Professional Documents
Culture Documents
基于地震频相融合的智能化高分辨率反演_杨培杰
基于地震频相融合的智能化高分辨率反演_杨培杰
基于地震频相融合的智能化高分辨率反演
杨培杰 *
(中国石化胜利油田分公司勘探开发研究院,山东东营 257015)
摘要:目前的地震反演主要以模型驱动为主,对噪声较敏感,反演结果的分辨率往往较低,通常只使用地震数据
的振幅信息,没有充分利用相位信息。研究表明,波阻抗和地震振幅、相位的相关性较强,因此联合应用振幅谱
和相位谱可以有效减小反演结果的多解性。为此,结合深度学习与地震数据的频(振幅谱)、相(相位谱)信息,提
出基于数据驱动的频相智能波阻抗反演,有效提高了反演结果的分辨率和精度。具体步骤为:①基于高分辨率
时频分析提取地震道的频相信息;②应用图像处理技术融合频相信息;③结合频相信息和地层波阻抗制作数据
标签对,用数据标签对训练优选的深度网络;④提取待反演三维地震数据的频相信息并输入训练好的深度网络,
即可得到高分辨率波阻抗反演结果。与现有的深度学习地震反演方法相比,所提方法主要创新点在于首次在地
震反演中同时应用了地震数据的频相信息。模型测试结果表明,频相信息的联合应用有效地减小了反演结果的
多解性,提高了反演精度。实际应用结果表明,与传统的稀疏脉冲反演相比,所提方法提高了反演结果的纵向分
辨率,益于进一步推广、应用。
关键词:频相信息,数据驱动,深度学习,高分辨率反演
中图分类号:P631 文献标识码:A DOI:10. 13810/j. cnki. issn. 1000-7210. 2024. 03. 018
* 山东省东营市聊城路 2 号中国石化胜利油田分公司勘探开发研究院,257015。Email:yangpeijie.slyt@sinopec.com
本文于 2023 年 5 月 4 日收到,最终修改稿于 2024 年 1 月 26 日收到。
本项研究受中国石化科技项目“地质模式约束的非均质储层精细刻画” ( P22161)资助。
第 59 卷 第3期 杨培杰:基于地震频相融合的智能化高分辨率反演 549
物理勘探领域,主要包括浅层神经网络[11]、支持向量
0 引言 机[12]等,
这些方法需要提取样本特征并进行分析,
反演
结果的可靠性特别是横向稳定性往往较低,因而实际
[1]
目前波阻抗反演方法主要有道积分 、稀疏脉冲 应用较少。与传统的浅层网络相比,深度网络的层数
[2] [3] [4]
反演 、基于模型的反演 和相对波阻抗反演 等。道 多、复杂度高,可从海量现有数据中学习隐含知识,进
积分技术将地震记录视为低频地层反射系数,通过积 而有效逼近复杂函数,因此应用效果优于传统的机器
分地震记录道可以快捷地得到相对波阻抗剖面;稀疏 学 习 方 法 。 目 前 ,基 于 深 度 学 习 的 地 震 反 演 发 展 迅
脉冲反演是基于反褶积的递推反演,假设反射系数是 速、应用广泛,首先建立地震波形和波阻抗之间的定
稀疏的,首先通过反褶积得到宽带的反射系数序列, 量关系 [13-15],或建立地震振幅谱和待反演参数之间的
然后给定一个初始波阻抗值,并对该反射系数积分即 关系 [16],并生成大量的标签,然后通过标签训练深度
可得到绝对波阻抗反演结果;基于模型的反演首先建 网络,建立地震波形道与波阻抗之间的映射关系,进
立地层波阻抗模型,然后对比基于模型合成的地震记 而 实 现 地 震 反 演 。 除 了 地 震 反 演 ,深 度 学 习 在 断 层
录与实际地震记录,以迭代方式更新地层模型,使基 识 别 [17]、地 震 相 识 别 [18]、储 层 预 测 [19] 等 方 面 也 得 到 广
于模型的合成地震记录在一定的准则下匹配实际地 泛 应 用 。 综 上 所 述 ,人 工 智 能 地 震 反 演 主 要 利 用 地
震记录,最终得到反演结果;相对波阻抗反演可以由 震 数 据 的 振 幅 谱 信 息 ,而 没 有 较 好 地 利 用 相 位 谱
带限地震数据有效地反演相对波阻抗,反演结果分辨 信息。
率高并且很好地保持了地震数据的横向连续性,也取 为了克服模型驱动的波阻抗反演分辨率低的问
