[發明專利]一種基于機器學習約束的密度突變界面反演方法及系統

有效

• 申請號: 202210583778.4
• 申請日: 2022-05-27
• 公開（公告）號: CN114676644B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 徐錚偉;王緒本;王睿;梁生賢
• 申請（專利權）人: 成都理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06F111/04
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 劉芳

1.一種基于機器學習約束的密度突變界面反演方法，其特征在于，包括以下步驟：

S1.基于實測重力數據構建初始盆地界面，基于所述初始盆地界面隨機生成擾動盆地界面數據集；

所述初始盆地界面構建方法包括，根據目標區域盆地實測重力數據，通過布格平板模型來確定初始盆地界面初始深度，計算公式如下：

其中，為盆地模型的基底初始深度，為實測重力數據，為地表與圍巖密度差，為密度差隨深度變化的梯度；

所述擾動盆地界面生成方法包括，基于概率分布的多種隨機變換方法產生多套盆地擾動界面；

S2.基于所述初始盆地界面和所述擾動盆地界面數據集，通過哈達瑪積運算，得到盆地界面數據集；

S3.基于所述盆地界面數據集，通過使用高等函數填充上覆地層密度，得到高分辨率密度界面模型數據集；

S4.對所述高分辨率密度界面模型數據集進行正演計算，得到模擬重力數據集；

S5.對所述模擬重力數據集進行數學變換并施加深度加權，得到低分辨率偏移密度界面模型數據集；

S6.基于所述高分辨率密度界面模型數據集、所述模擬重力數據集和所述低分辨率偏移密度界面模型數據集，優化偏移模型深度學習網絡，并基于所述偏移模型深度學習網絡，對所述實測重力數據和與之對應的一次偏移密度界面模型進行映射，得到高分辨率約束密度界面先驗模型；

S7.基于所述高分辨率約束密度界面先驗模型，構建多元密度緊縮約束的穩定非線性損失函數，并進行正則化反演，得到高分辨率密度界面模型。

2.根據權利要求1所述一種基于機器學習約束的密度突變界面反演方法，其特征在于，所述高等函數包括：線性密度函數、多次多項式密度函數、指數密度函數、拋物線密度函數和雙曲線密度函數。

3.根據權利要求1所述一種基于機器學習約束的密度突變界面反演方法，其特征在于，所述低分辨率偏移密度界面模型數據集生成方法包括，通過偏移算子對所述模擬重力數據集進行計算，得到重力偏移場，再對所述重力偏移場進行深度加權計算，得到所述低分辨率偏移密度界面模型數據集，計算公式如下：

其中，為重力偏移場，為偏移算子，為模擬重力數據集，為低分辨率偏移密度界面模型數據集，t代表訓練集，為相關系數，W為深度加權矩陣。

4.根據權利要求3所述一種基于機器學習約束的密度突變界面反演方法，其特征在于，所述高分辨率約束密度界面先驗模型生成方法包括：

S6.1.基于所述低分辨率偏移密度界面模型數據集，結合可變卷積多尺度注意力機制三維模型多層特征疊加結構，并通過殘差模塊增加網絡深度，進行強特征提取編碼，得到多尺度密度模型；

S6.2.基于所述多尺度密度模型，結合金字塔池化結構進行轉換，得到固定大小的強特征向量；

S6.3.基于所述固定大小的強特征向量設定損失函數，同時基于所述模擬重力數據集進行重力約束以優化偏移模型深度學習網絡；

S6.4.基于所述偏移算子對所述實測重力數據進行計算，構建所述一次偏移密度界面模型，基于所述一次偏移密度界面模型并結合偏移模型優化深度學習模塊構建高分辨率約束密度界面先驗模型。

5.根據權利要求4所述一種基于機器學習約束的密度突變界面反演方法，其特征在于，構建所述一次偏移密度界面模型計算公式如下：

其中，為實測重力數據，為偏移算子，為一次偏移密度界面模型，為相關系數，W為深度加權矩陣。

6.根據權利要求1所述一種基于機器學習約束的密度突變界面反演方法，其特征在于，所述穩定非線性損失函數構建方法包括，通過測井和巖性數據分析，確定離散密度多源信息，構建多元密度緊縮泛函，基于所述緊縮泛函構建所述穩定非線性損失函數。

7.一種基于機器學習約束的密度突變界面反演系統，其特征在于，包括：界面生成模塊、哈達瑪積運算模塊、函數填充模塊、正演模塊、偏移成像模塊、偏移模型優化深度學習模塊和重力多元密度約束正則反演模塊；

所述界面生成模塊用于基于實測重力數據構建初始盆地界面，基于所述初始盆地界面隨機生成擾動盆地界面；

所述初始盆地界面構建方法包括，根據目標區域盆地實測重力數據，通過布格平板模型來確定初始盆地界面初始深度，計算公式如下：

其中，為盆地模型的基底初始深度，為實測重力數據，為地表與圍巖密度差，為密度差隨深度變化的梯度；

所述擾動盆地界面生成方法包括，基于概率分布的多種隨機變換方法產生多套盆地擾動界面；

所述哈達瑪積運算模塊用于基于所述初始盆地界面和所述擾動盆地界面進行哈達瑪積運算，得到盆地界面數據集；

所述函數填充模塊用于基于所述盆地界面數據集，通過使用高等函數填充上覆地層密度，得到高分辨率密度界面模型數據集；

所述正演模塊用于對所述高分辨率密度界面模型數據集進行正演計算，得到模擬重力數據集；

所述偏移成像模塊用于對所述模擬重力數據集進行數學變換并施加深度加權，得到低分辨率偏移密度界面模型數據集；

所述偏移模型優化深度學習模塊用于基于所述高分辨率密度界面模型數據集、所述模擬重力數據和所述低分辨率偏移密度界面模型數據集，優化偏移模型深度學習網絡，并通過實測重力數據和與之對應的一次偏移密度界面模型，生成高分辨率約束密度界面先驗模型；

所述重力多元密度約束正則反演模塊用于基于所述高分辨率約束密度界面先驗模型，通過構建基于多元密度緊縮約束的穩定非線性損失函數，計算得到高分辨率密度界面模型。