一种基于弱监督学习的地震数据声阻抗反演方法

本发明属于地球物理与人工智能领域，具体涉及一种基于弱监督学习的地震数据声阻抗反演方法。

背景技术：

1、地震勘探是石油勘探中常用的一种方法，它可以通过地下岩层的反射特性来探测油气资源。然而，地震数据的解释需要对地下岩层的声波阻抗进行反演，以获得地下结构的信息。传统的声阻抗反演方法通常需要使用大量测井数据，并且需要专业的解释人员进行解释和超参数调整，耗时且成本高昂。

2、近年来，深度学习技术在地震勘探领域得到了广泛应用。与传统的声阻抗反演方法不同，基于深度学习的方法可以从地震数据和测井中自动提取特征，不需要专业的解释人员过多的干预。但是目前广泛应用的基于1d卷积神经网络的反演方法获得的阻抗剖面具有明显的横向不连续性，且对测井数量的依赖性极强。而本发明提出了基于弱监督的反演方法使用1d的测井监督3d的地震体，可以获得更加连续的地震剖面，对测井数量依赖性更弱。

技术实现思路

1、本发明诣在使用弱监督学习(1d标签监督3d数据体)解决一般的基于深度学习声阻抗反演中横向阻抗不连续，对测井数据依赖强的问题。

2、1.首先获取地震数据和对应的测井，使用测井的声阻抗信息和雷克子波制作合成地震道，与地震数据对应的位置进行井震匹配，将地震时间域转化为深度域。

3、2.设计自编码器结构的3d卷积神经网络，用于学习地震数据与声阻抗之间的关系。

4、3.在地震数据中随机采样地震块，所采样的地震块区域必须包含测井。

5、4.将采样后的地震块通过三线性插值到相同尺寸，地震块所包含的测井根据插值比例进行坐标平移。

6、5.制作标签，将得到的地震块复制一份，测井位置用测井的阻抗数值进行填充，非测井位用nan值填充，nan作为标记用以指示该位置是否包含测井信息。

7、6.对地震数据加入随机尺度的噪声，以增强模型的鲁棒性。

8、7.训练，将地震数据输入cnn中，用制作好的标签进行训练，优化器为基于梯度下降的优化器，损失函数为mse或l1损失，在计算损失时，仅计算测井位置体素所产生的损失，用nan值进行标注的区域不做计算。

9、8.反复执行步骤6-7，直到达到规定的训练轮次或在验证集达到一定的准确率。

技术特征：

1.一种基于弱监督学习的地震数据声阻抗反演方法，其特征在于，包括以下步骤：

技术总结
本发明涉及一种基于弱监督学习的地震数据声阻抗反演方法。其特征在于，获取地震数据和对应的测井，利用测井的声阻抗信息和雷克子波制作合成地震道，并进行井震匹配，将地震时间域转换为深度域；设计一种基于自编码器结构的3D卷积神经网络，用于学习地震数据中的声阻抗信息，实现地震数据的声阻抗反演；在地震数据中随机采样地震块，所采样的地震块区域必须包含测井；将采样后的地震块通过三线性插值到相同尺寸，地震块所包含的测井根据插值比例进行坐标平移；制作标签，将得到的地震块复制一份，测井位置用测井的阻抗数值进行填充，非测井位用NaN值填充，NaN作为标记，用以指示该位置是否包含测井信息；进入训练步骤，地震数据需加入随机尺度的噪声，以增强模型的鲁棒性；将地震数据输入卷积神经网络，用制作好的标签进行训练，优化器为基于梯度下降的优化器，损失函数为均方误差或L1损失，在计算损失时，仅计算测井位置体素所产生的损失，用NaN值进行标注的区域不做计算；重复重复训练步骤，直到达到规定的训练轮次，或在验证集达到一定准确率。

技术研发人员：李克文,窦一民,王立达,李国庆,刘文龙
受保护的技术使用者：中国石油大学（华东）
技术研发日：
技术公布日：2024/1/14