一种地震弹性阻抗低频信息提取方法、系统及存储介质
技术领域
[0001] 本
发明涉及地球物理勘探技术领域，尤其是一种地震弹性阻抗低频信息提取方法、系统及存储介质。
背景技术
[0002] 随着
地震勘探技术的发展，油气勘探所面临的地质问题越来越复杂，对地震
数据处理及解释工作要求越来越高，如何在处理过程中最大限度保留有效
信号，充分挖掘数据信息，进行储层精细描述，是地球物理学家所追求的目标之一。低频信息在将地震数据转
化成纵波阻抗和弹性阻抗剖面，和最终转化成储层属性参数剖面的反演过程中扮演着重要的
角色。另外，
地震波的低频成分衰减慢，具有较强的穿透能
力，可以提高中深层地震成像
质量，尤其对于
地层中包含大套地层时，成像质量提高更加明显。从反演角度来看，低频信息的
精度直接影响到了低频模型的精度，而低频模型精度又最终影响到叠前及叠后地震反演结果，最终影响到储层预测的精度。另外，低频信号能够保持较宽的有效频带，压制子波旁瓣影响，提高地震资料
分辨率，这对于地震资料解释很有必要。而反演中，也涉及到子波与反射系数的褶积过程，因此低频信号对子波旁瓣的影响也会影响到正-反演过程。在
烃类检测中，“低频伴影”可作为储层是否含有烃类的依据，用于油气藏检测。
[0003] 地震资料低频信息常用提取方法有低通滤波、
带通滤波、时频分析方法等，而时频分析方法，可以在时间刻度上考虑
频率特性，增强了地震资料分析和解释时的可读性，被地球物理学者们广泛接受。Stockwell(1996)提出S变换分析方法用于局部时－频精细分析。S变换的窗函数不仅能随着频率的增加而自适应地减小分析时窗，并且时窗具有一定的自适应性。针对S变换的小波函数是固定的，高静怀、贺振华、陈学华等(2003，2005)相继提出了小波函数变化的广义S变换。从而使小波函数随具体的应用而调整，增加了灵活性。广义S变换不仅具有小波分析的特点，并且对信号的细节，及信号的高频部分也能进行很好的时－频分析。为了克服了时窗傅里叶变化不能描述信号结构变化和
小波变换不能提供精确估算子波
原子频率的缺点(Qian，1994)，Mallat等(1994)提出了匹配追踪
算法，主要用于信号稀疏分解，应用
匹配追踪算法，创建超完备子波库所使用的子波原子基与原始信号越相似，则分解效果越好，前提是需要选择合适的原子基。
[0004] GRU则是LSTM的一个变体，GRU即Gated Recurrent Unit，
门控循环单元。GRU的优势在于：能够对长期语境等关系进行建模；在保留长期序列信息下减少梯度消失问题；GRU保持了LSTM的效果同时又使结构更加简单，所以它在
自然语言处理领域近两年非常流行。
[0005] 但于目前鲜有通过引入门循环单元(GRU)神经网络方法进行地震低频信息提取方法，传统方法如
聚类分析、
遗传算法、模糊理论，对于地震时间跨度较长的长时间序列问题的低频信息提取效果不理想，受主观因素影响较大，计算效率低下，同样也无法清楚地体现出地质异常体的低频特征。
发明内容
[0006] 为解决上述技术问题之一，本发明的目的在于：提供一种实用性强、精度高、计算快速的地震弹性阻抗低频信息提取方法、系统及存储介质。
[0007] 本发明所采取的第一种技术方案是：一种地震弹性阻抗低频信息提取方法，包括以下步骤：
[0008] 获取地震数据、实测弹性阻抗数据；
[0009] 根据所述地震数据通过神经网络反演出弹性阻抗数据；
[0010] 根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
[0011] 根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
[0012] 根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
[0013] 基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
