[发明专利]一种基于纳什均衡原理无监督生成地震数据方法

说明书

本发明公开了一种基于纳什均衡原理无监督生成地震数据方法，生成网络生成具有分类特征的地震数据，即生成的地震数据包含了储层特征及含气特征，可以极大的扩充的训练样本集，可实现直接利用地震数据做为训练样本；鉴别网络，可以对地震数据传播规律一致性的进行判断，可直接的对地震数据处理质量进行检查；由于生成数据是来自于真实的地震数据其隐含了目标层的物理传播规律，可以间接的约束深度学习的学习过程，使其不会脱离物理传播模型。

技术领域

本发明涉及地震数据处理与流体预测技术领域，特别是一种基于纳什均衡原理无监督生成地震数据方法。

背景技术

在油气勘探领域，基于深度学习方法在储层预测、含气预测等方面了一定进展，应用人工智能方法开展储层预测和含气预测等相关研究，由于勘探开发的应用特点，虽然工区地震数据的数据量很大，但通常只会选取目标层段的地震数据进行研究应用，而由于目的层样本井数量通常是较少的，在实际应用深度学习方法的过程中，与其匹配目标层段的地震数据样本量往往是不够的，因此直接应用地震数据进行训练和学习是难以实现的。

目前通常较为常见的做法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，进而找到其中储层特征、含气特征。采用这种方法也存在一些问题：(1)地震数据是采集过程中得到的唯一的真实数据，地震数据由于地震波穿过目的层，隐含了多种特征，但是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有可能被削弱或消除，此外由于间接的线性变换的方法也引入其它不确定的因素。(2)地震数据本身是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，利用属性体做样本会造成整个学习过程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。利用深度学习的方法解决储层预测或含气预测等问题，直接利用地震数据作为训练样本是更为合适的，但通常情况下由于工区内已知井的数量较少，与已知井对应的有明确分类特征的地震数据样本是不够的，因此，设计一种生成大量具有分类特征的地震数据是十分必要的。

发明内容

本发明的发明目的在于：针对现有技术存在的有明确分类特征的地震数据样本不足的问题，提供一种基于纳什均衡原理无监督生成地震数据方法。

为了实现上述目的，本发明采用的技术方案为：

一种基于纳什均衡原理无监督生成地震数据方法，通过将生成网络和鉴别网络进行互联，然后对生成网络和鉴别网络进行训练，最终达到纳什均衡的状态，并利用训练后的生成网络产生和真实地震数据目标层含有相似油气规律的地震数据；其中，生成网络和鉴别网络的训练包括：

S1利用np函数库构造多个随机的一维高斯分布的噪声；

S2将随机噪音数据进行规则化，分成多个组数据，以二维数据的形式，输入到生成网络；

S3生成网络将输入的噪声数据进行线性，通过二维反卷积方法，输出为一个高维的生成数据；

S4将生成数据作为鉴别网络的输入，鉴别网络输出标记位分辨的概率值，依据真实地震数据和生成数据的交叉熵的作为目标函数H：

H((x₁，y₁)，D)＝-y₁ log D(x₁)-(1-y₁)log(1-D(x₁))

x₁为生成数据，y₁为真实地震数据，D为鉴别网络。