[發(fā)明專利]一種基于地震信號優(yōu)化處理的波阻抗反演方法

有效

• 申請?zhí)枺?/td>: 202010589052.2
• 申請日: 2020-06-24
• 公開（公告）號: CN111596366B
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計）人: 吳清強;劉昆宏;矯麗瑤;葉西蒙;余寧;梁浩然
• 申請（專利權(quán)）人: 廈門大學(xué)
• 主分類號: G01V1/50
• 分類號: G01V1/50
• 代理公司: 北京金咨知識產(chǎn)權(quán)代理有限公司 11612
• 代理人: 嚴業(yè)福

本發(fā)明提供了一種基于地震信號優(yōu)化處理的波阻抗反演方法，所述方法包括：構(gòu)建CNN?LSTM融合模塊；構(gòu)建反卷積模塊；構(gòu)建回歸模塊；選擇均方誤差MSE作為損失函數(shù)，并選擇Adam作為優(yōu)化器，加入學(xué)習(xí)率衰減；對區(qū)域的波阻抗值進行預(yù)測，得到預(yù)測結(jié)果后，分別以圖像的形式對真實的波阻抗值和預(yù)測的波阻抗值進行展示，并繪制對應(yīng)散點圖和差異圖進行對比。本發(fā)明能有效和準確地基于地震數(shù)據(jù)進行波阻抗值預(yù)測，同時該反演模型也具有較高的可擴展性和應(yīng)用性，因此這對儲層預(yù)測技術(shù)的發(fā)展和提升、油藏的開發(fā)利用具有很大的幫助和積極作用。

技術(shù)領(lǐng)域

本發(fā)明屬于油氣物探領(lǐng)域，具體地，涉及一種基于地震信號優(yōu)化處理的波阻抗反演方法。

背景技術(shù)

在地震勘探技術(shù)方面，隨著近年來相關(guān)物理設(shè)備的進步、數(shù)據(jù)采集能力的提升和數(shù)據(jù)資料處理和解釋方法的發(fā)展，基于地震資料進行儲層預(yù)測的方法越來越普及并且被廣泛應(yīng)用，因此地震勘探是最重要的石油勘探方法，在油氣開發(fā)中是不可或缺的工具。而在儲層預(yù)測中，被使用最多的技術(shù)之一就是地震反演。地震反演是一種求解過程，通常情況下是指使用地質(zhì)規(guī)律和測井數(shù)據(jù)資料作為反演的約束條件，通過地震數(shù)據(jù)和資料對地下巖石的物理性質(zhì)和巖層空間結(jié)構(gòu)進行預(yù)測的過程。地震勘探技術(shù)雖然已經(jīng)日趨完善，但是仍存在各種各樣的問題，如深層復(fù)雜構(gòu)造成像不準確問題、深層復(fù)雜儲層預(yù)測問題、地震資料不保幅問題、深埋及高頻吸收帶來的地震資料低分辨率問題、復(fù)雜油藏環(huán)境引起的綜合評價問題等等

在石油勘探和油氣開發(fā)行業(yè)中，地震反演技術(shù)作為研究熱點，是儲層預(yù)測的核心技術(shù)部分，在儲層表征領(lǐng)域具有重要的地位和研究意義。其中，波阻抗與地下結(jié)構(gòu)和巖性密切相關(guān)，具有十分鮮明的物理含義，是儲層預(yù)測、油氣特征描述的確定性方法。

目前機器學(xué)習(xí)和深度學(xué)習(xí)算法，特別是神經(jīng)網(wǎng)絡(luò)模型，在地震反演領(lǐng)域已有著初步的成效并且仍然具有很大的發(fā)展?jié)摿ΑＨ绾卧诘叵路蔷€性分布和異構(gòu)性的條件下，更好地實現(xiàn)地震數(shù)據(jù)和波阻抗兩者的映射方法，得到更好的預(yù)測是一個需要解決的問題。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于地震信號優(yōu)化處理的波阻抗反演方法，能有效和準確地基于地震數(shù)據(jù)進行波阻抗值預(yù)測，同時該反演模型也具有較高的可擴展性和應(yīng)用性，因此這對儲層預(yù)測技術(shù)的發(fā)展和提升、油藏的開發(fā)利用具有很大的幫助和積極作用。經(jīng)過后處理的預(yù)測AI數(shù)據(jù)更加平滑，在邊緣地界和中央?yún)^(qū)域的模糊化問題得到了改善，并且對于圖像抖動的問題有一定的修正作用。在邊緣地界和中央?yún)^(qū)域的模糊化問題得到了改善，并且對于圖像抖動的問題有一定的修正作用

為了解決上述問題，本發(fā)明所采用的技術(shù)方案如下所述：

步驟一、按照時間間隔Δt對地震信號進行采樣，獲取地震數(shù)據(jù)，將地震數(shù)據(jù)輸入CNN-LSTM融合模塊，CNN-LSTM融合模塊由CNN層和LSTM層兩部分構(gòu)成，并行使用2個具有不同膨脹因子的一維卷積塊進行特征提取，隨后連接另一卷積塊組合并行卷積塊的輸出特征，每個卷積塊都由一個卷積層、隨后的組歸一化和一個激活函數(shù)組成，其中選擇了雙曲正切函數(shù)作為激活函數(shù)，在每個卷積塊之后添加Dropout層，增強CNN層的泛化能力，CNN層負責(zé)輸入樣本軌跡中高頻趨勢的捕獲，LSTM層由2個LSTM網(wǎng)絡(luò)序列構(gòu)成，等效于一個2層深度的LSTM網(wǎng)絡(luò)組成，LSTM層對長期依賴性進行捕獲，輸出樣本軌跡中的低頻趨勢；

步驟二、將數(shù)據(jù)輸入反卷積模塊，反卷積模塊由兩個反卷積組成，每個反卷積模塊都具有一個反卷積層，隨后進行組歸一化，并連接一個激活函數(shù)，其中激活函數(shù)類型為雙曲正切函數(shù)，反卷積模塊對地震數(shù)據(jù)和測井數(shù)據(jù)之間的分辨率失配進行補償，提升特征圖的大小，完成上采樣；

步驟三、將數(shù)據(jù)輸入構(gòu)建回歸模塊，回歸模塊由門控循環(huán)單元GRU部分和一個線性映射層組成，將所提取的特征回歸到目標域，即AI域，GRU部分只有一個簡單的1層GRU，負責(zé)使用全局時間特征來增加插值輸出，線性映射層將從之前GRU中獲取的輸出特征映射回AI值；

步驟四、選擇均方誤差MSE作為損失函數(shù)，并選擇Adam作為優(yōu)化器，加入學(xué)習(xí)率衰減；