CN120370392B - 一种测井约束的深度学习波动方程反演方法 - Google Patents

Abstract

本申请涉及地震勘测技术领域，尤其涉及一种测井约束的深度学习波动方程反演方法，包括：获取实际炮集数据；设置初始模型的输入参数，包括空间坐标、弹性介质的弹性系数和密度；以俞氏子波作为纵向震源，根据波动方程计算模拟炮集数据；通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，并利用测井数据和岩性信息对反演过程进行约束；构建岩性神经网络LithoNet，以基于反演获得的弹性参数为输入，预测储层岩性；构建各向异性神经网络AnisoNet，用于基于反演获得的弹性参数预测各向异性参数。本申请通过结合波动方程反演与深度学习技术，并引入多源数据约束，实现了从弹性参数到储层岩性和各向异性参数的多维度精准预测。

Description

一种测井约束的深度学习波动方程反演方法

技术领域

本申请涉及地震勘测技术领域，更具体地说，涉及一种测井约束的深度学习波动方程反演方法。

背景技术

在地震勘测技术领域，地震反演技术是获取地下地质结构和储层参数的关键手段之一。传统地震反演方法主要基于褶积模型或Zoeppritz模型，利用最小二乘数学原理反演地层弹性参数模型。然而，这些方法在实际应用中存在诸多局限性。首先，传统反演方法通常依赖于简化的物理模型，难以准确反映复杂的地下地质条件，尤其是在处理各向异性介质和复杂储层时，反演精度往往不足。其次，传统方法在反演过程中缺乏对多源数据的有效融合，难以充分利用测井数据、岩性信息等丰富的地质先验知识，导致反演结果的可靠性和分辨率受限。此外，传统反演方法在处理多参数反演时，计算复杂度较高，且容易陷入局部最优解，难以实现高效、准确的全局优化。

发明内容

有鉴于此，本申请提供一种测井约束的深度学习波动方程反演方法，通过引入深度学习技术与波动方程反演的结合，并利用测井、岩性等多源数据进行约束，解决传统地震反演方法在复杂地质条件下精度不足、难以融合多源数据以及多参数反演效率低下的问题，实现更准确、高效的储层参数预测。

本申请提供如下技术方案：

一种测井约束的深度学习波动方程反演方法，包括：

获取实际炮集数据；

设置初始模型的输入参数，包括空间坐标、弹性介质的弹性系数和密度；

以俞氏子波作为纵向震源，根据波动方程计算模拟炮集数据；

通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，并利用测井数据和岩性信息对反演过程进行约束；

构建岩性神经网络LithoNet，所述LithoNet以基于反演获得的弹性参数为输入，用于预测储层岩性；

构建各向异性神经网络AnisoNet，所述AnisoNet以测井数据和弹性参数为输入层，以各向异性参数为输出层，用于基于反演获得的弹性参数预测各向异性参数。

其中一种可能的实现方式中，所述波动方程，表示为：

式中，u_i为位移场，ρ是密度，f_i为震源，c_ijkl为弹性刚度张量，e_kl为应变张量。

其中一种可能的实现方式中，通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，包括：

计算实际炮集数据u_o(t,x)与模拟炮集数据u_s(t,x)的残差d(t,x)，表示为：

d(t,x)＝u_o-u_s (2)

