[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110488350B - 基于卷积神经网络的地震反演大数据生成方法 - Google Patents

基于卷积神经网络的地震反演大数据生成方法 Download PDF

Info

Publication number
CN110488350B
CN110488350B CN201910894479.0A CN201910894479A CN110488350B CN 110488350 B CN110488350 B CN 110488350B CN 201910894479 A CN201910894479 A CN 201910894479A CN 110488350 B CN110488350 B CN 110488350B
Authority
CN
China
Prior art keywords
data
disturbance
seismic
drift
neural network
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.)
Active
Application number
CN201910894479.0A
Other languages
English (en)
Other versions
CN110488350A (zh
Inventor
黄旭日
代月
徐云贵
胡叶正
曹卫平
唐静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201910894479.0A priority Critical patent/CN110488350B/zh
Publication of CN110488350A publication Critical patent/CN110488350A/zh
Application granted granted Critical
Publication of CN110488350B publication Critical patent/CN110488350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G01V2210/6226—Impedance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种基于卷积神经网络的地震反演大数据生成方法，其核心是基于数据统计特征迁移生成大数据集，用于卷积神经网络实现地震反演，综合人工智能学、地球物理学、空间统计学、信息科学等多学科，将深度学习技术、大数据技术、地震反演技术等有机结合，针对地震反演所需数据集，以小数据生成大数据，解决野外勘探资料质量不高难题，降低数据收集成本及勘探风险，克服了现有技术存在的缺陷。

