基于井震融合的网格层析及深度学习的速度优化模型训练方法与流程

本发明涉及油气地震勘探速度建模，更具体地说，涉及一种基于井震融合的网格层析及深度学习的速度优化模型训练方法。

背景技术：

1、在油气勘探开发中，高精度速度模型是地震叠前深度偏移成像的核心基础，直接决定了地下构造成像的准确性，是钻井轨迹优化、储层预测、压裂提产及井位部署的核心依据。尤其在四川盆地二叠系薄层页岩、塔里木盆地超深层碎屑岩等复杂勘探领域，地层构造变形剧烈、储层非均质性强，对速度建模的精度与结果可靠性提出了极高要求。

2、目前业界主流的速度建模技术主要包括叠加速度分析、网格层析反演、井震联合速度建模三大类。其中，网格层析反演通过最小化地震走时残差反演地下速度场，是复杂构造区速度建模的核心技术，但在实际应用中存在显著缺陷：其一，反演效果高度依赖初始速度模型，当初始模型与真实速度场偏差较大时，反演极易陷入局部最优，迭代收敛慢，无法有效刻画100m以内的小尺度速度异常体；其二，反演网格多采用固定尺度剖分，无法兼顾复杂构造区的建模精度与平缓地层区的计算效率，导致反演精度与计算效率难以平衡；其三，井约束多为井点单点硬约束，未实现井间、层间的地质规律约束，井震匹配误差普遍超过5%，深层超深层地层的速度建模精度严重不足，最终导致偏移成像剖面出现构造畸变、层位归位不准的问题。

3、近年来，深度学习技术被逐步引入速度建模领域，通过神经网络学习地震数据与速度场的非线性映射关系，实现速度场的快速重建与优化。例如中国专利cn117492079a公开了一种基于tds-unet网络的地震速度模型重构方法，仅采用地震数据作为输入，缺乏井数据的硬约束，在少井区泛化性极差；中国专利cn112308206a公开了一种大地电磁-地震波联合反演方法，该专利侧重于联合反演框架本身，难以对速度场空间可靠性进行定量分级与动态约束，模型泛化能力与结果可控性仍存在明显短板。总体来看，现有深度学习速度建模方法仍存在核心瓶颈：其一，多为端到端的黑箱模型，缺乏地震波传播的物理机制约束，反演结果易出现不符合地质规律的异常值，模型泛化能力差，在新工区的应用效果极不稳定；其二，井震融合程度低，仅实现了数据层面的简单融合，未实现地质规律、物理机制层面的深度融合；其三，在油气田工区有效井点数量有限的小样本场景下，模型极易发生过拟合，无法满足工业级应用的精度要求。

技术实现思路

1、本发明要解决的技术问题在于，提供一种基于井震融合的网格层析及深度学习的速度优化模型训练方法，在提升速度建模精度的同时，实现预测结果的定量化、全空间质控。

2、本发明解决其技术问题所采用的技术方案是：构造一种基于井震融合的网格层析及深度学习的速度优化模型训练方法，包括以下步骤：

3、s1、基于获取得到的目标工区地震数据、测井数据、岩石物理属性数据及地质分层数据构建多源数据集，对所述多源数据集进行标准化处理及特征提取构建得到多源特征数据集；

4、s2、确定所述多源特征数据集中各类型特征数据与纵波速度之间的关联度，基于所述关联度从所述特征数据中筛选目标特征数据构建目标特征数据集；

5、s3、基于所述目标特征数据集开展带井约束的自适应网格层析反演，得到初始高精度速度模型，以井点实测速度、层析反演速度为核心标签，构建速度-特征关联标签数据集；

6、s4、基于所述目标特征数据集与所述速度-特征关联标签数据集训练井震融合速度优化深度学习模型，得到训练完成的所述速度优化模型，所述深度学习模型的训练、编码-解码、推理全流程内置三维空间速度预测质控因子。

7、按上述方案，所述质控因子包括井点约束置信度子因子、物理机制吻合度子因子和特征匹配度子因子加权，用于训练过程的损失约束、编码-解码过程的特征加权、推理过程的可靠性量化。

8、按上述方案，所述速度优化模型包含带质控约束的编码器模块、多尺度注意力特征融合模块、带井震双约束的解码器模块。

9、按上述方案，所述三维空间速度预测质控因子的计算公式为：

10、（1）

11、式中，q(x,y,z)为三维空间中坐标((x,y,z)处网格的速度预测质控因子，qwell(x,y,z)为井点约束置信度子因子，qphy(x,y,z)为物理机制吻合度子因子，qfeat(x,y,z)为特征匹配度子因子；w1、w2、w3为权重系数，且w1+w2+w3=1。