式中，x表示距离，t表示采样时间；

通过迭代反演建立目标函数，表示为：

其中，m为模型参数，d_s为震源s对应的模拟地震数据，为震源s对应的观测地震数据，N_s为最大震源数，||·||₂代表L2范数，T为最大时间；

通过伴随状态法，对所述目标函数进行迭代反演，用于更新所述模型参数。

其中一种可能的实现方式中，通过伴随状态法对更新所述模型参数，包括：

通过伴随状态法计算密度和弹性系数的梯度，并利用正演波场和伴随波场的互相关进行模型参数的迭代更新；其中，所述互相关计算表示为：

式中，Ω代表地下空间，为伴随波场，ρ为密度，表示时间二阶偏导数，表示空间x、z方面的偏导数,C₁₁、C₁₃、C₃₃、C₅₅为弹性系数；

其中，计算所述伴随波场包括：以-d(-t,x)为虚震源，替换波动方程的震源项，模拟残差记录的虚震源炮集数u*，得到所述伴随波场。

其中一种可能的实现方式中，利用测井数据和岩性信息对反演过程进行约束，其中，所述测井数据包括纵波速度、横波速度、密度和自然伽马GR参数。

其中一种可能的实现方式中，计算所述测井数据，还包括：

若计算得到的能量误差E<λ,则输出密度和弹性参数，并基于所述密度和弹性参数，换算得到纵波速度V_p，横波速度V_s，密度ρ；

若计算得到的E>λ,则以输出的密度和弹性参数作为初始模型的输入；其中，所述能量误差E为模拟炮集数据与实际炮集数据差的平方；λ为任意小正实数。

与现有技术相比，本申请提供的技术方案存在如下有益效果：

本申请通过利用炮集数据求解波动方程直接反演地下介质的密度和弹性参数，并引入测井数据、岩性信息等多源数据对反演过程进行约束，显著提高了反演结果的准确性和可靠性。同时，构建了两个专门的神经网络——LithoNet和AnisoNet，分别用于预测储层岩性和各向异性参数。这种结合深度学习与波动方程反演的方法，不仅能够充分利用多源数据的优势，弥补单一数据类型的不足，还能通过神经网络强大的非线性拟合能力，实现从弹性参数到储层岩性和各向异性参数的多维度预测，有效解决了传统反演方法在复杂地质条件下精度不足、难以融合多源数据以及多参数反演效率低下的问题。

附图说明

图1为本申请实施例一提供的一种测井约束的深度学习波动反演方法的流程图。

图2为本申请实施例一提供的对模型参数进行迭代反演的方法的流程图。

图3为本申请实施例一提供的LithoNet神经网络和AnisoNet神经网络的架构示意图。

具体实施方式

下面将结合本申请实施例，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

参见图1，为本申请实施例一提供的一种测井约束的深度学习波动反演方法的流程图。如图1中所示，上述方法的具体实施步骤包括：

步骤101、获取实际炮集数据。

其中，实际炮集数据是地震勘探中通过野外采集得到的地震波记录，反映了地下介质对地震波的响应。这些数据是波动方程反演的目标，即反演过程需要通过调整模型参数，使得模拟的地震数据尽可能接近实际炮集数据。

在本申请实施例中，考虑到环境噪音和系统噪音可能会掩盖或扭曲地震波的真实信息，导致数据中出现虚假的波动特征。因此，对采集到的炮集数据进行去噪处理，即去除环境噪音和系统噪音。通过去噪，可以减少上述干扰，使得地震波形更加清晰，更真实地反映地下介质的物理特性。

本申请实施例中，通过最小化模拟数据与实际数据之间的波形残差，可以优化地下介质的参数模型，从而实现对密度、弹性参数等的准确反演。具体方法参见下述。

步骤102、设置初始模型的输入参数，包括空间坐标、弹性介质的弹性系数和密度。

本申请实施例中，设初始模型的输入m₀(x,z)＝(c_ijkl)，(x,z)为空间坐标。根据Voigt标记法，上述c_ijkl可简化为C_IJ(I,J∈[1,2,3,4,5,6])，弹性介质可由4个弹性系数(C₁₁，C₁₃，C₃₃和C₅₅)和密度描述。

步骤103、以俞氏子波作为纵向震源，根据波动方程计算模拟炮集数据。

具体地，输入俞氏子波作为Z分量(纵向)震源，根据波动方程计算模拟炮集数据P_s(t,x)。其中，上述波动方程可用运动方程表示，表示为：

式中，u_i为位移场，ρ为密度，f_i为震源，c_ijkl为弹性刚度张量，e_kl为应变张量。

在本步骤中，使用俞氏子波作为Z分量(纵向)震源，即将俞氏子波作为震源函数输入到波动方程中，模拟地震波在地下介质中的传播。通过数值方法(如有限差分法、有限元法等)求解波动方程，计算地震波在地下介质中的传播，确定在不同接收点和时间的地震波形，形成模拟炮集数据。

步骤104、通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，并利用测井数据和岩性信息对反演过程进行约束。

上述通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，具体还包括：

步骤1041、计算实际炮集数据u_o(t,x)与模拟炮集数据u_s(t,x)的残差d(t,x)，表示为：

d(t,x)＝u_o-u_s (2)

