【技术实现步骤摘要】
本申请实施例涉及地球物理勘探，具体涉及一种测井约束下的全波形反演初始速度模型获取方法及装置。
技术介绍
1、全波形反演(full waveforminversion，fwi)通过模拟地震波在地下介质中的传播过程，利用地震波在地下的传播路径和接收到的地震记录数据，通过迭代过程来调整初始速度模型，使模拟地震数据尽可能地与观测数据匹配。通过不断迭代优化，fwi能够逐步收敛到一个与实际地下结构相符合的高精度速度模型。
2、高精度的初始速度模型对fwi过程至关重要。首先，初始速度模型直接影响了fwi的收敛速度和结果的准确性，一个准确的初始速度模型可以帮助fwi快速收敛到最优解，提高效率和准确性。其次，初始速度模型还影响了后续速度模型更新的路径和结果。如果初始速度模型不准确，可能导致fwi陷入局部最优解或者收敛到错误的速度模型，从而影响后续的地下结构解释和勘探结果。
3、然而，获取高精度的初始速度模型却是一项挑战。一方面，地下介质的复杂性和非线性特性使得速度模型的获取变得困难。传统的地球物理方法在处理这种复杂性时表现不佳，常常需要大量的计算资源和时间来获得高精度的速度模型。另一方面，一些快速的地球物理方法虽然可以加速速度模型的获取过程，但往往只能得到粗糙的速度模型，精度和可靠性不高。这导致了速度模型的精度与获取速度之间的矛盾，从而使得fwi的初始速度模型的获取在精度和效率方面很难达到平衡，无法达到理想的效果。因此，如何能够快速获取具有高精度的初始速度模型成为了一个亟需解决的问题。
技术实现
1、鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种测井约束下的全波形反演初始速度模型获取方法及装置。
2、根据本申请实施例的一个方面，提供了一种测井约束下的全波形反演初始速度模型获取方法，包括：
3、利用经过训练的道集处理网络，对待处理地震道集数据的时差进行动校正和拉平处理得到处理后的地震道集数据，并对待处理初始速度模型进行纠正；其中，待处理地震道集数据与待处理初始速度模型具有对应关系；
4、根据处理后的地震道集数据，通过时曲线对纠正后的待处理初始速度模型进行更新，得到中间初始速度模型；
5、将测井速度数据与中间初始速度模型进行拟合，通过迭代调整中间初始速度模型的参数，以使测井速度数据与中间初始速度模型之间的差异满足优化目标，得到目标初始速度模型。
6、进一步地，在利用经过训练的道集处理网络，对待处理地震道集数据的时差进行动校正和拉平处理得到处理后的地震道集数据，并对待处理初始速度模型进行纠正之前，该方法还包括：
7、获取正演地震道集数据，将正演地震道集数据作为训练数据，构建得到训练集数据；
8、根据训练集数据，对预先构建的深度学习网络进行训练，以学习对地震道集数据的时差进行动校正和拉平处理，并学习和纠正速度模型误差对地震道集数据的影响，得到经过训练的道集处理网络。
9、进一步地，获取正演地震道集数据进一步包括：
10、利用正演速度模型进行正演模拟处理，生成正演地震道集数据。
11、进一步地，深度学习网络包括：卷积层、池化层、批归一化层、全连接层以及输出层；
12、卷积层用于提取地震道集数据中的时序特征；
13、池化层用于进行降采样处理和减少参数数量；
14、批归一化层用于提高深度学习网络的稳定性。
15、进一步地，将测井速度数据与中间初始速度模型进行拟合，通过迭代调整中间初始速度模型的参数，以使测井速度数据与中间初始速度模型之间的差异满足优化目标，得到目标初始速度模型进一步包括：
16、计算测井速度数据与中间初始速度模型之间的残差，构建与残差相关的优化目标；
17、利用优化算法，通过迭代调整中间初始速度模型的参数，以使残差满足优化目标，得到目标初始速度模型。
18、进一步地，优化算法包括梯度下降算法或者非线性最小二乘优化算法。
19、根据本申请实施例的，提供了一种测井约束下的全波形反演初始速度模型获取装置，包括：
20、处理模块，适于利用经过训练的道集处理网络，对待处理地震道集数据的时差进行动校正和拉平处理得到处理后的地震道集数据，并对待处理初始速度模型进行纠正；其中，待处理地震道集数据与待处理初始速度模型具有对应关系；
21、更新模块，适于根据处理后的地震道集数据，通过时距曲线对纠正后的待处理初始速度模型进行更新，得到中间初始速度模型；
22、拟合模块，适于将测井速度数据与中间初始速度模型进行拟合，通过迭代调整中间初始速度模型的参数，以使测井速度数据与中间初始速度模型之间的差异满足优化目标，得到目标初始速度模型。
23、根据本申请实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
24、存储器用于存放至少一可执行指令，可执行指令使处理器执行上述测井约束下的全波形反演初始速度模型获取方法对应的操作。
