一种多信息融合的人工智能低频模型构建方法及系统与流程

1.本发明涉及地球物理储层预测地震反演技术领域，特别是关于一种多信息融合的人工智能低频模型构建方法及系统。


背景技术：

2.目前，储层预测最常用的手段是地震反演。低频信息能够控制反演结果的背景趋势，因此对储层预测具有重要意义。然而，受地震采集系统的限制，地震直接反演的结果缺少低频分量。为了在反演结果中加入低频趋势，需要构建低频模型。
3.常规的低频模型构建方法有三种，分别为基于井内插和外推的低频建模方法、基于地震速度分析的低频建模方法和基于地质模型的低频建模方法。
4.然而，受钻井稀疏性、地震速度粗略性或地质模型主观性的影响，采用上述这些方法建立的低频模型具有“牛眼”现象，存在分辨率和精度低、实施步骤复杂等问题。


技术实现要素：

5.针对上述问题，本发明的目的是提供一种多信息融合的人工智能低频模型构建方法及系统，能够有效规避“牛眼”现象，提升分辨率和精度。
6.为实现上述目的，本发明采取以下技术方案：第一方面，提供一种多信息融合的人工智能低频模型构建方法，包括：
7.根据研究区已钻井的原始测井数据，选取已钻井的目标曲线；
8.根据研究区已钻井的叠前cmp道集，得到地震层速度以及近、中和远道部分叠加地震数据体；
9.基于近、中和远道部分叠加地震数据体、地震层速度和目标曲线，选出最优化地震属性组合，并得到目标曲线与最优化地震属性组合之间的最优非线性模型；
10.将最优非线性模型应用于整个研究区的最优化地震属性组合中，得到与目标曲线类型相同的研究区的目标数据体；
11.对目标数据体进行低通滤波处理，得到研究区的目标低频模型。
12.进一步地，还包括：根据得到的目标低频模型，采用测井数据交会分析结果进行拟合，得到研究区的其他低频模型。
13.进一步地，所述根据研究区已钻井的原始测井数据，选取已钻井的目标曲线，包括：
14.获取研究区已钻井的原始测井数据并进行优化处理；
15.采用优化处理后的原始测井数据中的纵波曲线和密度曲线进行井震标定，选取井震关系相关性达到预设要求的已钻井的目标曲线。
16.进一步地，所述根据研究区已钻井的叠前cmp道集，得到地震层速度以及近、中和远道部分叠加地震数据体，包括：
17.获取研究区已钻井的叠前cmp道集；
18.对叠前cmp道集进行深度偏移，得到地震层速度和crp道集；
19.对crp道集进行分角度叠加，得到近、中和远道部分叠加地震数据体。
20.进一步地，所述近、中和远道部分叠加地震数据体分别指对小、中和大角度叠前crp道集进行叠加得到的对应地震数据体。
21.进一步地，所述基于近、中和远道部分叠加地震数据体、地震层速度和目标曲线，选出最优化地震属性组合，并得到目标曲线与最优化地震属性组合之间的最优非线性模型，包括：
22.根据近、中和远道部分叠加地震数据体、地震层速度和目标曲线，进行多属性线性回归分析训练，选出最优化地震属性组合；
23.根据目标曲线和最优化地震属性组合，进行深度前馈神经网络分析训练，得到目标曲线与最优化地震属性组合之间的最优非线性模型。
24.进一步地，所述对目标数据体进行低通滤波处理，得到研究区的目标低频模型，包括：
25.根据目标数据体的实际频率，设置截止频率值；
26.只保留目标数据体不大于截止频率值的频率成分，得到与目标曲线和目标数据体类型一致的研究区的目标低频模型。
27.第二方面，提供一种多信息融合的人工智能低频模型构建系统，包括：
28.目标曲线选取模块，用于根据研究区已钻井的原始测井数据，选取已钻井的目标曲线；
29.叠前cmp道集处理模块，用于根据研究区已钻井的叠前cmp道集，得到地震层速度以及近、中和远道部分叠加地震数据体；
30.最优非线性模型确定模块，用于基于近、中和远道部分叠加地震数据体、地震层速度和目标曲线，选出最优化地震属性组合，并得到目标曲线与最优化地震属性组合之间的最优非线性模型；
31.目标数据体确定模块，用于将最优非线性模型应用于整个研究区的最优化地震属性组合中，得到与目标曲线类型相同的研究区的目标数据体；
32.低频模型确定模块，用于对目标数据体进行低通滤波处理，得到研究区的目标低频模型。
33.第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述多信息融合的人工智能低频模型构建方法对应的步骤。
34.第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述多信息融合的人工智能低频模型构建方法对应的步骤。
