[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

说明书

本发明公开了一种构建高分辨率波阻抗反演标签的自洽深度学习方法，属于深度学习地震波阻抗反演领域，解决了现有技术难以获取高精度大容量的样本问题，井插值具有高纵向分辨率，插值无法获取与地层一致性较好的横向特征的问题，本发明提供一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其目的在于：通过对井插值和井震联合反演数据集进行迭代训练，从而构建高分辨率波阻抗反演标签的深度学习方法，其不需要准确的地质模型，训练难度低且经济可靠，效率高，具有重要现实意义。

技术领域

本发明属于深度学习地震波阻抗反演领域，具体为一种构建高分辨率波阻抗反演标签的自洽深度学习方法。

背景技术

高分辨率地震反演是通过利用地震、测井和地质等技术手段为油田勘探与开发储层预测提供技术支撑的重要技术，提升储层预测精度可提高生产效益。油气生产单位始终追求提质增效、将本增效来达到产量和效益的最高，随着油田勘探与开发的推进，各类数据齐全、丰富，如何充分利用各类数据、提高储层预测精度，成为低油价背景下亟待解决的问题。

油田勘探与开发中地质模型的确定是建立在测井和地震的基础上，根据经验和开发实践不断更新的，其更改主要是根据钻井资料和开发资料的引入而修改完善地质模型的，并进一步修改完善反演模型，以此降低地质模型的多解性，进而降低反演结果的多解性。但由于地质模型构建中的地质认识高度依赖于专家的经验，其获取难度大，质量取决于已知的钻测井数据和地震数据，造成用于深度学习样本受限，且在进行模型训练时，必须面临各种未知条件，获取的阻抗标签受到专家经验、地质模型、测井数据质量、地震数据质量等各种因素外，造成获取地层条件下的样本严重不平衡，也就是证实的阻抗与预测的目标的相关性存在较大的不一致性，也就是预测目标中标签在样本中不存在，这个不存在的部分将严重影响训练模型的效果。由于样本容量要求大，对于每一个带标签数据集，通过井震联合波阻抗反演可以轻易获取。

基于深度学习的地震波阻抗反演往往需要大量标记正确的数据，主要取决于研究区钻井资料，而研究区的钻井资料插值的地质模型不足以代表地下的真实状况，且部分数据可能因仪器等因素造成的误差而被污染。此外，井资料的密集程度也会造成拟合问题，现有的深度学习模型难以对数据集进行表示，从而使得模型在测试集上的表现较差，而常用的标签获取方法并不能很好地解决这一问题。

发明内容

针对现有技术难以获取高精度大容量的样本问题，测井插值具有高纵向分辨率，插值无法获取与地层一致性较好的横向特征的问题，本发明提供一种构建高分辨率波阻抗反演标签的自洽深度学习方法，其目的在于：通过对测井插值和测井与地震联合反演波阻抗数据集进行迭代训练，从而构建一个高分辨率波阻抗标签，并通过深度学习检测这种方法的可靠性，最终形成一个标签构建和深度学习检测的自洽方法。

为实现上述目的，本发明采用的技术方案为：

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；