基于深度学习的地震速度谱自动拾取方法

为了克服人工拾取地震速度谱效率低、耗时长等缺点,提出了一种基于深度学习的地震叠加速度自动拾取方法。其核心是模仿地震数据处理人员在速度谱上拾取速度的行为和过程,实现叠加速度的自动拾取。将速度谱视为图像,并依据所拾取的"时间-速度"对具有时间序列的特点,设计了一个复杂的能用于速度拾取的卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)模型混合结构神经网络模型。该模型经过训练,可以对输入的速度谱进行自动拾取,并输出"时间-速度"对序列。理论和实际地震数据测试结果表明,相对于基于反演过程的传统速度拾取算法,基于深度学习的地震速度谱自动拾取方法无需附加任何约束和干预,不仅实现了完全自动化的速度拾取,而且具有更高的拾取精度。     

波动方程正演引导的深度学习地震波形反演

物理驱动的全波形反演方法计算成本高，数据驱动的深度学习反演方法对标记数据集的依赖性强。为了在有限的数据条件下获得更好的反演结果，结合数据驱动与物理驱动，提出了波动方程正演引导的深度学习地震波形反演方法。首先，利用地震数据应用神经网络重建速度模型，对网络预测的速度模型进行正演建模，通过最小化速度模型的误差及地震数据的误差训练网络；其次，使用有限差分法将二阶偏微分波动方程近似为可微算子，使正演过程能够传递梯度，并根据梯度方向动态调整地震数据损失的权重。实验结果表明，该方法能在一定程度上降低数据驱动方法对标记数据集的依赖性，可得到更准确的速度模型，且具有较强的鲁棒性。     

层速度求取方法及速度谱横向密度对速度场精度的影响

用于常规地震数据成像的速度谱数据通常不能满足水平井的钻探需求。为此,借助前人的方法和经验,根据研究区的实际地震、地质情况,在保证参与速度建场数据精确且影响因素相同的前提下,应用不同密度(500m×500m,250m×250m,125m×125m)的速度谱数据进行空变速度建场,重点分析了层速度求取方法和速度谱横向密度对速度场精度的影响,为水平井的顺利入靶奠定了基础。通过对比、分析发现:1当速度谱数据不能控制速度的横向变化时,井间的深度预测结果会产生很大的不确定性,这与速度谱控制点的分布有关;2大间隔速度谱导致局部速度变化被忽略,随着速度谱的加密,速度在水平方向的细节特征更加突出、丰富,明显提升了横向控制能力,有利于提高井间速度场的精度;3通过后验井证明,应用模型迭代求取层速度建场的效果优于Dix公式,但相对于速度谱密度对速度场的影响而言,层速度转换方法的影响相对要小。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。     

卷积神经网络微地震事件检测

常规的微地震事件检测方法主要基于信号的特征计算,事件检测准确性依赖于算法的参数设置,受信号特征和信噪比变化的影响较大。为此,提出了一种基于卷积神经网络的微地震事件检测方法。该方法首先使用实际的油井水力压裂多站点微地震监测信号构建神经网络的样本数据集,样本数据包含有效事件信号和无效背景信号及其分类,然后用样本数据对神经网络进行训练和测试,得到微地震事件识别准确性最高的神经网络模型。使用训练好的神经网络模型对不同信噪比的合成微地震信号以及川渝地区多口油气井压裂微地震监测信号进行微地震事件检测。数据处理结果表明,训练好的卷积神经网络模型能有效自动检测微地震事件,且具有较好的抗噪性和泛化能力。     

散乱数据插值方法及其在背景速度建模中的应用

地震全波形反演(FWI)主要利用低频长偏移距透射波估计背景速度,有效的初始背景速度场对于透射波FWI和反射波FWI的有效应用都十分重要。因此,根据散乱的速度和界面深度信息,对不同来源、不同精度的散乱速度场插值产生背景速度模型是速度建模的核心环节之一。在总结了三角剖分法、自然邻域法、反距离加权插值法和径向基函数插值法以及克里金插值法等方法特点的基础上,采用三维克里金插值方法将实际测井数据插值成三维速度场,然后利用克里金方差融合策略和多尺度空间波数域Gabor变换两种方法对分别来自测井数据和来自偏移速度分析的速度场进行融合,融合后的速度场的精度得到了提高,成像质量明显改善。最后,对基于散乱数据支撑的特征速度场的描述问题进行了讨论,提出了多尺度特征速度场的表达策略。     

基于角度域共成像点道集的3D VSP速度分析方法研究

获得高精度的3DVSP偏移速度场是3DVSP资料井周构造高精度成像的关键问题和难点之一。目前,基于角度域共成像点道集(Angle Domain Common Image Gathers,ADCIGs)的速度分析方法已经成为地面三维地震资料叠前深度偏移中速度模型建立的有效工具。借鉴地面地震资料基于ADCIGs的速度分析方法,开展了基于ADCIGs的3DVSP资料叠前深度偏移速度分析方法研究。首先给定一个初始速度场进行偏移,形成ADCIGs;接着通过剩余曲率计算获得估计速度与真实速度之比的速度谱函数;最后根据速度谱进行速度迭代更新和3DVSP资料偏移成像。模型数据和实际资料试算结果表明,该方法可以较好地改善3DVSP资料成像精度,提高3DVSP资料描述井周细微构造的能力。     