Description

基于卷积神经网络的地震反演大数据生成方法
技术领域
本发明涉及石油、天然气地球物理勘探技术领域，具体领域为基于卷积神经网络的地震反演大数据生成方法。
背景技术
随着油气勘探技术的不断提升发展，对油气等自然资源的开发程度也逐渐增大，有限的资源使得高效勘探开采的难度持续提升。在地球物理勘探中，地震反演是根据实际观测得到的地震资料来推断地下地质真实情况以及地质模型各种性质的逆问题；与正演不同，反演通常具有多解性和不适定性，最终获得的结果往往受所用数据和处理方法等因素的影响。地震反演所使用的数据具有时间和空间上的特性，属于一种时空大数据，庞大的数据量加上种类繁多的有效信息使得地球物理勘探在处理解释环节遇到了大量的问题亟待处理，虽然使用传统反演方法也能达到很好的效果，但是却往往需要耗费大量的人力物力，因此传统反演技术不再能满足现状所需。近年来的各种研究表明，人工智能深度学习作为一种能通过数据挖掘以提取大数据中有效特征和其隐藏的规律结构的数据驱动算法在地球物理领域有着巨大的潜力和发展空间，有效地将两者交叉融合在很大程度上有助于传统反演方法的进一步优化改善。
计算机技术的飞速发展推动了大数据时代的到来，在地震反演中，通过大数据挖掘，结合神经网络的帮助能更好地从地震数据中发现特征，进而更加容易地恢复油藏储层的实际物理参数以及相关的分布情况，为后续解释人员的资料分析工作提供极大的帮助。但由于沙漠、戈壁或是山前带等这种地表的复杂地质条件外，在地下的构造如断层、裂缝、潜山等都使得勘探资料的分辨率和精度大大降低。低质量的勘探大数据使得高效分离出数据有效信息并用于各种处理解释面临巨大的挑战。因此，提出一种新的大数据生成方法，即基于深度学习中的卷积神经网络算法的地震反演大数据生成。
发明内容
本发明的目的在于提供一种基于卷积神经网络的地震反演大数据生成方法，该方法基于卷积神经网络算法，综合人工智能学、地球物理学、空间统计学、信息科学等多学科，将深度学习技术、大数据技术、地震反演技术等有机结合，针对地震反演所需数据集，把数据统计特征迁移的随机反演和深度学习进行融合，在生成大数据的过程中使用地球物理定律进行约束，以小数据生成大数据，解决野外勘探资料质量不高难题，降低数据收集成本及勘探风险，克服了现有技术存在的缺陷。
为达到以上技术目的，本发明提供以下技术方案。
基于卷积神经网络的地震反演大数据生成方法，其核心是基于数据统计特征迁移生成大数据集，用于卷积神经网络实现地震反演。该方法依次包括以下步骤：
(1)对目的工区测井波阻抗数据进行概率密度函数统计，选取差异最大的两组数据；
(2)将上述两组数据进行扰动漂移，同时根据波阻抗数据所对应的合成地震数据进行约束；
(3)保存符合数据特征迁移收敛条件的所有数据，确定训练样本；
(4)构建卷积神经网络模型，利用步骤(3)中的数据作为训练集进行模型训练；
(5)利用步骤(4)得到的卷积神经网络训练模型对目的工区进行地震反演。
附图说明
图1为本发明的扰动漂移示意图。
图2为本发明的基于卷积神经网络的地震反演大数据生成方法流程图。
具体实施方式
基于卷积神经网络的地震反演大数据生成方法，依次包括以下详细步骤：
步骤一：对目的工区每组测井波阻抗数据进行概率密度函数统计，选取符合筛选条件的两组数据。
步骤二：将上述两组波阻抗数据选取一组作为起始井数据A，另一组作为目标井数据B，在A中根据式1随机选取一点i基于贪婪算法进行扰动漂移，根据式2将工区地质模型直方图中概率为0的波阻抗数据迁移到非0概率范畴(图1)，基于式3得到最终的扰动结果Vnew_并组合为数据C。
i＝N*random(0～1)+0.5 (1)
Figure BDA0002209774580000031
Figure BDA0002209774580000032
其中，N为一组井数据的总样点数，DV为直方图的间隔大小且
Figure BDA0002209774580000033
Figure BDA0002209774580000034
式中m为直方图划分个数，a为0～1之间的任意参数，Vnew为随机爬山算法的扰动值，Vmax为扰动数据最大值，Vmin为扰动数据最小值。
步骤三：将步骤二中数据C基于褶积模型计算合成地震记录S(式4)。
S＝R*W (4)
其中，S为地震响应，R为反射系数序列，W为子波。
步骤四：把步骤三中计算结果与B中所对应的实际地震数据计算相关系数r(X,S)(式5)。
Figure BDA0002209774580000035
其中，X为目标井B所对应的实际地震数据，S为步骤三中计算结果，Cov(X,S)为X与S的协方差，Var[X]为X的方差，Var[S]为S的方差。
步骤五：保存相关系数满足扰动收敛条件(式6)的数据C。
|ri|>|ri-1| (6)
其中，r为步骤四中所得相关系数，i为扰动漂移迭代次数。
步骤六：为了获取大数据并且使得A能通过逐步扰动漂移转化为B，对步骤五中得到的数据C继续进行扰动漂移，重复步骤二到步骤五以完成多次迭代过程，为了获得一个更接近目标井B真实波阻抗分布的解，直到数据B与C所对应的地震数据相关系数达到指定接受率时采用随机爬山算法进行后续扰动漂移，当B与C相关系数达到收敛条件时完成扰动漂移。
步骤七：整理上述步骤保存的所有扰动漂移数据，制作神经网络训练集。
步骤八：构建神经网络模型，用步骤七中数据对模型进行训练。
步骤九：利用上述得到的卷积神经网络训练模型对目的工区进行地震反演得到反演波阻抗数据结果图像。
以上步骤对应的流程图如图2所示。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。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。

Claims (1)

