[发明专利]数据与智能优化双驱动的深度学习地震波阻抗反演方法

说明书

本发明公开了一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用全局优化方法对一部分叠后地震数据进行波阻抗反演，并用反演所得数据预训练深度学习网络学习由地震数据到波阻抗的映射关系；利用预训练好的网络引导全局优化方法反演另一部分地震数据的波阻抗数据，加速其收敛到最优解，并用获取的最优解对深度学习网络进行优调；用优调后的深度学习网络，高效实现大规模三维地震数据的波阻抗模型反演。本发明极大地提升了波阻抗模型的反演效率，在计算成本可承担的情况下，实现了使全局优化方法在大规模波阻抗反演问题中的应用成为可能这一巨大突破。

技术领域

本发明属于地球物理勘探技术领域，具体涉及一种数据与智能优化双驱动的深度学习地震波阻抗反演方法。

背景技术

波阻抗(AI)反演技术作为一种重要的油气勘探技术，它能够从地震资料中得到地层波阻抗(AI)模型参数，进而描述储层结构和评估岩石物理特性。而我国的岩性油气藏作为今后相当长时间内最主要的勘探开发对象，其大多具有地质上纵向呈薄互层结构、横向上具有强非均质性的特点。因此，针对我国当前油气勘探的需求，如何反演获取能够精细刻画岩性油气藏的波阻抗(AI)模型参数是我国油气勘探面临的关键问题。

地震波阻抗(AI)反演是一类典型的非线性反演问题。已有的波阻抗(AI)反演方法有直接反演类方法和以模型为基础的反演方法。由于地震数据带宽有限、噪声影响、不完整的数据覆盖以及依赖测井数据约束等因素，直接反演类方法的使用受到了限制。而以模型为基础的反演方法具有误差不随深度累积，反演精度相对较高以及频带较宽等优点，在测井资料匮乏的情况下，如何利用基于模型的波阻抗(AI)反演方法构建高质量的波阻抗(AI)模型是一个十分具有意义的研究课题。

其中，在基于模型的波阻抗(AI)反演方法中，基于局部线性化技术最小化目标函数的方法，具有迭代速度快，效率高的特点。它通过建立一个初始的波阻抗(AI)模型，然后确定一个衡量当前模型参数质量优劣的目标函数，进而通过计算目标函数梯度进行迭代对模型空间进行搜索，寻找最优的波阻抗(AI)模型参数值。然而，当目标函数非线性较强且形态复杂时，此类基于梯度的局部线性化求解方法要求所建立的初始模型必须落入目标函数全局最优点的收敛区间内，否则搜索就会陷入局部极值点，无法得到全局最优解。另一类基于模型的波阻抗(AI)反演方法是利用全局优化方法来进行波阻抗(AI)模型参数反演。它能够在不依赖于目标函数梯度信息的情况下搜索最优模型参数解，具有跳出局部极小值并通过足够的迭代收敛至目标函数全局最小值的能力，因此在波阻抗(AI)模型反演中取得了良好的效果。但是，由于在一次迭代中全局优化方法需要进行大量的模型评估，其计算成本是局部线性化方法的数十甚至数百倍。所以，这也就阻碍了全局优化方法在大规模波阻抗(AI)模型反演问题上的应用。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用深度学习方法加速全局优化方法进行波阻抗模型的反演，然后进一步替代全局优化方法完成大规模地震数据的波阻抗模型反演，最终达到提升全局优化方法反演效率的目的。

本发明采用以下技术方案：

数据与智能优化双驱动的深度学习地震波阻抗反演方法，包括以下步骤：

S1、从叠后地震道数据中选取数据并分成叠后地震数据sei₁和叠后地震数据sei₂，利用多组变异差分进化方法对叠后地震数据sei₁进行波阻抗模型反演，获取对应的AI模型；

S2、基于U-Net网络的结构，利用Python搭建具有两个输入通道和一个输出通道的深度学习网络；

S3、利用步骤S1中进行反演的地震数据和反演得到的AI模型对步骤S2中搭建的深度学习网络进行预训练；

S4、利用步骤S3中预训练的深度学习网络对步骤S1的叠后地震数据sei₂进行AI模型预测；