速度场平滑的协克里格法及应用

建立地震速度场的数据，主要来源于速度谱，速度的影响因素较复杂，并且由速度谱数据过渡到地层的层速度与平均速度的各种方法都存在一定的局限性，在速度数据体中异常数据较多，协克里格在分析数据时，同时考虑了网格内数据点距离和方向的影响，能较好压制速度中的异常数据，提高速度场数据的精度。     

阿曼Amal区块地震数据中复杂多次波的分析与压制

本文以阿曼Amal区块陆上三维地震资料为例,介绍在地震数据处理中识别陆上多次波的几种方法,即从CMP道集数据的自相关、速度谱、叠加剖面、等时切片等多方面综合研究多次波的特征。在此基础上,在叠前选择聚束滤波方法压制多次波,改善速度谱的质量,确保能够获得一次反射波的速度;在叠后采用局域多道相干滤波法衰减残存的多次波,取得明显效果。     

地震速度场的趋势面分析及应用

建立地震速度场的数据主要来源于速度谱，速度的影响因素较复杂，而由速度谱数据过渡到地层的层速度与平均速度的各种方法都存在一定的局限性。在速度数据体中，异常数据较多。地震速度场的平均值与中值滤波趋势分析能较好地压制速度场中的异常数据和提高速度场数据的精度。用这种分析方法对某盆地Ｙ构造带Ｔ８层的平均速度数据进行了处理，效果十分显著。     

基于深度卷积神经网络的地震数据断层识别方法

对地震数据进行断层解释一直是油气勘探开发过程中的一项重点工作。传统的断层解释主要是以人机交互方式进行的,效率低,并且人为因素可能增大断层解释结果的不确定性;而常规的断层识别方法则通常需要设置多个控制参数,导致断层识别的结果严重依赖参数设置的准确性。为此,提出一种基于卷积深度神经网络的地震数据断层识别方法,该方法利用ResNet深度残差网络可有效训练深层卷积神经网络和U-Net架构可表征多尺度、多层次特征信息的优势,将ResNet和U-Net架构联合,构建了用于地震数据断层识别的网络架构（SeisFault-Net）。其中,U-Net架构由编码和解码两个子网络组成,使SeisFault-Net以端到端的方式进行模型训练;同时,利用残差神经网络克服深层网络梯度弥散的问题,有效提高SeisFault-Net的训练效率。训练后的SeisFault-Net无需设置任何参数即可对地震数据进行断层识别,避免了常规方法中人为设置参数的经验误差和不确定性。数据实验表明,提出的SeisFault-Net方法可准确地识别断层位置,且识别的断层垂向连续性好,断层轮廓清晰。与相干算法相比,SeisFault-Net方法识别的断层细节更丰富,断层解释更准确;同时,可有效提高地震断层识别的效率。     

准噶尔盆地南缘复杂构造变速成图方法及效果分析

准噶尔盆地南缘冲断带西段浅层发育有巨厚砾岩段,由于砾岩段在地震速度上没有能量团聚焦,不能反映砾岩段的真实地层速度,造成未准确落实砾岩影响的情况下速度成图精度较低;准南缘中东段有利目标多为高陡构造,地层逆掩严重,地层速度纵横向变化大,由于前期速度成图中无法实现考虑浅层逆掩地层的速度建模,造成深层目的层的变速成图精度较低。针对准南缘速度成图特点,应用标准层校正速度异常方法,消除了地震异常谱点影响,提升了地震速度品质;应用速度异常分析方法,基本搞清了深层速度异常的分布和影响;应用钻井地层速度变速充填方法,在考虑地层逆掩的情况下建立速度模型,形成较为合理的速度场。通过以上技术措施的应用,为准南缘冲断带的油气勘探提供了比较可靠的构造图,在该区的油气勘探中发挥了重要作用。     

构建三维深度监督网络的断层检测方法

地震资料人工解释断层往往具不确定性。随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于卷积神经网络的算法也广泛地应用于断层识别。为此,结合三维U-Net和深度残差网络,引入多层深度监督的机制,构建了一种基于三维深度监督网络的断层检测方法。残差模块的引入能够简化网络的学习目标,降低训练难度,而多层的深度监督能够为网络提供更多的反馈,减轻训练过程中潜在的梯度消失,使解码器子网络能够学习到不同尺度的断层语义信息,可进一步提高断层识别的准确性。理论模型测试和实际地震资料的应用表明,该方法可以有效识别断层位置;与常规U-Net网络相比,减少了小断层的漏识别和错误识别;识别的大断层连续性好,断层细节更丰富,明显提高了断层识别的准确性。     

近地表速度模型精度影响分析

地震成像是地震勘探工作的重点和难点,而速度场的精度是地震成像的关键.为了探讨双复杂条件下近地表速度场对地震偏移成像的影响,依据弹性波动方程正演模拟的数据,在给定不同误差的近地表速度模型条件下,对比叠前深度偏移后近地表速度模型精度对线性噪声压制、浅层成像质量和精度的影响.研究结果表明,当风化层厚度误差大于+20％或风化层...     