[0014] 进一步，所述根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值这一步骤具体包括：对所述地震数据进行标准化和归一化处理；从处理后的地震数据获取至少三个角度的弹性阻抗数据以及生成弹性阻抗曲线；通过所述弹性阻抗数据获取对应角度下的地震反射系数；根据所述地震反射系数结合地震子波或从所述地震数据提取的统计子波生成所述正演地震数据。
[0015] 进一步，所述从所述地震数据提取的统计子波包括：分角度提取的统计子波或在固定的角度提取的统计子波。
[0016] 进一步，所述根据所述地震数据通过神经网络反演出弹性阻抗数据这一步骤具体包括：构建并初始化门控循环神经网络；将所述地震数据中的
地震道通过所述门控循环神经网络生成弹性阻抗道集；根据所述弹性阻抗道集获取所述弹性阻抗数据。
[0017] 进一步，所述根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值这一步骤具体包括：根据所述正演地震数据结合所述地震数据得到地震数据损失值；根据所述地震数据损失值以及弹性阻抗的损失值得到初始损失值；通过神经网络的后向传递及梯度计算和经过神经网络的前向传递进行
迭代，更新所述初始损失值；当总损失函数收敛到极小值，获取所述最小总损失值。
[0018] 进一步，所述门控循环神经网络包括：至少一个门控循环单元、反卷积层和全连接层；门控循环单元：用于根据所述地震数据输出中间过程数据；反卷积层：用于对所述中间过程数据进行上
采样处理；全连接层：用于根据所述上采样处理的结果生成所述弹性阻抗数据。
[0019] 进一步，所述基于所述最小总损失值和所述低频曲线进行储层预测和地震反演这一步骤具体包括：滤除所述弹性阻抗曲线高频部分，获取地震道低频弹性阻抗曲线；根据所述地震道弹性阻抗曲线生成弹性阻抗低频模型；根据所述弹性阻抗低频模型及所述地震数据进行弹性阻抗反演；基于弹性阻抗反演的结果对储层、物性以及岩性进行划分，完成储层预测、烃类检测及地质异常体的识别。
[0020] 本发明所采取的第二种技术方案是：一种地震弹性阻抗低频信息提取系统，包括：
[0021] 数据获取单元，获取地震数据、实测弹性阻抗数据；
[0022] 弹性阻抗反演单元，根据所述地震数据通过神经网络反演出弹性阻抗数据；
[0023] 地震数据正演单元，用于根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
[0024] 损失数据获取单元，用于根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
[0025] 数据整合单元，根据所述正演地震数据以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
[0026] 执行单元，用于基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
[0027] 本发明所采取的第三种技术方案是：一种地震弹性阻抗低频信息提取系统，包括：至少一个处理器；至少一个
存储器，用于存储至少一个程序；当所述至少一个程序被至少一个处理器执行，使得所述至少一个处理器实现所述的一种地震弹性阻抗低频信息提取方法。
[0028] 本发明所采取的第四种技术方案是：一种存储介质，其中存储有可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的一种地震弹性阻抗低频信息提取方法。
[0029] 本发明的有益效果是：本发明方案引入神经网络方法进行地震低频信息提取，并将提取的低频信息应用于地震反演和储层预测，对于地震长时间序列信号，该方法完全数据驱动，降低了常规提取低频特征方法受主观因素影响较大的问题，提取的低频特征好，计算效率高，应用低频信息在地震反演及岩性进行解释，可显著提高储层预测精度降低勘探
风险。
附图说明
[0030] 图1为本发明
实施例一种地震弹性阻抗低频信息提取方法的
流程图；
[0031] 图2是本发明实施例一种地震弹性阻抗低频信息提取方法的双向GRU神经网络
节点的结构示意图；
[0032] 图3是本发明实施例一种地震弹性阻抗低频信息提取方法的GRU
