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。
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: