CN112444856B - 一种基于深度学习的地震数据分辨率提高方法 - Google Patents
一种基于深度学习的地震数据分辨率提高方法 Download PDFInfo
- Publication number
- CN112444856B CN112444856B CN201910818535.2A CN201910818535A CN112444856B CN 112444856 B CN112444856 B CN 112444856B CN 201910818535 A CN201910818535 A CN 201910818535A CN 112444856 B CN112444856 B CN 112444856B
- Authority
- CN
- China
- Prior art keywords
- data
- earthquake
- training
- seismic
- resolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000006872 improvement Effects 0.000 title abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种基于深度学习的地震数据分辨率提高方法，包括：S10：获取地震及测井数据；S20：建立面向地震数据分辨率增强的深度网络训练模型；S30：利用所述深度网络训练模型对地震及测井数据进行深度学习训练，获取高分辨率的地震及测井数据。本申请利用深度学习方法和井震联合实现了对地面地震数据的自动增强，对地震及测井数据进行训练，提高了地震及测井数据的分辨率，为地震及测井数据分析提供了依据，从而为地震勘探技术的发展提供数据支撑。
Description
技术领域
本发明涉及地震数据处理技术领域，更具体地，设计一种基于深度学习的地震数据分辨率提高方法。
背景技术
地震数据受采集、处理和解释技术的限制，处理得到的地震数据分辨率较低。测井资料对应的高分辨地层数据受测井数量限制，无法描述全局地震数据。
传统的地震数据提高分辨率的方法大都假设地震资料是稳态的并且噪声水平不随空间发生变化，而实际情况不满足这一假设，导致提高分辨率处理后的效果达不到预期要求。
深度学习在图像、音频领域的应用以日趋成熟，效果显著。因而在现有的大数据基础上，利用深度学习和数据驱动进行井震联合来提高地震数据的分辨率，更好地为油气勘探和生产服务，显得尤为迫切与必要。
总体上讲，国外在基于深度学习和井震联合对地震数据进行增强上已经进行了初步的研究，并取得了一定的成绩，这些技术可能在具体实现中有所不同，但目标就是不断提升地震解释工作的效率与精度。当前简单油气藏逐渐减少，薄层、薄互层等复杂地质体已成为油气藏勘探开发的主要目标，因而对勘探精度的要求也越来越高。利用深度学习技术结合井震联合实现对地面地震数据的自动增强技术，推出相应软件产品对不断提升地震解释工作的效率与精度有重要的意义。
发明内容
针对上述现有技术中的问题，本申请提出了一种基于深度学习的地震数据分辨率提高方法，用于解决上述技术问题。
根据本申请的一种基于深度学习的地震数据分辨率提高方法，包括以下步骤：
S10：采集地震及测井数据；
S20：建立面向地震数据分辨率增强的深度网络训练模型；
S30：利用所述深度网络训练模型对地震及测井数据进行深度学习训练，获取高分辨率的地震及测井数据。
在一个实施方式中，步骤S20包括：
S201：对实际采集的地震及测井数据进行正演，以获取正演数据；
S202：根据正演数据以及井旁数据，得到训练数据；
S203：根据实际采集的地震及测井数据获取训练标签；
S204：根据所述训练数据和所述训练标签获取深度网络训练模型。
在一个实施方式中，步骤S201中，通过加噪和地质模型随机重建的方式对实际采集的地震及测井数据进行正演。
在一个实施方式中，步骤S203包括：
S2031：对实际采集的地震及测井数据进行层位自动标定；
S2032：通过地质模型随机重建的方式获取地质模型；
S3033：根据所述地质模型以及井上标签获取训练标签。
在一个实施方式中，步骤S203中，根据地震及测井数据中高分辨率的反射界面数据获取训练标签；
步骤S30中，以地震及测井数据中低分辨率的反射界面数据为训练数据，对其进行深度学习训练。
在一个实施方式中，步骤S20和S30之间还包括：
步骤S200：对建立的深度网络训练模型进行优化。
在一个实施方式中，步骤S200中，包括对超参数的选择，学习率的变化，以及收敛速度的优化。
在一个实施方式中，通过建立损失函数、学习率自适应调整、超参数搜索以及网络参数初始化的方式对所述深度网络训练模型进行优化。
在一个实施方式中，步骤S10包括：
S101：采集地震及测井数据；
S102：对所采集的地震及测井数据进行过滤，获取过滤后的地震及测井数据。
与现有技术相比，本申请具有以下优点：
本申请利用深度学习方法和井震联合实现了对地面地震数据的自动增强，对地震及测井数据进行训练，提高了地震及测井数据的分辨率，为地震及测井数据分析提供了依据，从而为地震勘探技术的发展提供数据支撑。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1显示了根据本申请的基于深度学习的地震数据分辨率提高方法的流程图。
