基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

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。     

基于层序统计结构和空间地质结构的深度学习高分辨率处理方法

高分辨率地震数据在地震数据处理中扮演着关键角色,特别是当地震勘探目标变得越来越复杂时,它可以提供更准确的储层识别和描绘。近年来,随着深度学习技术的快速发展,它越来越多地被引入到高分辨率地震数据处理中。基于大量标记数据,建立了低分辨率地震数据和高分辨率地震数据之间的复杂非线性关系。然而,深度学习在高分辨率数据处理中的精度与稳定性高度依赖于训练集的准确性与多样性。深度学习技术在生产中实际应用的主要挑战之一是稀疏的井数据,这经常导致训练集受限。为了解决这个问题,本文提出了一种基于深度学习的高分辨率处理方法,通过使用大量逼真的训练集,将井数据所表示的分层结构与地震数据所表示的空间地质结构相结合。建立训练集包括三个步骤：(1)使用井数据计算波阻抗序列,并利用高斯匹配函数拟合波阻抗高频部分的振幅分布,得到一个概率密度函数,最后生成一系列符合井数据统计分布的波阻抗序列。(2)在波阻抗序列的基础上,建立二维水平分布的波阻抗模型,并逐步添加折叠变形、倾角变形和断层变形,生成包含各种地质模式的二维阻抗模型。(3)使用阻抗模型计算反射系数,然后用反射系数模型分别卷积低频和高频子波,得到训练集。通过自动生成具...     

面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。     

应用时域卷积神经网络的地震波阻抗反演方法

地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(TCN),以建立地震数据与波阻抗之间的非线性映射关系;然后通过该网络对样本进行训练得到反演映射模型,进一步将地震数据输入该模型得到地震波阻抗。正演数据及实际数据测试结果表明,所提方法实现了地震数据到地震波阻抗间的映射,为地震波阻抗反演提供了具有并行计算能力和自适应结构的智能化方法,并在港2025区块砂泥岩储层预测中得到成功应用。     

利用基于深度学习的过完备字典信号稀疏表示算法压制地震随机噪声

曲波变换去噪处理使同相轴在断层等不连续区域发生畸变,对有效信号产生干扰。基于过完备字典信号稀疏表示（K-SVD）需要人工反复调整参数才能改善去噪效果。为此,将K-SVD去噪算法与深度学习网络相结合,综合考虑深度学习网络与稀疏表示方法的优点,研究了基于深度学习的过完备字典信号稀疏表示（Deep-KSVD）的地震数据随机噪声压制方法。为了使该网络有能力学习参数,在追踪阶段用一个等价的可学习的替代方案代替正交匹配追踪（OMP）算法。计算过程包括将数据分解为重叠的数据块、通过适当的追踪对每个数据块去噪以及通过去噪后的数据块加权重建整个数据,去噪处理包括稀疏编码、正则化系数估计以及数据块重建三个部分。模型数据和实际数据测试结果表明：当Deep-KSVD网络训练完成后,给定含噪数据,能够自适应地衰减地震噪声,并保护有效不连续性信息及数据结构特点,无需再进行参数调整;与K-SVD去噪方法相比,Deep-KSVD去噪方法的噪声压制效果更好,可提高全频带数据的信噪比。     

数据增广的编解码卷积网络地震层间多次波压制方法

层间多次波压制是地震资料去噪领域的一项前沿技术挑战，对获取高质量数据、了解地下真实构造具有十分重要的意义。现有的层间多次波压制方法耗时长，对人工参数调整要求高，处理低信噪比数据时可能导致层间多次波泄露。为此，提出一种基于数据增广的编解码卷积神经网络层间多次波压制方法。首先，利用基于虚同相轴的层间多次波压制方法从原始数据中估计出一次波和层间多次波，生成一次波标签数据。然后，构建两种增广训练集：一方面，通过改变训练样本中层间多次波的振幅、极性及旅行时，进行层间多次波波场数据的增广，提高层间多次波压制网络的泛化能力；另一方面，通过对原始数据添加不同信噪比的高斯噪声进行噪声注入的数据增广，提高网络的抗噪性能。最后，结合去噪卷积神经网络(DnCNN)和U形全卷积神经网络(U-Net)的优势搭建了适合层间多次波压制的深层编、解码网络，进行神经网络训练和预测。合成数据和实际数据的处理结果表明，该方法能够有效压制地震层间多次波并保护一次波，具有较强的泛化能力和抗噪性能，可显著提高计算效率。     

基于先验约束的深度学习地震波阻抗反演方法

不同于传统的深度学习反演方法,文中提出一种基于先验约束的深度学习地震波阻抗反演方法:参照地震相类型分割待反演区域,且将区域分割结果作为一种明确的空间约束条件监控网络模型的反演过程;将蕴含丰富低频信息的初始模型作为一种标签以丰富反演结果的低频信息;并使用一种强抗噪性激活函数提高网络模型对噪声数据的适应能力.为降低标签数据...     

