[发明专利]一种基于深度学习的强反射层剥离方法

说明书

本发明公开了一种基于深度学习的强反射层剥离方法。该方法利用深度网络强大的非线性映射功能，建立强反射信号与地震数据之间的映射关系；准确预测强反射层之后实现强反射层的剥离；该方法通过参数训练直接找到含强反射层地震数据与强反射层之间的映射关系；不需要经验性调参过程，仅需要按照文中所述的规则制作符合目标工区实际情况的训练样本；模型参数训练好之后计算速度快，适合海量地震数据处理；根据本发明所述方法能够准确匹配强反射层，得到的剥离强反射层结果基本不伤及有效的砂泥岩弱反射信息，易于储层预测研究，为该类储层的预测和油气检测奠定基础。

技术领域

本发明属于石油地球物理勘探技术领域，主要是检测油气储层弱反射信号技术中的一种基于深度学习的强反射层剥离方法。

背景技术

在储层预测工作中可能会遇到强反射层情况。地层波阻抗差异大是导致强反射层出现的直接原因，强反射层可存在于储层之上或者之下。一般煤系地层、深水稳定沉积形成的泥岩盖层、风化层形成的不整合面位置易形成强反射层。由于强反射层能量强，会使其附近的有效信息淹没在强反射之中，导致强反射区域的储层流体预测工作无法进行。因此，如何消除强反射层的影响，是这类储层预测亟待解决的问题。

目前，针对强反射剥离问题，前人提出了诸多解决方案。主要包括谱分解、匹配追踪和多子波分解等方法(佘刚等，2013；ZhangMing等，2013；陈人杰等，2014；王振卿等，2014；刘培金等，2014；WangYanghua等，2010)。谱分解技术及匹配追踪技术进行煤层强反射的主要思想是：利用煤层强反射的低频特征，估算出煤层强反射数据体然后进行强反射能量的消减(李素华等，2013；李海山等，2014)。然而，匹配追踪算法具有较强的稀疏性。因此，基于匹配追踪得到的强反射记录横向连续性较差，影响储层预测的横向精度。谱分解技术将地震数据体分解为一系列频率的数据体，对适用于储层预测的数据体的频率选择没有一个定量的标准，为了获得较高的纵向分辨率容易选择过高的频带的数据体而产生储层预测的假象；并且由于分频后的数据频带较窄，后续反演结果的频率成分缺乏，造成反演结果与实际情况相差较大。对于多子波分解技术，首先对叠后数据进行分解，将地震道中某个目标层段地震波分解成不同主频和能量的雷克子波；从原地震道中去除强反射信号对应主频的雷克子波，其次将剩余雷克子波重构得到强反射剥离后的地震道(赵爽等，2007)。但是基于单一固定子波假设的传统地震道模型具有其局限性，所以采用此技术去除煤层强反射信号的结果并不理想。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供基于深度学习的强反射层剥离方法，该方法将强反射层剥离工作分为两个部分，即子波预测与强反射层预测；利用深度网络建模，分别建立地震子波与地震数据之间的映射关系及强反射层与地震数据之间的映射关系，从而去除强反射信号结果不理想的现状。

为了达到上述目的，本发明采用以下技术方案予以实现：

本发明公开的一种基于深度学习的强反射层剥离方法，包括以下步骤：

步骤一：制作地震子波预测训练样本；

步骤二：基于交替迭代深度神经网络的地震子波与地震记录的映射关系训练；

步骤三：基于步骤二训练好的子波与地震记录之间的映射关系预测地震子波w；

步骤四：选择目标工区强反射界面以下或以上的不包含强反射界面的地震数据并做逐道归一化作为强反射层剥离的训练样本S_n；

步骤五：统计目标工区强反射层峰值振幅与强反射之外反射波峰值振幅比值范围K1-K2；

步骤六：基于步骤三预测的地震子波利用卷积算法制作仅含强反射层的记录S_s；其最大值振幅范围为K1-K2，反射界面位置随机变化；

步骤七：随机抽取S_s与S_n并相加获得包含强反射层的地震记录S_r；