[发明专利]一种构建高分辨率波阻抗反演标签的自洽深度学习方法

权利要求书

1.一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其特征在于，包括以下步骤：

步骤A：构建变频条件下的单井波阻抗，形成多样性的正演数据和测井波阻抗数据；

步骤B：构建变频条件下测井与地震反演的波阻抗，形成相比单井容量更大的正演数据和井震联合反演的波阻抗数据；

步骤C：合并步骤A的正演数据、测井波阻抗数据和步骤B的正演数据、井震联合反演的波阻抗数据，构建初始正演数据和初始波阻抗数据集；

步骤D：将深度反演模型在步骤C中的初始正演数据和初始波阻抗数据集上进行深度学习训练，得到波阻抗标签反演模型；

步骤E：将步骤D中得到的波阻抗标签反演模型应用于已知地质模型下的正演得到的地震数据，完成已知地质模型下的地震数据的波阻抗预测，获取已知地质模型下的地震数据对应的预测波阻抗标签；

步骤F：将上述已知地质模型的真实波阻抗数据集与步骤E中预测的波阻抗标签数据集进行对比，若一致，则结束训练；若不一致，则输出预测后的波阻抗标签数据集与真实波阻抗数据集中不一致的标签，将不一致的标签样本进行正演模拟校正，得到校正后的地震数据和波阻抗数据；

步骤G：将步骤C中构建的初始正演数据和初始波阻抗数据集替换为步骤F中校正后的符合地质模式的地震数据和波阻抗数据，重复步骤D至F，从而完成波阻抗反演标签构建与预测的对应，通过深度学习的方法让构建与预测达到自洽。

2.根据权利要求1所述的一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其特征在于，上述步骤C中还包括，用基于测井的波阻抗和井震联合反演的波阻抗，与测井和地震进行比对，确保纵向上与单井的阻抗一致，横向上与速度模型具有较好的一致性，之后再使用随机采样的方式增强波阻抗标签样本。

3.根据权利要求1所述的一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其特征在于，上述步骤D中，所述深度反演模型为根据卷积神经网络CNN改进而成的深度反演网络CNN_inv_d模型，所述深度反演模型包括卷积层、池化层、Dropout层、激活层，其中Dropout层可备选为复杂数据集的过拟合和提高计算效率。

4.根据权利要求1所述的一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其特征在于，上述步骤D中，初始波阻抗数据集分为训练集、验证集和测试集，具体为：测井插值的数据分为训练集、验证集和测试集，三者的数据量比例为1：1：1；基于测井和地震联合反演的数据也分为训练集、验证集和测试集，三者的数据量比例为2：1：1；合并测井插值和测井地震联合反演的最终数据分为训练集、验证集和测试集，三者的数据量比例为3：2：2。

5.根据权利要求4所述的一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其特征在于，上述步骤D中，深度学习训练包括以下步骤：

步骤1，将深度反演模型在训练集上训练，可得到初始标签阻抗反演模型；

步骤2，将初始标签阻抗反演模型在验证集进行评估，以损失函数趋于平稳的条件下验证、训练误差较小为准则，经该准则评估后得到评估初始标签阻抗反演模型；

步骤3，将评估初始标签阻抗反演模型依次在训练集上训练、验证集上评估，经过数次训练评估后，得到准标签阻抗反演模型；

步骤4，将准标签阻抗反演模型在测试集进行评估，评估后得到标签阻抗反演模型。