[發(fā)明專利]一種CNN井震聯(lián)合反演方法、系統(tǒng)、存儲介質(zhì)、設(shè)備及應(yīng)用

有效

• 申請?zhí)枺?/td>: 202110033985.8
• 申請日: 2021-01-11
• 公開（公告）號: CN112733449B
• 公開（公告）日: 2022-12-02
• 發(fā)明（設(shè)計）人: 張進(jìn);安振芳;邢磊;王林飛;尹燕欣;高俊杰;彭陽陽
• 申請（專利權(quán)）人: 中國海洋大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京匯捷知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11531
• 代理人: 盛君梅

本發(fā)明屬于地震與測井聯(lián)合反演技術(shù)領(lǐng)域，公開了一種CNN井震聯(lián)合反演方法、系統(tǒng)、存儲介質(zhì)、設(shè)備及應(yīng)用，以地震數(shù)據(jù)y為輸入，以測井?dāng)?shù)據(jù)x為輸出，尋找從地震數(shù)據(jù)y到測井?dāng)?shù)據(jù)x的反演映射算子f^?1：y→x，即x＝f^?1(y)；正向重建測井曲線；反向更新權(quán)值和偏置。含有2層隱藏層的4層網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、第一卷積層、第二卷積層和輸出層，2層隱藏層都是卷積層。本發(fā)明利用Kriging插值技術(shù)插出一些虛擬測井曲線，并將虛擬測井?dāng)?shù)據(jù)與真實(shí)測井?dāng)?shù)據(jù)一并作為訓(xùn)練數(shù)據(jù)供卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。在不額外添加真實(shí)井的情況下，虛測井可以增加學(xué)習(xí)樣本數(shù)量，從更廣范圍尋找反演映射算子，防止過度擬合局部訓(xùn)練數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明屬于地震與測井聯(lián)合反演技術(shù)領(lǐng)域，尤其涉及一種CNN井震聯(lián)合反演方法、系統(tǒng)、存儲介質(zhì)、設(shè)備及應(yīng)用。

背景技術(shù)

目前，最接近的現(xiàn)有技術(shù)：當(dāng)代油氣藏精細(xì)描述對地球物理學(xué)提出了更高的要求，地質(zhì)、測井、地震、油藏工程等多學(xué)科之間的相互滲透和有機(jī)融合已經(jīng)成為必然。地球物理參數(shù)(如速度和密度)是研究油氣藏內(nèi)部結(jié)構(gòu)和儲層流體特征的重要信息，這些信息既可以通過測井直接測量獲得，也可以通過地震反演間接得到。測井?dāng)?shù)據(jù)的特點(diǎn)是縱向分辨率高、橫向稀疏；地震數(shù)據(jù)的特點(diǎn)是縱向分辨率低、橫向密集。地震與測井聯(lián)合反演就是將兩者的優(yōu)勢結(jié)合起，取長補(bǔ)短。然而，傳統(tǒng)的地震與測井聯(lián)合反演方法是模型驅(qū)動的，都假設(shè)地球物理參數(shù)與地球物理響應(yīng)之間具有先驗(yàn)的確定性映射算子(如褶積算子和波動方程算子)。這些只有在理想條件下才成立的映射算子往往難于滿足實(shí)際情況，特別是像薄互層、各向異性、多相介質(zhì)這樣的復(fù)雜地質(zhì)情況，而且有些地球物理參數(shù)(如孔隙度、滲透率和飽和度)卻很難用數(shù)學(xué)建模的方法建立起地球物理參數(shù)與地球物理響應(yīng)之間的映射關(guān)系。

近年，隨著深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，DNN)的復(fù)興，在很多科學(xué)領(lǐng)域利用數(shù)據(jù)驅(qū)動的方法解反問題已經(jīng)成為一種趨勢。根據(jù)通用近似定理，當(dāng)隱藏層有足夠多的神經(jīng)元時，DNN理論上可以逼近任何連續(xù)函數(shù)。基于DNN的機(jī)器學(xué)習(xí)通常稱為深度學(xué)習(xí)。由定義可知，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)是一種特殊的DNN，具有局部連接和權(quán)值共享兩大特點(diǎn)。由于在圖像處理和語音識別中的重大突破，CNN被廣泛關(guān)注并成功應(yīng)用于農(nóng)業(yè)、醫(yī)學(xué)、交通等領(lǐng)域。

在地球物理領(lǐng)域，CNN普遍應(yīng)用于分類，如斷層解釋、初至拾取、地震相識別、地震道編輯等。CNN通過深度學(xué)習(xí)可以自動搜索并逐漸逼近從地球物理響應(yīng)到地球物理參數(shù)的映射算子，不需要任何先驗(yàn)的確定性映射算子。也就是說，CNN是純數(shù)據(jù)驅(qū)動的，而不是模型驅(qū)動的。此外，CNN還是完全非線性的。雖然訓(xùn)練時間較長，但是一旦完成學(xué)習(xí)任務(wù)，CNN便可快速輸出預(yù)測結(jié)果，大幅度降低計算成本。于是，有些學(xué)者將CNN應(yīng)用于反演。反演屬于監(jiān)督學(xué)習(xí)的另一種應(yīng)用類型，即回歸。基于CNN的地震反演通常是以地震數(shù)據(jù)為輸入、待反演參數(shù)為輸出。例如：將法線入射的合成地震記錄作為輸入、聲阻抗作為輸出；把合成的疊前多炮地震道映射為速度模型；先將二維多炮合成地震記錄編碼成一個特征向量，再把這個特征向量解碼成二維速度模型。

上述反演方法基本上是以一維或二維的合成地震記錄為輸入，以對應(yīng)的一維或二維的地球物理模型為輸出。為了獲得大量的學(xué)習(xí)樣本，建立了許多地球物理模型以生成地震記錄。這些方法存在如下缺點(diǎn)：①學(xué)習(xí)樣本全部都是模擬數(shù)據(jù)；②需要先驗(yàn)的確定性正演映射算子合成地震記錄；③在訓(xùn)練數(shù)據(jù)較少的情況下難以獲得理想的反演結(jié)果。

解決上述技術(shù)問題的難度：過高的打井成本使得可輸入的測井?dāng)?shù)據(jù)十分有限，現(xiàn)有的井震聯(lián)合反演的學(xué)習(xí)樣本全部都是模擬數(shù)據(jù)，缺少足量實(shí)際數(shù)據(jù)支撐，且先驗(yàn)合成地震記錄所需的確定性正演映射算子尋找存在困難，而在訓(xùn)練數(shù)據(jù)較少的情況下又很難獲得理想的反演結(jié)果。

解決上述技術(shù)問題的意義：虛測井可在不額外添加真實(shí)井的情況下，有效增加樣本數(shù)量，降低過擬合風(fēng)險，提高模型泛化能力和反演精度，實(shí)現(xiàn)測井資料與地震資料的優(yōu)勢互補(bǔ)，滿足社會生產(chǎn)對高精度儲層勘探的需求，進(jìn)一步強(qiáng)化產(chǎn)學(xué)研深度融合的技術(shù)創(chuàng)新體系建設(shè)。

發(fā)明內(nèi)容