12、按上述方案，基于所述质控因子构建质控加权联合损失函数，对模型训练过程进行约束，所述质控加权联合损失函数的计算公式为：

13、（2）

14、式中，n为训练样本数量，qi为第i个样本对应网格的质控因子，lossfit为速度拟合损失，losswell为井点约束损失，lossphy为物理机制约束损失，α、β、γ为权重系数。

15、按上述方案，在带质控约束的编码器模块中，通过质控因子对输入特征的通道与空间维度进行动态加权，强化高质控值区域的特征提取，抑制低质控值区域的无效特征与噪声；

16、在带井震双约束的解码器模块中，通过质控因子对反卷积解码过程进行约束，对高质控值区域的速度预测结果进行精度强化，对低质控值区域补充井点与物理机制约束，避免预测结果出现地质异常值。

17、按上述方案，模型推理时，同步输出优化后的三维速度场与对应三维质控因子场，对每个网格的速度预测结果进行可靠性量化；

18、基于质控因子场对速度预测结果进行分级质控，对质控因子≥0.8的高可靠区域直接采用预测结果，对质控因子0.5~0.8的中可靠区域补充层析反演约束，对质控因子<0.5的低可靠区域进行人工质控与参数修正，实现速度建模结果的全流程质量管控。

19、按上述方案，所述步骤s2包括：

20、在灰色关联分析法中设置样本置信度权重因子项得到改进的灰色关联分析法；

21、基于测井曲线完整性、层位匹配精度、井点成像覆盖率确定所述样本置信度权重因子项的取值；

22、基于所述改进的灰色关联分析法确定各类型所述特征数据与纵波速度之间的所述关联度；进一步的，所述改进的灰色关联分析法的计算公式为：

23、（3）

24、式中，γ(xi，v)为第i类特征数据xi与纵波速度参数v的关联度；ρ为分辨系数，取值范围0.5~0.6；n为特征数据取样点数量；δi(k)为第k个取样点处特征数据与速度实测值的绝对差值；δmin为全序列最小绝对差值，δmax为全序列最大绝对差值；ωk为第k个取样点的样本置信度权重因子，其取值由测井曲线完整性、层位匹配精度、井点成像覆盖率共同确定；

25、确定关联度阈值，将所述关联度大于所述关联度阈值的所述特征数据确定为所述目标特征数据；

26、通过聚类算法对所述目标特征数据进行聚类分析，基于聚类分析结果将所述目标特征数据进行分组得到目标特征数据组，基于所述目标特征数据组构建所述目标特征数据集。

27、按上述方案，所述步骤s3中，基于所述目标特征数据集开展带井约束的自适应网格层析反演，得到初始高精度速度模型，包括：

28、基于目标工区地质体尺度、构造复杂程度、井点密度自适应剖分反演网格，在断裂发育区、构造复杂区、井点密集区进行网格加密，在地层平缓区、无井区进行网格稀疏化；

29、以叠加速度谱为初始约束，加入井点实测纵波速度硬约束、地质层位界面约束、地震走时残差软约束，开展网格层析迭代反演；

30、通过反演结果的井震匹配误差进行迭代终止判断，当井震速度相对误差小于预设阈值时，终止反演，得到初始高精度速度模型。

31、按上述方案，所述步骤s1中，对所述多源数据集进行标准化处理及特征提取构建得到多源特征数据集的方法包括：

32、对所述地震数据进行降噪处理，降噪后从所述地震数据中提取地震属性数据；

33、确定标志井及所述标志井内的标志层，基于所述标志层的所述测井数据对所述测井数据进行标准化处理得到标准测井数据；

34、基于所述岩石物理属性数据确定静态杨氏模量及静态泊松比，基于所述静态杨氏模量及所述静态泊松比结合井筒崩落分析确定最大水平主应力；

35、将所述地震属性数据、所述标准测井数据及所述最大水平主应力映射至统一特征空间，并融合得到融合特征数据体，将所述融合特征数据体确定为所述多源特征数据集。

36、实施本发明的基于井震融合的网格层析及深度学习的速度优化模型训练方法，具有以下有益效果：

37、1、本发明首次提出了适用于地震速度建模的三维空间速度预测质控因子，实现了速度预测结果可靠性的定量化表征，填补了行业内深度学习速度建模无内置质控机制的技术空白；

38、2、本发明首次将质控因子全流程嵌入深度学习模型的训练、编码-解码、推理全过程，从训练根源上解决了模型泛化性差的问题，从结构上打破了黑箱模型的局限性，从输出上实现了预测与质控的同步完成，形成了完整的技术闭环；

39、3、本发明解决了制约深度学习速度建模技术工业化落地的核心瓶颈，在提升速度建模精度的同时，实现了全空间定量化质控，大幅降低了勘探风险，在复杂构造区、深层超深层油气勘探领域具有极强的推广应用价值。