤2:对步骤1中得到的每一个水平层状地质模型采用地震波场数值模拟方法中的反射率法进行模拟,模拟得到对应的OBS数据d(x,t),其中x表示OBS与震源点之间的水平距离,t表示时间,也即基于反射率法计算出理论的OBS数据d(x,t),OBS数据d(x,t)包括水平分量h(x,t)和垂直分量v(x,t),后续步骤仅仅使用OBS数据的水平分量h(x,t)。图2(a)为设置的一个水平层状地震模型,图2(b)是为根据图2(a)模拟出的OBS数据的水平分量。
步骤3:对步骤2得到的OBS数据d(x,t)的水平分量h(x,t)进行预处理。首先,按公式①提取出OBS数据水平分量h(x,t)的包络E(x,t):
其中,Hh(x,t)表示水平分量h(x,t)的希尔伯特变换。
然后,按公式②对包络E(x,t)的时间进行校正:
v1表示速度,为常数,通常为1500m/s(米/秒),也可以通过实验得到其他速度值。通过公式②计算出时间校正量后,从原始的记录时间减去时间校正量,得到预处理之后的OBS数据,也即按表达式③进行:
p(x,t-dt)=E(x,t)------③
经过上述表达式计算得到的E(x,t)为对OBS数据水平分量h(x,t)进行预处理的包络,p(x,t-dt)即为预处理之后的OBS数据。图3(a)为经过本步骤预处理后的OBS数据,图3(b)为从图3(a)中提取出的包络数据,图3(c)为对图3(a)的包络数据经过时间校正后的包络数据。
本步骤中,还包括对每一个水平层状地质模型的横波速度进行归一化处理,归一化因子为常数,通常为2000。也即可根据公式④得到归一化的横波速度参数Vs,Vs也即是预处理后的横波速度:
Vs′表示归一化前的横波速度,f表示归一化因子,为常数,通常为2000。
通过以上处理,得到预处理之后的OBS数据。
步骤4:将经过步骤3得到的预处理之后的OBS数据作为输入数据,预处理之后的横波速度作为目标数据,输入数据和目标数据一起构成标签数据输入至神经网络进行训练,通常采用深度神经网络。其中,神经网络为全连接的多层神经网络模型,当然也可以采用类型的神经网络模型,神经网络中的节点之间采用全连接的方式进行连接,最后一层的激励函数为指数线性单元函数(ELU)。
本步骤中,神经网络的目标函数定义为神经网络的输出向量和目标向量差异的二范数,如公式⑤所示:
其中,e表示神经网络输出的横波速度与已知地质模型的横波速度的差,N表示样本数据的个数,M表示神经网络的参数,包括神经网络的权重、偏置等,初始的权重和偏置为符合正态分布的随机数。
采用随机梯度算法使得目标函数收敛,其更新公式如公式⑥所示:
经过以上处理后,将标签数据分成训练数据和测试数据两部分,其中,训练数据用于训练神经网络,以找到最优的神经网络;测试数据用于评估训练得到后的神经网络的泛化能力,以确定该神经网络是否有过拟合和欠拟合的问题。
以上处理为神经网络的现有技术,这里不赘述。
步骤5:将采集得到的实际OBS数据进行预处理,以得到实际OBS数据的水平分量,从而得到预处理后的实际OBS数据,预处理的方式与上述步骤一样。将预处理后的实际OBS数据输入经过步骤4训练好的神经网络进行处理,得到输出结果,输出结果乘以归一化因子,从而得到最终的横波速度,也即提取到横波速度。
图4是按本方法得到的横波速度和实际的横波速度对比的示意图,图中实线为实际提取出的横波速度,虚线为按本方法得到的横波速度。从图4中可以看出,两个横波速度的一致性较好,说明本方法能够提取出符合实际情况的横波速度。
本发明是针对应用于深海(水深大于500米)环境下的海底浅部沉积层提取横波速度,通过训练好的神经网络从海底地震仪(OBS)提取出横波速度。主要思路是通过生成大量的海底地质模型,并通过数值正演模拟生成大量的OBS数据,对OBS数据和地质模型进行预处理后训练神经网络,从而得到训练后的神经网络,进而处理实际的OBS数据以提取横波速度。相比于其他方法,本发明人工干预的成分少,计算量少,提高工作效率,能够提供更精确的横波速度。
如图5所示,本发明还用于海底浅部沉积层的横波速度提取方法的实体实现处理终端100,其包括,
存储器101,用于存储程序指令;
处理器102,用于运行所述程序指令,以执行所述用于海底浅部沉积层的横波速度提取方法的步骤。
本说明书所公开的实施例只是对本发明单方面特征的一个例证,本发明的保护范围不限于此实施例,其他任何功能等效的实施例均落入本发明的保护范围内。对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及变形,而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。
Claims (9)
1.一种用于海底浅部沉积层的横波速度提取方法,其特征在于,包括如下步骤:
步骤1:生成若干海底浅部沉积层的水平层状地质模型,每个水平层状地质模型设定至少包括海水层在内的两个地层,海水层为所有地层中的第一层,每一个水平层状地质模型均至少包括地层厚度、纵波速度、横波速度和密度,每一个地层设置对应的纵波速度、横波速度以及密度,纵波速度、横波速度以及密度的数值为随机值;
步骤2:对每一个所述水平层状地质模型采用地震波场数值模拟方法进行模拟,模拟得到对应的OBS数据,OBS数据包括垂直分量和水平分量;
步骤3:对步骤2得到的OBS数据的水平分量进行预处理,预处理包括对OBS数据进行时间校正,得到预处理后的OBS数据,以及对每一个水平层状地质模型的横波速度除以归一化因子进行归一化处理;
步骤4:将预处理后的OBS数据和归一化处理后的横波速度一起构成标签数据,并输入至神经网络进行训练,得到训练后的神经网络;
