[发明专利]一种基于深度学习的高精度地震构造曲率体计算方法

权利要求书

1.一种基于深度学习的高精度地震构造曲率体计算方法，其特征在于，包括以下步骤：

步骤一、地震曲率深度学习样本生成，使用人工合成样本的方法，构建以地震波形响应为输入，准确高精度构造曲率为标签的数据样本集；

步骤二、地震曲率深度学习模型拟合，采用端到端网络结构，基于深度学习技术对样本集进行拟合，直接建立从地震波形响应到高精度构造曲率的映射模型；

步骤三、地震曲率深度学习模型应用，使用得到的端到端网络模型同时对实际数据的最大正曲率C_pos和最小负曲率C_neg同时进行预测，并针对所使用的端对端网络模型结构，进行对应的Geometric损失函数定义；

所述步骤一包括以下子步骤：

步骤S11、三维构造模型的生成：通过宏观褶皱模拟、断层错切模拟和微小褶皱模拟三步进行三维构造模型的生成；借鉴地表数字高程模型DEM数据中的微小地形起伏，构建同时具有宏观构造趋势和微小构造变化的三维构造模型；

步骤S12、三维地层模型的生成：将步骤S11中的三维构造模型的生成过程应用到水平地层属性模型上，得到具有同样构造的三维地层波阻抗模型和地层反射系数模型，具体过程为，首先以给定井波阻抗数据，或给定的波阻抗剖面上的一道为基础，在水平方向上进行延拓将其展开为水平的三维波阻抗模型；而后为了模拟实际地层中所存在的非均质性，进一步对该地层中的波阻抗在水平方向上进行扰动，得到非均质化的水平地层三维波阻抗模型及其对应的反射系数模型；最后，通过将与前述三维构造模型生成过程一致的形变模拟过程应用到该三维波阻抗模型上，得到与其一致的三维地层反射系数模型，构建得到同时具有宏观构造趋势和微小构造变化的三维地层模型；

步骤S13、地震波型数据的正演：在步骤S12得到的三维地层反射系数模型基础上，基于雷克子波进行一维褶积正演，得到该地层模型所对应的地震响应。

2.根据权利要求1所述的计算方法，其特征在于，所述步骤S13中从20Hz到80Hz的频率范围内随机选择多个频率来作为子波主频分别进行褶积正演，得到具有不同频率特征的地震响应；对正演所生成的波形进行希尔伯特变换，得到对应的波形虚部响应作为后继深度学习输入通道之一。

3.根据权利要求2所述的计算方法，其特征在于，所述步骤二采用SeisCvtNet网络结构的端到端全卷积网络模型，基于步骤一所生成的样本集拟合从W_real+W_imag到最大正曲率C_pos+最小负曲率C_neg的网络映射模型；所述步骤三以多任务的思路同时对最大正曲率C_pos和最小负曲率C_neg进行预测；使用所定义的Geometric损失函数，进行SeisCvtNet网络模型的深度学习拟合。

4.根据权利要求3所述的计算方法，其特征在于，步骤二中采用样本增广技术来提升有限样本条件下的SeisCvtNet网络深度学习拟合效果，包括：样本体的翻转和旋转、随机噪音数据的混入、样本波形振幅的缩放。

5.根据权利要求3所述的计算方法，所述步骤三是将步骤二中拟合得到的深度网络模型应用到实际数据上进行高精度的地震构造曲率预测，首先对叠后地震波形数据进行希尔伯特变换，得到对应波形虚部W_imag数据体；而后将整个的地震波形数据W_real和对应波形虚部W_imag地震数据体切割成对应1283大小的小体，所述小体与小体间有重叠，并将代入到拟合得到的网络模型中计算各自对应的最大正曲率C_pos和最小负曲率体C_neg；最后，采用三维高斯窗对这些预测出的小体进行集成合并，得到与待解释数据体大小一致的三维构造曲率体，作为最终的构造曲率计算结果。