式中，x表示距离，t表示采样时间；

步骤1042、通过迭代反演建立目标函数，表示为：

其中，m为模型参数，d_s为震源s对应的模拟地震数据，为震源s对应的观测地震数据，N_s为最大震源数，||·||₂代表L2范数，T为最大时间。

步骤1043、通过伴随状态法，对上述目标函数进行迭代反演，以更新模型参数。

一种可实现的方式中，通过伴随状态法计算密度和弹性系数的梯度，并利用正演波场和伴随波场的互相关进行模型参数的迭代更新。其中，上述互相关计算表示为：

式中，Ω代表地下空间，为伴随波场，表示时间二阶偏导数，表示空间x、z方面的偏导数。

以-d(-t,x)为虚震源，替换波动方程的震源项，模拟残差记录的虚震源炮集数u*，即可得到上述伴随波场。

上述步骤104中，测井数据包括但不仅限于纵波速度、横波速度、密度和自然伽马GR参数。具体通过如下方式获得：

若计算得到的能量误差E<λ,则输出密度和弹性参数，并基于上述密度和弹性参数，换算得到纵波速度V_p，横波速度V_s，密度ρ。其中，λ为任意小正实数。能量误差E为模拟炮集数据与实际炮集数据差的平方。

另外，如果计算得到的E>λ,则以输出的密度和弹性参数作为初始模型的输入，进入上述步骤102。

步骤105、构建岩性神经网络(LithologyNet；以下简称：LithoNet)。其中，上述LithoNet神经网络以基于反演获得的弹性参数为输入，用于预测储层岩性。

具体地，构建LithoNet神经网络，如图3a)中所示。LithoNet神经网络和下述的各向异性神经网络(Anisotropy Net；以下简称AnisoNet)的架构均由输入层、隐藏层和输出层组成，每个网络都有其特定的输入输出参数。

LithoNet神经网络的输入层用于接收测井数据参数，包括纵波速度V_p、横波速度V_s、密度ρ、自然伽马(GR)和中子孔隙度(NPHI)。隐藏层由多个神经元组成的层，这些神经元通过权重和偏置与输入层相连，并通过激活函数处理输入数据，以提取特征和进行非线性变换。输出层用于输出岩性分类结果，包括泥岩(shale)、砂岩(sandstone)和石灰岩(limestone)。通过训练LithoNet神经网络，网络学习到不同岩性与测井数据之间的复杂关系，从而能够对新的测井数据进行岩性分类。

本申请实施例中，以弹性参数(纵波速度V_p,横波速度V_s,密度ρ等)作为输入层,以岩性(泥岩Lshale、砂岩Lsand、石灰岩Llime)作为输出层，建立样本训练数据集。

通过导入弹性参数、岩性参数到LithoNet进行训练。训练完成后，输入反演获得的弹性参数(V_p，V_s,ρ)到LithoNet,预测实际工区的岩性(泥岩Lshale、砂岩Lsand、石灰岩Llime)。

步骤106、构建AnisoNet神经网络。其中，上述AnisoNet神经网络以测井数据和弹性参数为输入层，以各向异性参数为输出层，用于基于反演获得的弹性参数预测各向异性参数。

具体地，构建AnisoNet神经网络，如图3b)中所示。AnisoNet神经网络的输入层用于接收与LithoNet相同的测井数据参数，即纵波速度V_p、横波速度V_s、密度ρ、自然伽马(GR)和中子孔隙度(NPHI)。隐藏层与LithoNet类似，包含多个神经元层，用于特征提取和非线性变换。输出层用于输出各向异性参数，包括ε、δ和γ，用于描述岩层在不同方向上的弹性性质差异。

本申请实施例中，以测井数据参数(纵波速度V_p,横波速度V_s,密度ρ，GR等)作为输入层,各向异性参数(ε、δ、γ)作为输出层，建立样本训练数据集。通过导入测井参数、各向异性参数到AnisoNet进行训练。训练完成后，输入反演获得的弹性参数(V_p，V_s,ρ)到AnosiNet，预测实际工区的各向异性参数(ε、δ、γ)。

本申请实施例中，基于实际炮集数据训练深度学习模型，包括LithoNet神经网络和AnisoNet神经网络。通过将反演得到的弹性参数与实际炮集数据对应的实际地质参数如岩性、各向异性参数等进行对比，可以构建高质量的训练数据集，从而训练出更准确的神经网络模型，从而能够进一步预测储层的岩性和各向异性参数，为油气勘探提供更全面的地质信息。

与现有技术相比，本申请实施例一提供的技术方案存在如下有益效果：

本申请实施例一提出的技术方案，利用炮集数据，通过求解波动方程直接反演地下介质的密度和弹性参数，然后引入测井数据、岩性信息等多源数据对反演过程进行约束，从而增强了反演结果的精确度和可信度。

此外，本技术方案构建了两个专门的神经网络——LithoNet和AnisoNet，分别用于预测储层岩性和各向异性参数。LithoNet网络通过学习测井数据与岩性之间的关系，能够准确预测地下岩层的岩性分类，如泥岩、砂岩和石灰岩等。AnisoNet网络则专注于预测岩层的各向异性参数，以便于理解和描述地下介质的复杂弹性特性。

