CN114460666A - 基于深度学习的地震资料提高分辨率方法 - Google Patents

Abstract

本发明提供一种基于深度学习的地震资料提高分辨率方法，包括：步骤1，输入应用区内所有测井曲线，提取反射系数；步骤2，进行精细井震标定，完成时深转换；步骤3，生成宽带子波；步骤4，基于宽带子波和反射系数序列构建宽带合成地震记录；步骤5，提取对应各井的过井地震记录；步骤6，基于过井地震记录和对应的合成地震记录构建深度网络模型；步骤7，采用深度网络模型提高分辨率预测。该基于深度学习的地震资料提高分辨率方法可以最大程度的挖掘地震信息与测井信息的关系，还具有良好的泛化能力，能有效提高全区地震分辨率，也为后续处理过程提供了有效的技术支撑和保障。

Description

基于深度学习的地震资料提高分辨率方法

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于深度学习的地震资料提高分辨率方法。

背景技术

随着世界油气需求的日益增加，石油勘探开发工作已经越来越深入，油气勘探的潜在目标越来越复杂，寻找岩性油气藏、隐蔽油气藏、碳酸盐岩油气藏、薄层、薄互层等复杂地质异常体已经成为目前油气藏勘探和开发的主要目标。这就要求相应的勘探技术水平不断地提高，其核心问题就是提高地震勘探的分辨率。

受限于环境、设备等因素，陆上地震资料主频偏低，成果剖面频带较窄，其分辨能力受到地震数据本身的限制难以有效的、合理的进行提升。而通过井震联合处理，对地震资料进行井约束反褶积，引入测井信号中的高频信息，可以有效拓宽剖面频带，提高成果资料的分辨率。而常规的井约束反褶积都是逐单井提取反褶积因子，再通过插值等方法推广到全区，在这一过程中缺乏对数据整体的考虑，推广方法也欠缺合理性。

深度学习方法是一种完全基于数据的分析方法，通过设计算法和模型对已知数据进行学习，挖掘数据内在的相互联系，从而根据已知的数据进行判断、寻找规律，并用这些规律对未知数据进行预测。本发明将深度学习方法引入井约束反褶积过程，构建窄带过井地震记录与宽带合成地震记录间的循环对抗网络(CycleGenerative AdversarialNetworks，以下简称CycleGAN)模型，实现输入地震资料的高频预测，有效提高剖面分辨率。

现有提高地震资料分辨率的方法大致可分为两类，一种是“变换类”，主要包括小波变换和S变换等方法，此类方法是在满足设定的假设条件下，对地震资料本身应用数学变换来放大频率成分，方法本身没有实际的地质意义，缺乏一定合理性和真实性。第二是“统计类”，主要包括反褶积和部分反Q滤波方法，此类方法的误差受假设条件及统计结果(如子波统计)影响较大。第三是“约束类”，如井约束反褶积等，此类方法以其他观测方式得到的可信数据作为补充，补偿地震资料本身不足的频率成分，提高剖面分辨率。

在申请号CN201210031205.7的专利申请中，涉及到一种井控提高地震资料分辨率的方法，提到关于井约束提高分辨率的类似的实现过程：计算各个井位置处反射系数；根据该各个井位置处反射系数，计算各个井位置处的反褶积算子；将该各个反褶积算子进行反距离加权三维空间插值，得到三维空间各个地震道的反褶积算子；以及根据该各个地震道的反褶积算子，对原始地震道数据进行褶积处理，再经过相位校正和道均衡，得到三维数据体。该发明的有益效果是：解决了地震资料分辨率较低和应用范围有很强的局限性的问题，具有使一些弱化的层位信息得到加强，断层等构造信息更清楚，层位的迭合关系更清楚、更准确的优点。反褶积算子的求取是利用各个井的独立信息，本身就存在一定的误差，而且采用的反距离加权方法只考虑距离，井不考虑方向，忽略了工区内整体的空间关系，影响了插值结果的真实性。

在申请号：CN202010253987.3的中国专利申请中，涉及到一种基于多任务学习的地震速度模型超分辨率技术，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。这件专利仅涉及到了深度学习在速度模型插值或超分辨率化方面的应用，并没有涉及到提高分辨率的内容。

