基于CNN和Transformer联合的地震波阻抗反演方法及系统

本发明涉及地震勘探数据处理，具体涉及基于cnn和transformer联合的地震波阻抗反演方法及系统。

背景技术：

1、随着深度学习技术的发展，基于神经网络的方法已被引入地震波阻抗反演领域。与传统的基于模型最优化或褶积理论的反演方法相比，神经网络方法能够从数据中自动学习地震数据与波阻抗之间的映射关系，减少对先验地质模型的依赖。

2、在地震波阻抗反演中，正演算子用于将预测的波阻抗转换为合成地震数据，以便与实际地震数据进行对比，从而形成半监督训练闭环。

3、现有技术中，正演算子采用显式子波褶积模型，即通过已知地震子波与反射系数的褶积运算生成合成地震记录；然而，该方法存在以下问题：地震子波在实际工区中往往未知，需要通过额外手段进行估计，估计误差会直接传递至反演结果中；并且，褶积模型基于一维垂直入射假设，未考虑波场传播效应，难以刻画多次波、吸收衰减等复杂波场现象。

4、现有技术中，正演算子采用纯卷积神经网络学习波阻抗到地震数据的映射；该方法无需显式提取子波，但存在以下问题：纯数据驱动的正演算子缺乏物理约束，其学习到的映射关系可能违反波动方程的物理规律，在训练数据有限的情况下容易过拟合，泛化能力不足。

5、此外，现有方法中地震子波通常假设为时不变的，即在整个地震道深度范围内使用同一子波；然而，实际地震数据中由于地层的吸收衰减效应，地震子波是时变的：浅层子波主频较高、频带较宽，深层子波主频降低、频带变窄；时不变假设导致深层反演精度下降，且无法刻画子波随深度变化的物理特征。

技术实现思路

1、本发明提出基于cnn和transformer联合的地震波阻抗反演方法及系统，以解决上述背景技术的问题。

2、为实现上述目的，本发明采用了以下技术方案：本发明基于cnn和transformer联合的地震波阻抗反演方法，包括以下步骤：

3、s1，获取目标工区的地震数据以及至少一口井的测井波阻抗数据；

4、s2，构建反演网络，通过残差连接融合所述地震数据的全局特征和局部特征，输出波阻抗预测结果；

5、s3，构建正演算子，所述正演算子通过数值求解离散波动方程将波阻抗映射为合成地震数据；

6、s4，构建时变子波模型；

7、s5，基于所述测井波阻抗数据和所述波阻抗预测结果计算波阻抗损失，基于所述正演算子输出的合成地震数据与所述地震数据计算地震损失，基于所述波动方程的离散残差计算物理约束损失，以及基于所述时变子波模型的参数计算子波正则化损失；

8、s6，将所述波阻抗损失、所述地震损失、所述物理约束损失和所述子波正则化损失加权组合为总损失，通过反向传播联合更新所述反演网络参数、所述正演算子参数和所述时变子波模型参数；

9、s7，在所述总损失收敛的情况下，输出所述反演网络的最终波阻抗预测结果以及所述时变子波模型的子波估计结果。

10、优选的，所述神经网络修正组件用于学习所述物理正演组件的残差修正项，其中所述物理正演组件的数值求解过程以可微有限差分格式实现，使得所述波动方程的物理约束在架构层面被满足；

11、所述物理正演组件通过数值求解离散波动方程将波阻抗映射为合成地震数据，包括以下一个或多个：

12、采用一阶速度－应力形式的声波方程，所述声波方程为：

13、

14、

15、其中，为质点速度，为声压，为密度，为体积模量，为空间坐标，为时间，声波速度，波阻抗；

16、采用交错网格有限差分格式对所述声波方程进行离散，得到离散方程：

17、

18、

19、其中，为空间网格索引，为时间步索引，为空间步长，为时间步长；

20、所述物理正演组件的输出为接收点处的声压记录，所述正演算子的最终输出为：

21、

22、其中，为所述神经网络修正组件学习的残差修正项。

23、优选的，所述物理约束损失基于所述波动方程的离散残差计算，包括：

24、将所述正演算子的最终输出代入所述离散波动方程的残差表达式：

25、

26、其中，为波动方程的离散微分算子矩阵，为与波阻抗相关的源项矩阵，为波阻抗；

27、所述物理约束损失为：

28、

29、其中，为波动方程残差的权重系数，为所述神经网络修正项的l2正则化系数；

30、在训练过程中，根据当前训练误差动态调整：在训练误差大于预设阈值的情况下，减小以允许所述神经网络修正组件灵活拟合；在训练误差小于所述预设阈值的情况下，增大以使所述正演算子收敛至所述物理正演组件附近。

