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。     

用人工神经网络自动拾取速度谱

目前普遍采用在速度谱上逐点进行手工拾取的方法，不仅费时，而且也不容易控制速度的横向变化。为此，本文采用误差反传播的人工神经网络（ＢＰ神经网络）来自动拾取速度谱。网络的输入是一组速度向量，它们是对某个待拾取速度谱在一定约束条件下用二叉排序树方法选出的一组回想输入向量，网络输出节点的值代表了实际输入速度向量与样本向量的逼近程度。对一个新的速度谱要用上次拾取的邻近的叠加速度重新训练网络，然后再进行拾取，直到所有谱都拾取完。这样的网络就可以适应速度的横向变化。 实际应用表明，ＢＰ神经网络完全可以取代手工拾取，且省时，５０个谱只需２０ｍｉｎ左右；省力，只需提供一个谱样本，不需其它干预，而且具有较高的精度。     

蒙特卡洛法速度谱的自动拾取

蒙特卡洛速度谱的自动拾取采用一种非线性优化的快速方法，所得叠加速度的精度可以满足常规地震资料处理中叠加的要求，转换为层速度后可用于叠前深度偏移成象，在给定初始速度模型前提下建立优化目标函数。采用蒙特卡洛非线性优化算法，以最大相似度量准则在考虑实际地质条件前提下给出速度约束条件，对初始速度模型加以扰动，自动寻找速度谱中叠加能量的全局最优解，从而获得合理的速度模型。实际地震资料处理的应用结果表明，自动拾取速度谱比常规的人工速度谱解释工作的效率大幅度提高。在SUN Ultra60机上,仅需1h即可完成2000km的地震资料的速度谱拾取任务，而且所获得的速度模型不受人为因素影响，转换所得的层速度模型用于叠前深度偏移后，获得了满意的成象效果。     

Bayes决策理论下的速度谱智能化解释及建模方法

高精度的速度建模作为强非线性问题，需要一个比较正确的初始速度模型，而基于CMP道集的初始背景速度扫描估计是最稳健的方法。面对规模巨大的CMP道集，研究智能化的初始背景速度扫描估计方法是有必要的，其核心是合理的速度谱解释。这可以看作是基于速度谱解释人员的先验知识和层位约束信息，在Bayes决策意义下，在高维速度谱数据体中，以风险决策函数值最小为原则、挑选最合理的时间—速度(TV)对。为此，提出了一套以人工交互拾取速度谱逻辑思想为指导的决策框架。首先生成速度谱数据体及类叠加剖面，通过计算相干属性从类叠加剖面提取层位结构；再依据结构信息对速度谱能量团进行K均值聚类，对于每个类别以先验信息和数据空间分析的统计信息为约束，自动迭代搜寻使代价函数最小的TV对；最后通过插值平滑生成速度场，且经过基于统计量约束的质量控制降低了横向不连续性。该方法将层位信息的利用贯穿到从聚类到自动拾取的整个过程，并且将解释人员的先验认识及邻域拾取结果量化为自动拾取时的约束量，体现了速度谱解释的智能化，缩短了速度建模周期。     

基于GPU计算的三维地震断层解释

应用图像处理方法对地震图像进行预处理后,可直接进行地震断层解释,但基于偏微分方程的图像扩散滤波方法计算效率低,不利于三维地震图像处理。基于GPU(Graphic Process Unit)计算的快速发展,应用GPU加速计算提取三维地震图像的结构张量,由结构张量导向进行地震图像扩散滤波增强预处理;基于三维结构张量识别的三维地震图像不连续区域,采用边缘检测和方差分析方法检测地层和断层区域,再通过设定阈值,提取三维空间中的断层。分别使用CPU和GPU计算处理了样点数为128×128×128和256×256×256的两个三维地震数据体,应用扩散增强滤波技术迭代10次,GPU计算速度分别是CPU计算速度的16.1倍和16.8倍。截取任意三维地震数据体的时间切片,对比了人工拾取断层和计算机自动拾取断层的效果,可以看出,对于较大尺度的断层,人工拾取和计算机自动拾取的结果基本一致,但是对于尺度较小的断层,计算机自动拾取结果更加准确,断层走向更加清晰。     

用人工神经网络实现同相轴自动拾取

利用人工神经网络原理实现同相轴自动拾取包括以下两个方面的内容:①地震波动力学和运动学特征的定量表示;②用于同相轴自动拾取的人工神经网络的基本结构和计算方法的分析。该方法经过实际资料的试验表明,用人工神经网络拾取同相轴具有原理简单、使用方便、适应范围广和准确度较高等优点,是一项值得进一步研究的方法。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