在申请号：CN201710813844.1的中国专利申请中，涉及到一种高精度井震数据匹配方法，包括以下步骤：A.井震数据时深转换：通过人工合成地震记录对地震数据和井数据进行初步匹配，获得井数据与井旁地震数据的部分匹配点；B.井震数据高精度匹配：通过A中时深转换后获得部分井震数据匹配点，对相连匹配点中未匹配的井震数据，以地震数据分辨率为主均分井数据，从而得到一个地震网格点匹配多个深度的井数据；C.地震网格标记：通过B获得高精度匹配的井震数据，每个地震网格的储层标记由该地震网格对应的井数据中储层的井数据个数除以该地震网格对应的井数据个数所计算，此外将已有的成果数据导入地震数据体中，从而得到高精度匹配的井震联合数据体，地震网格的储层标签是一个在[0,1]范围内的浮点型数据，可以为机器学习提供较好的样本点支持；D.数据存储与查询：通过C获得井震联合数据体，该井震联合数据体按井震联合数据规范进行存储，能查询地震网格中的储层标记，地震属性值和井数据。这件专利仅涉及到了井震匹配，并没有涉及到提高分辨率的内容。

为此我们发明了一种新的基于深度学习的地震资料提高分辨率方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种针对地震资料本身拓频潜力受限的情况，能有效提高全区地震分辨率，也为后续处理过程提供了有效的技术支撑和保障的基于深度学习的地震资料提高分辨率方法。

本发明的目的可通过如下技术措施来实现：基于深度学习的地震资料提高分辨率方法，该基于深度学习的地震资料提高分辨率方法包括：步骤1，输入应用区内所有测井曲线，提取反射系数；步骤2，进行精细井震标定，完成时深转换；步骤3，生成宽带子波；步骤4，基于宽带子波和反射系数序列构建宽带合成地震记录；步骤5，提取对应各井的过井地震记录；步骤6，基于过井地震记录和对应的合成地震记录构建深度网络模型；步骤7，采用深度网络模型提高分辨率预测。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，依次输入工区内所有测井曲线，并提取相应的深度域反射系数序列R(d)。

在步骤2中，对测井记录与过井地震记录进行精细井震标定，将步骤1中得到的反射系数序列R(d)转换到时间域R(t)。

在步骤3中，根据测井记录提取子波或参考目标频带范围生成宽带子波。

在步骤3中，参考工区内实际资料与目标频带，在[p,q]频率范围内构建B样条四参数宽带子波w(t)，具体的表达式为：

其中f_b表示带宽，m为整数，其数值影响子波旁瓣的大小，p、q为频率重构的上、下限，sinc为辛格函数，表示为：

在步骤4中，将步骤3中生成的宽带子波与步骤2中得到的时间域反射系数序列进行褶积处理，得到测井宽带合成地震记录。

在步骤4中，测井宽带合成地震记录y(t)的表达式为：

y(t)＝w(t)*R(t) (式3)

式中，R(t)为时间域反射系数序列，w(t)为参数宽带子波，

依次处理所有反射系数序列后得到宽带合成记录集合Y。

在步骤5中，提取各井对应的过井地震记录，根据资料情况，对各方向的过井道进行叠加，组成集合X。

在步骤6中，以步骤5中提取的过井地震记录为有标签样本，以步骤4中得到的宽带合成地震记录为标签，构建CycleGAN模型，并完成对抗训练。

在步骤6中，CycleGAN模型包含两个单向的GAN模型并组成循环对抗，模型损失函数由三部分组成，表示为：

L(G，F，D_X，D_Y)＝L_GAN(G，D_Y，X，Y)+L_GAN(F，D_X，Y，X)+λL_cyc(G，F) (式4)

其中G为令X映射到Y的生成器，F为令Y映射到X的生成器，D_Y为G生成结果的判别器，D_X为F生成结果的判别器，判别器结构与生成器对称，但激活函数为LeakRelu；λ为循环一致性损失系数；

L_GAN(G，D_Y，X，Y)为由X到Y的单向GAN模型损失函数，具体表示为：

L_GAN(G，D_Y，X，Y)＝E_y∈Y[logD_Y(y)]+E_x∈X[log(1-D_Y(G(x)))] (式5)

