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。     

井间地震资料时间域波阻抗反演研究

常用的时间域反演方法不能直接用于深度域的井间地震资料.通过建立合适的深-时转换速度模型,将井间地震资料从深度域转换到时间域.应用时间域地震波阻抗反演方法对其进行反演处理,再将其转换回深度域进行储层解释.在此基础上建立了井间地震资料波阻抗约束模型,对时间域的波阻抗剖面进行时-深转换,得到深度域的井间地震波阻抗剖面.转换后的深度波阻抗剖面及深度域井资料可直接用于储层的对比分析.实例分析表明,利用该方法得到的反演结果精度高,储层描述效果好.     

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。     

高分辨率非线性地震波阻抗反演方法和应用

在岩性高度非均质的复杂储层横向预测中，由于可观测信息的重叠、缺失以及噪声的干扰，反演问题总是对应着不唯一、不稳定和不确定的解，因此基于线性假定的储层横向预测技术已不适应这类地区的岩性勘探。为此，提出了一种多井约束分频非线性地震波阻抗反演方法。给出了反演方法的基本原理和算法结构，详细讨论了方法中的关键技术——井旁多级地震反子波的提取、直接反演初始地震波阻抗、井旁多级地震子波的提取、间接反演最终地震波阻抗和大尺度地质模型约束等。在琼东南盆地和南黄海北部盆地，利用实际资料对多井约束分频非线性地震波阻抗反演方法进行了验证。首先对井的波阻抗曲线进行了多尺度分解，并进行了频谱分析；在此基础上，通过井约束波阻抗反演提取了多级统计地震反子波序列；然后分别利用井的不同尺度的频率分量作为约束条件，进行了地震波阻抗反演，获得了低频波阻抗剖面、中高频波阻抗剖面以及由低频和中高频波阻抗剖面合成的全频波阻抗剖面。对这些波阻抗剖面的分析表明，低频波阻抗剖面反映的是大套地层的岩性结构，中高频波阻抗剖面则很好地刻画了地层岩性的细节。因此，可以利用高分辨率的中高频波阻抗剖面识别砂体的边界以及进行含油气性判别。     

卷积神经网络在岩性识别中的应用

深度学习是人工智能中的一个重要部分,卷积神经网络作为深度学习一个分支,用多层非线性计算单元可以表达高度非线性和高变度函数。提出将卷积神经网络应用于判别储层岩性的方法,构建了一个双层的卷积神经网络模型,样本回判准确率为99%。通过把卷积神经网络方法与岩石物理相方法和支持向量机方法进行对比,分析卷积神经网络方法准确率高、速度快,岩性预测具有实时性。由此证明卷积神经网络在储层岩性识别中的适用性,且准确率较高。     

人工智能和视速度约束的地震波初至拾取方法

初至拾取是近地表静校正处理的重要步骤之一.随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题.传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高.在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)...     

一种叠前地震多属性反演方法

介绍了一种借助于地震波弹性阻抗提高常规叠前地震反演的精度和可靠性,进而同时提取多种地层弹性属性参数的地震多属性反演方法。利用全波测井资料确定声波阻抗(AI)和弹性波阻抗(射线路径弹性阻抗)(REI);将共中心点(CMP)道集变换成角道集并进行部分角度叠加;利用常规叠前弹性阻抗反演流程分别对小角度叠加数据及中等入射角的部分叠加数据进行声波阻抗和弹性波阻抗(射线路径弹性阻抗)反演;对反演得到的声波阻抗和弹性波阻抗(射线路径弹性阻抗)数据进行道运算,得到与弹性密度比、储层岩性变化和孔隙流体成分密切相关的地震属性;确定储层岩性和孔隙流体性质。该方法仅需要近、中角度的地震数据,其他弹性属性参数是由弹性密度比与声波阻抗之间的关系通过道运算获得,提高了计算效率,可用于绝大多数采集条件下获得的地震数据叠前反演。     

频率域高分辨率地震波阻抗直接反演方法研究

联合基于压缩感知的稀疏脉冲反射系数谱反演方法(CSSRI法)和常规频率域波阻抗直接反演方法(FIDI法)提出了一种频率域高分辨率地震波阻抗直接反演方法(FIHDI法)。该方法不仅继承了CSSRI法拓宽地震频带宽度的高分辨率性能,同时也保留了常规频率域波阻抗直接反演法的可靠性、稳定性和计算简洁性。理论模型试验结果表明,频率域高分辨率地震波阻抗直接反演法能够精细刻画具有薄层结构的复杂礁滩模型的地层叠置关系、确定岩性尖灭位置以及区分相邻两独立礁体的波阻抗响应。川东北地区实际资料应用效果证实,FIHDI法可以避免受到地震数据失真的低频和高频成分的影响,保持反演结果的稳定性和可靠性,与测井计算的波阻抗模型在整体趋势和细节特征上均保持了较好的一致性,具备刻画薄层波阻抗异常细节特征的能力,能够为地层岩性识别、岩相分析、储层描述提供可靠的高分辨率地震波阻抗数据。     

