[发明专利]一种端到端的对抗网络流体相识别方法

说明书

本发明公开了一种端到端的对抗网络流体相识别方法，采用对抗网络的设计方法，直接利用raw data的地震数据进行流体相的判别，可以避免地震数据去噪等处理带来的有效信号特征被削弱或去除的问题，并利用博弈的方法提高分类判别网络的性能，突破以往利用振幅、频率单个特征域的限制，更有效的描述流体相，省去了目前中间复杂的线性求解环节，避免不确定因素的引入，以及计算过程中脱离物理规律的突变。

技术领域

本发明涉及地震勘探中流体预测技术领域，尤其涉及一种端到端的对抗网络流体相识别方法。

背景技术

岩层由孔隙流体和固体骨架组成，地震波穿透地下岩层是会形成反射，反射波隐含了流体相关信息，根据流体的性质不同，表现的地震信号响应特征有所不同。但是这种特征在多数情况下是十分微弱的，直接难以通过振幅信息来获取其响应特征。获取这种流体特征，从叠前和叠后方法来讲，一种利用叠后地震数据的吸收衰减异常或频率异常，一种是利用叠前地震数据的AVO异常，但上述方法均是一种线性运算，整个工区都是采用相同参数计算，受地震数据质量、沉积构造等多种因素影响，在局部区域出现不吻合甚至突变的情况，也无法对水气这两种流体相进行识别。近几年，出现了利用深度学习的方法进行含气识别的方法，但这些方法通常是先对地震数据进行各种线性变换求取各种地震的属性，例如：均方根振幅、最小振幅、纵波阻抗等等，然后利用得到的各种属性作为学习的样本，利用地震多种属性体来进行学习，进而找到其中流体特征。采用这种方法也存在一些问题：(1)这种方法不是直接利用地震数据作为训练样本，而地震数据是采集过程中得到的唯一的真实数据，隐含了多种特征，经过多种线性属性求解运算后，有些特征，特别是非常弱的含气特征信息就被削弱或消除，此外由于间接线性变换的方法也引入其它不确定因素。(2)地震数据隐含具有强的物理规律，而属性体的获取是一种数学上线性运算，利用属性体训练有可能偏离物理规律，这种隐含的风险是很难人为去控制的。因此，设计一种能够直接利用地震数据进行流体相识别是十分必要的。

发明内容

本发明的发明目的在于：针对现有技术存在的利用属性体训练有可能偏离物理规律的问题，提供一种端到端的对抗网络流体相识别方法。

为了实现上述目的，本发明采用的技术方案为：

一种端到端的对抗网络流体相识别方法，对抗网络包括生成网络和分类判别网络，对生成网络和分类判别网络进行训练，最终利用训练后的分类判别网络对工区目标层的Raw data地震数据进行分类判别，得到地震数据的流体相分类；其中，生成网络和分类判别网络的训练包括：

S1对地震数据进行提取，针对目标层结合地质、测井资料按照井类型开展分类，并截取目标层段的Raw data地震数据，构成地震数据集；

将模型数据和Raw data地震数据进行混合形成训练数据集；

S2将白噪声数据输入生成网络，生成网络输出逼近模型的干扰数据；

S3将训练数据集作为分类判别网络的输入，对输入的地震数据进行分类判别；

训练过程中，利用交叉熵作为网络分类的损失函数

其中，x_i为训练数据集中各种类型的数据，y_i为地震数据集中的真实有标签数据，D为分类判别网络。

优选的，训练过程中，利用训练数据集混淆干扰数据后和地震数据集根据分布规律不同，并利用adam优化器，对生成网络和分类判别网络进行迭代修改，直到训练的准确度在0.4-0.6之间，训练结束。

优选的，对分类判别网络进行训练优化，对应的损失函数d_loss：

d_loss＝d_loss_real+d_loss_fake