图2显示了根据本申请的基于深度学习的地震数据分辨率提高方法的设计图。
图3显示了抽取井位置上的反射系数的示意图。
图4显示了抽取井位置上的低分辨率的地震数据的示意图。
图5显示了训练数据扩充的示意图。
图6显示了扩充后的训练数据及标签的示意图。
图7显示了深度网络设计的示意图。
图8显示了利用本申请的方法对图4所示的数据处理后的示意图。
在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例。
具体实施方式
下面将结合附图对本发明作进一步说明。
图1显示了根据本申请的一种基于深度学习的地震数据分辨率提高方法，图2显示了该方法的设计思路。在图2的设计思路中，可以看出，要先进行深度网络训练，需要先获取训练数据和训练标签，获得深度网络训练模型，然后再对低分辨率的地震数据进行深度网络训练，训练后，得到该低分辨率地震数据的反射系数，最后获取高分辨率的地震数据。
具体地，根据图1的方法包括以下步骤：
第一步：采集地震及测井数据。
该步骤中，获取的地震及测井数据应尽可能的保持地震数据的各向属性，同时在该过程中还需对地震数据进行高效清洗，以减少噪声的影响。
第二步：建立面向地震数据分辨率增强的深度网络训练模型。
如图5所示，对实际采集的地震及测井数据进行扩充。因为，深度网络训练模型的建立需要以大量的数据为基础，而限于开发成本等因素，实际采集的地震及测井数据又非常有限，因此，需要对实际采集的地震及测井数据进行扩充。
具体地，可以对实际采集的地震及测井数据进行正演，以获取正演数据。可通过加噪和地质模型随机重建的方式对实际采集的地震及测井数据进行正演，以获得足够多的正演数据。然后，根据所获取的正演数据以及井旁数据，得到训练数据。
根据实际采集的地震及测井数据获取训练标签。具体地，先对实际采集的地震及测井数据进行层位自动标定，也即将深度域数据比如测井数据转成时间域数据。再通过地质模型随机重建的方式获取地质模型，初始的地质模型是是按照地质年代排列的，现在将不同地质年代的地质模型的顺序给随机打乱，打乱一次就得到一个新的地质模型了。最后根据地质模型和井上标签获取训练标签。
如图3所示，示出了抽取井位置的地质模型，也即训练标签。图4中，对应位置上的数据即为训练数据。如图6所示，上边的曲线为扩充后的训练数据的示意图，下边的曲线为得到的训练标签的示意图。有了训练标签和训练数据后，可以利用图7所示的深度网络设计，充分利用地震数据的时间和空间属性，寻找合适的学习算法获得最佳学习效果，训练深度神经网络，形成一套有效的反射界面预测系统。
优选地，根据地震及测井数据中高分辨率的反射界面数据获取训练标签。获取地质模型时，是采用地震及测井数据中高分辨率的反射界面数据进行地质模型随机重建以获取地质模型。
更优选地，如图4所示，抽取井位置上的低分辨率地震数据，也即以地震及测井数据中低分辨率的反射界面数据为训练数据，对其进行深度学习训练。
第三步：利用深度网络训练模型对地震及测井数据进行深度学习训练，获取高分辨率的地震及测井数据。
在一优选地实施例中，还需对建立的深度网络训练模型进行优化。其包括对超参数的选择，学习率的变化，以及收敛速度的优化。具体地，可通过建立损失函数、学习率自适应调整、超参数搜索以及网络参数初始化的方式对所述深度网络训练模型进行优化。
图8为利用本申请的方法对图4所示的低分辨率的数据处理后得到的高分辨率数据的示意图。对比图4和图8可知，经过处理后，地震数据的分辨率明显提升。
综上所述，本申请利用深度学习方法和井震联合实现了对地面地震数据的自动增强，对地震及测井数据进行训练，提高了地震及测井数据的分辨率，为地震及测井数据分析提供了依据，从而为地震勘探技术的发展提供数据支撑。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (6)
1.一种基于深度学习的地震数据分辨率提高方法，其特征在于，包括以下步骤：
S10：采集地震及测井数据；
S20：建立面向地震数据分辨率增强的深度网络训练模型；
S30：利用所述深度网络训练模型对地震及测井数据进行深度学习训练，获取高分辨率的地震及测井数据；
步骤S20包括：
S201：对实际采集的地震及测井数据进行正演，以获取正演数据；
S202：根据正演数据以及井旁数据，得到训练数据；
S203：根据实际采集的地震及测井数据获取训练标签；
S204：根据所述训练数据和所述训练标签获取深度网络训练模型；
步骤S203包括：
S2031：对实际采集的地震及测井数据进行层位自动标定；
S2032：通过地质模型随机重建的方式获取地质模型；
S3033：根据所述地质模型以及井上标签获取训练标签，所述训练标签为反射系数；
其中，所述对实际采集的地震及测井数据进行层位自动标定包括：将深度域数据转成时间域数据；所述通过地质模型随机重建的方式获取地质模型包括：将不同地质年代的地质模型的顺序随机打乱，打乱一次得到一个新的地质模型；
步骤S203中，根据地震及测井数据中高分辨率的反射界面数据获取训练标签；
步骤S30中，以地震及测井数据中低分辨率的反射界面数据为训练数据，对其进行深度学习训练。
