[发明专利]地震记录反演方法、装置、设备及存储介质

说明书

本发明实施例提供一种地震记录反演方法、装置、设备及存储介质，其中方法包括：获取小样本地震记录、对应的小样本波阻抗以及大样本无标签地震记录，基于神经网络模型构建对偶WGAN模型，对偶WGAN模型包括反演WGAN和正演WGAN，通过小样本地震记录、小样本波阻抗以及大样本无标签地震记录，对对偶WGAN模型进行优化，将大样本无标签地震记录输入到优化后的反演生成器中，生成对应的大样本波阻抗，构建对偶WGAN模型，可以基于对偶学习的循环一致性，实现小样本地震记录的高精度反演，利用Wasserstein距离代替传统GAN中的交叉熵损失函数，提高了地震记录反演的稳定性。

技术领域

本发明涉及能源开发勘探领域，尤其涉及一种地震记录反演方法、装置、设备及存储介质。

背景技术

波阻抗反演是一种估计地下介质弹性参数的叠后反演技术。根据褶积公式，叠后地震道集同一反射点的振幅和反射界面上下介质的弹性性质有关，叠后地震记录反演就是基于这一关系，利用反演方法根据叠后地震数据计算地下介质的弹性参数，即波阻抗。

现有的反演方法是将卷积神经网络应用在波阻抗反演中，基于监督深度全卷积神经网络直接从原始地震记录中建立速度模型的新方法。在训练阶段，网络建立了一个非线性投影从多炮地震数据到相应的速度模型。在预测阶段，训练好的网络可以用来估计新的输入地震数据的速度模型。

但是该方法在面对大量地震记录和少量对应的波阻抗时，难以实现对大量无标签地震记录的训练和优化，达到反演所需精度。

发明内容

本发明实施例提供一种地震记录反演方法、装置、设备及存储介质，用以提高小样本条件下对大量无标签地震记录的反演精度。

第一方面，本发明实施例提供一种地震记录反演方法，所述方法包括：

获取小样本地震记录、所述小样本地震记录对应的小样本波阻抗以及大样本无标签地震记录；

基于神经网络模型构建对偶WGAN模型，所述对偶WGAN模型包括反演WGAN和正演WGAN，其中，所述反演WGAN包括反演生成器和反演判别器，所述正演WGAN包括正演生成器和正演判别器；

通过所述小样本地震记录、所述小样本波阻抗以及所述大样本无标签地震记录，对所述对偶WGAN模型进行优化；

将所述大样本无标签地震记录输入到优化后的反演生成器中，生成对应的大样本波阻抗。

可选的，所述反演生成器为在条件信息约束下输入为双通道的一维U-net生成器，所述反演判别器为在条件信息约束下输入为双通道的一维Markovian判别器；

所述正演生成器为一维U-net生成器，所述正演判别器为一维AlexNet判别器。

可选的，通过所述小样本地震记录、所述小样本波阻抗以及所述大样本无标签地震记录，对所述对偶WGAN模型进行优化，包括：

通过所述小样本地震记录、所述小样本波阻抗以及所述大样本无标签地震记录，确定反演判别器损失函数、正演判别器损失函数以及生成器损失函数；

根据所述反演判别器损失函数、所述正演判别器损失函数以及所述生成器损失函数对所述反演判别器、正演判别器以及生成器进行优化；

其中，所述生成器包括所述正演生成器以及所述反演生成器。

可选的，通过所述小样本地震记录、所述小样本波阻抗以及所述大样本无标签地震记录，确定反演判别器损失函数、正演判别器损失函数以及生成器损失函数，包括：

将低频模型、所述小样本波阻抗和地震记录输入到所述反演生成器中，得到波阻抗预测值，其中，所述地震记录包括小样本地震记录和大样本无标签地震记录；