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

技术特征：
1.一种基于井控半监督深度学习的声波阻抗反演方法，其特征在于，包括：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；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；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。2.根据权利要求1所述基于井控半监督深度学习的声波阻抗反演方法，其特征在于，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：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。3.根据权利要求2所述基于井控半监督深度学习的声波阻抗反演方法，其特征在于，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。4.根据权利要求1-3任一项所述基于井控半监督深度学习的声波阻抗反演方法，其特征在于，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：l
out
＝l
in
2
×
p-(k-1)
×
d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。5.根据权利要求4所述基于井控半监督深度学习的声波阻抗反演方法，其特征在于，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。6.根据权利要求1-3任一项所述基于井控半监督深度学习的声波阻抗反演方法，其特征在于，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：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表示范数。7.根据权利要求1-3任一项所述基于井控半监督深度学习的声波阻抗反演方法，其特征在于，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
。8.一种基于井控半监督深度学习的声波阻抗反演系统，其特征在于，包括：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；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；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。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。

技术总结
本发明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，对于有对应测井曲线的地震数据，其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；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。本发明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。本发明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。较为合理。较为合理。


技术研发人员：朱相羽 郭廷超 夏连军 曹文俊
受保护的技术使用者：中国石油化工股份有限公司江苏油田分公司
技术研发日：2022.09.30
技术公布日：2023/2/6