一种基于井控半监督深度学习的声波阻抗反演方法及系统与流程

1.本发明属于油气地震勘探技术中地震数据处理领域，具体而言，涉及一种基于井控半监督深度学习的声波阻抗反演方法及系统。


背景技术：

2.勘探地震学家基于不同原理和不同数学算法，提出许多传统声波阻抗反演方法，按实现思路可分为地震道直接反演、基于模型的反演和随机反演，按测井资料的依赖程度可分为无井地震反演、井控地震反演、测井-地震联合反演和地震控制下的测井反演。近年来，许多机器学习算法被成功应用于解决地球物理反问题。在地震勘探领域，机器学习算法也得到了广泛的应用，已有许多研究人员应用机器学习算法在地震数据反演和地球物理解释等方面取得了成果。


技术实现要素：

3.本技术实施例提供了一种基于井控半监督深度学习的声波阻抗反演方法及系统，为基于深度学习的声波阻抗反演方法，与传统方法相比，人机交互更少，智能程度较高。本方案同时也属于半监督学习方法，不需使用大量数据训练人工神经网络，且加入了地球物理正演模型，声波阻抗反演结果遵守地球物理规律，较为合理。
4.第一方面，本技术实施例提供了一种基于井控半监督深度学习的声波阻抗反演方法，包括：
5.将有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第一预测声波阻抗，将所述第一预测声波阻抗与真实声波阻抗做均方差运算，得到测井损失；
6.将没有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第二预测声波阻抗，所述第二预测声波阻抗通过地震卷积模型得到合成地震记录，将所述合成地震记录与真实地震数据做均方差运算得到地震损失；
7.将所述测井损失与地震损失加权求和得到训练损失，所述人工神经网络通过对训练损失进行优化来更新所述人工神经网络的参数，整体流程为半监督学习。
8.其中，将有对应测井曲线的地震数据输入人工神经网络或者将没有对应测井曲线的地震数据输入人工神经网络后，会同步进入上下两个分支：
9.地震数据进入上方分支后，先经由多个膨胀系数不同的膨胀卷积提取出多尺度特征图，然后通过拼接合并所述特征图，接着通过数个“卷积层 归一化层 激活层”结构，最后该分支会输出地震数据的高频特征
10.下方分支是一个双向三层深的循环神经网络结构，用来获取地震数据的低频特征。
11.其中，在上下两个分支后，通过加权求和操作融合提取到的地震数据高频特征和低频特征，最后通过门控循环单元和全连接层将高频和低频特征信息映射为声波阻抗。
12.其中，人工神经网络的上方结构为卷积神经网络结构，包括一维卷积层和一维转
置卷积层；一维卷积层是对输入数据进行一维卷积运算，包含5个输入参数，依次为输入通道、输出通道、卷积核大小、填充和膨胀系数；卷积核大小、填充和膨胀系数具有如下关系：
13.l
out
＝l
in
2
×
p-(k-1)
×d14.其中，l
in
、l
out
分别表示输入序列长度、输出序列长度，p、k、d分别表示填充、卷积核大小和膨胀系数。
15.其中，一维转置卷积层是对输入数据运用一维转置卷积算子，包含的参数与一维卷积层一样。
16.其中，在神经网络的训练阶段，使用了均方误差作为回归评价指标，其公式如下：
[0017][0018]
其中y
ref
和y
pre
分别代表真实值和预测值，l表示y
ref
中所含元素的数量，||
·
||2表示l2范数。
[0019]
其中，包括：获取下述参数：人工神经网络ann的初始参数θ0，观测地震数据d
obs
，地震子波w，最大迭代次数l
max
。
[0020]
第二方面，本技术提供了一种基于井控半监督深度学习的声波阻抗反演系统，包括：
[0021]
第一运算单元，用于：将有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第一预测声波阻抗，将所述第一预测声波阻抗与真实声波阻抗做均方差运算，得到测井损失；
[0022]
第二运算单元，用于：将没有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第二预测声波阻抗，所述第二预测声波阻抗通过地震卷积模型得到合成地震记录，将所述合成地震记录与真实地震数据做均方差运算得到地震损失；
[0023]
更新单元，用于：将所述测井损失与地震损失加权求和得到训练损失，所述人工神经网络通过对训练损失进行优化来更新所述人工神经网络的参数，整体流程为半监督学习。
[0024]
第三方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0025]
第四方面，本技术提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0026]
本技术实施例基于井控半监督深度学习的声波阻抗反演方法及系统具有如下有益效果：
[0027]