25、根据本申请实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述测井约束下的全波形反演初始速度模型获取方法对应的操作。
26、根据本申请实施例的还一方面，提供了一种计算机程序产品，包括至少一可执行指令，可执行指令使处理器执行如上述测井约束下的全波形反演初始速度模型获取方法对应的操作。
27、根据本申请实施例提供的测井约束下的全波形反演初始速度模型获取方法及装置，利用人工智能深度学习技术训练得到了道集处理网络，通过道集处理网络实现了地震道集数据的智能拉平处理，能够对偏移的地震道集数据中的残余时差进行自动识别和校正，使地震道集数据更加平坦化和准确化，确保了地震道集数据的质量，为后续速度模型的更新提供了更可靠的数据基础；利用道集处理网络还能够对待处理初始速度模型进行纠正，纠正速度模型误差对地震道集数据的影响，实现了对待处理初始速度模型的优化和调整，加速了速度模型的更新过程；并且，根据处理后的地震道集数据，通过时距曲线对纠正后的待处理初始速度模型进行更新，得到中间初始速度模型，实现了对速度模型的快速修正；另外，引入了测井速度数据，结合测井速度数据的高精度信息来约束中间初始速度模型的更新，从而提高最终所得到的目标初始速度模型的精度和准确性，使其更加接近真实地下介质情况，确保了目标初始速度模型与实际地质情况的一致性，提高了全波形反演的可靠性和迭代收敛效率；本方案综合运用了地球物理勘探领域的地震成像技术和人工智能深度学习技术，通过结合智能算法和测井速度数据约束，实现了对地震道集数据的快速动校正和拉平处理，在保证速度模型获取速度的同时还提高了初始速度模型的精度和准确性，能够快速获取高精度的初始速度模型，实现了初始速度模型的精度和获取效率之间的平本文档来自技高网...
【技术保护点】
1.一种测井约束下的全波形反演初始速度模型获取方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在所述利用经过训练的道集处理网络，对待处理地震道集数据的时差进行动校正和拉平处理得到处理后的地震道集数据，并对待处理初始速度模型进行纠正之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述获取正演地震道集数据进一步包括：
4.根据权利要求2所述的方法，其特征在于，所述深度学习网络包括：卷积层、池化层、批归一化层、全连接层以及输出层；
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将测井速度数据与所述中间初始速度模型进行拟合，通过迭代调整所述中间初始速度模型的参数，以使所述测井速度数据与所述中间初始速度模型之间的差异满足优化目标，得到目标初始速度模型进一步包括：
6.根据权利要求5所述的方法，其特征在于，所述优化算法包括梯度下降算法或者非线性最小二乘优化算法。
7.一种测井约束下的全波形反演初始速度模型获取装置，其特征在于，包括：
8.一种计算设备，包括：处理
9.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的测井约束下的全波形反演初始速度模型获取方法对应的操作。
10.一种计算机程序产品，包括至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的测井约束下的全波形反演初始速度模型获取方法对应的操作。
...【技术特征摘要】
1.一种测井约束下的全波形反演初始速度模型获取方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在所述利用经过训练的道集处理网络，对待处理地震道集数据的时差进行动校正和拉平处理得到处理后的地震道集数据，并对待处理初始速度模型进行纠正之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述获取正演地震道集数据进一步包括：
4.根据权利要求2所述的方法，其特征在于，所述深度学习网络包括：卷积层、池化层、批归一化层、全连接层以及输出层；
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将测井速度数据与所述中间初始速度模型进行拟合，通过迭代调整所述中间初始速度模型的参数，以使所述测井速度数据与所述中间初始速度模型之间的差异满足优化目标，得到...
【专利技术属性】
技术研发人员：孙雷鸣，马德志，张明强，盖永浩，邓聪，黄泉城，王胜侯，
申请(专利权)人：中海油田服务股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。