深度学习神经网络模型的结构示意图；
[0033] 图4是本发明实施例一种地震弹性阻抗低频信息提取方法的深度学习训练过程总损失值曲线图；
[0034] 图5是本发明实施例一种地震弹性阻抗低频信息提取方法提取的低频趋势与原始曲线叠合图；
[0035] 图6是本发明实施例一种地震弹性阻抗低频信息提取方法的获取EI反演损失值的流程图。
具体实施方式
[0036] 下面结合具体的实施例对本发明进行进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0037] 如图1所示，为本发明实施例的具体步骤的流程图，本实施例一种地震弹性阻抗低频信息提取方法具体实施步骤为:
[0038] S101、获取地震数据、实测弹性阻抗数据；获取地震数据并作为神经网络的输入。
[0039] S102、根据所述地震数据通过神经网络反演出弹性阻抗数据；本实施例引入门循环单元(GRU)神经网络方法进行地震低频信息提取方法，其具体为：
[0040] S1021、构建GRU神经网络，如图2所示，GRU网络节点个数可以根据需要动态调整，并且采用首尾
串联方式。特别的，本实施例采用双向GRU的神经网络，主要包括：
输入层；正向GRU传播层，反向GRU传播层，反向GRU传播层可以不选用；
输出层；在反向GRU传播层与输出层之间，存在激活层。箭头方向表示数据流动方向，在正向GRU层和反向GRU层，每一个圆圈代表一个GRU单元，每个GRU单元均包含了更新门与重置门，这是为了解决标准RNN的梯度消失问题。基本上，这两个门控向量决定了哪些信息最终能作为门控循环单元的输出。这两个门控机制的特殊之处在于，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除。输入层输入地震角度道集数据，以10度的地震角道集为例，S1，S2，S3分别表示t1、t2、t3时刻的地震数据，一个地震道其余时刻的地震数据同样都需要输入，由于一个地震道可能有几千个时间样点，因此在输入层以省略号表示。其次，本实施例的GRU深度学习神经网络模型包括至少一个门控循环单元、反卷积层和全连接层，如图3所示，为GRU单元神经网络节点的数据流动方式：把叠前地震数据批量送入网络，数据经过GRU神经网络再经过反卷积层对数据进行上采样处理，最后经过全连接层(Linear层)生成弹性阻抗数据。可以根据实际数据的反演效果调整GRU层数。
[0041] S1022、用随机参数初始化反演模型(GRU深度学习神经网络)。初始参数的随机给定，明显优于传统反演方法。传统反演方法对于初始化模型要求较高，初始模型不能随机给定。
[0042] S1023、将
训练数据集(地震数据)有实
测井的弹性阻抗(Elastic Impedance，EI)道及地震道建立相应标签，将随机选择的地震道输入到反演模型中，得到相应的EI道集；GRU神经网络前向传播，通过公式(1)和(2)最后获得具体的弹性阻抗信息(数据)：
[0043]
[0044]
[0045] 其中， 表示第i个地震道第t个时刻的地震信息， 代表第i个地震道第个时刻的弹性阻抗信息，sigmoid代表sigmoid函数，tanh代表双曲正切函数， 代表更新门，代表重置门，更新门和重置门是GRU深度学习神经网络的两个最为强大的核心机制。Wmu、Wnu、Wmr和Wnr均表示权值矩阵，bu和br表示偏置项，权值矩阵和偏置项均可以通过深度学习网络自主学习获得。
[0046] S103、根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；利用正演模型从估算的EI中合成地震记录，其具体为：
[0047] S1031、对原始测井数据，如
密度曲线、纵
波速度、横波速度进行标准化及归一化处理，其目的是去除井径垮塌、测井质量不佳等问题。
[0048] S1032、构建理论地震子波例如Ricker(t)子波或在地震数据上提取统计子波，提取方式分为两种：
