[发明专利]基于卷积神经网络的地震反演大数据生成方法

说明书

一种基于卷积神经网络的地震反演大数据生成方法，其核心是基于数据统计特征迁移生成大数据集，用于卷积神经网络实现地震反演，综合人工智能学、地球物理学、空间统计学、信息科学等多学科，将深度学习技术、大数据技术、地震反演技术等有机结合，针对地震反演所需数据集，以小数据生成大数据，解决野外勘探资料质量不高难题，降低数据收集成本及勘探风险，克服了现有技术存在的缺陷。

技术领域

本发明涉及石油、天然气地球物理勘探技术领域，具体领域为基于卷积神经网络的地震反演大数据生成方法。

背景技术

随着油气勘探技术的不断提升发展，对油气等自然资源的开发程度也逐渐增大，有限的资源使得高效勘探开采的难度持续提升。在地球物理勘探中，地震反演是根据实际观测得到的地震资料来推断地下地质真实情况以及地质模型各种性质的逆问题；与正演不同，反演通常具有多解性和不适定性，最终获得的结果往往受所用数据和处理方法等因素的影响。地震反演所使用的数据具有时间和空间上的特性，属于一种时空大数据，庞大的数据量加上种类繁多的有效信息使得地球物理勘探在处理解释环节遇到了大量的问题亟待处理，虽然使用传统反演方法也能达到很好的效果，但是却往往需要耗费大量的人力物力，因此传统反演技术不再能满足现状所需。近年来的各种研究表明，人工智能深度学习作为一种能通过数据挖掘以提取大数据中有效特征和其隐藏的规律结构的数据驱动算法在地球物理领域有着巨大的潜力和发展空间，有效地将两者交叉融合在很大程度上有助于传统反演方法的进一步优化改善。

计算机技术的飞速发展推动了大数据时代的到来，在地震反演中，通过大数据挖掘，结合神经网络的帮助能更好地从地震数据中发现特征，进而更加容易地恢复油藏储层的实际物理参数以及相关的分布情况，为后续解释人员的资料分析工作提供极大的帮助。但由于沙漠、戈壁或是山前带等这种地表的复杂地质条件外，在地下的构造如断层、裂缝、潜山等都使得勘探资料的分辨率和精度大大降低。低质量的勘探大数据使得高效分离出数据有效信息并用于各种处理解释面临巨大的挑战。因此，提出一种新的大数据生成方法，即基于深度学习中的卷积神经网络算法的地震反演大数据生成。

发明内容

本发明的目的在于提供一种基于卷积神经网络的地震反演大数据生成方法，该方法基于卷积神经网络算法，综合人工智能学、地球物理学、空间统计学、信息科学等多学科，将深度学习技术、大数据技术、地震反演技术等有机结合，针对地震反演所需数据集，把数据统计特征迁移的随机反演和深度学习进行融合，在生成大数据的过程中使用地球物理定律进行约束，以小数据生成大数据，解决野外勘探资料质量不高难题，降低数据收集成本及勘探风险，克服了现有技术存在的缺陷。

为达到以上技术目的，本发明提供以下技术方案。

基于卷积神经网络的地震反演大数据生成方法，其核心是基于数据统计特征迁移生成大数据集，用于卷积神经网络实现地震反演。该方法依次包括以下步骤：

(1)对目的工区测井波阻抗数据进行概率密度函数统计，选取差异最大的两组数据；

(2)将上述两组数据进行扰动漂移，同时根据波阻抗数据所对应的合成地震数据进行约束；

(3)保存符合数据特征迁移收敛条件的所有数据，确定训练样本；

(4)构建卷积神经网络模型，利用步骤(3)中的数据作为训练集进行模型训练；

(5)利用步骤(4)得到的卷积神经网络训练模型对目的工区进行地震反演。

附图说明

图1为本发明的扰动漂移示意图。

图2为本发明的基于卷积神经网络的地震反演大数据生成方法流程图。

具体实施方式

基于卷积神经网络的地震反演大数据生成方法，依次包括以下详细步骤：

步骤一：对目的工区每组测井波阻抗数据进行概率密度函数统计，选取符合筛选条件的两组数据。