35.本发明由于采取以上技术方案，其具有以下优点：
36.1、本发明通过输入近、中、远道部分叠加地震数据体同时参与训练，可以增加反映不同储层参数的不同偏移距/入射角的信息，提高低频模型对于实际地质情况的描述能力。
37.2、本发明通过输入深度偏移地震层速度参与训练，以在目标低频模型中加入0-5hz的低频成分。相对于采用常规井内插和外推方法得到的初始模型，地震层速度可以更好地反映地质背景趋势，尤其对于已钻井数量少、不同井之间深度差别较大的地区，更具合理
性；而相对于采用时间偏移均方根速度求取的层速度，深度偏移地震层速度准确性更高。
38.3、本发明将多属性线性回归分析和深度前馈神经网络串联，多属性线性回归分析原理简单、计算速度快，可以初步拟合出各种地震属性与目标曲线之间的较好关系，深度前馈神经网络与传统机器学习相比，能够自动从简单的特征中学习、提取有用信息以得到更深层、更复杂的特征，获得更合理的非线性模型，而将多属性线性回归分析和深度前馈神经网络串联，与单纯运用多属性线性回归分析或深度前馈神经网络相比，可以在选出最优化地震属性组合的基础上，通过深度学习进一步得到最优非线性模型，进而获取目标数据体和目标低频模型。
39.4、本发明在进行多属性线性回归分析训练，建立目标曲线与多种地震属性之间的关系时，剔除掉无地质含义的属性和频率类属性，可以有效提升目标低频模型的分辨率、精度与平面预测性。
40.5、本发明可以有效规避常规低频模型的“牛眼”现象，为地震反演提供包含更丰富地质背景与沉积特征信息的低频模型，对后续储层精细预测工作具有重要意义。
41.综上所述，本发明可以广泛应用于地球物理储层预测地震反演技术领域中。
附图说明
42.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
43.图1是本发明一实施例提供的方法流程示意图；
44.图2是本发明一实施例提供的研究区目的层段的深度偏移地震层速度频谱示意图；
45.图3是本发明一实施例提供的地震纵波频谱示意图；
46.图4是本发明一实施例提供的地震纵波连井剖面示意图；
47.图5是本发明一实施例提供的采用基于井内插和外推的方法构建的岩性指示因子低频模型在研究区目的层段的平面示意图；
48.图6是本发明一实施例提供的采用本发明方法构建的岩性指示因子低频模型在研究区目的层段的平面示意图；
49.图7是本发明一实施例提供的采用基于井内插和外推的方法构建的低频模型与直接反演结果融合后得到的岩性指示因子绝对反演结果在研究区目的层段的平面示意图；
50.图8是本发明一实施例提供的用本发明方法构建的低频模型与直接反演结果融合后得到的岩性指示因子绝对反演结果在研究区目的层段的平面示意图。
具体实施方式
51.下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
52.应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进
行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
53.尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
54.本发明实施例提供的多信息融合的人工智能低频模型构建方法及系统，输入近、中、远道部分叠加地震数据体与深度偏移地震层速度参与训练，利用多属性线性回归分析和深度前馈神经网络串联的方式，在选出最优化地震属性组合的基础上，通过深度学习进一步得到最优非线性模型，进而获取目标数据体与目标低频模型。由本发明构建的低频模型分辨率和精度更高，平面预测性和对实际地质情况的描述能力更强，包含的地质背景和沉积特征信息更丰富，能够有效规避“牛眼”现象，对后续的储层精细预测与定量分析工作具有重要意义。
55.实施例1
56.如图1所示，本实施例提供一种多信息融合的人工智能低频模型构建方法，包括以下步骤：
57.1)获取研究区已钻井的原始测井数据和叠前cmp(common middle point，共中心点)道集。
58.具体地，已钻井的原始测井数据包括目的层段内的与拟构建低频模型数据类型一致的井曲线、纵波(声波)曲线、纵波阻抗曲线和密度曲线等。
59.例如：若拟构建研究目的层段h1的纵波低频模型，则原始测井数据至少应包括h1层段内的纵波曲线；若拟构建研究目的层段h2的密度低频模型，则原始测井数据至少应包括h2层段内的密度曲线和纵波曲线。