得了较好的应用效果。 题,本文从数据驱动的角度出发,结合深度学习和地
以上方法属于模型驱动的波阻抗反演,该类方法 震数据的振幅谱、相位谱,实现频相智能波阻抗反演,
没有井插值地质模型的参与,反演结果的分辨率往往 有效提高了反演分辨率和精度。第一,基于高分辨率
[5]
较低 。主要原因是各种地震数据噪声导致反演解的 时频分析提取地震道的频相信息;第二,应用图像处
矩阵条件数太高,也是该类方法的固有问题。因此, 理技术融合频相信息;第三,结合频相信息和地层波
在实际勘探中,为了提高反演结果的分辨率,往往需 阻抗制作数据标签对,用数据标签对训练优选的深度
要再融合反演结果与地质模型的频率,以补偿反演缺 网络;第四,提取待反演三维地震数据的频相信息,输
失的高频信息,进而提高分辨率。但是,对于相变很 入训练好的深度网络,即可得到高分辨率波阻抗反演
快的隐蔽型储层,地层模型的高频信息会影响反演结 结果;最后,在胜利油田工区测试了所提方法的应用
果,导致反演精度降低。因此,在没有高频井信息参 效果。与现有的数据驱动深度学习地震反演方法[13-16]
与的情况下,有效提高波阻抗反演分辨率是目前地震 相比,本文方法的主要创新点在于首次在地震反演中
反演的难点之一。 同时应用了地震数据的频相信息。
频率域地震解释主要应用地震振幅谱信息进行
地震反演和预测储层[6]。地层参数的变化引起地震信 1 频相融合智能高分辨率反演框架
号相位变化,在子波估计和反褶积时[7]要考虑子波的
相位信息,相位可以作为一种地震属性进行分析和处 1. 1 深度网络学习
[8]
理,如通过瞬时相位信息识别超剥线 。目前,业界已 基于研究区实际井及其井旁地震道,应用高分辨
[9-10]
经实现了相位的分解与重构 ,通过分相位数据体 率时频分析方法提取地震记录的频相信息,通过图像
预测储层。因此,联合应用振幅谱和相位谱信息将是 处理有效融合频相信息,并结合井旁道波阻抗制作数
今后频率域地震数据处理和解释的热点。 据标签对,用这些数据标签对训练优选的深度网络得
机器学习是一种数据驱动方法,很早就用于地球 到训练好的网络模型。
550 石 油 地 球 物 理 勘 探 2024 年
1. 2 频相融合智能反演 好的网络模型,即可得到三维波阻抗反演结果。频相
融合待反演三维地震数据的频相信息,输入训练 融合智能高分辨率反演框架如图 1 所示。
图1 频相融合智能高分辨率反演框架
时频振幅谱。
2 地震频相信息提取与分析 通过
imag [ ITFA ( f,t ) ]
arctan × 180
2. 1 地震频相信息提取 real [ ITFA ( f,t ) ]
B ( f,θ,t )=
通过时频分析提取地震频相信息。目前有很多 π
时 频 分 析 方 法 ,其 中 约 束 最 小 二 乘 时 频 分 析(Im ‐ (3)
proved Constrained Least Squares Time Frequency 得到地震数据在 t 时刻、频率为 f 的地震数据相位信
Analysis, ICLS)[20-21]
的频率分辨率较高且相位谱稳 息 B ( f,θ,t )。 式 中 :ITFA ( f, t ) 为 通 过 ICLS 获 得
定 。 因 此 ,本 文 采 用 ICLS 提 取 地 震 数 据 的 频 相 信 的时频分析结果;imag 表示求虚部;real 表示求实部;
息。定义如下正演过程 θ∈[-180°, 180°]为相位角。
d = Fm (1) 2. 2 地震频相信息分析
式中:d 为待分析的信号;m 为待求的频谱向量;F 为 地震数据的振幅和相位信息反映了地层组合的
不同频率的三角函数构成的矩阵。 变化 。图 2 为反、正旋回组合地质模型及其地震频
[22]
图2 反、正旋回组合地质模型及其地震频相特征
(b)图 a 的波阻抗;
(a)地质模型; (c)图 a 的 25 Hz 雷克子波地震响应;
(d)~(f)由 ICLS 方法对图 c 的时频分析结果
H ( x,y ) 图 3 为地层波阻抗、
振幅、
相位相关分析,
其中波阻抗
