[发明专利]一种结构和波速随机布设的三维速度地质建模方法

说明书

本公开提供了一种结构和波速随机布设的三维速度地质建模方法，在三维空间中确定基点，根据基点建立方程确定平面层状模型，将平面层状模型的倾斜层复杂化，构建三维空间上曲面的褶皱层模型；基于三维曲面褶皱层模型，结合随机参考点的断层面，以及各点在全局坐标系中的位移，建立三维断层褶皱模型；基于三维断层褶皱模型，构造含有盐丘的速度模型，在一定深度的地质体中将盐丘向上侵入进行模拟；根据已经设定完成的层状类别，按照设定的速度范围，和每层地质之间的波速差值范围，进行随机的波速幅值，实现三维速度建模；本公开提高了深度学习方法用于地球物理反演时的模型数据量，提高了深度学习方法反演效果。

技术领域

本公开属于地球物理勘探技术领域，涉及一种结构和波速随机布设的三维速度地质建模方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

地震法作为最常用的地球物理勘探方法之一，被广泛应用于石油勘探和煤田、金属矿藏探测等，具有广阔的应用前景。地震法的主要原理基于波场传播，将多个检波器布置于地表，通过多次激发人工震源产生波场并在地下介质中传播，当遇到地下介质波阻抗变化产生反射或折射返回地面，位于地面的检波器记录传播至地面的震动信息，通过成像或反演方法处理地震数据，以获取地下介质的分布信息。其中反演方法可以提高地震分辨率，得到更为准确的地下构造信息，提高对地下介质的评价能力，逐渐成为地震数据处理中不可获取的一部分。

据发明人了解，基于深度学习方法的地震数据反演方法是当前较为热门的方法，并取得了较好的效果。基于深度学习方法的地震数据反演是基于数据驱动的一种算法，本质是通过大量的数据来建立从地质模型到观测数据的映射关系，如果不能获得大量的数据，那么该算法的性能也会大打折扣。因此该方法对于数据的获取提出了很高的要求。建立合理模型，通过正演模拟获得数据是目前常用的一种方法，现有的速度建模方法主要是采用手工模型建立方法以及二维的批量速度建模方法，这些方法存在以下问题：

第一，建模成本太高；

在传统建模方法中，建立复杂速度模型通常依赖于对地球某个地下区域的地震勘探数据进行地质解释的专业知识，进而构建该地区的速度模型。在模型构建过程中，极大的人工工作量和成本会导致大量的标记数据集无法用于训练深度学习反演网络。

第二，模型复杂度低；

现有的批量速度建模方法主要以二维速度模型建立为主，建立的主要是二维的简单层状或断层模型，与实际的地质情况不符，模型复杂度太低，没有建立岩丘模型的方案，不足以模拟实际地质情况，直接导致使用深度学习方法获得的神经网络在面对较复杂实际模型时效果不佳。

实现速度模型建立的主要困难有以下两个方面：

1)需要合理的算法以及函数来随机建立合理的速度模型；

地质模型是经过地质运动形成的，具有很大的随机性，区域性的同时，也有地质历史信息，因此想要通过函数来生成能够模拟真实地质信息的速度模型需要符合地层的一般规律同时也要有足够的随机性以避免模型重复，存在较大难度。

2)在保证模型复杂度的前提下难以实现快速建模；

建立模型时需要对参数进行随机选择，在合理范围内生成速度模型，需要保证模型复杂度就对于参数选择提出了较高的要求，而进一步实现快速的随机速度建模难度就进一步加大。

发明内容

本公开为了解决上述问题，提出了一种结构和波速随机布设的三维速度地质建模方法，本公开针对缺失深度神经网络缺少训练数据集的问题，随机批量建立三维速度模型以解决目前在三维速度模型建立方面的空白。提高了数据集规模，有效增加了深度学习方法的反演效果。

根据一些实施例，本公开采用如下技术方案：

一种结构和波速随机布设的三维速度地质建模方法，包括以下步骤：