基于人工神经网络的电潜泵电流卡片快速模式识别

电流卡片诊断是一种典型的电潜泵工况诊断手段，传统的电流卡片模式识别需要人工完成，存在技术壁垒，会引入主观误差。人工神经网络作为一种机器学习算法，能够弥补人工识别的误差。为实现快速、准确而且客观的模式识别。通过对收集到的电流卡片经过数据预处理后得到的电流数据特征值与实际工况的对应关系，建立人工神经网络模型。利用建立的人工神经网络模型进行工况诊断，具有传统电流卡片人工识别不可比拟的优点。通过采用上述方法搭建人工神经网络模型并进行模式识别，通过提取未参与训练的井的电流卡片数据对工况诊断模型进行验证，达到了较高的准确率，证明了使用人工神经网络对电流卡片进行快速模式识别、实现工况诊断的可行性和可靠性。     

高精度剩余速度分析研究

针对常规速度分析扫描速度范围大、精度低的缺点,采用高精度剩余速度分析方法,扫描所有地震CDP数据剩余时差,自动拾取精确的叠加速度,形成二维的叠加速度剖面。然而自动拾取会导致速度异常,进而利用局部回归法三维插值算法剔除拾取的异常速度,得到平滑的速度场。该方法提取的速度更加精确,使地震处理中水平叠加、偏移处理达到更好的效果。     

基于超虚干涉法约束的模糊C均值聚类地震初至自动提取

在静校正和层析成像等地震数据处理中,准确并快速地拾取初至是随后速度结构成像和地震资料综合解释的前提。手动拾取方法难以适用于海量地震数据处理,且存在人为误差。对于低信噪比地震数据,相关法、能量比值法（STA/LTA）、分形维法等常规自动拾取方法需不断调整参数以达到设定拾取精度,导致稳定性变差。为此,提出一种基于超虚干涉（SVI）约束的模糊C均值（FCM）聚类地震初至自动拾取方法。FCM聚类分析是一种非监督的机器学习方法,仅依赖数据本身进行分类,可更灵活、方便地应用于实际地震初至拾取;对于低信噪比数据,须预先利用SVI法加强远炮检距等弱初至信号的能量,提高地震数据的信噪比,以实现地震初至的准确、稳定拾取。理论模型数据和实际地震资料测试结果进一步表明了该方法的稳定性和高效性。     

利用反射地震资料和多尺度训练集的深度学习速度建模

随着地震勘探数据量的逐渐增大,常规地震速度建模方法在稳定性、精度和计算效率等方面均面临挑战。为此,提出一种利用反射地震资料和多尺度训练集的深度学习速度建模的方法,即将反射波形数据和速度谱联合作为全卷积神经网络的输入,并在网络中引入Dropout层提高泛化能力,结合多尺度训练集,实现从地震数据到速度模型的映射。为了测试该方法在不同地质构造条件下的效果和适用性,分别应用层状模型、孤立异常体模型和BP盐丘模型进行数值实验。实验结果表明,联合使用地震反射波形和速度谱作为深度学习特征数据集时,速度建模准确性优于仅采用地震反射波形或速度谱作为特征数据集的结果,并克服了单独使用反射波形导致建模不稳定和单独使用速度谱建模精度不足的缺陷;使用多尺度速度模型构建训练集的速度建模结果在异常体边界的准确性优于采用单尺度模型训练集;深度神经网络只需经过一次训练,就可以快速地对与训练集中速度结构相似的地下构造进行速度建模,比常规方法具有更高的计算效率。在构建大量速度模型时,该方法具有很好的推广价值。     

神经网络在地震层析成像中的应用

Ｈｏｐｆｉｅｌｄ神经网络是一种单层的反馈型神经网络，它的主要优点是集成并行处理和收敛速度快。本文将该神经网络的原理和于地震层析成像，并导出了联接权系数和外部输入项在层析成应用中的具体表式达。文中用该方法计算了两具模型实例。计算结果表明，Ｈｏｐｆｉｅｌｄ神经网络地震层肿是行之有效的，可获取井间地层速度场或慢度场的最优估计。     

基于地震属性分析的地层孔隙压力钻前预测模型

钻前准确预测地层孔隙压力是进行井壁稳定状态分析的基础。基于地震和测井信息间的密切联系，提出了利用地震属性预测孔隙压力的新方法。通过神经网络建立已钻井段的井旁地震属性和声波时差测井数据之间的非线性关系模型，以此模型为基础预测未钻地层的声波速度。利用预测结果结合岩石力学模型得到垂直有效应力，最后根据有效应力原理计算地层孔隙压力。该方法有效克服了传统的地震层速度预测模型的不足之处，在油田的实际应用中取得了良好的效果，尤其适用于在勘探新区进行孔隙压力预测。     