其中E表示期望，D_Y(y)表示y与标签相似的概率，D_Y(G(x))表示x经生成器映射后与标签相似的概率；

L_GAN(F，D_X，Y，X)为由Y到X的单向GAN模型损失函数，具体表示为：

L_GAN(F，D_X，Y，X)＝E_x∈X[logD_X(x)]+E_y∈Y[log(1-D_X(F(y)))] (式6)

其中D_X(x)表示x与输入样本相似的概率，D_X(F(y))表示y经反向生成器映射后与原输入样本间相似的概率；

L_cyc(G，F)为CycleGAN模型的循环一致性损失函数，具体表示为：

L_cyc(G，F)＝E_x∈X[||F(G(x))-x||₁]+E_y∈Y[[||G(F(y))-y||₁]] (式7)

其中F(G(x))表示x经生成器G映射后再经反向生成器F映射后的结果，G(F(y))表示y经反向生成器F映射后再经生成器G映射后的结果，模型训练的理想结果就是通过模型不断的优化调整，使得F(G(x))与x极尽相似的同时，G(F(y))与y也极尽相似。

在步骤7中，将未参与模型训练的非过井地震资料输入步骤6中构建的深度网络模型，输出模型预测的提高分辨率后的地震资料。

本发明中的基于深度学习的地震资料提高分辨率方法，采用深度学习领域的CycleGAN模型学习地震记录与测井合成地震记录记录间的映射关系，实现地震资料的宽频预测，提高地震资料分辨率。一般来说，测井信息比地震信息更可信，是可靠的数据来源和信息补充，同时，先进的深度学习算法可以最大程度的挖掘地震信息与测井信息的关系，还具有良好的泛化能力，能有效提高全区地震分辨率，也为后续处理过程提供了有效的技术支撑和保障。本发明引入深度学习方法，跨学科建立适用于提高地震资料分辨率的解决方案；以CycleGAN模型为媒介，充分结合和挖掘测井信息与地震信息，构建二者间的高精度映射关系，实现地震资料的宽频预测。与现有的提高分辨率技术相比，本发明主要有三点优势：

(1)引入先进的深度学习算法，最大程度的挖掘数据之间的潜在关系，同时具有良好的泛化能力，易于推广应用；

(2)结合真实的测井信息，合理补充地震资料本身不足的频率成分，有效展宽频带；

(3)深度网络模型构建是基于全区考虑，适用于全区范围，预测应用时无需二次插值推广。

附图说明

图1为本发明的基于深度学习的地震资料提高分辨率方法的一具体实施例的流程图；

图2为本发明的一实施例中的B样条宽带子波的示意图；

图3为本发明的一实施例中的宽带子波振幅谱的示意图；

图4为本发明的一实施例中的CycleGAN模型的示意图；

图5为本发明的一实施例中的CycleGAN模型输入的原始地震剖面的示意图；

图6为本发明的一实施例中的CycleGAN模型输出的提高分辨率后的地震剖面的示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

