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。     

基于改进深度学习方法的地震相智能识别

基于深度学习方法的地震相智能识别技术可以大幅度减少人工操作。现有深度学习方法的网络模型只能提取单一接收域下的目标特征,难以获取地震相在剖面上的全局空间分布信息,模型对少数类地震相的边界刻画效果较差,且缺乏对预测结果可靠程度进行评估的手段。针对这些问题,提出一种用于地震相分类识别的深度学习方法：在U-Net模型的末端加入金字塔池化模块以提高模型获取全局信息的能力;采用一种融合交叉熵与Dice指数的目标函数,改善不均衡数据中少数类地震相边界的刻画问题;提出“预测信息熵”的概念用于评估地震相预测结果的不确定性。该研究方法应用于F3工区地震相预测的实验结果表明：改进深度学习方法在地震相预测中具有更高的精度和更良好的边界刻画能力;同时,预测信息熵指标也能够较好地评价预测结果的不确定性。     

基于联合小波域深度学习的地震数据规则化方法

数据规则化是地震资料处理的关键步骤之一，基于物理建模的传统方法计算量大且不具备广泛适用性。当前基于卷积神经网络的地震数据规则化方法通常局限在时域，尤其在低采样率条件下，重建数据过于平滑，纹理细节信息损失严重。小波分析具有多尺度、多方向的特性，更适于表示二维数据的纹理特性，可以聚焦地震数据信号的细节信息。为此，提出一种联合小波域的卷积神经网络模型，学习地震数据在时域与小波域的联合分布特征以逼近实际数据，将不规则地震数据重建问题转化为在卷积神经网络框架下各尺度不同方向分量的小波系数预测，重建规则化的地震数据；构建时域与小波域的联合损失函数，结合地震数据的整体分布和局部细节特征，约束网络模型，通过修正联合损失函数的权重调整卷积神经网络学习的注意力，提高重建地震数据信噪比。实验结果表明，与其他方法对比，该方法细节保持效果更好，对地震数据缺失位置不敏感，更具鲁棒性。     

基于深度学习的地震多属性储层预测模型

本文提出基于蜻蜓算法和最小二乘向量机的地震多属性储层预测模型,利用蜻蜓算法对最小二乘支持向量机的惩罚系数和核系数进行优化,从复地震道类、振幅统计类、频谱特征类和吸收衰减类中优选出12种地震属性作为输入变量,选取储层厚度作为输出变量.以渤海X油田为例开展了实证分析,预测结果与PSO-LSSVM、FOA-LSSVM模型预测...     

基于联合深度学习的地震数据随机噪声压制

噪声压制是地震资料处理中的一项关键任务.根据不同噪声的形成机制、特性,可以采用不同的压制方法,使地震资料的信噪比达到预期,提高后续地震资料处理和解释的效率和精度.现有基于深度学习的地震数据去噪方法,通常仅关注单一时域或频域的特征提取,导致局部过平滑或纹理模糊的现象;此外,传统卷积神经网络的卷积核往往采用固定较小的尺寸,...     

基于块状模型的井间地震运动学正演方法

传统的地面地震正演只考虑了上行反射波信息,没有兼顾透射波、层间直达波以及下行反射波信息,且只适用于简单层状模型,不能适用于井间地震正演。本文根据井间地震自身的特点,运用基于块状单元的建模方法建立了井间地震地质模型,并用块状模型试射法对建立的模型进行了射线追踪,再根据射线追踪结果合成井间地震记录,可以获得较好的应用效果。本文研究表明:基于块状单元的井间地震建模方法能较好地模拟断层、尖灭等复杂地质构造模型;应用基于块状单元的井间地震试射法能够精确地对复杂地质构造模型进行射线追踪,在结构相对简单的模型中迭代收敛较快,但在结构复杂的模型中收敛较慢;根据井间地震射线追踪结果结合正演地震记录可用于识别井间地震波场和叠加成像。     