60.2)对获取的原始测井数据进行优化处理，并采用优化处理后的原始测井数据进行精细井震标定，选取井震关系相关性达到预设要求的已钻井的目标曲线，具体为：
61.2.1)对获取的原始测井数据进行优化处理。
62.具体地，优化处理通常包括环境校正和标准化，目的是对由测井和钻井环境引起的测井曲线测量偏差进行修正，消除多井间由于不同仪器、不同测量环境、不同采集时间和不同井眼条件引起的测量结果系统差异。
63.2.2)采用优化处理后的原始测井数据中的纵波曲线和密度曲线进行井震标定，选取井震关系相关性达到预设要求的已钻井的目标曲线。
64.具体地，精细井震标定的具体过程为：
65.①
根据优化处理后的原始测井数据中的纵波曲线和密度曲线，得到纵波阻抗曲
线，其中，若没有密度曲线，则可以通过gardner经验公式得到密度曲线，若原始测井数据中包括纵波阻抗曲线，则跳过该步骤。
66.②
将纵波阻抗曲线转换为反射系数序列。
67.③
对叠前cmp道集进行全叠加，得到原始地震记录。
68.④
根据目的层段附近原始地震记录的振幅和频率，创建初始零相位振幅谱子波。
69.⑤
将步骤
④
提取的零相位振幅谱子波和步骤
②
得到的反射系数序列进行褶积，得到合成地震记录。
70.⑥
通过整体时移、局部拉伸或压缩等方式，对步骤
⑤
得到的合成地震记录进行调整，使其与步骤
③
得到的原始地震记录的相关性和波组特征一致性提升。
71.⑦
基于调整后的合成地震记录重新提取零相位振幅谱子波，进入步骤
⑤
，直至合成地震记录与原始地震记录的相关性和所提取零相位振幅谱子波的形态、振幅谱和相位谱达到预设的要求。
72.例如：当合成地震记录与原始地震记录的相关性在研究目的层段附近达到70％即为达到预设的要求。
73.具体地，目标曲线指的是与拟构建低频模型数据类型一致的井曲线，例如拟构建纵波低频模型，则目标曲线为纵波曲线。
74.3)对叠前cmp道集进行深度偏移，得到地震层速度和叠前crp道集。
75.4)对叠前crp道集进行分角度叠加，得到近、中和远道部分叠加地震数据体。
76.具体地，近、中和远道部分叠加地震数据体分别指对小、中和大角度叠前crp道集进行叠加得到的对应地震数据体，具体小、中和大角度的范围选取可以根据实际测试进行确定，在此不多做赘述。
77.5)将步骤2)中选取的目标曲线作为学习目标，根据步骤3)得到的地震层速度以及步骤4)得到的近、中和远道部分叠加地震数据体，进行多属性线性回归分析训练，建立目标曲线与多种地震属性之间的关系，选出使预测误差最小的最优化地震属性组合。
78.具体地，地震属性包括输入数据(即近、中和远道部分叠加地震数据体和地震层速度)及其衍生属性，衍生属性是指基于输入数据，通过对输入数据进行数学变换或属性变换得到的属性，例如：输入的地震层速度的倒数、输入的远道部分叠加地震数据体的振幅包络等。进一步地，衍生属性不应包含无地质含义的属性或频率类属性。
79.具体地，将目标曲线上的每一样点看为同一时刻的若干地震属性的线性组合，每一样点处，目标曲线可由下述线性回归方程表示：
80.l(t)＝ω0+ω1a1(t)+ω2a2(t)+
…
+ω
iai
(t)+
…
+ω
nan
(t)
ꢀꢀ
(1)
81.式中，l(t)表示t时刻目标曲线的值；ai(t)表示t时刻井旁道第i个地震属性的值；ωi表示线性回归模型中第i个地震属性的权重系数，n表示地震属性的总数。
82.当下述公式(2)中的均方预测误差达到最小值时，即可得到线性回归模型中各地震属性的最优权重系数：
[0083][0084]
式中，e2表示均方预测误差；t＝1，2，
…
，n表示数据时间序列；n表示数据时间序列的总数；a
nt
表示第n个地震属性在t时刻的值。
[0085]
由于目标曲线与地震属性的频率成分存在较大差异，故基于单个样点的互相关可能并非最优。为解决该问题，假设目标曲线的每一样点与地震属性的一组相邻样点相关，因此可将公式(1)中的权重系数替换为具有一定长度的褶积算子，即将公式(1)改写为：
[0086]
l(t)＝w0+w1*a1(t)+w2*a2(t)+
…
+wi*ai(t)+
…
+wn*an(t) (3)
[0087]
式中，*表示褶积运算，wi表示指定长度的褶积算子。
[0088]
同理，当下述公式(4)中的均方预测误差达到最小值时，可以得到最优的褶积算子长度：