本技术为基于深度学习的声波阻抗反演方法，与传统方法相比，人机交互更少，智能程度较高。本方案同时也属于半监督学习方法，不需使用大量数据训练人工神经网络，且加入了地球物理正演模型，声波阻抗反演结果遵守地球物理规律，较为合理。
附图说明
[0028]
图1为本技术实施例基于井控半监督深度学习的声波阻抗反演方法流程示意图；
[0029]
图2为本技术实施例基于井控半监督深度学习的声波阻抗反演方法另一种流程示
意图；
[0030]
图3为本技术使用的人工神经网络结构示意图；
[0031]
图4为不同膨胀系数的卷积核示意图；
[0032]
图5为门控循环单元内部结构及实现方式示意图；
[0033]
图6为使用marmousi2模型合成的地震数据及10道声波阻抗数据；
[0034]
图7(a)为图5中合成地震数据对应的真实声波阻抗；
[0035]
图7(b)为图5中合成地震数据对应的人工神经网络预测出的声波阻抗；
[0036]
图8为图7(a)-(b)中第2116道真实声波阻抗和人工神经网络预测出的声波阻抗；
[0037]
图9为本技术实施例基于井控半监督深度学习的声波阻抗反演系统结构示意图。
具体实施方式
[0038]
下面结合附图和实施例对本技术进行进一步的介绍。
[0039]
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例，不同实施例之间可以替换或者合并组合，因此本技术也可认为包含所记载的相同和 /或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c，另一个实施例包含特征b、d，那么本技术也应视为包括含有a、b、c、d 的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
[0040]
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本技术内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
[0041]
现有传统基于信号处理或数学算法类的声波阻抗反演方法大多未能充分利用工区可靠的测井资料，反演结果同测井曲线相关度较低，可信度低。此外，传统声波阻抗反演方法在应用时，需要根据不同数据设置合适的参数，往往导致人机交互繁多、智能程度低，且处理结果存有较强的人为因素影响。近期提出的智能阻抗反演方法，多为监督学习，利用理论模型生成大量训练数据监督人工神经网络学习过程，很少进行地球物理约束。
[0042]
在油气地震勘探中，当地下地质体的岩性、物性发生变化时，经常会引起岩石密度和地震波传播速度的变化，导致声波阻抗产生变化，声波阻抗在岩性、物性界面处的变化会生成一个反射系数脉冲，当地震波传播到声波阻抗界面时，就会在其界面处产生反射波。根据观测到的地震记录，通过地震波反射的褶积理论等求取反映地下介质的岩性、物性信息的声波阻抗等信息的过程就是地震声波阻抗反演。声阻抗在实际的地震勘探中，有很重要的作用，如果能够从地震数据中估计出声阻抗，和与地层速度、密度有关的参数，就能比较方便地区分出地层的岩性以及所包含的流体成份。
[0043]
实施例一
[0044]
如图1所示，本技术基于井控半监督深度学习的声波阻抗反演方法包括： s101，将有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第一预测声波阻抗，将所述第一预测声波阻抗与真实声波阻抗做均方差运算，得到测井损失；s103，将没有
对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第二预测声波阻抗，所述第二预测声波阻抗通过地震卷积模型得到合成地震记录，将所述合成地震记录与真实地震数据做均方差运算得到地震损失；s105，将所述测井损失与地震损失加权求和得到训练损失，所述人工神经网络通过对训练损失进行优化来更新所述人工神经网络的参数，整体流程为半监督学习。
[0045]
本方案为基于深度学习的声波阻抗反演方法，与传统方法相比，人机交互更少，智能程度较高。本方案同时也属于半监督学习方法，不需使用大量数据训练人工神经网络，且加入了地球物理正演模型，声波阻抗反演结果遵守地球物理规律，较为合理。
[0046]
实施例二
[0047]
如图2-8所示，针对拟解决的声波阻抗反演问题，设计并建立适量的神经元计算节点和多层次运算结构(也即人工神经网)。人工神经网络(artificialneural network，ann)是从信息处理角度对人脑神经元网络进行抽象，建立模型，按不同的连接方式组成不同的网络。本方案构建了一个由卷积层和循环递归单元组成的人工神经网络，用以从观测地震数据获取声波阻抗反演结果，对于有对应测井曲线的地震数据(图2中的井上有标签数据)，其预测声波阻抗与真实声波阻抗(图2中的井上声波阻抗标签)做均方差运算，得到测井损失(图2中的井上声波阻抗损失)；对于没有对应测井曲线的地震数据，其预测声波阻抗通过地震卷积模型得到合成地震记录，再与真实地震数据做均方差运算得到地震损失。测井损失与地震损失加权求和得到训练损失，人工神经网络通过对训练损失进行优化来更新模型参数，整体流程为半监督学习。其中，地震卷积模型为图2中的地球物理正演，即预测声波阻抗与地震子波进行卷积。
