一种基于二维或三维VSP数据预测速度模型的方法与流程

一种基于二维或三维vsp数据预测速度模型的方法
技术领域
1.本公开涉及地震监测技术领域，具体涉及一种基于二维或三维vsp数据预测速度模型的方法。


背景技术：

2.地震波速度是地震勘探中最重要的参数之一，速度建模也是地震勘探中必不可少的一步，它贯穿于地震数据采集、处理和解释的整个过程。准确的速度模型是实现逆时偏移和其他高分辨率地震成像技术的关键前提。高分辨率的速度模型可用于地震资料解释，可为偏移成像提供精度较高的速度场，也可以为油气藏识别提供有力的证据。获得速度模型的传统方法有层析成像和全波形反演(full waveform inversion，fwi)，但这种通过逐步迭代重建速度模型的方法是耗时的且计算昂贵，并且反演时需要给定一个初始速度模型。因此，一种高效、可靠、准确的速度模型反演技术是很有必要的。
3.前人利用机器学习(machine learning，ml)技术直接从叠前地震数据反演速度模型已经做了很多努力。例如，mosser等人在2018年提出用带有周期约束的生成式对抗网络将该问题表述为域传递问题来进行地震反演，利用这种学习方法逼近了叠后地震道与纵波速度模型之间的映射关系。在训练网络之前，根据速度模型将地震道从时间域转换到深度域，因此，训练的输入和输出都是深度域。杨芳舒于2019年提出了一种全卷积神经网络(fully convolutional networks，fcn)，用于原始地震数据的盐丘探测和地下速度模型的重建。该方法将置于地表的29个检波器接收到的地震信号作为网络的输入，直接输出二维的速度模型，他们对该方法进行了理论数据的测试并且将网络的预测结果与fwi的反演结果进行了对比，预测结果比较可观。王文龙在2020年提出了一种vmb网络，用于在井间采油过程中估算p波速度，呈现了不错的预测结果。
4.但是，目前还未有人提出将人工智能方法用于垂直地震剖面(vertical seismic profile，vsp)速度建模的研究。vsp在储层预测和描述中起着重要作用。vsp数据具有深度准确、近储层观测的特点，可以提供准确的速度信息和时深关系，提高地表数据成像处理的精度，为钻井目标提供可靠的地质体位置和深度。因此，利用vsp数据重建地下速度模型具有重要意义。


技术实现要素：

5.(一)要解决的技术问题
6.针对上述问题，本公开提供了一种基于二维或三维vsp数据预测速度模型的方法，用于至少部分解决传统速度模型反演中计算量大、耗时、依赖初始速度模型、需要人工干预等技术问题。
7.(二)技术方案
8.本公开一方面提供了一种基于二维vsp数据预测速度模型的方法，包括：获取海量的二维速度模型，并通过二维观测系统获取地震波形正演产生的二维vsp地震数据；将每一
二维速度模型结合二维vsp地震数据输入卷积神经网络进行训练；获取待预测的二维vsp地震数据，并将二维vsp地震数据输入至卷积神经网络中，得到对应的二维速度模型。
9.进一步地，通过二维观测系统获取地震波形正演产生的二维vsp地震数据还包括建立二维观测系统，包括：将至少一个检波器置于垂直井中，按照固定距离依次设置；将炮点置于地表，炮点包括一炮、多炮。
10.进一步地，将每一二维速度模型结合二维vsp地震数据输入卷积神经网络进行训练之前还包括：根据二维地震数据和相应的二维速度模型的矩阵大小，设立卷积神经网络的参数。
11.进一步地，将每一二维速度模型结合二维vsp地震数据输入卷积神经网络进行训练还包括：将二维地震数据和相应的二维速度模型分成训练集、验证集和测试集，且这三个数据集各不相同；使用训练集、验证集对卷积神经网络进行训练；使用测试集对卷积神经网络进行预测。
12.进一步地，海量的二维速度模型的形状包括：水平层状、倾斜层状、弯曲层状，层数为5～13层，速度为2000～5000m/s，且速度随深度的增大而增大。