2.根据权利要求1所述的基于深度学习的地震数据分辨率提高方法，其特征在于，步骤S201中，通过加噪和地质模型随机重建的方式对实际采集的地震及测井数据进行正演。
3.根据权利要求1所述的基于深度学习的地震数据分辨率提高方法，其特征在于，步骤S20和S30之间还包括：
步骤S200：对建立的深度网络训练模型进行优化。
4.根据权利要求3所述的基于深度学习的地震数据分辨率提高方法，其特征在于，步骤S200中，包括对超参数的选择，学习率的变化，以及收敛速度的优化。
5.根据权利要求4所述的基于深度学习的地震数据分辨率提高方法，其特征在于，通过建立损失函数、学习率自适应调整、超参数搜索以及网络参数初始化的方式对所述深度网络训练模型进行优化。
6.根据权利要求1所述的基于深度学习的地震数据分辨率提高方法，其特征在于，步骤S10包括：
S101：采集地震及测井数据；
S102：对所采集的地震及测井数据进行过滤，获取过滤后的地震及测井数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910818535.2A CN112444856B (zh) | 2019-08-30 | 2019-08-30 | 一种基于深度学习的地震数据分辨率提高方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910818535.2A CN112444856B (zh) | 2019-08-30 | 2019-08-30 | 一种基于深度学习的地震数据分辨率提高方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112444856A CN112444856A (zh) | 2021-03-05 |
| CN112444856B true CN112444856B (zh) | 2024-05-17 |
Family
ID=74735307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910818535.2A Active CN112444856B (zh) | 2019-08-30 | 2019-08-30 | 一种基于深度学习的地震数据分辨率提高方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112444856B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113945974B (zh) * | 2021-06-10 | 2022-05-24 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
| CN113608258B (zh) * | 2021-07-16 | 2024-01-19 | 长江大学 | 一种构建高分辨率波阻抗反演标签的自洽深度学习方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101206264A (zh) * | 2007-11-08 | 2008-06-25 | 符力耘 | 高分辨率非线性地震波阻抗反演方法 |
| CN103389513A (zh) * | 2013-08-02 | 2013-11-13 | 中国石油集团川庆钻探工程有限公司 | 应用声波测井资料约束反演提高地震资料分辨率的方法 |
| 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 |
| WO2018229469A1 (en) * | 2017-06-12 | 2018-12-20 | Foster Findlay Associates Limited | A method for validating geological model data over corresponding original seismic data |
-
2019
- 2019-08-30 CN CN201910818535.2A patent/CN112444856B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101206264A (zh) * | 2007-11-08 | 2008-06-25 | 符力耘 | 高分辨率非线性地震波阻抗反演方法 |
| CN103389513A (zh) * | 2013-08-02 | 2013-11-13 | 中国石油集团川庆钻探工程有限公司 | 应用声波测井资料约束反演提高地震资料分辨率的方法 |
| 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 |
| WO2018229469A1 (en) * | 2017-06-12 | 2018-12-20 | Foster Findlay Associates Limited | A method for validating geological model data over corresponding original seismic data |
Non-Patent Citations (3)