步骤5:获取实际的OBS数据,并对实际的OBS数据的水平分量进行预处理,对实际的OBS数据预处理与步骤3的预处理相同,从而得到预处理后的实际OBS数据,将预处理后的实际OBS数据输入至步骤4中训练好的神经网络进行处理,得到输出结果,输出结果乘以归一化因子,从而得到最终的横波速度。
2.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,所述步骤1中,水平层状地质模型的数量≥10000个。
3.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,水平层状地质模型的地层厚度为1000米。
4.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,每个水平层状地质模型设定地层数量为10个。
5.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,所述纵波速度为1500-3000m/s,横波速度为0-2000m/s,密度为1-2g/cm3。
6.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,所述步骤3中,提取出OBS数据的包络,根据OBS数据的包络进行时间校正。
7.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,所述步骤3和步骤5的归一化因子相同,均为2000。
8.根据权利要求1所述的用于海底浅部沉积层的横波速度提取方法,其特征在于,所述神经网络为全连接的多层神经网络。
9.一种处理终端,其特征在于,其包括,
存储器,用于存储程序指令;
处理器,用于运行所述程序指令,以执行如权利要求1-8任一项所述的用于海底浅部沉积层的横波速度提取方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103314.XA CN111273349B (zh) | 2020-02-19 | 2020-02-19 | 一种用于海底浅部沉积层的横波速度提取方法及处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103314.XA CN111273349B (zh) | 2020-02-19 | 2020-02-19 | 一种用于海底浅部沉积层的横波速度提取方法及处理终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273349A true CN111273349A (zh) | 2020-06-12 |
CN111273349B CN111273349B (zh) | 2022-04-19 |
Family
ID=71003640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103314.XA Expired - Fee Related CN111273349B (zh) | 2020-02-19 | 2020-02-19 | 一种用于海底浅部沉积层的横波速度提取方法及处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273349B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856580A (zh) * | 2020-07-27 | 2020-10-30 | 广州海洋地质调查局 | 一种超远偏移距obs数据初至波能量增强方法及处理终端 |
CN116148145A (zh) * | 2023-01-10 | 2023-05-23 | 中国地质大学(北京) | 一种地质特征研究用物理沉积模拟实验装置及实验方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0400424D0 (en) * | 2004-01-09 | 2004-02-11 | Statoil Asa | Seismic data processing |
CN101231346A (zh) * | 2008-02-26 | 2008-07-30 | 中国矿业大学(北京) | 应用地震波速度预测煤、岩体物理力学参数方法 |
US20170038490A1 (en) * | 2014-04-17 | 2017-02-09 | Saudi Arabian Oil Company | Generating subterranean imaging data based on vertical seismic profile data and ocean bottom sensor data |
CN108802812A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
-
2020
- 2020-02-19 CN CN202010103314.XA patent/CN111273349B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0400424D0 (en) * | 2004-01-09 | 2004-02-11 | Statoil Asa | Seismic data processing |