13.本公开另一方面提供了一种基于三维vsp数据预测速度模型的方法，包括：获取海量的三维速度模型，并通过三维观测系统获取地震波形正演产生的三维vsp地震数据，根据三维vsp地震数据提取共检波点数据；将每一三维速度模型结合共检波点数据输入卷积神经网络进行训练；获取待预测的三维vsp地震数据，提取共检波点数据并将共检波点数据输入至卷积神经网络中，得到对应的三维速度模型。
14.进一步地，通过三维观测系统获取地震波形正演产生的三维vsp地震数据包括建立三维观测系统，包括：将至少一个检波器置于垂直井中，按照固定距离依次设置；将炮点置于地表，以垂直井的井口为圆的圆心，炮点均匀分布于圆之内。
15.进一步地，将每一三维速度模型结合共检波点数据输入卷积神经网络进行训练之前还包括：根据共检波点数据和相应的三维速度模型的矩阵大小，设立卷积神经网络的参数。
16.进一步地，将每一三维速度模型结合共检波点数据输入卷积神经网络进行训练还包括：将三维地震数据和相应的三维速度模型分成训练集、验证集和测试集，且这三个数据集各不相同；使用训练集、验证集对卷积神经网络进行训练；使用测试集对卷积神经网络进行预测。
17.进一步地，海量三维速度模型对x
‑
z面的形状包括：水平层状、倾斜层状、弯曲层状，层数为3～8层，速度为1500～3500m/s，且速度随深度的增大而增大。
18.(三)有益效果
19.本公开实施例提供的一种基于二维或三维vsp数据预测速度模型的方法，利用二维或三维vsp叠前地震数据，通过卷积神经网络反演地下速度模型，能够快速、准确地预测二维或三维速度模型，并且具有较高的准确性。该方法改进了传统方法计算量大、需要初始速度模型等问题，是一种高效、可靠、准确的速度模型反演技术，有助于推动速度模型反演技术的发展。
附图说明
20.图1示意性示出了根据本公开实施例基于二维vsp数据预测速度模型的方法流程图；
21.图2示意性示出了根据本公开实施例中4种二维速度模型的示意图；
22.图3示意性示出了与图2中4种二维速度模型对应的二维vsp地震数据；
23.图4示意性示出了根据本公开实施例中速度模型反演搭建的卷积神经网络的结构图；
24.图5示意性示出了根据本公开实施例中训练好的网络模型对水平层状速度模型的预测结果图；
25.图6示意性示出了根据本公开实施例中训练好的网络模型对上倾层状速度模型的预测结果图；
26.图7示意性示出了根据本公开实施例中训练好的网络模型对下倾层状速度模型的预测结果图；
27.图8示意性示出了根据本公开实施例中基于三维vsp数据预测速度模型的方法流程图；
28.图9示意性示出了根据本公开实施例中3种三维速度模型的示意图；
29.图10示意性示出了根据本公开实施例中用于生成3d地震数据建立的3d观测系统；
30.图11示意性示出了与图9中3种三维速度模型对应的3d共检波点数据；
31.图12示意性示出了根据本公开实施例中提取3d共检波点数据的示意图；
32.图13示意性示出了根据本公开实施例1中基于二维vsp数据预测速度模型的方法的流程图；
33.图14示意性示出了根据本公开实施例2中基于三维vsp数据预测速度模型的方法的流程图。
具体实施方式
34.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
35.基于现有技术所存在的问题，本公开的目的是提供一种高效、可靠、准确的速度模型反演技术，利用人工智能方法进行vsp速度建模，能解决在常规速度模型反演中计算量大、耗时、依赖初始速度模型、需要人工干预等问题。
36.图1示意性示出了根据本公开实施例基于二维vsp数据预测速度模型的方法流程图。
37.如图1所示，该基于二维vsp数据预测速度模型的方法包括：
38.在操作s11，获取海量的二维速度模型，并通过二维观测系统获取地震波形正演产生的二维vsp地震数据。