如图1所示，图1为本发明的基于深度学习的地震资料提高分辨率方法的流程图。

步骤101，输入应用区内所有测井曲线，提取反射系数；

步骤102，进行精细井震标定，完成时深转换；

步骤103，生成宽带子波；

步骤104，基于宽带子波和反射系数序列构建宽带合成地震记录；

步骤105，提取对应各井的过井地震记录；

步骤106，基于过井地震记录和对应的合成地震记录构建深度网络模型；

步骤107，深度网络模型提高分辨率预测应用。

以下为应用本发明的几个具体实施例。

实例一

(1)输入应用区内所有测井曲线，并提取相应的反射系数序列；

(2)进行精细井震标定，将步骤(1)中得到的反射系数序列转换到时间域；

(3)根据测井记录(如VSP测井)提取子波或参考目标频带范围生成宽带子波；

(4)将步骤(3)中生成的宽带子波与步骤(2)中得到的时间域反射系数序列进行褶积处理，得到测井宽带合成地震记录；

(5)提取各井对应的过井地震记录，可根据资料情况，对各方向的过井道进行叠加；

(6)以步骤(5)中提取的过井地震记录为有标签样本，以步骤(4)中得到的宽带合成地震记录为标签，构建CycleGAN模型，并完成对抗训练；

(7)将未参与模型训练的非过井地震资料输入步骤(6)中构建的深度网络模型，输出模型预测的提高分辨率后的地震资料。

实例二

(1)依次输入工区内所有测井曲线，并提取相应的深度域反射系数序列R(d)；

(2)对测井记录与过井地震记录进行精细井震标定，将步骤(1)中得到的反射系数序列R(d)转换到时间域R(t)；

(3)参考工区内实际资料与目标频带，在[p，q]频率范围内构建B样条四参数宽带子波w(t)，具体的表达式为：

其中f_b表示带宽，m为整数，其数值影响子波旁瓣的大小，p、q为频率重构的上、下限，sinc为辛格函数，可表示为：

在本实施例中，选择m为10，p为10Hz，q为80Hz，得到生成的宽带子波如图2所示，振幅谱为图3所示；

(4)将步骤(3)中生成的宽带子波w(t)与步骤(2)中得到的时间域反射系数序列R(t)进行褶积处理，得到测井宽带合成地震记录y(t)，可表示为：

y(t)＝w(t)*R(t) (式3)

依次处理所有反射系数序列后得到宽带合成记录集合Y；

(5)提取与各测井对应的过井地震记录，组成集合X；

(6)以步骤(5)中提取的过井地震记录为有标签样本，以步骤(4)中得到的宽带合成地震记录为标签，构建CycleGAN模型，模型示意图如图4所示，CycleGAN模型包含两个单向的GAN模型并组成循环对抗，模型损失函数由三部分组成，可表示为：

L(G，F，D_X，D_Y)＝L_GAN(G，D_Y，X，Y)+L_GAN(F，D_X，Y，X)+λL_cyc(G，F) (式4)

其中G为令X映射到Y的生成器，F为令Y映射到X的生成器，在本实施例中，生成器除了输入层和输出层外，包含4个卷积层，卷积核个数分别为1024、512、256、128个，激活函数为Relu。D_Y为G生成结果的判别器，D_X为F生成结果的判别器，判别器结构与生成器对称，但激活函数为LeakRelu。λ为循环一致性损失系数，在本实施例中取值为10。

L_GAN(G，D_Y，X，Y)为由X到Y的单向GAN模型损失函数，具体可表示为：

L_GAN(G，D_Y，X，Y)＝E_y∈Y[logD_Y(y)]+E_x∈X[log(1-D_Y(G(x)))] (式5)

其中表示E期望，D_Y(y)表示y与标签相似的概率，D_Y(G(x))表示x经生成器映射后与标签相似的概率。

L_GAN(F，D_X，Y，X)为由Y到X的单向GAN模型损失函数，具体可表示为：

L_GAN(F，D_X，Y，X)＝E_x∈X[logD_X(x)]+E_y∈Y[log(1-D_X(F(y)))] (式6)

其中D_X(x)表示x与输入样本相似的概率，D_X(F(y))表示y经反向生成器映射后与原输入样本间相似的概率。

L_cyc(G，F)为CycleGAN模型的循环一致性损失函数，具体可表示为：

L_cyc(G，F)＝E_x∈X[||F(G(x))-x||₁]+E_y∈Y[[||G(F(y))-y||₁]] (式7)

其中F(G(x))表示x经生成器G映射后再经反向生成器F映射后的结果，G(F(y))表示y经反向生成器F映射后再经生成器G映射后的结果，模型训练的理想结果就是通过模型不断的优化调整，使得F(G(x))与x极尽相似的同时，G(F(y))与y也极尽相似。

定义好损失函数，接下来只需要训练模型来最小化损失函数，使模型达到收敛；

(7)将工区地震剖面(如图5所示)输入步骤(6)中构建的深度网络模型，输出模型预测的提高分辨率后的地震资料，如图6所示。

本发明的方法能实现地震资料的基于深度学习建模方法的提高分辨率处理。本发明的有益效果在于：本发明采用深度学习领域的CycleGAN模型学习地震记录与测井合成地震记录记录间的映射关系，实现地震资料的宽频预测，解决了地震资料分辨率较低和应用范围有很强的局限性的问题，使弱化的层位信息得到加强，断层等构造信息更清楚，层位的迭合关系更清楚、更准确。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (11)

