基于物理约束U-Net网络的地震数据低频延拓

由于震源与采集技术的影响,地震勘探数据往往缺失低频信息,严重影响后续的反演和成像处理。现有的地震数据低频延拓方法,大多建立在时域数据分布特征的基础上,容易导致频率与相位信息严重损失。为解决该问题,文中提出一种基于地震波物理参数约束的U-Net深度学习网络进行地震数据低频延拓。首先,利用理论引导数据的思想组织样本,生成大量不同特征的地震数据;然后,通过结合残差跳跃连接改进的U-Net模型学习从中高频地震数据生成低频成分的非线性映射;最后,结合地震信号的物理参数约束提升对频率、相位的恢复效果。实验证明,文中所提方法对地震数据低频恢复具有较好的效果,并在频率与相位的保持上优于同类方法,对提高后续的处理与解释精度具有较高的实用价值。     

基于测井约束的地震全波形反演方法

在实际应用中全波形反演依赖于初始速度模型与低频信息,若初始模型精确度低常会引起周波跳跃现象。测井资料具有垂向分辨率高的特点,含有丰富的超低频与高频成分,测井信息的引入可以在一定程度上弥补地震频带缺失、反射数据精度低、信噪比低的不足,故从两个方面将先验信息引入全波形反演。一是充分利用可靠的测井数据低频信息建立较精确的初始速度模型,以弥补地震数据缺少低频信息的问题;二是在全波形反演目标泛函中引入先验模型约束项,利用测井数据约束反演过程,驱使反演沿给定的方向进行,以提高反演过程的稳定性,从而获得较高精度的速度模型。通过EAGE推覆体模型对所提方法进行试算,相对不加约束全波形反演结果得到改善;实际地震资料应用结果表明,使用测井约束的反演结果能更清楚地展示砂岩层,具有较高的分辨率,反演效果更好。     

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。     

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。     

地震波形反演与测井联合的三维建模方法

基于褶积模型的地震反演能得到较高分辨率的结果,但它对初始模型的依赖性强。依托波动理论的波形反演法可获得准确、稳定的低频信息,横向保真性高;测井资料纵向分辨率高,频率信息丰富。本文提出一种基于波形反演结果和测井资料的联合建模方法,综合波形反演结果横向高保真性和测井资料纵向高分辨的优势,提高初始模型的构建精度,进而提高反演结果的精度。应用结果表明,联合构建的三维模型不仅具有波形反演结果的低频特征,还具有测井资料纵向高分辨率的优点,以此作为褶积模型反演的初始模型,提高了储层预测的精度。     

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。     

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...     

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。     

基于包络目标函数的弹性波波形反演

弹性波场的复杂性致使反演问题非线性性增强,寻优过程极易陷入局部极值。多尺度反演能在一定程度上提高反演的稳定性及分辨率,但多尺度反演策略无法解决实际数据的低频缺失问题。针对该问题,提出了一种新的基于包络目标函数的弹性波多尺度反演策略。首先将包络反演方法应用到弹性波,恢复地下弹性介质参数中的低波数信息;然后将包络反演结果作为常规多尺度反演的输入,进一步提高反演的稳定性。Marmousi2模型试算结果表明该策略能够更加准确地反演纵、横波速度以及密度信息。     

基于循环一致性对抗网络的地震断层训练样本合成方法研究

为了获得真实的地震断层训练样本,提出了基于循环一致性对抗网络的断层训练样本合成方法。使用随机生成的断层标签与实际断层数据作为输入,利用无监督的对抗网络学习断层标签与断层数据之间的联系,生成与断层标签特征相匹配的地震断层样本,由此得到带有标签的断层训练样本集。该方法是一种获取断层训练样本集的方法,一定程度上解决了深度学习地震断层解释缺少训练数据集的问题。对合成断层样本与真实断层进行平均主频与纹理差异的定量分析,结果表明两者具有较高的相似性。使用合成的断层样本训练神经网络,并将结果应用于实际数据测试并进行对比,结果表明合成的断层训练样本具有真实可靠的特点,所提方法可以针对不同工区生成具有目标导向性的断层,能够灵活有效地应用于不同工区的地震断层智能识别。     

融入先验信息的深度学习地震子波振幅谱估计

地震子波的提取对于地震资料处理有着至关重要的作用。地震子波由振幅谱与相位谱表征,因此估计地震子波的振幅谱是关键步骤。常用的地震子波振幅谱提取方法对反射系数类型以及地震子波形态都有一定限制,导致这些方法无法广泛应用于实际地震数据处理。为了准确获取地震子波振幅谱,提出一种融入先验信息的深度学习方法。首先,基于地震子波谱具有光滑性这一先验信息,对观测地震数据进行预处理;然后,将平滑后的地震记录振幅谱输入一个12层的深度神经网络,得到地震子波振幅谱。与传统的谱模拟方法相比,该方法不需要任何反射系数假设,不仅能够对单峰和非单峰地震子波振幅谱进行很好的估计,还可避免各种多项式拟合方法中的参数估计以及有效频段估计带来的计算误差,具有较好的抗噪性。模型算例和实际数据的测试结果都证明了该方法的优越性。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。     

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。     

改进的整体嵌套边缘检测地震断层识别技术

断层解释的精度和效率对油气藏的勘探与开发非常重要。传统的断层解释方法多以人工为主,其依赖解释人员的经验且耗时较长;常规自动断层解释方法主要是分析地震数据的不连续性,往往涉及多个参数,因而断层解释精度多依赖选取的参数。近年来,随着深度学习技术的发展,非线性卷积神经网络能够描述地震数据中的不连续特征。为此,引入深度学习中的边缘检测技术,即整体嵌套边缘检测（Holistically-Nested Edge Detection,HED）网络,并根据地震数据和断层特点对网络结构进行改进和优化,提出适用于地震断层智能解释的改进HED （Improved HED,IHED）网络。主要步骤包括：①将原始二维HED网络推广至三维,搭建三维HED网络; ②根据HED网络的多尺度特点,调整三维HED网络构架; ③利用三维合成地震数据及其标签数据训练得到三维IHED模型,将该模型用于实际地震数据进行断层智能解释。与相干体算法和U-Net模型相比,三维IHED模型对断层预测的准确性更高,连续性更好。该方法为地震断层智能识别提供了一条可靠途径。     

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...     

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...