39.对于2dvsp速度建模，采用一炮或多炮地震数据作为输入，输出二维速度模型。首先，需要建立2d速度模型和2d观测系统，选择合适的参数进行波形正演，得到2d地震数据以用于后续的网络训练。图2示意性示出了4种二维速度模型的示意图，包括水平层状a、倾斜向下层状b、倾斜向下层状c、弯曲层状d，当然这里并不限定于速度模型只能是这4种形状，
还可以是其它任意形状。图3示意性示出了与前述4种二维速度模型对应的2dvsp地震数据。
40.在操作s12，将每一所述二维速度模型结合所述二维vsp地震数据输入卷积神经网络进行训练。
41.接着，根据生成的2dvsp地震数据，搭建用于速度模型反演的网络；将准备好的训练数据用于搭建好的卷积神经网络，进行训练，得到可进行速度模型预测的网络。
42.在操作s13，获取待预测的二维vsp地震数据，并将二维vsp地震数据输入至卷积神经网络中，得到对应的二维速度模型。
43.将待预测的地震数据输入到已经训练好的网络模型，即可进行速度模型的预测。虽然网络的训练阶段需要花费时间，但只需要进行一次网络训练，一旦训练完成，预测速度模型的成本可以忽略不计，一般只需要几秒钟就可以完成预测。用理论数据训练后的网络模型可以用于其他新的地震数据的预测，而不局限于同一套地震数据。该方法很好的解决了在常规速度模型反演中计算量大、耗时、依赖初始速度模型、需要人工干预的问题，是一种高效、可靠、准确的速度模型反演技术。
44.在上述实施例的基础上，通过二维观测系统获取地震波形正演产生的二维vsp地震数据还包括建立二维观测系统，包括：将至少一个检波器置于垂直井中，按照固定距离依次设置；将炮点置于地表，炮点包括一炮、多炮。
45.建立2d观测系统，例如包括将150个检波器置于垂直井中，从10米开始每隔15米一个检波器，炮点置于地表，可以是一炮也可以是多炮。
46.在上述实施例的基础上，将每一二维速度模型结合二维vsp地震数据输入卷积神经网络进行训练之前还包括：根据二维地震数据和相应的二维速度模型的矩阵大小，设立卷积神经网络的参数。
47.建立足够多的2d任意形状的速度模型和2d观测系统后，用有限差分法(finite difference，fd)进行波形正演生成2d地震数据(正演参数参考表1)，能生成足够的用于网络训练的数据和对应的标签(速度模型)，以保证后续工作的进行。搭建速度建模的训练网络包括：根据2d地震数据和对应训练标签的矩阵大小，修改初始的卷积神经网络的参数，以适用于本实施例2dvsp速度模型的预测。
48.震源个数采样间隔主频记录时长11ms20hz2s
49.表1
50.在上述实施例的基础上，将每一二维速度模型结合二维vsp地震数据输入卷积神经网络进行训练还包括：将二维地震数据和相应的二维速度模型分成训练集、验证集和测试集，且这三个数据集各不相同使用训练集、验证集对卷积神经网络进行训练；使用测试集对卷积神经网络进行预测。
51.图4示意性示出了本实施例中速度模型反演搭建的卷积神经网络的结构。对该卷积神经网络进行训练包括：
52.将生成的数据集分配成训练集、验证集和测试集，这三个数据集是由相似的速度模型和相同的观测系统产生的，且这三个数据集各不相同；
53.网络的训练将在gpu工作站进行；
54.将测试集输入到训练好的网络模型，得到对应的预测结果。
55.其中，我们采用损失函数代表真实速度模型与预测速度模型之间的差距。在网络中使用的损失函数定义为预测速度模型vp与地面真实速度模型vt之间的平方差(l2范数)：
[0056][0057]
式中，nx和nz分别为水平方向和垂直方向的网格点个数。我们在训练过程中给出了真实的速度信息vt，但在预测阶段却隐藏了真实的速度信息。注意，这种损失函数不同于传统的fwi，后者的损失函数计算的是观测的和模拟的地震数据之间的平方差。
[0058]
图5、6和7示出了训练好的网络模型对水平层状速度模型、上倾层状速度模型和下倾层状速度模型的预测结果。
[0059]
在上述实施例的基础上，海量的二维速度模型的形状包括：水平层状、倾斜层状、弯曲层状，层数为5～13层，速度为2000～5000m/s，且速度随深度的增大而增大。