上述结合深度学习与波动方程反演的方法，不仅能够充分利用多源数据的优势，弥补单一数据类型的不足，还能通过神经网络强大的非线性拟合能力，实现从弹性参数到储层岩性和各向异性参数的多维度预测，有效解决了传统反演方法在复杂地质条件下精度不足、难以融合多源数据以及多参数反演效率低下的问题。

尽管已经示出和描述了本申请的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种测井约束的深度学习波动方程反演方法，其特征在于，包括：

获取实际炮集数据；

设置初始模型的输入参数，包括空间坐标、弹性介质的弹性系数和密度；

以俞氏子波作为纵向震源，根据波动方程计算模拟炮集数据；

通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，并利用测井数据和岩性信息对反演过程进行约束；

构建岩性神经网络LithoNet，所述LithoNet以基于反演获得的弹性参数为输入，用于预测储层岩性；LithoNet神经网络的输入层用于接收测井数据参数，包括纵波速度V_p、横波速度V_s、密度ρ、自然伽马GR和中子孔隙度NPHI；隐藏层由多个神经元组成的层，多个神经元通过权重和偏置与输入层相连，并通过激活函数处理输入数据，用于提取特征和进行非线性变换；输出层用于输出岩性分类结果，包括泥岩、砂岩和石灰岩；通过训练LithoNet神经网络，网络学习到不同岩性与测井数据之间的复杂关系，用于对新的测井数据进行岩性分类；

构建各向异性神经网络AnisoNet，所述AnisoNet以测井数据和弹性参数为输入层，以各向异性参数为输出层，用于基于反演获得的弹性参数预测各向异性参数；AnisoNet神经网络的输入层用于接收与LithoNet相同的测井数据参数；隐藏层包含多个神经元层，用于特征提取和非线性变换；输出层用于输出各向异性参数，包括ε、δ和γ，用于描述岩层在不同方向上的弹性性质差异。

2.根据权利要求1所述的一种测井约束的深度学习波动方程反演方法，其特征在于，所述波动方程，表示为：

式中，u_i为位移场，ρ是密度，f_i为震源，c_ijkl为弹性刚度张量，e_kl为应变张量。

3.根据权利要求1所述的一种测井约束的深度学习波动方程反演方法，其特征在于，通过求取模拟炮集数据与实际炮集数据波形残差的最小值，对模型参数进行迭代反演，包括：

计算实际炮集数据u_o(t,x)与模拟炮集数据u_s(t,x)的残差d(t,x)，表示为：

d(t,x)＝u_o-u_s (2)

式中，x表示距离，t表示采样时间；

通过迭代反演建立目标函数，表示为：

其中，m为模型参数，d_s为震源s对应的模拟地震数据，为震源s对应的观测地震数据，N_s为最大震源数，||·||₂代表L2范数，T为最大时间；

通过伴随状态法，对所述目标函数进行迭代反演，用于更新所述模型参数。

4.根据权利要求3所述的一种测井约束的深度学习波动方程反演方法，其特征在于，通过伴随状态法对更新所述模型参数，包括：

通过伴随状态法计算密度和弹性系数的梯度，并利用正演波场和伴随波场的互相关进行模型参数的迭代更新；其中，所述互相关计算表示为：

式中，Ω代表地下空间，为伴随波场，ρ为密度，表示时间二阶偏导数，表示空间x、z方面的偏导数，C₁₁、C₁₃、C₃₃、C₅₅为弹性系数；

其中，计算所述伴随波场包括：以-d(-t,x)为虚震源，替换波动方程的震源项，模拟残差记录的虚震源炮集数u*，得到所述伴随波场。

5.根据权利要求1所述的一种测井约束的深度学习波动方程反演方法，其特征在于，利用测井数据和岩性信息对反演过程进行约束；其中，所述测井数据包括纵波速度、横波速度、密度和自然伽马GR参数。

6.根据权利要求5所述的一种测井约束的深度学习波动方程反演方法，其特征在于，计算所述测井数据包括：

若计算得到的能量误差E<λ,则输出密度和弹性参数，并基于所述密度和弹性参数，换算得到纵波速度V_p，横波速度V_s，密度ρ；

若计算得到的E>λ,则以输出的密度和弹性参数作为初始模型的输入；其中，所述能量误差E为模拟炮集数据与实际炮集数据差的平方；λ为任意小正实数。