[0089][0090]
从上式(4)中可以看出，多属性线性回归分析的均方预测误差不仅与褶积算子长度有关，且与地震属性及其数量有关，因此，本步骤需要对地震属性和褶积算子长度进行测试，以得到二者的最优结果。
[0091]
具体地，对地震属性和褶积算子长度进行测试包括：固定其他参数，分别对地震属性类别、地震属性个数和褶积算子长度进行测试，当预测误差达到最小值时的地震属性类别、地震属性个数和褶积算子长度的结果即为最优结果。
[0092]
具体地，例如：使验证误差最小的最优化地震属性组合包括地震层速度的倒数、近道部分叠加地震数据体的瞬时振幅导数、远道部分叠加地震数据体的瞬时振幅导数、远道部分叠加地震数据体的绝对振幅积分、中道部分叠加地震数据体的二次方、远道部分叠加地震数据体的二次方、远道部分叠加地震数据体的振幅包络、近道部分叠加地震数据体的正交道和中道部分叠加地震数据体的导数。
[0093]
6)将步骤2)中选取的目标曲线作为学习目标，根据步骤5)中选出的最优化地震属性组合，进行深度前馈神经网络分析训练，得到目标曲线与最优化地震属性组合之间的最优非线性模型。
[0094]
具体地，深度前馈神经网络的结构包括输入层、隐藏层以及输出层和各层之间的全连接，各层之间的连接表示特征的权重，输入与输出之间具有以下映射关系：
[0095]
y＝f(x，θ0)
ꢀꢀ
(5)
[0096]
式中，x和y分别表示输入和输出；θ0表示输入与输出之间映射的最优参数解。
[0097]
对于本步骤而言，输出y即为步骤2)选取的目标曲线，输入x即为步骤5)中选出的最优化地震属性组合，输入与输出之间映射的最优参数解θ0即为想要通过本步骤求取的目标曲线与最优化地震属性组合之间的最优非线性模型(之所以是“非线性”，是因为y＝f(x，θ0)是较为复杂的非线性函数关系)。
[0098]
具体地，求取最优参数解θ0可以采用共轭梯度法(conjugate gradient method，cg)或最速下降法(steepest descent method，sd)。以共轭梯度法为例，步骤包括：向量初始化、计算残差向量、计算方向向量、计算步长、更新解向量、重复上述步骤，迭代至残差向量足够小，此时的解向量即为所求结果，由于共轭梯度法和最速下降法均为现有技术公开的算法，具体过程在此不多做。
[0099]
7)将步骤6)得到的最优非线性模型应用于整个研究区的最优化地震属性组合中，得到与目标曲线类型相同的研究区的目标数据体。
[0100]
具体地，最优非线性模型是通过多属性线性回归分析与深度前馈神经网络串联的
方式，在井位处对已知样本训练得到的，它是目标曲线与最优化地震属性组合之间的最佳非线性关系。由于目标曲线与拟构建的低频模型数据类型一致(如拟构建纵波低频模型，则目标曲线则为纵波曲线)，因此可以将最优非线性模型由井位处推广至整个研究区(通常研究区整体的构造背景和沉积环境应与已钻井一致)，即将最优非线性模型应用于整个研究区的最优化地震属性组合中，得到研究区的目标数据体，目标数据体是目标低频模型进行低通滤波处理前的数据体(如拟构建纵波低频模型，则目标数据体则为未做低通滤波的纵波数据体)，其类型和目标曲线是一致的。
[0101]
另外，“曲线”是井位处(或者说是已钻井)的测井数据，而“数据体”和“低频模型”均为整个研究区的数据体；在训练最优非线性模型时，采用的是由最优化地震属性组合中的地震属性提取的井旁波形曲线；在求取研究区的目标数据体时，采用的是最优化地震属性组合中每一地震属性在整个研究区的地震属性体。
[0102]
8)对步骤7)得到的目标数据体进行低通滤波处理，得到研究区的目标低频模型，具体为：
[0103]
8.1)根据目标数据体的实际频率，设置截止频率值。
[0104]
8.2)将目标数据体大于截止频率值的频率成分全部赋值为0，只保留目标数据体不大于截止频率值的频率成分，得到与目标曲线和目标数据体类型一致的研究区的目标低频模型。
[0105]
9)根据步骤8)得到的目标低频模型，采用步骤2)中优化处理后的测井数据交会分析结果进行拟合，得到研究区的其他低频模型。
[0106]
具体地，纵波速度和密度之间存在gardner经验关系式：其中，v
p
表示纵波速度，ρ表示密度，c1、c2均表示常数。纵波速度和横波速度之间存在castagna经验关系式：vs＝c
3vp
+c4，其中，v
p