1.基于卷积神经网络的地震反演大数据生成方法，其特征在于，包括如下步骤：
步骤1，对目的工区每组测井波阻抗数据进行概率密度函数统计，选取符合筛选条件的两组数据；
步骤2，将上述两组数据进行扰动漂移，同时根据波阻抗数据所对应的合成地震数据进行约束；
步骤3，保存符合数据特征迁移收敛条件的所有数据，确定训练样本；
步骤4，构建卷积神经网络模型，利用步骤3所述训练样本作为训练集进行模型训练；
步骤5，利用步骤4中卷积神经网络训练模型对目的工区进行地震反演；
所述步骤2的具体过程为：
将上述两组波阻抗数据选取一组作为起始井数据A，另一组作为目标井数据B，在A中根据式1随机选取一点i基于贪婪算法进行扰动漂移；
i＝N*random(0～1)+0.5； (1)
据式2将工区地质模型直方图中概率为0的波阻抗数据迁移到非0概率范畴；
Figure FDA0003136680670000011
得到最终的扰动结果Vnew_并组合为数据C
Figure FDA0003136680670000012
将步骤2中数据C基于褶积模型计算合成地震记录S
S＝R*W； (4)
其中，S为地震响应，R为反射系数序列，W为子波；
把计算结果与B中所对应的实际地震数据计算相关系数r(X,S)
Figure FDA0003136680670000021
保存相关系数满足扰动收敛条件式(6)的数据C
|ri|>|ri-1| (6)
其中，r为相关系数，i为扰动漂移迭代次数；
N为一组井数据的总样点数；
Vold为待扰动漂移数据点参数值；
DV为直方图的间隔大小且
Figure FDA0003136680670000022
式中m为工区地质模型直方图的划分个数；
a为0～1之间的任意参数；
P(Vold)为待扰动漂移数据点在工区地质模型直方图中的概率；
Vnew_为数据扰动漂移结果；
Vnew表示随机爬山算法的扰动漂移值；
Vmax为扰动漂移数据最大值；
Vmin为扰动漂移数据最小值；
S为地震响应；
R为反射系数序列；
W为子波；
r(X,S)为相关系数；
X为扰动漂移目标井所对应的实际地震数据；
Cov(X，S)为X与S的协方差；
Var[X]为X的方差；
Var[S]为S的方差；
random(0-1)，0-1之间选取数值。
CN201910894479.0A 2019-09-20 2019-09-20 基于卷积神经网络的地震反演大数据生成方法 Active CN110488350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910894479.0A CN110488350B (zh) 2019-09-20 2019-09-20 基于卷积神经网络的地震反演大数据生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910894479.0A CN110488350B (zh) 2019-09-20 2019-09-20 基于卷积神经网络的地震反演大数据生成方法

Publications (2)

Publication Number Publication Date
CN110488350A CN110488350A (zh) 2019-11-22
CN110488350B true CN110488350B (zh) 2021-10-29

Family

ID=68558841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910894479.0A Active CN110488350B (zh) 2019-09-20 2019-09-20 基于卷积神经网络的地震反演大数据生成方法

Country Status (1)