[0060]
建立足够多的2d任意形状的速度模型，速度模型可以是水平层状、倾斜层状、弯曲层状等等，层数限制在5～13层，速度范围为2000～5000m/s，且速度随深度的增大而增大。
[0061]
图8示意性示出了根据本公开实施例基于三维vsp数据预测速度模型的方法流程图。
[0062]
如图8所示，该基于三维vsp数据预测速度模型的方法包括：
[0063]
在操作s21，获取海量的三维速度模型，并通过三维观测系统获取地震波形正演产生的三维vsp地震数据，根据三维vsp地震数据提取共检波点数据。
[0064]
对于3dvsp速度建模，首先，需要建立3d速度模型和3d观测系统，选择合适的参数进行波形正演，得到3d地震数据并提取共检波点数据作为网络的输入。图9示意性示出了3种三维速度模型的示意图，包括水平层状a、倾斜向下层状b、弯曲层状c，当然这里并不限定于速度模型只能是这3种形状，还可以是其它任意形状。图11示意性示出了与前述3种三维速度模型对应的3d共检波点数据。
[0065]
在操作s22，将每一三维速度模型结合共检波点数据输入卷积神经网络进行训练。
[0066]
接着，根据生成的共检波点数据，搭建用于速度模型反演的网络；将准备好的训练数据用于搭建好的网络，进行训练，得到可进行三维速度模型预测的网络。
[0067]
在操作s23，获取待预测的三维vsp地震数据，提取共检波点数据并将共检波点数据输入至卷积神经网络中，得到对应的三维速度模型。
[0068]
使用待预测的地震数据，提取出共检波点数据，输入到已经训练好的网络模型，即可进行速度模型的预测。图12示意性示出了提取3d共检波点数据的示意图，选择要提取共检波点数据的检波器，筛选出该检波器接收到的所有炮点的地震信号，得到该检波器的共检波点数据。该从3dvsp数据重建地下速度模型的方法，能解决在常规速度模型反演中计算量大、耗时、依赖初始速度模型等问题。
[0069]
在上述实施例的基础上，通过三维观测系统获取地震波形正演产生的三维vsp地震数据包括建立三维观测系统，包括：将至少一个检波器置于垂直井中，按照固定距离依次设置；将炮点置于地表，以垂直井的井口为圆的圆心，炮点均匀分布于该圆之内。
[0070]
图10示意性示出了用于生成3d地震数据建立的3d观测系统。
[0071]
建立3d观测系统，例如包括将10个检波器(图10a中间的倒三角形)置于垂直井中，从800米开始每隔30米一个检波器，炮点(图10b中均匀分布的小圆点)置于地表，并以井(图
10a中竖线)为圆心，以最外围炮点(图10b中小圆点)到井口(图10b中间的大圆点)的距离为半径呈圆状分布。
[0072]
在上述实施例的基础上，将每一三维速度模型结合共检波点数据输入卷积神经网络进行训练之前还包括：根据共检波点数据和相应的三维速度模型的矩阵大小，设立卷积神经网络的参数。
[0073]
建立足够多的3d任意形状的速度模型和3d观测系统后，用有限差分法进行波形正演生成3d地震数据(正演参数参考表1)，并提取出共检波点数据作为网络的输入，能生成足够的用于网络训练的数据和对应的标签(速度模型)，以保证后续工作的进行。搭建速度建模的训练网络包括：根据3d地震数据和对应训练标签的矩阵大小，修改初始的卷积神经网络的参数，以适用于本实施例3dvsp速度模型的预测。
[0074]
在上述实施例的基础上，将每一三维速度模型结合共检波点数据输入卷积神经网络进行训练还包括：将三维地震数据和相应的三维速度模型分成训练集、验证集和测试集，且这三个数据集各不相同；使用训练集、验证集对卷积神经网络进行训练；使用测试集对卷积神经网络进行预测。
[0075]
将生成的训练数据进行网络训练和预测包括：
[0076]
将生成的数据集分配成训练集、验证集和测试集，这三个数据集是由相似的速度模型和相同的观测系统产生的，且这三个数据集各不相同；