CN101231346A (zh) * | 2008-02-26 | 2008-07-30 | 中国矿业大学(北京) | 应用地震波速度预测煤、岩体物理力学参数方法 |
US20170038490A1 (en) * | 2014-04-17 | 2017-02-09 | Saudi Arabian Oil Company | Generating subterranean imaging data based on vertical seismic profile data and ocean bottom sensor data |
CN108802812A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
Non-Patent Citations (1)
Title |
---|
张如伟 等: "海洋含水合物沉积层的速度频散与衰减特征分析", 《地球物理学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856580A (zh) * | 2020-07-27 | 2020-10-30 | 广州海洋地质调查局 | 一种超远偏移距obs数据初至波能量增强方法及处理终端 |
CN111856580B (zh) * | 2020-07-27 | 2022-02-15 | 广州海洋地质调查局 | 一种超远偏移距obs数据初至波能量增强方法及处理终端 |
CN116148145A (zh) * | 2023-01-10 | 2023-05-23 | 中国地质大学(北京) | 一种地质特征研究用物理沉积模拟实验装置及实验方法 |
CN116148145B (zh) * | 2023-01-10 | 2024-04-02 | 中国地质大学(北京) | 一种地质特征研究用物理沉积模拟实验装置及实验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111273349B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106405651B (zh) | 一种基于测井匹配的全波形反演初始速度模型构建方法 | |
US8838425B2 (en) | Generating facies probablity cubes | |
KR101861060B1 (ko) | 오프셋 의존 탄성 fwi를 통한 다중 파라미터 역산 | |
US11828894B2 (en) | Multi-scale unsupervised seismic velocity inversion method based on autoencoder for observation data | |
CN107894618B (zh) | 一种基于模型平滑算法的全波形反演梯度预处理方法 | |
CN109884710B (zh) | 针对激发井深设计的微测井层析成像方法 | |
WO2016008105A1 (zh) | 一种基于柯西分布的叠后波阻抗反演方法 | |
CN111273349B (zh) | 一种用于海底浅部沉积层的横波速度提取方法及处理终端 | |
CN111722283B (zh) | 一种地层速度模型建立方法 | |
CN111815773A (zh) | 适用于机器学习算法的三维复杂地质模型标签制作方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN111025388B (zh) | 一种多波联合的叠前波形反演方法 | |
CN110007340A (zh) | 基于角度域直接包络反演的盐丘速度密度估计方法 | |
CN109507726A (zh) | 时间域弹性波多参数全波形的反演方法及*** | |
CN115220101A (zh) | 一种深层碎屑岩砂体沉积结构的建模方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
Rusmanugroho et al. | 3D velocity model building based upon hybrid neural network | |
CN114482995A (zh) | 一种细粒沉积物泥质含量精细确定方法 | |
CN111594156A (zh) | 一种天然气水合物饱和度计算方法及*** | |
Tan et al. | Machine learning application in creating a model for property prediction in area with limited well data | |
Xiao et al. | Integrated Geologic Modeling of Fault‐Block Reservoir: A Case Study of Ss Oil Field | |
CN113514904B (zh) | 地层参数模型建立方法及装置 | |
CN116660979B (zh) | 一种基于Kaiser时窗积分的OBN资料全波形反演方法 | |
Zeng et al. | Deep-thin volcanic reservoirs characterization using spatial constraint well log-seismic joint inversion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220419 |