| Title |
|---|
| Vertical resolution enhancement of seismic data with convolutional U-net;Yonggyu Choi et al.;SEG International Exposition and 89th Annual Meeting;第2页 * |
| 吴大奎等.地震、测井资料联合反演的神经网络算法研究.天然气工业.2004,第24卷(第3期),第55-57页. * |
| 地震、测井资料联合反演的神经网络算法研究;吴大奎等;天然气工业;第24卷(第3期);第55-57页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112444856A (zh) | 2021-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8271244B2 (en) | Hybrid stratigraphic layering using pseudo-wheeler space | |
| RU2013112257A (ru) | Выявление систем осадконакопления | |
| WO2013176799A1 (en) | System and method for predicting rock strength | |
| CN112444856B (zh) | 一种基于深度学习的地震数据分辨率提高方法 | |
| FR3057963A1 (fr) | Analyse multivariable de donnees sismiques, de donnees microsismiques, et de proprietes petrophysiques dans la modelisation de fracture | |
| US20200150302A1 (en) | Passive Seismic Imaging | |
| CN107831542A (zh) | Ddw高精度深度域井震匹配方法 | |
| WO2011103297A2 (en) | Estimating internal multiples in seismic data | |
| CN104155687A (zh) | 一种相控叠后声波阻抗反演方法 | |
| Martuganova et al. | 3D deep geothermal reservoir imaging with wireline distributed acoustic sensing in two boreholes | |
| CN104122581A (zh) | 一种叠后声波阻抗反演方法 | |
| Cheng et al. | Meta-processing: A robust framework for multi-tasks seismic processing | |
| Visser et al. | Introduction to the Groningen static reservoir model | |
| CN111796326A (zh) | 一种基于Unet网络的层序地层格架构建方法和系统 | |
| CN103543478A (zh) | 地质形态插值的km方法 | |
| CN112649893B (zh) | 一种面向薄储层的多资料多参数融合建模方法及系统 | |
| CN105277981A (zh) | 基于波场延拓补偿的非一致性时移地震面元匹配方法 | |
| US20230084403A1 (en) | Machine learning driven dispersion curve picking | |
| CN111983689B (zh) | 一种近源电磁震电联合gr反演方法 | |
| Saad et al. | SiameseFWI: A deep learning network for enhanced full waveform inversion | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| CN108761535B (zh) | 一种侵入岩分布的识别方法 | |
| Baillie et al. | The Gippsland Basin: reprocessing reveals new opportunities in a ‘mature’basin | |
| US20250035803A1 (en) | Microseismic waveform processing leveraging machine learning | |
| Becerra et al. | Petroleum reservoir uncertainty mitigation through the integration with production history matching |
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 |