数据增广和主动学习在波阻抗反演中的应用

在实际应用中,深度卷积网络以大量数据驱动模型进行网络训练,以获得地震数据与阻抗之间的映射关系,但需大量合成数据对网络训练后,再应用少量实际数据对网络进行迁移学习。为此,提出了一种基于数据增广和主动学习的地震波阻抗反演方法。数据增广首先通过同频率重采样对单道原波阻抗数据进行增广,再求取增广后的反射系数和随机核,最后计算增广后的地震数据。将增广后的地震和波阻抗数据作为训练集,结合主动学习思想选择最大误差样本对网络进行迭代训练。该方法不仅可以避免地震子波估计,而且能用少量的标签数据训练出预测精度更高的网络。Marmousi 2模型测试结果表明,该方法仅需十分之一标签数据和迭代次数就能达到与随机迭代训练方法相近的预测精度,且预测误差在剖面上分布更均匀。     

复杂三维表层模型层析反演与静校正

针对三维地震勘探中的复杂地表问题，本文研究了三维初至波表层模型层析反演及静校正方法。该方法利用了三维地震直达波、回折波、折射波及三者组合的初至波和具有三维空间变速优势的三维层析反演，实现了适应速度任意变化的复杂三维表层模型层析反演，此法对初至的要求是，只需检测首先到达的波的起跳时间，无须解释此波的类型；三维模型正演采用以费马原理为基础的三维网络法射线正演方法；三维层析反演采用带阻尼的最小平方QR分解迭代算法。采用上述措施不仅可提高表层速度模型层析反演的可靠性，为三维地震资料层析静校正提供合理的表层速度模型，而且提高了计算效率，增强了方法的实用性。     

塔里木盆地顺北油田超深断溶体深度学习地质建模方法

断控缝洞型储层是分布在中国塔里木盆地奥陶系的一种特殊类型储层,具有埋藏深、成因复杂、非均质性强等特点,受限于井资料稀疏和地震品质低等因素,断控缝洞型储层的准确表征与精细建模面临重要挑战。综合钻测井、岩心、野外露头及三维地震信息,在断控缝洞型储层构型模式指导下,构建了断溶体深度学习训练样本;在深度学习网络综合分析基础上,提出了适用于深层断溶体的深度学习建模方法。研究结果表明：深层少井资料条件下,基于多源数据综合建立的“原位等尺度”训练样本是断溶体深度学习建模的基础;优选的地质体目标图像转换网络可以较好地实现从地震数据到断溶体储层的直接预测。在训练网络搭建基础上,建立了塔里木盆地顺北油田5号断裂带南段的断溶体储层三维模型,该模型多维度符合断控岩溶地质模式及分布规律,与基于钻井资料的储层预测符合率较高。提升断溶体深度学习地质建模的精度和条件化程度是未来的努力攻关方向之一。     

人机交互速度解释及在塔北YK工区的应用

随着地震勘探技术的发展,要求构造图的精度越来载高。本文阐述了一套利用地震解释工作站进行人机交互速度解释的方法,该方法主要包括桑加速度谱的精确选取,界面平均速度的交互磁差,利用钻井,测井资料对界面平均速度进行校正,使解释员的地质认识和速度解释相结合,能够得出符合地质规律的平均速度,提高了深度图成图精度,是一套行之有效的速度解释方法。     

声波方程变系数反演

本文在声波介质近似下,采用广义最小平方准则求解地震反射信息的非线性反演问题,并由此建立了一套由当前地震记录(对应于当前介质模型)与观测到的地震记录之间的残差确定介质模型修改量的数学模型。因所用资料是叠前资料,所以该方法考虑了直达波、折射波和多次波能量。若从弹性波方程出发,则可考虑面波能量。该方法的关键在于正演模型的建立,为了选择一个既省机时,精度又高的正演模拟方法,本文在试算过程中,采用了六阶有限差分法进行正演模拟。理论模型的试算结果表明,该方法是可行的。为使问题简化,我们只考虑了单一参数(速度)变化的情形。     

利用神经网络拾取叠加速度

鉴于三维地震和高密度二维地震的数据量很大,仍然采用人工方法拾取速度谱,不仅效率低,而且精度低。为此,人们提出许多新的方法。本文采用人工神经网络与模糊数学相结合的方法。首先对输入数据用模糊教学方法作边界搜索和模糊聚类预处理,然后通过人工神经网络误差反向传递算法（BP算法）,学习结定的样本值,训练网络模型,输入经过预处理的待识别数据,完成识别工作,自动提取叠加速度。该方法肯有抗噪能力强、拾取速度精度高的特点,而且能够实现自动解释速度谱。