[0048]
如图3所示，地震数据输入该人工神经网络后，会同步进入上下两个分支。地震数据进入上方分支后，先经由多个膨胀系数不同的膨胀卷积提取出多尺度特征图，然后通过拼接合并这些特征图，接着通过数个“卷积层 归一化层 激活层”结构，最后该分支会输出地震数据的高频特征。而下方分支是一个双向三层深的循环神经网络结构，用来获取地震数据的低频特征。三层的深度使得输出更为平滑，低频信息更多，双向是考虑到浅层和深层的地质信息是相互影响的，更符合地球物理规律。在这两个分支后，通过加权求和操作融合提取到的地震数据高频特征和低频特征。最后通过门控循环单元和全连接层将这些特征信息映射为声波阻抗。
[0049]
本方案使用的人工神经网络包含卷积神经网络结构和循环神经网络结构，在图3中，上方的分支为卷积神经网络结构，下方的分支为循环神经网络结构。图3整个人工神经网络对应图2中“地震记录到声波阻抗人工神经网络”。
[0050]
本方案用到的卷积神经网络结构(图3的上方分支)仅有一维卷积层和一维转置卷积层。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核。卷积核包含三个参数：卷积核大小、填充和膨胀系数。卷积核大小决定了输入特征的复杂程度。填充是为了避免因卷积导致的输出尺寸损失，使用的填充方法为在输入序列两边补充等量的0。膨胀系数是指卷积核点之间的间距，通过设置不同的膨胀因子可以从输入序列中提取多尺度的特征。实际上，设置膨胀系数是指在卷积核点之间填充等量的0，达到了以较少的神经网络参数获取更多特征的效果。因此，设置了膨胀系数的卷积又被称为空洞卷积。膨胀系数分别为1、2、3时的卷积核如图4所示。一维卷积层是对输入数据进行一维卷积运算，包含5个输入参
数，依次为输入通道、输出通道、卷积核大小、填充和膨胀系数。卷积核大小、填充和膨胀系数具有如下关系：
[0051]
l
out
＝l
in
2
×
p-(k-1)
×d[0052]
其中，l
in
、l
out
分别表示输入序列长度、输出序列长度，p、k、d分别表示填充、卷积核大小和膨胀系数。可以看出，若要使l
out
＝l
in
，需要满足下式：
[0053]2×
p＝(k-1)
×d[0054]
一维转置卷积层是对输入数据运用一维转置卷积算子，包含的参数与一维卷积层一样。一维转置卷积又被称为分步卷积或反卷积，但它并不是进行真正的反卷积操作，一维转置卷积可以被视为对输入数据进行一维卷积再求梯度。
[0055]
当循环神经网络在20世纪80年代被提出时，人们并不看好它，因为隐含状态变量的引入使得梯度难以计算。1990年，时间反向传播算法的提出解决了这一问题，但新的问题又出现了，当使用时间反向传播算法对长序列进行反向传播时，梯度往往会消失。1997年，长短期记忆被提出，其独特的设计结构出色的解决了梯度消失问题。2014年，相关研究人员提出了一种结构更为简单的新型循环神经网络结构，门控循环单元。门控循环单元引入了两个新的状态变量：更新门变量和重置门变量，它们共同控制着传递给下一个神经元的信息。循环神经网络的内部结构及实现方式如图5所示。
[0056]
人工神经网络的权重初始化对于神经网络的训练速度有非常大的影响，初始化好的话损失函数可以在前几十轮就降下来，但如果初始化不当可能要训练几百轮损失函数才能有明显下降。好的权重初始化方法应该满足以下两个条件：(1)各层激活值不会出现饱和现象；(2)各层激活值也不能为0。权重初始化有将权重初始化为0、随机初始化、正态分布初始化、xavier/glorot 初始化、he初始化等方法。权重初始化为0、随机初始化和正态分布初始化都有训练一定轮数后激活函数的输出接近于0，导致梯度消失的问题。 xavier/glorot初始化改善了使用sigmoid激活函数梯度消失的问题。2015 年，he等人发表了kaiming初始化，解决了使用relu激活函数时 xavier/glorot初始化遇到的梯度消失问题。由于本方案用到了relu激活函数，故kaiming初始化是本方案首选初始化方法。
[0057]
在神经网络的训练阶段，使用了均方误差(mean squared error，mse) 作为回归评价指标，其公式如下：
[0058][0059]
其中y
ref
和y
pre
分别代表真实值和预测值，l表示y
ref
中所含元素的数量，||
·
||2表示l2范数。
[0060]
