[发明专利]基于稀疏贝叶斯学习理论的多道地震谱反演方法及系统

说明书

本发明提供了一种基于稀疏贝叶斯学习理论的多道地震谱反演方法及系统，所述方法包括：获取经过预处理的叠后地震资料；从所述叠后地震资料中提取多道地震谱反演参数；从所述叠后地震资料中提取地震子波；基于傅里叶变换提取所述地震子波的频谱信息；根据多道地震谱反演参数构建多道地震谱反演的正演算子矩阵；基于傅里叶变换从所述叠后地震资料中提取多道平均地震道频谱信息；基于所述频谱信息构建多道地震谱反演目标函数，并通过基于最大期望算法的稀疏贝叶斯学习理论求解目标函数以获取多道地震谱反演结果。本发明能够综合提升地震谱反演结果的薄层识别与储层精细表征的能力。

技术领域

本发明涉及油气田地震勘探领域，特别是一种基于稀疏贝叶斯学习理论的多道地震谱反演方法及系统。

背景技术

在油气田勘探开发领域，地震资料以其覆盖范围广、横向连续性强等特点一直是油藏描述与储层表征的重要指导信息。然而，由于地震资料的垂向分辨率较低，其在刻画地下薄层三维空间展布、含油气地层分布规律等方面精度通常不足，严重影响地震储层表征的准确性。为此，提高地震垂向分辨率一直是地震储层表征的重要攻关方向，而地震谱反演作为一种薄层成像地震处理技术，可大幅度提高地震资料的垂向分辨率，对地下薄层识别及储层精细表征具有重要意义。

地震谱反演是一种采用谱分解技术来提高地震薄层识别能力的地震资料成像处理技术，其最终反演结果可为地下地层反射系数信息。通过对地震资料开展谱反演，能够拓宽地震有效频带范围，提高识别小于地震调谐厚度的薄层分布特征的能力。此外，地震谱反演能够有效规避能量集中于固定频带范围内的有色噪声对反演结果的影响，这是时间域方法所不具备的优势；且其对于地震随机噪声也具有很好的压制效果，从而可以整体提高薄层识别的精度。

在当前技术中，稀疏地震谱反演主要通过基追踪理论(Basis Pursuit,BP)或稀疏贝叶斯学习理论(Sparse Bayesian Learning,SBL)求解稀疏约束的目标函数。稀疏约束本质是一个L₀范数最优化问题，由于求解L₀范数属于NP难问题，BP理论将其近似简化为一种L₁范数约束问题再开展目标函数求解。但L₁范数天然存在稀疏表征不足的缺陷，因此通常情况下BP理论无法保证反演结果的稀疏性，降低了地震薄层识别的精度。SBL理论则是在贝叶斯框架下通过一定学习准则开展稀疏参数优化，其与BP理论不同之处在于对每一个基向量赋予不同的正则参数，从而提高了反演结果稀疏性和精度。

当前，基于SBL理论的地震谱反演方法仍有如下问题：1)针对目标函数的稀疏求解精度不足。当前基于SBL理论的地震谱反演方法以序贯算法(Sequential Algorithm,SA)为学习准则开展正则参数训练，方法可记为SBL-SA。与BP算法相比，SBL-SA理论虽然在一定程度上提高了反演结果的稀疏性，但由于序贯算法的贪婪性，含噪情况下SBL-SA理论所获取的训练参数精度通常不足；2)反演结果的横向连续性不足：传统地震谱反演通过稀疏理论提高地震垂向分辨率，然而方法并未考虑由于地下地层横向连续展布所对应的反射系数在一定范围内的横向稳定性，反演结果横向连续性较差。此外，传统理论较低的稀疏求解精度能够破坏反演结果的稳定性，进一步导致反演结果的横向连续性的降低。

发明内容

针对传统地震谱反演所存在的上述问题，本发明提出了一种新的基于稀疏贝叶斯学习理论的多道地震谱反演方法，通过以下两点重大改进以提高地震谱反演结果的精度及其横向连续性：1)改进参数训练准则；将正则参数的训练准则由传统SBL-SA中的序贯算法(SA)改进为最大期望(Expectation Maximization,EM)算法；2)改进输入地震道信息；将传统的单地震道频谱输入改进为以多个相邻道(Multichannel)的平均地震道频谱作为反演输入，方法可记为MSBL-EM。本发明提供的基于MSBL-EM理论的多道地震谱反演方法，旨在通过以EM算法为训练准则的稀疏贝叶斯学习理论提高地震谱反演稀疏解的准确性，并在此基础上通过融合邻道地震信息提高反演结果的横向连续性，从而最终提升地震薄层识别和储层精细表征的精度。