1.基于深度学习的地震资料提高分辨率方法，其特征在于，该基于深度学习的地震资料提高分辨率方法包括：

步骤1，输入应用区内所有测井曲线，提取反射系数；

步骤2，进行精细井震标定，完成时深转换；

步骤3，生成宽带子波；

步骤4，基于宽带子波和反射系数序列构建宽带合成地震记录；

步骤5，提取对应各井的过井地震记录；

步骤6，基于过井地震记录和对应的合成地震记录构建深度网络模型；

步骤7，采用深度网络模型提高分辨率预测。

2.根据权利要求1所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤1中，依次输入工区内所有测井曲线，并提取相应的深度域反射系数序列R(d)。

3.根据权利要求2所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤2中，对测井记录与过井地震记录进行精细井震标定，将步骤1中得到的反射系数序列R(d)转换到时间域R(t)。

4.根据权利要求1所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤3中，根据测井记录提取子波或参考目标频带范围生成宽带子波。

5.根据权利要求4所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤3中，参考工区内实际资料与目标频带，在[p，q]频率范围内构建B样条四参数宽带子波w(t)，具体的表达式为：

其中f_b表示带宽，m为整数，其数值影响子波旁瓣的大小，p、q为频率重构的上、下限，sinc为辛格函数，表示为：

6.根据权利要求1所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤4中，将步骤3中生成的宽带子波与步骤2中得到的时间域反射系数序列进行褶积处理，得到测井宽带合成地震记录。

7.根据权利要求6所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤4中，测井宽带合成地震记录y(t)的表达式为：

y(t)＝w(t)*R(t) (式3)

式中，R(t)为时间域反射系数序列，w(t)为参数宽带子波，依次处理所有反射系数序列后得到宽带合成记录集合Y。

8.根据权利要求1所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤5中，提取各井对应的过井地震记录，根据资料情况，对各方向的过井道进行叠加，组成集合X。

9.根据权利要求1所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤6中，以步骤5中提取的过井地震记录为有标签样本，以步骤4中得到的宽带合成地震记录为标签，构建CycleGAN模型，并完成对抗训练。

10.根据权利要求9所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤6中，CycleGAN模型包含两个单向的GAN模型并组成循环对抗，模型损失函数由三部分组成，表示为：

L(G，F，D_X，D_Y)＝L_GAN(G，D_Y，X，Y)+L_GAN(F，D_X，Y，X)+λL_cyc(G，F) (式4)

其中G为令X映射到Y的生成器，F为令Y映射到X的生成器，D_Y为G生成结果的判别器，D_X为F生成结果的判别器，判别器结构与生成器对称，但激活函数为LeakRelu；λ为循环一致性损失系数；

L_GAN(G，D_Y，X，Y)为由X到Y的单向GAN模型损失函数，具体表示为：

L_GAN(G，D_Y，X，Y)＝E_y∈Y[logD_Y(y)]+E_x∈X[Log(1-D_Y(G(x)))] (式5)

其中表示E期望，D_Y(y)表示y与标签相似的概率，D_Y(G(x))表示x经生成器映射后与标签相似的概率；

L_GAN(F，D_X，Y，X)为由Y到X的单向GAN模型损失函数，具体表示为：

L_GAN(F，D_X，Y，X)＝E_x∈X[logD_X(x)]+E_y∈Y[log(1-D_X(F(y)))] (式6)

其中D_X(x)表示x与输入样本相似的概率，D_X(F(y))表示y经反向生成器映射后与原输入样本间相似的概率；

L_cyc(G，F)为CycleGAN模型的循环一致性损失函数，具体表示为：

L_cyc(G，F)＝E_x∈X[||F(G(x))-x||₁]+E_y∈Y[[||G(F(y))-y||₁]] (式7)

其中F(G(x))表示x经生成器G映射后再经反向生成器F映射后的结果，G(F(y))表示y经反向生成器F映射后再经生成器G映射后的结果，模型训练的理想结果就是通过模型不断的优化调整，使得F(G(x))与x极尽相似的同时，G(F(y))与y也极尽相似。

11.根据权利要求1所述的基于深度学习的地震资料提高分辨率方法，其特征在于，在步骤7中，将未参与模型训练的非过井地震资料输入步骤6中构建的深度网络模型，输出模型预测的提高分辨率后的地震资料。

Images