表示纵波速度，vs表示横波速度，c3、c4均表常数(在地震反演中用到的低频模型均可通过纵波速度、横波速度和密度的低频模型计算得到)。上述两个经验关系式中常数c1、c2、c3、c4的值均需根据研究区研究目的层段的实际测井数据交会分析结果拟合求取。
[0107]
具体地，采用测井数据交会分析结果进行拟合，包括：
[0108]
9.1)将研究区研究目的层段的密度测井数据和纵波速度测井数据进行交会，拟合形成关系式进而得到常数c1、c2的值。
[0109]
9.2)将研究区研究目的层段的横波速度测井数据和纵波速度测井数据进行交会，拟合形成关系式vs＝c
3vp
+c4，进而得到常数c3、c4的值。
[0110]
9.3)根据常数c1、c2、c3、c4的值，得到研究区研究目的层段的gardner和castagna经验关系式。
[0111]
9.4)采用得到的gardner和castagna经验关系式，根据步骤8)得到的研究区研究目的层段的目标低频模型(纵波速度、横波速度或密度低频模型中的任意一种)，得到研究区的其他低频模型。
[0112]
具体地，其他低频模型指的是除目标低频模型以外的其他在地震反演中可能用到的低频模型，包括纵波速度、横波速度、密度、纵波阻抗、横波阻抗、纵横波速度比、泊松比和拉梅系数等弹性参数的低频模型，其中，纵波速度、横波速度和密度低频模型可以由上述两
个经验公式直接求取，纵波阻抗、横波阻抗、纵横波速度比、泊松比和拉梅系数等弹性参数的低频模型可以在目标低频模型及根据上述两个经验公式求取的纵波速度、横波速度和密度低频模型的基础上，通过弹性参数之间的关系式计算得到。
[0113]
需要注意的是，本步骤并不是必须进行的，若目标低频模型即为所需的低频模型，则无需进行本步骤；若需要在叠后地震反演中用到纵波阻抗低频模型，而目标低频模型即为纵波阻抗低频模型，则本步骤无需进行。
[0114]
下面以某深水区陆坡重力流水道-朵叶复合体的低频建模与储层预测为具体实施例详细说明本发明的多信息融合的人工智能低频模型构建方法，该研究区地质地震条件复杂，砂体边界落实和优质储层表征难度大；钻井数量少，测井资料有限，井控范围大，地震资料品质不高，常规低频建模方法在该研究区的应用受到严重限制：
[0115]
1)获取研究区陆坡深水扇岩性体上的已钻井well01和well02以及陆架边缘三角洲上的已钻井well03、well04、well05和well06的原始测井数据和叠前cmp道集。
[0116]
本实施例选取的这六口已钻井在目的层段内均包含质量较好的纵波曲线，且井震标定结果良好，满足建立纵波低频模型的要求，另外目的层段深度范围较大，对训练和学习较为有利。
[0117]
2)对获取的原始测井数据进行优化处理，并采用优化处理后的原始测井数据进行精细井震标定，选取井震关系相关性达到预设要求的已钻井的目标曲线。
[0118]
3)对叠前cmp道集进行深度偏移，得到地震层速度和叠前crp道集。
[0119]
4)对叠前crp道集进行分角度叠加，得到近、中和远道部分叠加地震数据体。
[0120]
5)将步骤2)中选取的目标曲线作为学习目标，根据步骤3)得到的地震层速度以及步骤4)得到的近、中和远道部分叠加地震数据体，进行多属性线性回归分析训练，建立目标曲线与多种地震属性之间的关系，选出使预测误差最小的最优化地震属性组合。
[0121]
具体地，使验证误差最小的最优化地震属性组合包括地震层速度的倒数、近道部分叠加地震数据体的瞬时振幅导数、远道部分叠加地震数据体的瞬时振幅导数、远道部分叠加地震数据体的绝对振幅积分、中道部分叠加地震数据体的二次方、远道部分叠加地震数据体的二次方、远道部分叠加地震数据体的振幅包络、近道部分叠加地震数据体的正交道和中道部分叠加地震数据体的导数。
[0122]
6)将步骤2)中选取的目标曲线作为学习目标，根据步骤5)中选出的最优化地震属性组合，进行深度前馈神经网络分析训练，得到目标曲线与最优化地震属性组合之间的最优非线性模型。
[0123]
7)将步骤6)得到的最优非线性模型应用于整个研究区的最优化地震属性组合中，得到与目标曲线类型相同的研究区的目标数据体。
[0124]
如图2和图3所示，与地震层速度相比，采用本发明方法获得的地震纵波结果频率得到明显补偿。尤其是5～10hz部分的低频信息的补偿，对于储层预测而言具有重要意义，而这部分低频信息是常规低频建模方法无法获取的。
[0125]
如图4所示，采用本发明方法获得的纵波数据体与已钻井的纵波实测结果吻合度较高，这说明采用本方法可以得到较为准确的目标数据体。