利用地震反演技术钻前预测井壁稳定性

为有效克服钻井过程中出现的井壁失稳问题,基于褶积模型的测井约束反演方法,提出了利用地震层速度反演技术在钻前预测安全钻井液密度范围的模型。该预测模型充分利用探区内的地震记录资料,以测井信息和地质资料为约束条件,通过制作合成地震记录进行层位标定,建立初始波阻抗模型,运用宽带约束反演技术获得具有较高分辨率的波阻抗模型并最终得到速度资料。利用反演结果结合统计模型、趋势面模型、神经网络模型及岩石力学模型等常用预测模型可以实现钻前井壁稳定性预测。通过该方法反演出塔里木油田一口探井的层速度曲线,并在钻前预测出该井的安全钻井液密度范围,与实钻数据进行对比分析的结果表明,该预测方法具有良好的预测效果,可满足钻井工程的需要。     

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU（gated recurrent unit）神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明：①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。     

海上地震储层综合预测及效果

在海上不同地区利用比常规处理分辨率高近一倍的地震资料,从钻井和测井资料入手,搞清各种岩性的速度变化特征。将地震剖面与井进行综合标定。利用波阻抗反演、岩性反演和振幅特征,结合正演模型及多参数统计和神经网络模式识别方法,综合预测储层和含油气识别,多参数相互制约、综合分析,可减少多解性。     

应用人工神经网络算法的地震面波非线性反演

利用瑞雷波频散曲线反演地下介质的横波速度是一种有效可靠的地球物理方法,且已被广泛应用于近地表地质调查和勘测。传统线性反演方法已不能满足日益复杂的目标或任务的需求,而非线性反演方法因其反演速度快、原理直观易懂而倍受关注。非线性反演方法中的人工神经网络具有自组织、自学习能力、联想记忆能力、高度容错性和抗干扰性,对不同反演问题能（通过相应网络训练后）反演出相应的目标参数。鉴于此,引入BP人工神经网络对地震面波进行反演,通过网络设计、训练和学习,求得最优解而不是精确解,以此避免了其他非线性反演方法易陷入局部极小值的问题。通过选取BP神经网络对多种典型地质模型在无噪和含噪情形下得到的频散曲线分别进行反演,并对比反演结果与真实数据,验证了此方法反演频散曲线的有效性和稳定性。最后,对实际数据进行反演,并与其他方法反演结果进行对比、分析,检验了该反演方法的实用性。     

三维逐层层速度反演方法及误差分析

目前,二维工区的地震速度研究主要在二维空间进行,不适用于大倾角地区。由于实际地下介质是三维的,本文提出适用于二维工区的三维逐层层速度反演方法,并据此层速度计算法射线方向和铅垂方向的平均速度及均方根速度。合成数据及实际数据计算结果表明,此方法是一种有效的实用方法。文中还对本方法反演的层速度与井中层速度的差异进行了分析,并给出了相应的校正方法。     

三维转换波地震资料处理方法

纵波震源激发、三分量检波器接收的三分量地震勘探，因在岩性、裂隙和流体识别等方面获得成功,而备受关注。在三维三分量地震勘探资料处理中，对于反射纵波资料可以采用常规方法进行处理；而对于反射转换波资料，由于其传播路径的非对称性，转换波共中心道集不再是共反射点道集，转换波时距方程也不是双曲方程，因此不能采用常规纵波处理方法来处理转换波资料。基于三维转换波传播特点，对三维转换波资料处理方法进行了研究，包括水平分量旋转、三维转换点计算、三维转换波双曲速度分析与动校正、三维转换波非双曲速度比分析与动校正等。三维转换波非双曲动校正和常规双曲动校正结果对比表明，非双曲方法优于双曲方法。应用所建立的三维三分量地震资料处理流程，对某实际地震资料进行了处理，得到了较高质量的三维转换波速度比谱，转换波非双曲动校正和叠加取得了较好效果。     

二维叠前深度偏移连片处理及成像建模技术

塔里木盆地塔中地区深层低幅度构造是有利的含油气区 ,但因构造探明程度低 ,很难准确确定钻探井位 ,再加上一些地区利用二维地震资料做构造图 ,使得小幅度构造的可靠性进一步降低。为了在利用二维地震资料条件下提高深层小幅度构造的可靠性 ,进一步提高构造成像的真实性 ,提出了如下研究思路 :在时间域解决近地表静校正闭合差和提高资料信噪比 ;在深度域消除相交测线的速度闭合差 ;进行二维叠前深度偏移连片处理。基于这种思路 ,在时间域首先对每条二维测线做初至折射静校正 ,以便消除由近地表引起的剖面闭合差。然后利用二维测线按照三维叠前深度偏移方法建立全区统一的速度场 ,并从该速度场中抽取每条二维测线的叠前深度偏移速度场 ,使每条二维测线准确成像。从最终结果来看 ,新剖面较老剖面在信噪比和成像精度上有较大的提高 ,新落实的小幅度构造与井分层数据吻合较好。因此认为 ,依据所提思路和方法进行连片处理较好地解决了中深层低幅度构造的成像问题。