[0077]
网络的训练将在gpu工作站进行；
[0078]
将测试集输入到训练好的网络模型，得到3d速度模型的预测结果。
[0079]
在上述实施例的基础上，海量三维速度模型对x
‑
z面的形状包括：水平层状、倾斜层状、弯曲层状，层数为3～8层，速度为1500～3500m/s，且速度随深度的增大而增大。
[0080]
请参见图9，三维速度模型在x
‑
z和y
‑
z截面的形状为水平层状、倾斜层状、弯曲层状，具有较为分明的层状结构，该三维速度模型的形状、层数、速度范围可以根据实际情况进行调整。
[0081]
下面以两个具体实施例对本公开的基于二维或三维vsp数据预测速度模型的方法进行进一步说明。
[0082]
实施例1：二维vsp数据预测速度模型
[0083]
步骤1，建立2d速度模型和2d的观测系统，选择合适的参数进行波形正演，得到2d地震数据以用于后续的网络训练；
[0084]
步骤2，根据生成的2d地震数据，搭建用于速度模型构建的网络，相当于步骤s11；
[0085]
步骤3，将准备好的训练数据用于搭建好的网络，进行训练，相当于步骤s12；
[0086]
步骤4，将新的地震数据输入到已经训练好的网络模型，进行速度模型的预测，相当于步骤s13。
[0087]
请参见图13，该方法的步骤1中，生成2dvsp训练数据的方法包括：首先，建立3000个2d速度模型，其中水平层状速度模型500个，倾斜层状速度模型800个，其它形状不规则速度模型1700个，如图2所示，所有速度模型限制在5～13层，速度范围为2000～5000m/s，且速度随深度的增大而增大；然后，建立2d观测系统，将150个检波器置于垂直井中(图2a中黑色倒三角形)，从10米开始到2245米每隔15米一个检波器，炮置于地表，可以是一炮，置于1000米检波距处(图2a中右上角的空心圆点)，也可以是多炮，从100米检波距开始每隔100米一
个炮点；如图3所示，最后用fd方法进行波形正演得到2d地震数据，其中雷克子波的主频为20赫兹，采样间隔为1毫秒，时长为两秒。虽然在这个过程中生成训练数据需要花费时间，但是生成训练数据以及用于后续的网络训练只需要一次，一旦训练数据准备完毕，网络训练结束，便不需要再重复该工作。
[0088]
参见图4，步骤2中用于重建地下速度模型的卷积神经网络的原理是：首先，将2d地震数据输入到网络中，该网络由一个用于提取地质特征的收缩路径(左侧，即下采样部分)和一个用于精确速度估算的扩展路径(右侧，即上采样部分)组成，其中左侧收缩路径的每一步包含了两个3
×
3的卷积层，紧接着是一个relu激活函数和2
×
2的最大池化操作，步长为2，右侧的扩展路径中，每一步包含一个2
×
2的上卷积层和两个3
×
3的卷积层以及一个relu激活操作。连接能够将来自收缩路径的高分辨率特征与来自扩展路径的上采样输出结合起来。本公开中的网络主体与最初的u
‑
net架构相似，一共包含了23个卷积层。
[0089]
该方法的步骤3和步骤4中，对搭建好的卷积神经网络进行训练得到预测结果：首先，将生成的数据集分成训练集、验证集和测试集，分别包含2300、500和200个2d地震数据；然后用训练集和验证集对该卷积神经网络进行训练；最后将训练好的网络模型对测试集中的200个地震数据进行预测，得到预测结果。该训练过程也只需要进行一次，一旦训练完成，训练后的网络模型可以用于新的2d数据的预测。
[0090]
参见图5、6和7，将水平层状速度模型、上倾层状速度模型和下倾层状速度模型的预测结果与实际速度模型进行对比，结果显示，本公开中所提供的方法能够利用2dvsp数据重构地下速度模型，对比预测结果与真实速度模型，不管速度模型的层数多还是少，不管是倾斜速度模型还是水平层状速度模型，该卷积神经网络都能够成功的反演出所有的平行速度界面，并且具有精确的深度、速度和倾斜角度，此外，大部分的速度界面都刻画得比较清晰、连续，与真实速度模型一致。上述初步的预测结果显示，本公开中所提出的方法能够快速、准确地预测2d速度模型，并且具有较高的准确性。
