[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

说明书

本发明涉及一种基于深度学习的高精度地震构造曲率体计算方法，本发明提供了一种使用深度学习技术进行高精度构造曲率计算模型的方法。该方法一方面结合井数据和地表DEM数据，使用合适的方法进行人工合成样本，提供大量具有准确高精度构造曲率标签的学习样本；另一方面借助于所设计的SeisCvtNet网络和Geometric损失函数，直接建立从地震波形响应(包括波形实部W_real和波形虚部W_imag)到高精度构造曲率(最大正曲率C_pos和最小负曲率体C_neg)的端到端映射模型，并据此对实际地震数据体的构造曲率进行准确计算。

技术领域

本发明涉及一种基于深度学习技术的高精度地震构造曲率体计算方法，精细、准确的地震构造曲率属性体能够有效地辅助地震解释人员对地下地层构造进行理解和刻画，属于地震数据构造解释领域。

背景技术

由于构造的曲率信息能够有效反映地下地层中所包含的断层、断裂带、微小褶皱和河道等地质现象，根据叠后地震数据进行地震构造曲率属性的求取是地震数据构造解释中的一种常用手段(参见现有文献1：Chopra S,Marfurt K J.Volumetric curvatureattributes for fault/fracture characterization[J].first break,2007,25(7)；现有文献2：Chopra S,Marfurt K J.Integration of coherence and volumetric curvatureimages[J].The Leading Edge,2010,29(9):1092-1107)。传统的构造曲率求取方法主要基于地震同相轴的相似性来进行倾角扫描得到局部构造的一阶偏导，而后在此基础上得到二阶偏导并进行曲率的计算(参见现有文献3：Al-Dossary S,Marfurt K J.3D volumetricmultispectral estimates of reflector curvature and rotation[J].Geophysics,2006,71(5):P41-P51)。虽然大量实践充分证实了这种实现的有效性，但其依旧存在两项问题：1)倾角扫描过程计算量较大，导致地震构造曲率体的计算耗时较长；2)受到倾角扫描计算结果精度影响，据此得到的构造曲率体往往不够精细，往往难以据此对地下地层的微小构造变化进行有效刻画。

近年来，深度学习技术在地震数据处理解释中的应用不断深入。针对地震数据深度学习过程难以获得准确学习标签这一问题，已有大量研究使用人工合成样本数据的策略(参见现有文献4：Wu X,Geng Z,Shi Y,et al.Building realistic structure models totrain convolutional neural networks for seismic structural interpretation[J].Geophysics,2020,85(4):WA27-WA39；现有文献5：王钰清,陆文凯,刘金林,等.基于数据增广和CNN的地震随机噪声压制[J].地球物理学报,2019,62(1):421-433)来进行解决，并在一系列应用上取得了良好的效果。本发明综合了上述的技术背景，同样采用首先人工合成高精度地震构造曲率预测样本数据集，而后在此基础上使用端到端深度神经网络，来建立从地震波形数据体到高精度构造曲率体的深度学习网络模型，并将该网络模型应用到实际地震数据体上进行预测，得到对应的高精度构造曲率体。与常规基于倾角扫描的构造曲率属性体计算方法相比，本发明中的方法具有计算结果精度更高、计算过程速度更快等诸多优点，使得能够以更为精细的地震构造曲率属性体来有效辅助对地下地层的构造解释。

发明内容