[0049] a)分角度提取子波，每隔5度提取一个子波，例如，在0-5度的叠前地震角道集上提取的子波w1(t)；在5-10度叠前地震角道集上提取的子波为w2(t)；在10-15度的叠前地震角道集上提取的子波为w3(t)；在15-20度叠前地震角道集上提取的子波为w4(t)；在20-25度叠前地震角道集上提取的子波为w5(t)；在25-30度叠前地震角道集上提取的子波为w6(t)；在30-35度叠前地震角道集上提取的子波为w7(t)；
[0050] b)在叠前地震角度道集上提取统一的地震子波，例如在0-35度范围内只提取一个统计子波w(t)；
[0051] S1033、通过地震数据中的测井数据计算0°的弹性阻抗(EI)，其计算公式(3)为：
[0052]
[0053] 其中t表示时间，θ为入射角度， 为纵波速度在时间轴上的平均值，为密度在时间轴上的平均值， 为横波速度在时间轴上的平均值。Vp(t)为某一时刻t对应的纵波速度，Vs(t)为某一时刻t对应的横波速度，ρ(t)为某一时刻t对应的密度。u,v,w分别为依赖角度θ的函数。
[0054] S1034、重复步骤S1033，计算其他角度的弹性阻抗曲线，EI(5°)，EI(10°)，EI(15°)，EI(20°)，EI(25°)，EI(30°)，EI(35°)。
[0055] S1035、通过弹性阻抗(EI)以及公式(4)计算入射角为0°对应的地震反射系数：
[0056]
[0057] 式中，t表示时刻，Δt代表下一个采样点对应的时间变化量，通常为2ms或1ms，EI(t+Δt)代表t+Δt时刻弹性阻抗。同样重复过程计算其他角度的对应的反射系数，例如：RC(5°)，RC(10°)，RC(15°)，RC(20°)，RC(25°)，RC(30°)，RC(35°)。
[0058] S1036、通过子波与反射系数进行褶积运算，通过公式(5)获得合成地震记录：
[0059] seis＝wi(t)*RC(θ)(5)
[0060] 其中，RC(θ)代表步骤S1035中的不同角度的反射系数，wi(t)代表步骤S1032
中子波的类型，当i＝1时，代表Ricket(r)子波，当i＝2时，代表步骤S1032中的系列子波，当i＝3时，代表步骤S1032中的唯一的一个统计子波。例如，当用雷克子波合成0°的地震记录时，则有公式(6)：
[0061] seis＝Ricker(t)*RC(0)(6)
[0062] 重复步骤S1036，合成其余角度的合成地震记录，例如，seis(5°)，seis(10°)，seis(15°)，seis(20°)，seis(25°)，seis(30°)，seis(35°)。
[0063] S1037、获得地震损失值：获取方法为合成地震与输入地震之间的
最小均方误差：
[0064]
[0065] 式中，mi代表第i道的弹性阻抗，θ代表地震入射角度，di代表第i道地震数据，代表对地震数据di求EI反演，L2(θ)代表地震损失，F代表对反演出来的EI求正演，得到的是地震数据。
[0066] S104、根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；具体的，计算EI属性损失：方法为训练地震道上的预测EI与真实EI地震道之间的均方误差：
[0067]
[0068] 式中，mi代表第i道的弹性阻抗，θ代表地震入射角度，di代表第i道地震数据，代表对地震数据di求EI反演，L1(θ)代表EI的属性损失。
[0069] S105、根据所述正演地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；具体的，总损失＝地震损失+EI属性损失：
[0070] L(θ)＝L1(θ)+L2(θ)(9)
[0071] 其中L1(θ)代表EI的属性损失，L2(θ)代表地震损失。并通过后向梯度传播算法来更新GRU神经网络，这一过程实现损失函数对各参数的自动偏导计算，然后对神经网络进行正向传播再进行反向传播，按照超参数规定的迭代次数，重复此过程，直至总损失函数收敛到极小值，如图4所示，横轴表示训练次数，纵轴表示总损失值，曲线虽然在个别训练次数时损失值有跳跃，但是整体呈现较好的下降趋势，当训练次数为400次时，总损失值约为0.3，表明本实施例可以达到目标效果；利用50点滑动平均算法或低频滤波算法，滤除高频成分，获取特定地震道低频EI曲线，如图5所示，纵坐标表示弹性阻抗，横坐标表示时间，图5为两条曲线的叠合图，其中虚线表示实测的弹性阻抗，实线表示反演出的低频弹性阻抗(EI)，从图中可以看出，两条曲线吻合较好，同样表明本实施例可以达到目标效果。
