基于注意力门神经网络的叠前地震速度反演方法技术

本发明专利技术公开了基于注意力门神经网络的叠前地震速度反演方法，名为AG

【技术实现步骤摘要】
基于注意力门神经网络的叠前地震速度反演方法


[0001]本专利技术属于深度学习领域，具体涉及基于注意力门神经网络的叠前地震速度反演方法。

技术介绍

[0002]在油气勘探领域，地震勘探作为探查油气有利构造的重要手段，在深部资源勘探任务中，发挥巨大作用。为获得高分辨率、高信噪比、高保真度的地震剖面，识别地下介质构造背景，需要地震资料经过动校正、静校正、水平叠加、偏移成像等一系列处理流程，都需要地下介质速度信息。但是叠前地震资料并不包含速度信息文件。因此，通过反演得到地层速度剖面，就成了处理记录数据最重要的成果之一。速度模型的好坏直接影响动校正、水平叠加、偏移成像的效果，对目标物体成像和定位的准确性有很大的影响。如果没有精确的速度模型，后期的一系列处理、解释工作就难以开展。
[0003]传统速度反演方法包括叠加速度分析、偏移速度分析、层析速度反演和全波形反演。其中，全波形反演充分利用地震波运动学和动力学信息，在这几种方法中反演精度最高，最接近真实模型，目前得到研究人员的广泛研究。但该方法受初始模型制约严重，并且计算量大，对地震资料的质量要求苛刻。所以在实际工作中应用较少。随着计算机算力提升，基于深度学习的反演技术得到了发展。
[0004]深度学习是一种基于数据驱动的非线性算法。通过搭建人工网络模型，利用大量的训练数据，训练网络模型，建立输入与输出之间的非线性关系。深度学习方法只需要输入地震记录与网络模型参数进行计算，即可获得反演剖面，不需要初始模型或是额外条件约束。模型训练比较耗时，一旦模型训练完成，预测的过程几乎可以瞬间完成，相比于全波形反演极大提高了反演效率。
[0005]目前，深度学习地震反演技术处于起步阶段，大部分使用其他领域(如计算机视觉、自然语言处理等领域)设计的网络模型，忽略了地震反演本身的地质构造特征以及地震波传播规律。因此，导致反演结果难以精细刻画地质构造轮廓，地质体范围难以圈定。此外，深度学习速度反演多采用有监督学习方式，网络训练效果与训练数据集有直接关系，容易导致网络泛化性不强，出现在某一工区数据训练的网络，在另外一个工区反演效果极差的现象。并且，网络反演抗干扰能力较差，一旦采集数据被噪声干扰，就会导致结果出现加大误差。