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。     

基于多分辨率U-Net网络的地震数据断层检测方法

断层检测是地震资料解释的一项重要工作。基于相干体、曲率等属性的常规断层检测方法不够直观,人工手动拾取断层无法高效处理实际生产中的海量地震数据。深度学习网络由于具有强大的特征提取能力和高效的特征表达能力,近年来被广泛应用于地震数据处理和解释中。为此,提出了一种基于多分辨率U-Net网络（MultiResU-Net）的断层检测方法,即引入多分辨率模块增强网络模型的多尺度断层检测能力,使用残差路径代替普通跳跃连接,缩小用于拼接的特征图之间的语义差别。相比于普通U-Net网络,训练完备的多分辨率U-Net网络模型测试结果具有更高的准确度,Jacard指数和Dice系数分别提高了0.027和0.136,并且断层检测错误率降低了0.094。通过网络中间层可视化分析直观地展示了网络模型对地震数据的特征提取、表达过程。将网络扩展到三维并与迁移学习结合后,同样在三维实际地震数据应用中取得了较好的效果。该方法对于实际生产中实现高效、自动化断层检测具有重要意义。     

基于深度学习的三种地震波阻抗反演方法比较

神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度和计算效率;然后通过实际资料应用进一步对比三种方法的效果。模型测试结果表明,基于TCN的波阻抗反演的计算效率和反演精度相对较高,基于TCN、FCN和CRNN的波阻抗反演用时分别为82、68和264s,皮尔逊相关系数分别为99.15%、97.84%和98.14%。实际资料应用表明,基于TCN的波阻抗反演结果与测井资料更加匹配。该结论可为智能地震波阻抗反演方法的优选提供参考。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用

准确描述并预测裂缝空间分布是裂缝型潜山油藏储层开发的前提条件,裂缝型潜山油藏构造复杂、断层发育、地震反射多表现为空白或杂乱反射,传统的依赖模型的反演方法难以表征复杂的潜山断裂系统。为此,提出了以测井裂缝敏感参数FIC c为训练目标的深度信念网络反演方法。首先基于碳酸盐岩裂缝在测井曲线上的响应特征,综合伽马、井径等曲线,构建敏感性裂缝识别参数FIC c;然后以基于优选井计算的FIC c曲线作为训练目标、以井旁地震数据作为训练特征构成训练样本,通过训练深度信念网络,建立井旁地震数据与FIC c曲线之间的非线性映射关系;最后将训练成熟的网络模型应用到整个地震数据体,反演得到裂缝识别参数FIC c,进而预测裂缝空间分布。S区潜山裂缝预测的应用结果表明,测井裂缝识别参数FIC c识别结果与成像测井裂缝识别结果基本吻合,FIC c作为训练目标在S区裂缝预测中具有较好的可靠性;应用深度信念网络反演的解释结果表明S区潜山主要发育北东向裂缝,呈带状沿断层大面积发育,与熵属性刻画的裂缝发育带一致性较好,钻井吻合率达71%。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于深度学习的多属性盐丘自动识别方法

三维地震数据的盐丘解释存在难度大且效率低的问题。为此,以深度学习技术为基础,以少量的二维地震数据为样本训练和测试模型,利用不同地震属性实现盐丘自动识别。流程主要包括三部分：首先,基于盐丘的地震反射特征提取了杂乱、均方根振幅以及方差等3种敏感属性,每一种属性分别选取少量主测线数据及时间切片作为训练样本进行预处理,并利用数据增强方法自动生成大量数据作为网络的训练样本;然后,搭建基于编码—解码器结构的卷积神经网络,分别输入不同属性的两类样本进行模型训练和测试以得到多个独立的模型;最后,为了综合考虑各属性特征,减少预测误差并得到更全面、准确的预测结果,利用集成学习方法融合多个模型并得到优化后的分类结果。结果表明,所提方法能高效、准确地在三维数据体实现盐丘自动分割,盐丘边界清晰,分类错误点明显减少,进一步提高了模型预测能力。     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

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。