[0091]
实施例2：三维vsp数据预测速度模型
[0092]
如图14所示，本公开实施例提供的一种用卷积神经网络从3dvsp数据重建地下速度模型的方法，主要包括以下步骤：
[0093]
步骤1，建立3d速度模型和3d观测系统，选择合适的参数进行波形正演，得到3d地震数据并提取共检波点数据作为网络的输入；
[0094]
步骤2，根据生成的3d地震数据，搭建用于速度模型反演的网络；
[0095]
步骤3，将准备好的训练数据用于搭建好的网络，进行训练；
[0096]
步骤4，将新的地震数据输入到已经训练好的网络模型，进行速度模型的预测。
[0097]
该方法的步骤1中，生成3d共检波点数据的方法包括：首先，建立3000个3d速度模型，其中水平层状速度模型500个，倾斜层状速度模型800个，其它形状不规则速度模型1700个，如图9所示，所有速度模型限制在3～8层，速度范围为1500～3500m/s，且速度随深度的增大而增大；然后，如图10所示，建立3d观测系统，将10个检波器(图10a中间的倒三角形)置于垂直井中，从800米开始到1070米每隔30米一个检波器，炮点(图10b中均匀分布的小圆点)置于地表，并以井(图10a中竖线)为圆心，以最外围炮点(图10b中小圆点)到井口(图10b中间的大圆点)的距离为半径呈圆状分布，半径最大为400米，x和y方向炮点的间隔均为20米；用有限差分法进行波形正演得到3d地震数据，其中雷克子波的主频为20赫兹，采样间隔
为1毫秒，时长为两秒；最后，如图11所示，提取共检波点数据作为网络训练的输入。虽然在这个过程中生成训练数据需要花费时间，但是生成训练数据以及后续的网络训练只需要进行一次，一旦训练数据准备完毕、网络训练完成，便不需要再重复该工作。
[0098]
参见图12，步骤1中提取共检波点数据的方法主要为：选择要提取共检波点数据的检波器，筛选出该检波器接收到的所有炮点的地震信号，得到该检波器的共检波点数据。
[0099]
图10a和10b分别为该方法的步骤1中建立的3d观测系统的主视图和俯视图，中间的垂线代表垂直井，位于x＝500米、y＝500米处，其中的10个倒三角形代表10个检波器，从800米深度按照30米的检波器间隔分布，炮点位于地表，分布在以井(500m，500m)为圆心，半径为400米的圆中，x和y方向的炮点间隔均为20米。
[0100]
该方法的步骤2中，根据生成的3d地震数据，搭建速度建模的训练网络包括：
[0101]
根据3d地震数据和对应训练标签(速度模型)的矩阵大小，修改初始的卷积神经网络，以适用于本实施例3dvsp速度模型的预测。
[0102]
该方法的步骤3和步骤4中，用卷积神经网络进行训练得到3d速度模型的预测结果主要包括：首先，将生成的数据集分成训练集、验证集和测试集，分别包含2300、500和200个3d地震数据；然后用训练集和验证集对该卷积神经网络进行训练；最后将训练好的网络模型对测试集中的200个地震数据进行预测，得到预测结果。该训练过程只需要进行一次，一旦训练完成，训练后的网络模型可以用于新的3d数据的预测。
[0103]
本公开利用2d或者3dvsp叠前地震数据，通过卷积神经网络反演地下速度模型。该方法解决了传统方法由于迭代优化过程导致的计算量大、耗时以及反演需要给定一个初始速度模型等问题，可以用于2d以及3dvsp速度模型的反演，预测结果表明该方法计算速度快，预测结果比较准确，是一种高效、可靠、准确的速度模型反演技术，预期将在vsp速度建模领域形成国际先进水平的速度模型反演技术，推动速度模型反演技术的发展，对提高陆上vsp速度模型反演技术水平发挥重要作用。
[0104]
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。