在神经网络的测试阶段，使用信噪比(signal-to-noise ratio，s/n) 来评价反褶积结果的质量，其公式如下：
[0061][0062]
如图2所示，本方案工作过程如下：
[0063]
a)获取下述参数：人工神经网络ann的初始参数θ0，观测地震数据d
obs
，地震子波w，最大迭代次数l
max
；
[0064]
b)初始化：迭代变量l＝0；
[0065]
c)重复进行下述各d至h步骤l
max
次；
[0066]
d)将d
obs
输入人工神经网络ann(θ
l 1
)得到阻抗反演结果impe
l 1
；
[0067]
e)对于d
obs
中有对应测井资料的地震道，执行f步骤，对于d
obs
中没有对应测井资料的地震道，执行g至i步骤；
[0068]
f)计算测井损失loss
well
＝mse(impe
well-impe
l 1
)；
[0069]
g)计算反射系数
[0070]
h)计算重建地震数据d
syn
＝w*r
l 1
(*表示褶积运算)；
[0071]
i)计算地震损失loss
seis
＝mse(w*r
l 1-d
obs
)；
[0072]
j)计算损失函数loss＝α
×
loss
seis
β
×
loss
well
；
[0073]
k)由loss通过深度学习框架的自动微分、反向传播及优化器将θ
l
更新为
[0074]
θ
l 1
；
[0075]
l)将l更新为l 1；
[0076]
m)得出阻抗反演结果impe＝impe
lmax
。
[0077]
本方案为基于深度学习的声波阻抗反演方法，与传统方法相比，人机交互更少，智能程度较高。本方案同时也属于半监督学习方法，不需使用大量数据训练人工神经网络，且加入了地球物理正演模型，声波阻抗反演结果遵守地球物理规律，较为合理。
[0078]
实施例三
[0079]
marmousi2模型是在地震勘探数据处理方法研究中应用较多的例子。使用marmousi2模型生成了2721道地震数据，并从模型中等间距选取10道声波阻抗数据作为标签。最后，在合成地震数据中加入一个15db的高斯白噪声，以增强人工神经网络对噪声的鲁棒性。实验使用的地震数据剖面图及10 道声波阻抗数据如图6所示。在此模型实验过程中，采用了ormsby子波作为震源子波。ormsby子波是一种零相位子波，实际上，ormsby定义的是一个滤波器，因此这一子波应当被称为ormsby滤波器子波。ormsby子波的形态需要由4个频率确定，这4个频率分别为低截频率f1、低通频率f2、高截频率f3和高通频率f4。
[0080]
通过对比图7(a)与图7(b)可以看出，预测结果在大体趋势上较为符合，信噪比达到23.07db。
[0081]
为更清晰的分辨本方案的反演精度，在图8中展示了某一道的处理结果。从图8可以看出，在整体趋势上，神经网络的预测结果是比较符合实际情况的。
[0082]
如图9所示，本技术基于井控半监督深度学习的声波阻抗反演系统包括：第一运算单元201，用于：将有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第一预测声波阻抗，将所述第一预测声波阻抗与真实声波阻抗做均方差运算，得到测井损失；第二运算单元202，用于：将没有对应测井曲线的地震数据输入人工神经网络，通过人工神经网络得到第二预测声波阻抗，所述第二预测声波阻抗通过地震卷积模型得到合成地震记录，将所述合成地震记录与真实地震数据做均方差运算得到地震损失；更新单元 203，用于：将所述测井损失与地震损失加权求和得到训练损失，所述人工神经网络通过对训练损失进行优化来更新所述人工神经网络的参数，整体流程为半监督学习。
[0083]
本技术中，基于井控半监督深度学习的声波阻抗反演系统实施例与基于井控半监
督深度学习的声波阻抗反演方法实施例基本相似，相关之处请参考基于井控半监督深度学习的声波阻抗反演方法实施例的介绍。
[0084]
本技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0085]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述基于井控半监督深度学习的声波阻抗反演方法步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、 eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的媒介或设备。
[0086]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0087]
在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0088]
以上介绍仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。