基于深度学习的多波地震信号智能匹配方法与应用

在油气勘探开发领域，为充分发挥多波多分量地震勘探的技术优势，需进行多波地震信号的高精度匹配处理。异于传统方法通过改变地震信号的传播时间、相位、频率等特征完成匹配，提出了一种基于深度学习的多波地震信号智能匹配方法，它利用了卷积神经网络(CNN)的特征提取能力，直接提取地震信号的波形特征，并辅以重采样抽取转换波(PS)、纵波(PP)和转换波特征损失加权、Adam梯度下降算法更新PS波特征等，使PS波波形在保持整体不变的前提下，在时间域向PP波逼近。通过PP波与PS波的波形匹配，自动完成多波地震信号的传播时间、相位、频率等动力学、运动学和几何学特征匹配。川西坳陷新场3D3C地震资料的应用表明，该方法在多波地震信号的匹配过程中，不需人工干预，具有高精度、高效率、智能化和自动化等优点，匹配后的PS波在保持原始特性的基础上，主频、频宽、波形等更逼近PP波，能有效地描述地层接触关系，更有利于断层识别、地层追踪、岩性边界刻画等地质解释，为多波地质解释、联合反演等奠定坚实基础。     

基于深度学习的子波整形反褶积方法

地震数据偏移成像是地下介质反射系数估计的重要方法之一，其结果通常受子波影响而波数带展布有限。有效拓展成像结果的波数带、提高空间分辨率是宽带反射系数估计的一个重要目的。为此，首先从反演成像的角度分析，指出子波和观测系统照明是影响成像结果分辨率的两个主要因素；其次，基于卷积神经网络（CNN），利用宽频子波构建标签，将常规成像结果作为输入，利用CNN挖掘其中的映射关系，提出了相应的深度学习算法子波整形反褶积方法；然后，针对反褶积中初始子波估计不准确的问题，设计了子波与反射系数串联、迭代、更新的实现方案，定制的宽频子波能兼顾低波数和高波数信息，用于训练网络时可以更好地恢复宽带的反射系数；最后，利用已知模型进行网络的预训练，将基于目标数据体提取的有效子波作为靶区数据反褶积的初始子波，进行子波整形反褶积处理，并通过薄层模型测试了该方法的正确性和可靠性。实际资料处理结果表明了该方法具有较好的应用潜力。     

基于深度学习卷积神经网络的地震数据随机噪声去除

为了有效去除地震数据随机噪声,提出了一种基于卷积神经网络(CNN)的地震数据随机噪声去除算法。算法的关键在于构建一个适用于地震数据去噪的CNN,包含输入层、卷积层、激活层、输出层等。该CNN以含噪地震数据作为输入层,由多个卷积层提取并处理地震数据,激活层采用修正线性单元(ReLU)获取地震数据波动特征,再借助归一化层加速网络训练收敛速度。CNN通过残差学习获得随机噪声并由网络输出层输出。分别采用小波变换、双树复小波变换、曲波变换以及CNN对实际叠前海上地震数据、叠后陆地数据及复杂陆地叠后数据进行去噪,实验结果表明,CNN能有效去除随机噪声,且与常规去噪算法相比具有更强的去噪能力,验证了算法的可行性和有效性。     

基于深度学习的地震断层检测与断面组合

断层解释是油气勘探和开发中的关键步骤,由于采集的三维地震数据体数量增多,人工以及传统方法很难精细化解释数据体中的断层.为了更好地满足目前油气勘探开发对高效、高精度、高分辨率断层解释的迫切需求,研究基于深度学习算法实现地震数据的自动化和智能化断层检测.通过正演模拟的方法生成大量的、多样化的、符合实际情况的训练数据,同时结...     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

基于U-Net深度学习网络的地震数据断层检测

断层解释是地震资料解释的关键环节之一.随着人工智能技术的发展,断层的自动、快速识别成为机器学习方法在地球物理领域应用的一个研究热点.目前,断层智能识别还存在着模型训练难度大以及实际资料预测效果不理想等问题.为此,提出一种基于U-Net深度学习网络的地震数据断层检测方法,即在网络结构中结合U-Net和残差模块Res-50...     