C ( x,y )= (4)
V( x) V ( y) 和振幅的相关系数为 0. 711(图 3a),
波阻抗和相位的相
式中:C(x,y)为两个相同长度的向量 x 和 y 的相关系 关系数为 0. 635(图 3b),
相位和振幅的相关系数为 0. 805
数;H(x,y)为 x 和 y 的协方差;V(x)和 V(y)分别为 x (图 3c),
说明结合地震振幅谱和相位谱可以更好地描述
和 y 的方差。 波阻抗变化,
进一步减小地震反演、
属性分析的多解性。
图3 地层波阻抗、振幅、相位相关分析
(a)波阻抗—振幅;
(b)波阻抗—相位;
(c)相位—振幅
地震记录(图 5b)进行频相分析;然后,采用点窗模式
3 频相融合智能高分辨率反演 提取频相信息(图 5c),并设定窗的时间长度和频率范
围 ;最 后 ,将 提 取 的 频 相 图 像 与 地 震 波 形 结 合 ,通 过
基于频相融合智能高分辨率反演框架,使用局部 RGB 融合频相信息(图 5d)。
Marmousi 模型(图 4)详细描述方法的细节及效果。 3. 1. 2 数据标签对的制作
3. 1 数据标签对制作 结合生成的 16 位彩色图像及其对应的地层波阻
基于频相信息提取和图像处理技术,本文提出并 抗值,即可形成一张数据标签对,其中频相融合图像
实现了频相融合的数据标签制作。 ( 图 6)。
为“数据”,对应的波阻抗值(3800)为“标签”
3. 1. 1 频相信息提取与融合 针对目的层段的地震数据逐点制作数据标签对,一口
以 2 井波阻抗曲线为例(图 5a)。首先,对生成的 井可以生成数百个数据标签对,基本可以满足深度学
552 石 油 地 球 物 理 勘 探 2024 年
图4 Marmousi 模型(a)及其地震响应(b)
采用 25 Hz 雷克子波进行正演,并加入高斯白噪声(信噪比为 10 dB),选取 1 井、2 井数据作为已知井数据。
图5 基于点窗模式的频相信息融合
(a)测井波阻抗;
(b)井旁地震道; (c)频相特征提取;(d)频相融合
采用图像处理的三原色原理,将频率信息(振幅谱)作为 RGB 的通道“R”,将相位信息(相位谱)作为 RGB 的通道“G”,融合为 16 位彩色图像。
习对数据的要求。 3. 2 深度网络优选与训练
图 7 为 2 井的部分数据标签对。由图可见,不同 3. 2. 1 深度网络优选
波阻抗(图 7a)对应不同反射系数(图 7b),导致井旁 地震、地质特征对应关系的复杂性,使浅层网络
道的波形(图 7c)、频相信息也不同(图 7d)。因此,通 (BP 神 经 网 络 、支 持 向 量 机 等)难 以 满 足 实 际 需 求 。
过学习频相信息和波阻抗组成的数据标签对可以反 深度网络[24] 在特征表征方面的结果优于浅层机器学
演波阻抗。 习方法,深度网络相对于传统神经网络增加了多个隐
层,提升了神经网络系统的语义描述能力;同时,海量
数据标签对的获取使深度学习模型得到充分训练,可
更好地提取数据的高层特征表示,因此具有很好的分
类和回归效果。
目前常用的深度网络主要有普通深度网络、卷积
神经网络、循环神经网络、深度置信神经网络等,这些
深度网络往往具有不同的网络结构和应用场景。文
中的数据标签对是对图像进行回归分析,因此,有监
图6 数据标签对 督的回归型卷积深度神经网络的适用性更好。
第 59 卷 第3期 杨培杰:基于地震频相融合的智能化高分辨率反演 553
图7 2 井的部分数据标签对
(a)测井波阻抗;
(b)反射系数;
(c)井旁道;
(d)频相融合
一 般 来 说 ,有 监 督 的 深 度 学 习 需 要 考 虑 网 络 模
型、
损失函数和优化方法等关键环节。
(1)网络模型
理论上网络结构越深,提取的图像特征越高级,
得 到 的 学 习 效 果 更 好 ,但 是 深 层 网 络 会 遇 到 梯 度 消
梯度爆炸以及网络退化问题[25]。为此,
失、 本文采用残
差网络应对网络退化问题。
深度残差网络因其强大的表征能力得到广泛应
用。残差网络通过短路机制加入残差单元,在多个卷
积层之间设置一个直接连接,这样的一段网络被称为