技术实现思路

[0006]本专利技术所为了解决
技术介绍
中存在的技术问题，目的在于提供了基于注意力门神经网络的叠前地震速度反演方法，以解决全波形反演受初始模型制约、计算效率低的问题，以及解决目前深度学习速度反演方法面临的构造刻画不准确，泛化能力弱，鲁棒性差等问题。
[0007]为了解决技术问题，本专利技术的技术方案是：
[0008]基于注意力门神经网络的叠前地震速度反演方法，所述方法包括：
[0009]获取勘探地球物理数据，建立合成速度模型；勘探地球物理数据包括：勘探工区内的地震数据、地质特征数据和测井数据；对合成速度模型进行正演计算，得到对应的地震合成数据，并对所述对应的地震合成数据进行预处理；
[0010]构建注意力门神经网络模型；把所述合成速度模型及预处理后的对应的地震合成数据输入到所述注意力门神经网络模型中，对所述注意力门神经网络模型设置训练参数后开始训练，得到一条损失值随训练时间变化的曲线；
[0011]基于预设的评价指标对所述曲线进行最优选择，得到含有最优参数的注意力门神经网络模型；将所述勘探工区内的地震数据输入到含有最优参数的注意力门神经网络模型中，得到叠前地震速度反演结果，即反演的地震速度剖面。
[0012]进一步，所述建立合成速度模型具体为：
[0013]首先，根据所述勘探工区内的地质特征数据，获得地层的岩性信息和构造信息，并对照所述勘探工区内的测井数据将地层的岩性信息在深度上进行准确归位，根据地层的地质背景和勘探工区内的地震数据，推断地层中的褶皱构造和断层构造；
[0014]最后，以地层的岩性信息和构造信息为基础，加入岩性和构造上的随机变化信息，即可构建出符合勘探工区地质特征的合成速度模型。
[0015]进一步，对合成速度模型进行正演计算，具体包括：
[0016]设置正演参数；
[0017]根据所设正演参数利用有限差分方法，在所述合成速度模型的空间内求解波动方程，即得到对应的地震合成数据。
[0018]进一步，所述正演参数包括震源和检波器的位置、采样时间间隔、总时长、边界条件、子波类型和主频。
[0019]进一步，所述构建注意力门神经网络模型，具体为：
[0020]以预设的Unet为神经网络模型主体框架，下采样加入残差学习单元，并在跳跃连接结构中加入注意力门模块，即得到构建的注意力门神经网络模型。
[0021]进一步，对所述注意力门神经网络模型设置训练参数后开始训练，具体包括：
[0022]对所述注意力门神经网络模型设置训练参数，所述参数具体包括：学习率、批大小、训练次数和正则化衰减因子；
[0023]对设置完训练参数的注意力门神经网络模型中损失函数，通过优化算法处理，使损失函数的计算值随训练过程降低，即得到一条损失值随训练时间变化的曲线，基于预设的评价指标对所述曲线进行最优选择，得到含有最优参数的注意力门神经网络模型。
[0024]进一步，所述优化算法处理具体包括：
[0025]对设置完训练参数的注意力门神经网络模型中损失函数计算误差，将误差反向传播计算出注意力门神经网络模型的更新方向，不断迭代更新，使损失函数的计算值随训练过程降低，并得到一条损失值随训练时间变化的曲线，基于预设的评价指标对所述曲线进行最优选择，得到含有最优参数的注意力门神经网络模型。
[0026]进一步，预设的评价指标为注意力门神经网络模型中损失函数的最小值。
[0027]进一步，将所述勘探工区内的地震数据输入到含有最优参数的注意力门神经网络模型中，进行正向计算，得到叠前地震速度反演结果，即反演的地震速度剖面。
[0028]进一步，对所述对应的地震合成数据进行预处理具体包括：将对应的合成地震数据减去对应的合成地震数据的均值后，除以对应的合成地震数据的标准差，得到预处理后的对应的合成地震数据。
[0029]与现有技术相比，本专利技术的优点在于：
[0030]基于注意力门神经网络的叠前地震速度反演方法，以解决全波形反演受初始模型制约、计算效率低的问题，以及解决目前深度学习速度反演方法面临的构造刻画不准确，泛化能力弱，鲁棒性差等问题。
附图说明
[0031]图1、本专利技术的AG
‑
ResUnet网络结构图；
[0032]图2、本专利技术的注意力门结构图；
[0033]图3、合成随机地层模型图；
[0034]图4、AG
‑
ResUnet速度反演结果图；
[0035]图5、AG
‑
ResUnet与FWI反演结果对比图；
[0036]图6、AG
‑
ResUnet与其他网络模型的反演结果对比图。
具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力门神经网络的叠前地震速度反演方法，其特征在于，所述方法包括：获取勘探地球物理数据，建立合成速度模型；勘探地球物理数据包括：勘探工区内的地震数据、地质特征数据和测井数据；对合成速度模型进行正演计算，得到对应的地震合成数据，并对所述对应的地震合成数据进行预处理；构建注意力门神经网络模型；把所述合成速度模型及预处理后的对应的地震合成数据输入到所述注意力门神经网络模型中，对所述注意力门神经网络模型设置训练参数后开始训练，得到一条损失值随训练时间变化的曲线；基于预设的评价指标对所述曲线进行最优选择，得到含有最优参数的注意力门神经网络模型；将所述勘探工区内的地震数据输入到含有最优参数的注意力门神经网络模型中，得到叠前地震速度反演结果，即反演的地震速度剖面。2.根据权利要求1所述的基于注意力门神经网络的叠前地震速度反演方法，其特征在于，所述建立合成速度模型具体为：首先，根据所述勘探工区内的地质特征数据，获得地层的岩性信息和构造信息，并对照所述勘探工区内的测井数据将地层的岩性信息在深度上进行准确归位，根据地层的地质背景和勘探工区内的地震数据，推断地层中的褶皱构造和断层构造；最后，以地层的岩性信息和构造信息为基础，加入岩性和构造上的随机变化信息，即可构建出符合勘探工区地质特征的合成速度模型。3.根据权利要求1所述的基于注意力门神经网络的叠前地震速度反演方法，其特征在于，对合成速度模型进行正演计算，具体包括：设置正演参数；根据所设正演参数利用有限差分方法，在所述合成速度模型的空间内求解波动方程，即得到对应的地震合成数据。4.根据权利要求3所述的基于注意力门神经网络的叠前地震速度反演方法，其特征在于，所述正演参数包括震源和检波器的位置、采样时间间隔、总时长、边界条件、子波类型和主频。5.根据权利要求1所述的基于注意力门神经网络的叠前地震速度反演方法，其特征在于，所述构建注意力门神经网络模型...

【专利技术属性】
技术研发人员：郭振威，李方达，潘新朋，刘春明，王博琛，高大维，柳建新，侯新荣，王妍艺，
申请(专利权)人：中南大学，
类型：发明
国别省市：