31、优选的，所述时变子波模型为多个不同主频的基子波的时变加权组合，包括：

32、

33、其中，为相对于子波中心的时间偏移量，为地震道的双程旅行时深度，为第个基子波，为第个基子波的主频参数且为可学习参数，为第个基子波在深度处的时变混合权重且为可学习参数，k为基子波数量。

34、优选的，所述基子波的主频参数和时变混合权重均为可学习参数，所述时变混合权重为双程旅行时深度的函数，用于刻画地层吸收衰减效应导致的子波时变特征；

35、所述基子波采用ricker子波形式：

36、

37、所述时变混合权重通过softmax函数参数化：

38、

39、其中，和为可学习参数，该参数化方式保证；

40、所述子波正则化损失包括所述时变子波模型的光滑性约束和时变权重连续性约束：

41、

42、其中，为子波的总变差，和为权重系数，为深度方向的离散步长。

43、优选的，所述反演网络包括transformer编码器和多尺度卷积神经网络，所述transformer编码器用于提取地震数据的全局特征，所述多尺度卷积神经网络用于提取地震数据的局部特征。

44、优选的，所述反演网络包括：

45、transformer编码器，包括多头自注意力层和前馈网络层，用于对输入地震数据进行位置编码后提取全局依赖特征，其中所述多头自注意力机制的计算为：

46、

47、其中，q、k、v分别为查询矩阵、键矩阵和值矩阵，为键向量的维度；

48、多尺度卷积神经网络，包括多个分支，每个分支采用不同膨胀系数的膨胀卷积，用于提取地震数据不同尺度的局部特征；

49、残差连接模块，用于将所述transformer编码器的输出与所述多尺度卷积神经网络的输出通过逐元素相加进行融合，输出所述波阻抗预测结果：

50、

51、其中，x为输入地震数据，为transformer编码器的映射函数，为多尺度卷积神经网络的映射函数。

52、优选的，所述总损失为：

53、

54、其中，为所述波阻抗损失，采用均方误差；为所述地震损失，采用所述合成地震数据与所述地震数据的均方误差；为所述物理约束损失；为所述子波正则化损失；、、、为各损失项的权重系数。

55、优选的，在所述总损失收敛的情况下，输出所述反演网络的最终波阻抗预测结果以及所述时变子波模型的子波估计结果，包括以下一个或多个：

56、将所述目标工区的地震数据输入训练完成的所述反演网络，输出所述目标工区的波阻抗剖面；

57、输出训练完成的所述时变子波模型中各深度τ处的时变混合权重和各基子波的主频参数，作为所述目标工区的子波估计结果；

58、其中，所述子波估计结果包括浅层子波主频高于深层子波主频的时变特征。

59、基于cnn和transformer联合的地震波阻抗反演系统，包括：

60、数据获取单元，用于获取目标工区的地震数据以及至少一口井的测井波阻抗数据；

61、反演网络单元，用于通过transformer编码器和多尺度卷积神经网络提取特征并输出波阻抗预测结果；

62、正演算子单元，用于通过物理正演组件和神经网络修正组件将波阻抗映射为合成地震数据；

63、时变子波单元，用于构建时变子波模型并输出子波估计结果；

64、训练单元，用于计算各项损失并联合更新参数。

65、由上述技术方案可知，本发明提供了基于cnn和transformer联合的地震波阻抗反演方法。与现有技术相比本发明具有以下优势：本发明通过将波动方程以可微有限差分求解器的形式嵌入正演算子的物理正演组件，使正演算子的输出天然满足波动方程的物理约束，而非仅通过损失函数进行软约束；该架构层面的硬约束使得正演算子在训练数据有限的情况下仍能保持物理合理性；并且，通过构建多基子波时变加权组合的时变子波模型，使子波参数与反演网络参数联合优化，训练完成后直接输出目标工区的时变子波估计，无需人工提取子波；此外，多尺度卷积神经网络与transformer编码器的并行融合架构兼顾了局部细节特征和全局依赖关系的建模能力。