细胞自动机方法地震正演模拟

细胞自动机是一种在微观级上进行简单计算,在宏观级上模拟复杂物理现象的方法.它具有模拟复杂介质的潜力,适于在大型并行计算机上实现.本文讨论了用细胞自动机模拟地震纵波的局部规则、初始设置及几种边界的处理等问题,并给出了若干二维正演模拟的结果.计算结果表明,用细胞自动机进行地震波正演模拟十分灵活、方便、适应性强、计算简单,是值得进一步研究的课题.     

基于深度学习的地震波逆时偏移补偿方法

逆时偏移作为重要的地震偏移技术,已经成为复杂构造成像的有力工具。地下构造的强衰减体引起地震波振幅减弱和相位失真,直接影响地下有效油气储层的识别精度,而现有逆时偏移补偿技术具有计算复杂、补偿精度低等不足。为优化计算、提高补偿精度,提出一种基于TensorFlow框架的地震波逆时偏移补偿方法,将传统循环生成对抗网络(Cyc...     

百色盆地三今-甫圩目标区块地震相反演与沉积相研究

在岩相古地理、地震层序地层学研究基础上 ,应用Stratimagic地震波形分类技术 ,根据储层的发育是否引起地震道波形变化 ,对已知井的井旁道目的层段的反射波进行统计分类 ,并对研究区 (三今 甫圩目标区块 )地震剖面做波形分类分析 ,建立不同反射波与储层沉积微相、储层发育程度等的对应关系 ,同时提取相关地震属性进行分析 ,定性确定出该区的储层发育规律与沉积相分布特点。     

基于MATLAB的地震正演模型实现

人工合成地震正演模型是进行三维模型计算的基础。针对地震勘探的原理,本文运用MATLAB强大数学计算和图像可视化功能,对一个三层介质模型制作了人工合成地震记录。文章首先说明了地震记录形成的物理机制,然后介绍了地质模型的构造及参数选择,最后针对该具体地质模型制作了合成地震记录。     

基于神经网络的磨料射流破岩射孔深度预测方法

磨料射流破岩射孔深度与其影响因素之间存在着复杂的非线性关系,因此难以用传统的数学方法建立破岩射孔深度的数学模型.将人工神经网络技术引入该领域,提出了一种利用BP神经网络预测磨料射流破岩射孔深度的新方法.给出了样本集构造与网络拓扑结构的确定方法,详细介绍了网络层数与隐层节点数的确定原则,并通过一个实例对设计的BP神经网络进行了训练与验证.结果显示,仅仅通过24次迭代过程即满足了精度要求,获得了稳定的权值矩阵、阈值矩阵与网络结构,预测值与试验值之间的相对误差满足工程要求.由此可见,利用BP神经网络预测磨料射流破岩射孔深度是完全可行的.     

砂砾岩储集层的地震反演方法

T719井区位于东营凹陷宁海断裂构造带的T94断层和胜北断层文汇区下降盘，沙四段-沙三段沉积期的古地貌沟梁相间，发育了夹于烃源岩内的规模较大的深水浊积扇体，主要储集岩为含砾砂岩和砾岩，其厚度差异较大，横向变化非常快。为研究储集层的变化细节并精细预测其分布，采用经高分辨率处理的纯波带地震数据、以测井资料为约束条件，用神经网络技术建立精细波阻抗初始模型，再利用拟线性方法细微调整，在最终反演出的具有较宽频带的绝对波阻抗剖面上，砂砾岩扇体与波阻抗的对应关系良好，其分布范围与实际钻探结果吻合。图3参5     

不同正演方法对地震属性的影响

不同种类的地震属性具有不同的特征及预测条件,这些因素直接影响储层预测的正确性和精度,因此有必要对这些影响因素做全面分析。本文从褶积、射线和波动方程正演方法入手,首先对地震数据进行深度偏移;在此基础上分别提取五大类约五十种地震属性,分析不同正演方法对这些地震属性的影响;然后基于楔状模型,详细分析各地震属性随不同正演方法表现出的特征变化及其影响因素;再根据地震属性受正演方法影响的程度,对其进行分类,为储层预测优选出最佳种类属性,最终达到提高储层预测精度的目的。