Country Link
CN (1) CN110488350B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002050571A2 (en) * 2000-12-19 2002-06-27 Halliburton Energy Services, Inc. Processing well logging data with neural network
CN101770038B (zh) * 2010-01-22 2012-08-22 中国科学院武汉岩土力学研究所 矿山微震源智能定位方法
CN103033846A (zh) * 2011-10-10 2013-04-10 中国石油化工股份有限公司 地质相控制的地震反演系统和地震反演方法
CN105005079A (zh) * 2015-07-14 2015-10-28 北京博达瑞恒科技有限公司 一种井曲线反演方法
CN104612904B (zh) * 2014-12-08 2017-06-13 上海电气集团股份有限公司 一种双馈型风力发电机组最大风能捕获方法
WO2018201114A1 (en) * 2017-04-28 2018-11-01 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
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
CN110032975A (zh) * 2019-04-15 2019-07-19 禁核试北京国家数据中心 一种地震震相的拾取方法
CN110136218A (zh) * 2019-03-28 2019-08-16 中国人民解放军战略支援部队信息工程大学 基于噪声生成机制与数据驱动紧框架的ct投影去噪重建方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103293551B (zh) * 2013-05-24 2015-11-04 中国石油天然气集团公司 一种基于模型约束的阻抗反演方法及系统
CN109143356A (zh) * 2018-08-29 2019-01-04 电子科技大学 一种自适应混合范数字典学习地震波阻抗反演方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002050571A2 (en) * 2000-12-19 2002-06-27 Halliburton Energy Services, Inc. Processing well logging data with neural network
CN101770038B (zh) * 2010-01-22 2012-08-22 中国科学院武汉岩土力学研究所 矿山微震源智能定位方法
CN103033846A (zh) * 2011-10-10 2013-04-10 中国石油化工股份有限公司 地质相控制的地震反演系统和地震反演方法
CN104612904B (zh) * 2014-12-08 2017-06-13 上海电气集团股份有限公司 一种双馈型风力发电机组最大风能捕获方法
CN105005079A (zh) * 2015-07-14 2015-10-28 北京博达瑞恒科技有限公司 一种井曲线反演方法
WO2018201114A1 (en) * 2017-04-28 2018-11-01 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
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
CN110136218A (zh) * 2019-03-28 2019-08-16 中国人民解放军战略支援部队信息工程大学 基于噪声生成机制与数据驱动紧框架的ct投影去噪重建方法及装置
CN110032975A (zh) * 2019-04-15 2019-07-19 禁核试北京国家数据中心 一种地震震相的拾取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Prestack seismic inversion versus neural-network analysis: A case study in the scarab field offshore nile dlta，Egypt;islam A.Mohamed 等;《the leading edge》;20140531;第33卷(第5期);第477-588页 *
高分辨率三维地震薄储层精细预测研究;郭思;《中国博士学位论文全文数据库 基础科学辑》;20180515(第05(2018)期);第96-98页第6.5.2.1-6.5.2.2节 *

Also Published As

Publication number Publication date
CN110488350A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN109709603B (zh) 地震层位识别与追踪方法、系统
CN110609320B (zh) 一种基于多尺度特征融合的叠前地震反射模式识别方法
CN110031896B (zh) 基于多点地质统计学先验信息的地震随机反演方法及装置
WO2021147529A1 (zh) 基于更新概率比率恒定理论的多点地质统计叠前反演方法
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
CN111080021B (zh) 一种基于地质信息库的砂体构型cmm神经网络预测方法
CN104199092A (zh) 基于多层次框架的三维全层位自动追踪方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN110554427B (zh) 一种基于地震波形正演的岩性组合预测方法
CN112562078A (zh) 一种三维地质分析预测模型构建方法
CN113343574A (zh) 基于神经网络的Mishrif组岩性测井识别方法
CN110927793B (zh) 一种基于序贯随机模糊模拟的储层预测方法及系统
Hou et al. Reconstructing Three-dimensional geological structures by the Multiple-point statistics method coupled with a deep neural network: A case study of a metro station in Guangzhou, China
CN114254960A (zh) 一种低勘探程度区油气资源的评价方法
CN110488350B (zh) 基于卷积神经网络的地震反演大数据生成方法
CN111273346B (zh) 去除沉积背景的方法、装置、计算机设备及可读存储介质
Shi et al. Acoustic impedance inversion in coal strata using the priori constraint-based TCN-BiGRU method
CN115880455A (zh) 基于深度学习的三维智能插值方法
CN117407841B (zh) 一种基于优化集成算法的页岩层理缝预测方法
CN101980055B (zh) 用于地震勘探的数字化建模方法
CN115993657A (zh) 一种波阻抗反演方法
CN112562080A (zh) 一种基于钻孔数据的地质结构降维模型建模方法
CN111751886A (zh) 一种基于微地震监测数据的页岩气藏裂缝建模方法
Jo et al. Conditioning stratigraphic, rule-Based models with generative adversarial networks: A deepwater lobe, deep learning example
CN117574269B (zh) 陆相页岩储层天然裂缝智能识别方法及系统

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