[發(fā)明專利]一種基于深度學(xué)習(xí)的三維動態(tài)建模層位自動追蹤方法

有效

• 申請?zhí)枺?/td>: 202011033590.X
• 申請日: 2020-09-27
• 公開（公告）號: CN112130201B
• 公開（公告）日: 2021-10-26
• 發(fā)明（設(shè)計）人: 畢建軍;曹佳佳;劉俊;楊輝;邱小斌;萬義千
• 申請（專利權(quán)）人: 北京中恒利華石油技術(shù)研究所
• 主分類號: G01V1/28
• 分類號: G01V1/28;G06N3/08;G06N3/04
• 代理公司: 成都金英專利代理事務(wù)所(普通合伙) 51218
• 代理人: 袁英

本發(fā)明公開了一種基于深度學(xué)習(xí)的三維動態(tài)建模層位自動追蹤方法，通過對層位標(biāo)簽數(shù)據(jù)卷積一個歸一化的高斯函數(shù)，得到每個采樣點處層位追蹤概率，具有概率指示意義，同時還弱化了人工或者別的自動追蹤點的誤差效應(yīng)；其次，采用深度學(xué)習(xí)回歸建模，相比較傳統(tǒng)機(jī)器學(xué)習(xí)方法具有更好的特征表達(dá)力和網(wǎng)絡(luò)泛化力；再次，采用波峰關(guān)鍵點特征波形劃分，最大概率的確保追蹤結(jié)果在波形的波峰相位點處；最后，采用種子點與追蹤點的層位時間差進(jìn)行質(zhì)控，達(dá)到樣本優(yōu)選、加速網(wǎng)絡(luò)訓(xùn)練過程、間接指導(dǎo)深度神經(jīng)網(wǎng)絡(luò)特征的提取從而優(yōu)化了網(wǎng)絡(luò)的泛化力。旨在解決現(xiàn)有技術(shù)中存在的層位自動追蹤效率和精度不高的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明涉及油氣勘探技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的三維動態(tài)建模層位自動追蹤方法。

背景技術(shù)

地質(zhì)層位解釋是地震解釋中的一項非常重要的工作，層位解釋的成果可用于鉆井位置的確定，油氣儲運等，層位解釋的質(zhì)量決定了地震勘探工作的效益。地震同相軸是勘探區(qū)域?qū)嶋H地質(zhì)結(jié)構(gòu)中地質(zhì)層位的響應(yīng)，地震波在向下傳播過程中由于不同地層的組織構(gòu)造不同、密度不同，會在地質(zhì)分界面發(fā)生反射形成地震記錄同相軸，識別和追蹤該同相軸的過程就是層位解釋(也稱為層位追蹤)。

傳統(tǒng)的地震層位人工手動追蹤方式對解釋人員的專業(yè)知識和地質(zhì)經(jīng)驗有很大的依賴性，需要解釋人員做出主管分析判斷，因而追蹤效果會受到人為先驗知識的影響，不確定性高。且通過人工追蹤層位是一件非常耗時的工作，嚴(yán)重影響了地震解釋的工作效率。故而開發(fā)一種穩(wěn)定高效的自動層位追蹤方法具有重要意義。

為了提高層位解釋效率，近年來相關(guān)研究人員提出了很多關(guān)于層位自動追蹤的算法，目前層位自動追蹤的方法主要有基于波形相似度、基于圖像和基于人工智能這三大類自動追蹤方法。

基于波形相似度的追蹤方法，傳統(tǒng)方法是基于第一代或者第三代相干算法，通過道與道之間的相關(guān)性進(jìn)行同相軸的追蹤，其抗噪性和穩(wěn)定性較好，但是當(dāng)相鄰層位之間存在相似波形的時候，容易出現(xiàn)串層現(xiàn)象，降低了結(jié)果的可靠性。近年來，動態(tài)時間規(guī)劃(Dynamic Time Warping,DTW)方法被引入到層位自動追蹤，該方法通過動態(tài)優(yōu)化計算兩個不等長波形的相似距離，以滿足一定條件的時間規(guī)整函數(shù)描述兩者之間的時間對應(yīng)關(guān)系，實現(xiàn)層位自動追蹤的功能，但是該方法的計算復(fù)雜度很高，且在計算距離矩陣過程中，忽略了波形序列中相鄰點之間的聯(lián)系以及整體的波形形態(tài)，結(jié)果會導(dǎo)致最優(yōu)的相似距離不一定對應(yīng)最優(yōu)的層位追蹤結(jié)果，且相似點的搜索范圍有限，不利于斷層位置的層位追蹤。

基于圖像的自動追蹤技術(shù)，主要是將結(jié)構(gòu)張量的差分檢測功能應(yīng)用于斷層及斷層識別，該方法使用不同方向濾波器，提取方向特征，從而獲得層位發(fā)育的主方向角度，然后以層位走向的角度為導(dǎo)向，追蹤?quán)徑鼘游稽c。該方法的計算效率較高，但由于差分對噪聲的敏感性，當(dāng)追蹤復(fù)雜層位的時候，不能得到準(zhǔn)確穩(wěn)定的追蹤結(jié)果。

基于人工智能的方法，目前人工智能層位自動追蹤方法是基于圖片分類的思想進(jìn)行層位類別劃分，傳統(tǒng)的機(jī)器學(xué)習(xí)以樣本數(shù)據(jù)的特征作為輸入，最終分類學(xué)習(xí)的質(zhì)量取決于特征識別和特征提取的準(zhǔn)確度，且機(jī)器學(xué)習(xí)層位追蹤準(zhǔn)確度受制于地震資料信噪比、分辨率與同相軸連續(xù)性的假設(shè)，層位自動追蹤的效果欠佳，而深度學(xué)習(xí)方法嘗試從樣本數(shù)據(jù)中提取更高級的特征，使深度學(xué)習(xí)具有自學(xué)習(xí)的能力，這是超越傳統(tǒng)機(jī)器學(xué)習(xí)的重要部分。目前利用深度學(xué)習(xí)解決層位自動追蹤的最廣泛的方法是卷積神經(jīng)網(wǎng)絡(luò)，但卷積神經(jīng)網(wǎng)絡(luò)層位自動追蹤存在困難，如網(wǎng)絡(luò)訓(xùn)練困難，網(wǎng)絡(luò)調(diào)整訓(xùn)練時間周期大，帶標(biāo)簽樣本數(shù)量不夠不能保證網(wǎng)絡(luò)泛化力，且計算量巨大對運行設(shè)備的配置要求較高等。

因此，如何提高層位自動追蹤效率和精度，是一個亟需解決的技術(shù)問題。

上述內(nèi)容僅用于輔助理解本發(fā)明的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種基于深度學(xué)習(xí)的三維動態(tài)建模層位自動追蹤方法，旨在解決現(xiàn)有技術(shù)中存在的層位自動追蹤效率和精度不高的技術(shù)問題。