[0126]
8)对步骤7)得到的目标数据体进行低通滤波处理，得到研究区的目标低频模型。
[0127]
9)由于测井数据交会分析结果显示，岩性指示因子“纵波阻抗
×
(vp/vs)”对研究
区目的层段的砂岩最为敏感，因此本实施例采用上述交会分析结果进行拟合，根据步骤8)得到的目标低频模型，得到研究区的岩性指示因子低频模型。
[0128]
如图5和图6所示，采用常规基于井内插和外推的方法得到的岩性指示因子低频模型，分辨率和精度较低，在井点处存在较为明显的“牛眼”现象，且无法展现出本实施例中研究区目的层段的合理地质规律；而采用本发明方法构建的岩性指示因子低频模型，分辨率和精度得到提升，不仅不存在“牛眼”现象，且能够较为清晰地表征出本实施例中研究区目的层段的地质背景与沉积特征，从中可以比较清楚地识别出陆架边缘三角洲、陆坡深水扇及二者之间的陆架坡折。因此，本发明方法具有更好的实施效果。
[0129]
将低频模型与岩性指示因子的相对反演结果融合，得到岩性指示因子的绝对反演结果。如图7和图8所示，与常规方法低频模型融合的结果相比，采用本发明方法得到的低频模型融合的结果能够更加清晰地表征本实施例中研究区目的层段的陆坡深水扇岩性体，这对于研究区的储层预测具有重要意义。
[0130]
实施例2
[0131]
本实施例提供一种多信息融合的人工智能低频模型构建系统，包括：
[0132]
目标曲线选取模块，用于根据研究区已钻井的原始测井数据，选取已钻井的目标曲线。
[0133]
叠前cmp道集处理模块，用于根据研究区已钻井的叠前cmp道集，得到地震层速度以及近、中和远道部分叠加地震数据体。
[0134]
最优非线性模型确定模块，用于基于近、中和远道部分叠加地震数据体、地震层速度和目标曲线，选出最优化地震属性组合，并得到目标曲线与最优化地震属性组合之间的最优非线性模型。
[0135]
目标数据体确定模块，用于将最优非线性模型应用于整个研究区的最优化地震属性组合中，得到与目标曲线类型相同的研究区的目标数据体。
[0136]
低频模型确定模块，用于对目标数据体进行低通滤波处理，得到研究区的目标低频模型。
[0137]
在一个优选的实施例中，还包括：
[0138]
其他低频模型确定模块，用于根据得到的目标低频模型，采用测井数据交会分析结果进行拟合，得到研究区的其他低频模型。
[0139]
实施例3
[0140]
本实施例提供一种与本实施例1所提供的多信息融合的人工智能低频模型构建方法对应的处理设备，处理设备可以适用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0141]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的多信息融合的人工智能低频模型构建方法。
[0142]
在一些实现中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0143]
在另一些实现中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0144]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0145]
本领域技术人员可以理解，上述计算设备的结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0146]
实施例4
[0147]
本实施例提供一种与本实施例1所提供的多信息融合的人工智能低频模型构建方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的多信息融合的人工智能低频模型构建方法的计算机可读程序指令。
[0148]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0149]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0150]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0152]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0153]
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。