[发明专利]一种基于两步法的CNN井震联合反演方法、系统及应用

说明书

本发明属于地震与测井联合反演技术领域，公开了一种基于两步法的CNN井震联合反演方法、系统及应用，以测井数据x为输入，以地震数据y为输出，搜索从测井数据x到地震数据y的正演映射算子f：x→y，即y＝f(x)；映射正演输入的是训练数据，误差从输出层反向传播至毗邻输入层的隐藏层，每经一层都要更新该层的权值和偏置；反复训练，直到误差降到容忍范围为止。本发明的映射正演是以测井数据为输入，以地震数据为输出，搜索从测井数据到地震数据的正演映射算子；基于两步法的CNN井震联合反演，特别是变约束权重系数在正则化约束条件中所起的关键作用，降低了多解性，避免了陷入局部极小值，获得全局最优解。

技术领域

本发明属于地震与测井联合反演技术领域，尤其涉及一种基于两步法的CNN井震联合反演方法、系统及应用。

背景技术

目前，最接近的现有技术：当代油气藏精细描述对地球物理学提出了更高的要求，地质、测井、地震、油藏工程等多学科之间的相互渗透和有机融合已经成为必然。地球物理参数(如速度和密度)是研究油气藏内部结构和储层流体特征的重要信息，这些信息既可以通过测井直接测量获得，也可以通过地震反演间接得到。测井数据的特点是纵向分辨率高、横向稀疏；地震数据的特点是纵向分辨率低、横向密集。地震与测井联合反演就是将两者的优势结合起，取长补短。然而，传统的地震与测井联合反演方法是模型驱动的，都假设地球物理参数与地球物理响应之间具有先验的确定性映射算子(如褶积算子和波动方程算子)。这些只有在理想条件下才成立的映射算子往往难于满足实际情况，特别是像薄互层、各向异性、多相介质这样的复杂地质情况，而且有些地球物理参数(如孔隙度、渗透率和饱和度)却很难用数学建模的方法建立起地球物理参数与地球物理响应之间的映射关系。

近年，随着深度神经网络(Deep Neural Networks，DNN)的复兴，在很多科学领域利用数据驱动的方法解反问题已经成为一种趋势。根据通用近似定理，当隐藏层有足够多的神经元时，DNN理论上可以逼近任何连续函数。基于DNN的机器学习通常称为深度学习。由定义可知，卷积神经网络(Convolutional Neural Networks，CNN)是一种特殊的DNN，具有局部连接和权值共享两大特点。由于在图像处理和语音识别中的重大突破，CNN被广泛关注并成功应用于农业、医学、交通等领域。

在地球物理领域，CNN普遍应用于分类，如断层解释、初至拾取、地震相识别、地震道编辑等。CNN通过深度学习可以自动搜索并逐渐逼近从地球物理响应到地球物理参数的映射算子，不需要任何先验的确定性映射算子。也就是说，CNN是纯数据驱动的，而不是模型驱动的。此外，CNN还是完全非线性的。虽然训练时间较长，但是一旦完成学习任务，CNN便可快速输出预测结果，大幅度降低计算成本。于是，有些学者将CNN应用于反演。反演属于监督学习的另一种应用类型，即回归。基于CNN的地震反演通常是以地震数据为输入、待反演参数为输出。例如：将法线入射的合成地震记录作为输入、声阻抗作为输出；把合成的叠前多炮地震道映射为速度模型；先将二维多炮合成地震记录编码成一个特征向量，再把这个特征向量解码成二维速度模型。

解决上述技术问题的难度：映射反演是从低频推高频，因地震数据频带宽度有限，故重建测井数据存在困难，且在代价函数中难以添加约束条件，故反演结果多解性相对较强。

解决上述技术问题的意义：实现测井资料与地震资料的优势互补，有效建立地球物理参数与地球物理响应之间的映射关系，推动多学科集成化井震联合反演的发展，为井震联合反演提供了一项智能化的新技术。

发明内容

针对现有技术存在的问题，本发明提供了一种基于两步法的CNN井震联合反演方法、系统及应用。

本发明是这样实现的，一种基于两步法的CNN井震联合反演方法，所述基于两步法的CNN井震联合反演方法包括以下步骤：

第一步，以测井数据x为输入，以地震数据y为输出，搜索从测井数据x到地震数据y的正演映射算子f：x→y，即y＝f(x)；