[0072] 将获取最小总损失值的所有步骤(流程)连贯起来，进行整合即如图6所示，总损失值主要包括两部分：地震数据损失值和弹性阻抗损失值。当地震数据送入到GRU深度学习网络后，反演出弹性阻抗，此时反演出的弹性阻抗与实测弹性阻抗相结合，可以计算出弹性阻抗的损失值；另外弹性阻抗通过反射系数公式计算，计算出反射系数后，与地震子波进行褶积运算，生成合成地震数据，与实测地震数据相结合，计算出地震数据的损失值，把两部分的损失值加在一起，构成总损失值，初始的总损失值较大，通过深度学习网络的后向传递及梯度计算，再经过网络的前向传递，重新计算总损失值。经过深度学习的不断学习迭代，直到总损失值最小或者达到预期值。
[0073] S106、基于所述最小总损失值和所述低频曲线进行地震反演和储层预测；具体的，获取全部地震道低频EI曲线；共同构成整个二维地震测线的低频模型，重复构建多个二维地震测线的低频模型获取整个三维工区的弹性阻抗EI低频模型，该模型可以修正按照测井滤波-地震解释层位联合横向插值生成传统低频模型。利用弹性阻抗EI低频模型及叠前地震数据，进行弹性阻抗反演，在弹性阻抗反演结果
基础上，利用测井弹性属性交汇方法，对储层、物性、岩性等进行划分，完成储层预测、烃类检测及地质异常体的识别。
[0074] 除此之外，本发明实施例还提供了一种地震弹性阻抗低频信息提取系统，包括：
[0075] 数据获取单元，获取地震数据、实测弹性阻抗数据；
[0076] 弹性阻抗反演单元，用于根据所述地震数据通过神经网络反演出弹性阻抗数据；
[0077] 地震数据正演单元，用于根据所述弹性阻抗数据生成正演地震数据并得到地震数据损失值；
[0078] 损失数据获取单元，用于根据所述弹性阻抗数据与所述实测弹性阻抗数据得到弹性阻抗的损失值；
[0079] 数据整合单元，用于根据所述地震数据损失值以及所述弹性阻抗的损失值获取最小总损失值和低频曲线；
[0080] 执行单元，用于基于所述最小总损失值和所述低频曲线进行储层预测和地震反演。
[0081] 本发明实施例还提供一种地震弹性阻抗低频信息提取系统，包括：
[0082] 至少一个处理器；
[0083] 至少一个存储器，用于存储至少一个程序；
[0084] 当所述至少一个程序被至少一个处理器执行，使得所述至少一个处理器实现所述的一种地震弹性阻抗低频信息提取方法。
[0085] 上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0086] 此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的地震弹性阻抗低频信息提取方法。
[0087] 相对于
现有技术，本发明地震弹性阻抗低频信息提取方法、系统及存储介质具有以下优点：
[0088] 1)本发明方法引入门循环单元(GRU)神经网络方法进行地震低频信息提取方法。结果表明，对于地震长时间序列信号，该方法完全数据驱动，降低了常规提取低频特征方法受主观因素影响较大的问题，提取的低频特征好，计算效率高，易于收敛，低频信息可靠，具有广泛的适用性和可操作性；
[0089] 2)本发明方法既能达到常规基于频率滤波方法的低频信息提取效果，同时又能体现出地质异常体的低频特征，整体提取低频特征效果理想，对于后续叠后反演、叠前多参数反演、巨厚岩性体解释、
叠前深度偏移速度建模具有较好的应用空间。
[0090] 对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0091] 以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同
变形或替换，这些等同的变形或替换均包含在本
申请权利要求所限定的范围内。