时移地震波阻抗反演方法研究

地震波阻抗反演是进行地层层间属性定量解释的重要工具，由于噪声的存在，波阻抗反演有很强的多解性，对时移地震而言，当参考地震资料和监测地震资料的差异很小时，多解性将使得时移地震反演失败，在时移地震反演中，油藏的变化能被限定在特定的层中，而在非油藏部分，参考波阻抗模型和监测波阻抗模型应该是相同的。利用参考波阻抗模型与监测波阻抗模型之间的关系，并把参考地震数据与监测地震数据的差异作为附加地震约束，对参考地震数据和监测地震数据进行同时反演，这一方案能有效地降低时移地震反演的非唯一性，得到精度更高的波阻抗反演剖面，同时减少了计算量。     

基于L1-2正则化的地震波阻抗“块”反演

波阻抗反演技术已经相当成熟,但仍然存在反问题的不适定性、反演的分辨率低以及对地层边界刻画不清晰等问题。为此,提出基于L_1-2正则化的地震波阻抗“块”反演方法。在前人的基础上,将L_1-2正则化引入基于模型的波阻抗反演,通过借鉴全变分正则化的思想,利用叠后地震数据直接获得波阻抗反演结果。首先,推导线性化的波阻抗正演近似公式并分析精度;然后,基于贝叶斯理论,引入L_1-2正则化构建波阻抗反演的目标函数,利用迭代重加权最小二乘算法求解目标函数,获得波阻抗反演结果。由于波阻抗反演为单道反演算法,反演多道数据时道与道之间会产生空间不连续现象,因此对反演结果执行f-x域空间预测滤波改善由噪声和单道反演算法带来的空间不连续性。相关系数的定量对比证明了基于L_1-2范数的反演结果优于基于L₁范数和L₂范数。合成数据和实际资料反演验证了所提方法的有效性和可行性。     

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。     

基于卷积神经网络模型的抽油机系统故障诊断

陆地机械采油普遍采用有杆抽油系统,示功图是油井工况的重要指示。在实际开采过程中,由于抽油井数量大、分布广,人工检测油井耗时费力。为提高人工检修效率、提升自动化水平,针对示功图的图形特征,在卷积神经网络Le-Net模型的基础上,建立简化卷积神经网络模型。收集实际生产数据经预处理后输入机器学习模型进行训练,得到关于示功图的分类模型,同时通过测试集数据对分类结果进行评价。结果表明,建立的卷积神经网络模型具有良好的稳定性,能够通过数据学习得出准确率较高的分类模型;所建立的分类模型能够稳定处理多分类问题,对于15种故障类型分类实现效果良好;通过测试集进行评价,该模型准确率达92%以上,预测效果可以满足油田实际生产需求。     

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。为降低标签数据的获取难度并保证网络的反演精度,还采取半监督学习方式对网络模型进行训练。将所提方法应用于Marmousi 2模型,测试结果表明反演效果良好且具有较强抗噪性能;随后将该方法成功地应用于M油田实际勘探数据。     

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。     

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。     

地震和测井联合反演储层波阻抗技术

通过地震和测井联合反演，可以获得高分辨率的井间地层波阻抗分布的信息。综合应用波动方程反演和神经网络分析来反演地层波阻抗参数，其过程分3步：第一步，应用先验地质知识，对地震数据和测井曲线进行地质解释，并对油井曲线进行对层和标定，然后求取相应的层速度的低频信息，旨在搞清井间地层结构状况，为线性反演提供地层产状的先验信息；第二步，应用非线性波动方程反演，在层速度界面及井中物性参数约束下，从地震数据中反演高分辨率的反射系数及波阻抗参数；第三步，应用CUSI神经网络分析方法，以高分辨率的反射系数及波阻抗等参数作为约束，以沿层求取的地震特征作为输入，以井中反演的波阻抗参数为期望输出，对非线性波动方程反演出的波阻抗参数进行非线性标定，得出井间的地层绝对波阻抗物性参数。     

利用先验信息约束的深度学习方法定量预测致密砂岩“甜点”

鄂尔多斯盆地东缘LX区块二叠系石盒子组发育河流相致密砂岩储层，高产气层具有孔隙度大于12%、渗透率大于1 mD、含气饱和度大于50%等特征，寻找高产“甜点”亟需开展储层参数定量评价。基于传统地震反演间接预测孔隙度等参数的方法精度低。LX区块地震数据与测井曲线对应关系不一致，存在大量矛盾样本，导致常规卷积神经网络难以应用。为此，在常规卷积神经网络模型的基础上增加一个全连接网络结构。地震数据与测井数据之间通过托布里兹局部网络结构连接，用于解决储层参数与地震数据不直接相关问题。全连接网络结构通过引入线(道)号、层位、地震相等先验信息，可以解决矛盾样本问题。通过引入地层格架、地震相等先验约束信息，构建了适用于致密储层的深度学习网络模型，形成了地质导向的样本井优选方法，从而定量预测储层参数、刻画了高产气层“甜点”平面展布。实际应用结果表明，孔隙度、渗透率、含气饱和度预测结果与井数据吻合度高，新部署的5口钻井测试无阻流量均超过1万m³/d,有力推动了致密气高效开发。