一种构建高分辨率波阻抗反演标签的自洽深度学习方法

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.为实现上述目的，本发明采用的技术方案为：
7.一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：
8.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；
9.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；
10.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；
11.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；
12.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；
13.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；
14.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。
15.进一步的，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。
16.进一步的，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。
17.进一步的，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。
18.进一步的，上述步骤d中，深度学习训练包括以下步骤：
19.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；
20.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；
21.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；
22.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。
23.与现有技术相比，本发明的有益效果为：
24.本发明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。
25.测井插值可以获取地层的波阻抗标签，在此基础上通过变频子波获取大量波阻抗标签数据，相当于人为增加了新的标签，其涵盖预测目标中的波阻抗标签。因测井插值获取波阻抗标签的多样性受限于人为因素影响，结合地震数据，可以构建符合地层条件下的尽可能真实存在的波阻抗标签，避免了大量与地层不相关的波阻抗标签。因此在变频合成记录的约束下，通过比对与真实地震记录的差异，根据差异小的原则，可以确保新增加波阻抗标签的合理性，为基于深度学习的地震波阻抗反演提供大容量的样本。
附图说明
26.图1为基于cnn_inv_d波阻抗反演流程示意图。
27.图2为本发明实施例中陆相砂泥岩波阻抗地质模型。
28.图3为本发明实施例中伪井插值波阻抗。
29.图4为本发明实施例中地震测井反演波阻抗。
30.图5为本发明实施例中基于cnn_inv_d深度学习的波阻抗反演。
31.图6为本发明实施例中损失值变化曲线图。
具体实施方式
32.下面结合实施例对本发明作详细说明，本实施例在以本发明方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。
33.一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：
34.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；
35.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；
36.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；
37.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；
38.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；
39.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；
40.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。
41.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。
42.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。
43.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，具体方法为：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。
44.上述步骤d中，深度学习训练包括以下步骤：
45.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；
46.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；
47.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；
48.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。
49.下面为具体实施例。
50.一种构建高分辨率波阻抗反演标签的自洽深度学习方法，包括以下阶段：
51.1、前置条件：
52.数据集标记为沉积岩、变质岩和火山岩，主要是针对上述岩层中成层较好的地层，其实现的具体的流程见图1，地质模型见图2。
53.数据集生成为单井单道计算波阻抗，以及地震测井反演波阻抗。
54.2、模型训练阶段：
55.在单井单道计算波阻抗和地震测井联合反演波阻抗的数据集上，搭建神经网络，确定损失函数，使用梯度下降技术对参数进行训练，得到一组能使损失函数相对较小的模型参数，完成模型的初步训练；
56.用初次训练好的模型对部分地震测井联合反演波阻抗数据训练集进行预测；
57.将模型预测出的波阻抗标签与真实的标签比对，根据地震合成记录标定筛选出与真实不符合的标签并重新开展地震反演，做到井震匹配。
58.3、模型迭代阶段：
59.在重新打标之后的数据集上训练模型，不断重复模型训练阶段，直至模型预测结果与实际数据基本吻合。
60.构建测井插值的波阻抗和地震测井联合反演的波阻抗作为数据集，该数据集特点为：数据集均为特定地质模型条件下的测井插值波阻抗(图3)和测井与地震联合反演波阻抗(图4)；测井插值波阻抗在井间存在错误的标签，即有一定的错误标签混在测井插值波阻抗标签里面，且这部分数据的标签也将作为特定地质模型条件下的训练标签；地震测井反
演的波阻抗标签的精度依赖于反演地质模型，构建的反演地质模型与特定地质条件下的存在误差也会产生一定的错误标签，即有一定的错误标签混在地震波阻抗反演标签里面；初始波阻抗数据集被随机分为训练集、验证集和测试集，其中训练集的规模要远大于验证集和测试集。
61.在训练之前，进一步处理数据，利用采样与数据合成方法处理样本不平衡问题，具体方法为：使用随机采样对波阻抗数据集进行数据增强；更进一步地使用上述步骤a和步骤b中改变地震子波相位和频率的方法生成更多的样本，提升小数据场景应用效果。
62.利用cnn网络的架构，主要包括卷积层、dropout、池化层和激活函数结构构建深度反演模型；根据cnn网络改进而成的深度反演网络cnn_inv和cnn_inv_d，是卷积神经网络(cnn)中的两种变形形式，将cnn_inv和cnn_inv_d在上述步骤a和步骤b生成的数据集上的波阻抗效果进行对比，发现cnn_inv_d较其它神经网络准确率有提升。因此选择cnn_inv_d作为最终深度反演模型。
63.cnn_inv_d训练模型的大致流程为：
64.a、模型输入。cnn_inv_d是一种深度学习地球物理反演的方法，模型输入即为数值矩阵，模型输入为m*n。其中m*n是数据集行和列。
65.b模型结构。基本的cnn主要包括4个元素，分别为卷积层、池化层、激活函数、全连接层。而cnn_inv_d是一种深度学习地球物理反演的反演主要包括4个元素，分别为卷积层、池化层、dropout、激活函数，其中dropout可备选为复杂数据集的过拟合和提高计算效率。
66.卷积层的目的是提取数据特征，除了特征值本身外，还包含相对位置信息。池化层的目的是用于压缩卷积层信息，将特征映射的神经单元数目缩减来降低数据维度。dropout主要目的是提高模型泛化能力，强迫一个神经元和随机挑选出来的其他神经元共同工作，消弱减除了神经元节点之间的联合适应性，可以阻止某些特征的协同作用，使模型不会太依赖某些局部特征，从而增强模型的鲁棒性。激活函数主要目的是构建一个非线性的映射关系，以建立输入与输出之间的关系。cnn_inv_d继承cnn特征提取优势，通过激活函数来构建数据与标签的非线性映射，用训练好的cnn_inv_d反演模型重新应用于原训练集上并进行标签预测，对训练集上的样本进行标签反演。预测的具体方法为使用cnn_inv_d反演模型得到各种参数，具体包括损失值(图6)、权重和偏置。
67.将反演的标签结果与原始标签进行对比，若不一致，输出与原始标签不一致的样本进行人工检验，若的确标注错误，则将标注错误的样本标签校正。若一致，则结束训练。结束训练后得到最终模型，用数据输入模型，得到反演结果(图5)。
68.以上所述实施例仅表达了本技术的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。
69.本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。