一个残差块。文中的残差块(图 8)有两层卷积层,输
入 z 在进入第一层卷积层之后先经过归一化,然后通
过 激 活 函 数 ,第 二 层 卷 积 层 再 经 过 归 一 化 得 到 特 征
图8 残差块示意图
F(z),并与 z 直接相加。为了保证两个特征图通道数
量相同,一般在直接连接时做一个线性变换,即通过
1×1 大小的卷积核使输出通道数相同。进一步,
采用
激活函数 ReLU 克服梯度消失和梯度爆炸等问题,并
采用权值衰减、舍弃部分神经元的方法克服深度网络
的过拟合问题。
通过反复测试、分析,确定适用于地震频相智能
反演的深度网络模型(图 9)。
网络共 12 层。第 1 层为频相输入层,输入端的
图像尺寸可变,可以根据地震数据频相的频率范围、
时窗等参数灵活修改,缺省值为 9×80×2 的 16 位彩
色图像,即融合后的频相图像、横坐标的频率范围为
1~80 Hz,纵坐标的时窗长为 9 个采样点,图像的深 图9 卷积回归深度残差网络(Conv ‐Reg ‐12)
N 为数据标签对的数量;
式中: ti 为目标输出;
yi 为网络
预测的输出。
(3)优化方法
确定损失函数后,使损失函数值最小为一个最优
化 问 题 ,本 文 采 用 Adam 方 法[26] 优 化 损 失 函 数 。
Adam 是一种基于一阶导数的随机梯度下降优化算
法,
其优势是简单易用、
对于梯度等比缩放不敏感等。
3. 2. 2 深度网络训练
用 1 井、2 井数据制作的
在确定深度网络结构后,
将两口井一共生成的 3200
数据标签对训练深度网络,
个数据标签对作为训练数据,分成 32 个 batch,每个
batch 有 100 个数据标签对,用 CDP200 和 CDP400
的地震道作为验证数据,设置训练 500 轮,学习率设
图 11 频相智能反演结果
置可变,初始值为 0. 001,下降率为 0. 8。当训练和验 (a)振幅谱反演;
(b)频相反演
证的 MSE 小于一定的阈值(数据做了归一化处理)且
平稳后, 输出训练模型参数(图 10)。
终止训练,
3. 3 频相智能反演效果分析
深度网络模型参数训练好后,对地震数据进行频
相 分 析 ,并 输 入 到 深 度 网 络 得 到 频 相 智 能 反 演 结 果
(图 11)。可见,
相对于振幅谱反演结果(图 11a),频相
反演结果的横向稳定性和纵向分辨率都得到提高,
更好
地恢复了原始地质信息(图 4a)的细节(图 11b)。
井旁道反演结果(图 12)表明,1 井、2 井的振幅谱
图 12 1 井(a)、2 井(b)井旁道反演结果
4 实际应用
下亚段资源丰富,是今后重要的储量阵地,其中的 4、
5、6 砂组为由西北陵县凸起方向的物源形成的盘河三
角洲沉积。速度分析表明,该区泥岩、油页岩速度为
3200~4000 m/s,储层速度大于 4200 m/s,储层与盖
层的速度差异较大,适合开展波阻抗反演。共有 14
其中 12 口井的数据训练 Conv ‐
口井的数据参与反演,
Reg ‐12,
2 口井的数据验证 Conv ‐Reg ‐12。图 13 为参
与 深 度 学 习 的 L98 井 与 没 有 参 与 深 度 学 习 的 L985
井的井旁道反演结果。由图可见:L98 井井旁道的频
相智能反演曲线与原始波阻抗曲线的相关系数为
0. 82,而稀疏脉冲反演曲线与原始波阻抗曲线的相关
系数为 0. 61( 图 13a);L985 井井旁道的频相智能反
演曲线与原始波阻抗曲线的相关系数为 0. 75,
而稀疏
脉冲反演曲线与原始波阻抗曲线的相关系数为 0. 60, 图 13 参与深度学习的 L98 井(a)与没有参与深度
说明频相智能反演精度高于传统的稀疏脉冲反演 学习的 L985 井(b)的井旁道反演结果
(图 13b)。 图 14 为 稀 疏 脉 冲 反 演 与 频 相 智 能 反 演 连 井 剖
图 14 稀疏脉冲反演(a)与频相智能反演(b)连井剖面
黑色曲线为波阻抗曲线。
556 石 油 地 球 物 理 勘 探 2024 年
面。由图可见,稀疏脉冲反演(图 14a)和频相智能反 参 考 文 献