[发明专利]基于地震反射波形和速度谱的深度学习速度建模方法

说明书

本发明涉及一种基于地震反射波形和速度谱的深度学习速度建模方法，属于石油地球物理勘探技术领域。本发明包括如下步骤：训练集地震速度模型的生成、训练集数据的生成与处理、深度神经网络架构的搭建、深度神经网络模型的训练、输入数据的准备、地震速度模型的预测。本发明拥有完备的网络架构和深度网络，它仅依赖于大规模的训练数据，并且具备强大的非线性映射能力。本发明可以方便高效地通过深度神经网络，利用地震记录数据和速度谱数据来构建地震速度模型；从理论成果可看出，可以利用地震记录数据对包含训练集特征的地层进行速度建模，且网络模型有一定的抗噪能力。

技术领域

本发明涉及一种基于地震反射波形和速度谱的深度学习速度建模方法，属于石油地球物理勘探技术领域。

背景技术

地震速度建模一直是地震勘探的重要内容，如何快速有效地构建速度模型一直是勘探地震学研究中的热点问题。它不仅影响地震波成像精度，还对结果解释具有指导作用。长期以来，人们建立了多种方法来建立速度模型，以期揭示地球内部的结构和提高地震成像精度。地震速度建模问题从数学的角度可看做是非线性泛函的极小值问题。

近年来国内外许多地震工作者就地震速度建模做了大量研究，形成了多种成熟的建模方法。基于速度谱分析的速度建模方法在油气勘探中最为常用，该方法可以为油田速度建模提供初始速度模型，但由于该方法基于水平层状速度结构假设，导致其对复杂速度难以形成有效建模。常用的复杂速度模型估计方法主要是基于射线理论的走时层析成像(Keiiti等，1976)，走时层析逐渐从高频近似的射线理论发展到更精确的波动理论计算走时(Luo等，1991)，这类走时层析方法对于速度变化平缓的结构较为适用，但是对于复杂速度结构，走时层析方法在模型速度梯度较大区域的成像效果不佳。为了解决复杂速度结构的建模问题，Tarantola等(1984)提出了波形反演方法，波形反演理论逐渐从理论研究到实际应用，产生了很多的研究分支，主要分为时域波形反演(Chi等，2015)和频域波形反演(Pratt等，2012)。然而，上述速度建模方法强烈依赖于初始模型和先验信息。针对不同的研究区域进行速度建模，不仅要给出符合其地质特征的初始速度模型和先验信息，还要在此基础上进行模型参数的迭代优化，过程繁琐、稳定性低且耗时严重。

随着数据量与数据类型的快速增长和计算能力的逐年迅速提高，近年来机器学习在各个领域的应用研究中日趋火热。另外，随着研究区域的不断扩展和检波器的更新换代，地球物理观测数据呈指数增长，因此发展一种更加高效智能化的速度建模方法迫在眉睫，机器学习为其提供了新的处理工具。陆文凯等(1996)提出了用BP神经网络进行地震反演，在假定反演目标和地震资料之间存在某种非线性映射的情况下，用神经网络逼近反演问题中的正演和反演过程，实现用神经网络自适应地外推测井资料。张繁昌等(2014)通过褶积神经网络进行地震反演，获得比常规稀疏脉冲反演分辨率更高的地层波阻抗剖面。Lewis W等(2017)将深度学习的方法应用在盐丘类地质体速度成像中；Dahlke等(2017)直接从原始地震记录出发利用深度学习预测断层；奚先等(2018)将散射波场的反演成像问题转换为波场各点的二值分类问题，然后训练深度学习模型，确定散射点；Araya-Polo M等(2018)提出了深度学习层析成像的概念，利用深度神经网络在数据空间与模型空间之间直接建立非线性映射关系。

深度学习的解决问题的基本思路是通过神经网络框架对数据空间进行全局搜索，不会受限于先验信息的缺失，避免了初始模型和先验信息准确度的限制，可作为一种速度建模的有力手段。另外，本方法在利用深度神经网络进行地震速度建模的时候，引入了速度谱，提高深度学习地震速度建模的稳定性和准确度。

发明内容