一种偏移速度建模方法、装置、电子设备及介质

技术领域

本发明涉及油气物探工程技术领域，更具体地，涉及一种偏移速度建模方法一种偏移速度建模方法、装置、电子设备及介质。

背景技术

油气勘探领域中，地震速度模型的精度严重影响着地震成像的质量。业界现用的地震速度建模技术主要包括为时间域的基于CMP道集的常规速度分析、基于叠前时间偏移道集的剩余曲率分析以及深度域聚焦分析技术，常规的叠加速度分析技术由于得到的速度场是一种包含地层倾角、产状信息在内的平滑均方根速度场，反映的地质意义比较模糊，一般来说用其进行得前时间偏移得到的偏移道集不能够被拉平。叠前时间偏移速度建模技术采用CRP道集进行速度分析，根据偏移道集的上翘或者下拉程度对偏移速度场进行修正，并且可以进行迭代的方式提高速度分析的准确程度。目前的基于CRP道集的速度分析方法普遍采用速度扫描的方法：即在确定了工区进行速度分析的最大最小CDP号以及CDP间隔、偏移距等信息后，利用一系列的速度值进行常速叠前时间偏移，或者利用一系列的[0,2]区间的值对初始速度模型进行相乘，得到的速度结果进行叠前时间偏移；最后对输出的CIG道集进行速度谱的拾取并插值，最终获得用于叠前时间偏移的均方根速度场。

随着地震勘探由二维走向三维，加上两宽一高采集技术的推进，传统的基于速度扫描的偏移速度建模技术由于需要进行复杂的计算，往往还需要多次迭代才能够获得精度相对较高的速度场，其对如此海量的地震数据显得力不从心，而且其精度也无法保证。随着计算机硬件以及数学算法的发展，近年来大数据处理以及深度学习应用也逐步兴起，传统的偏移速度建模技术已经不能需求。

因此，期待提出一种偏移速度建模方法，解决传统叠前偏移速度建模技术难以适用于如今庞大数据量以及速度建模精度的技术问题。

发明内容

本发明提出了一种偏移速度建模方法、装置、电子设备及介质，至少解决传统叠前偏移速度建模技术难以适用于如今庞大数据量以及速度建模精度的技术问题。

第一方面，本公开实施例提供了一种偏移速度建模方法，包括：

建立叠前时间偏移速度模型、初始速度模型以及CRP道集；

利用CRP道集生成剩余速度谱；

通过对所述剩余速度谱进行能量增强并标准化得到训练数据；

获取CRP道集的CDP点均方根速度值，并将该点的初始速度模型进行归一化得到标签数据；

利用卷积神经网络模型，创建偏移速度建模系统并确定所述偏移速度建模系统的训练参数；

获取地震数据，通过所述偏移速度建模系统对所述地震数据进行预测，输出均方根速度模型。

作为本公开实施例的一种具体实现方式，所述利用CRP道集生成剩余速度谱具体包括：所述CRP道集通过剩余速度谱计算公式计算各个CDP点剩余速度谱，所述剩余速度谱计算公式如下：

其中，Rspec(it)表示在it采样点处的剩余速度谱，R

作为本公开实施例的一种具体实现方式，所述通过对所述剩余速度谱进行能量增强并标准化得到训练数据，其中，所述能量增强计算公式如下：

Max

其中，f

所述标准化计算公式如下：

其中，U表示原始剩余速度谱数据，U

作为本公开实施例的一种具体实现方式，所述获取CRP道集的CDP点均方根速度值，并将该点的初始速度模型进行归一化得到标签数据具体包括：获取CRP道集的CDP点均方根速度值，并将该点的剩余速度分析之前的初始速度模型进行最大最小值归一化得到所述标签数据；归一化计算公式如下：

V＝(V-V

其中，v表示地震速度模型，V

作为本公开实施例的一种具体实现方式，所述卷积神经网络模型的公式如下：

Conv＝(relu)(x·ω+b)ω，b∈random(kernal_size)

其中，Conv表示卷积层计算结果，x表示卷积层输入，ω表示卷积层权重，b表示卷积层偏置量，kernal_size为采用的卷积核大小；

MaxPool＝max(m

其中，MaxPool表示池化结果，m

(m

其中，(m

作为本公开实施例的一种具体实现方式，所述创建偏移速度建模系统并确定所述偏移速度建模系统的训练参数具体包括：设定网络输入参数；设定输入CRP道集训练数据；输入初速度模型训练数据；输入标签数据；网络输出数据。

第二方面，本公开实施例还提供了一种偏移速度建模装置，包括：

建立模块，用于建立叠前时间偏移速度模型、初始速度模型以及CRP道集；

生成模块，利用CRP道集生成剩余速度谱；

获取模块，通过对所述剩余速度谱进行能量增强并标准化得到训练数据；

处理模块，获取CRP道集的CDP点均方根速度值，并将该点的初始速度模型进行归一化得到标签数据；

创建模块，利用卷积神经网络模型，创建偏移速度建模系统并确定所述偏移速度建模系统的训练参数；

输出模块，获取地震数据，通过所述偏移速度建模系统对所述地震数据进行预测，输出均方根速度模型。

作为本公开实施例的一种具体实现方式，所述利用CRP道集生成剩余速度谱具体包括：所述CRP道集通过剩余速度谱计算公式计算各个CDP点剩余速度谱，所述剩余速度谱计算公式如下：

其中，Rspec(it)表示在it采样点处的剩余速度谱，R

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的偏移速度建模方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行如上所述的偏移速度建模方法。

本发明的有益效果在于：

本发明通过神经网络模型，利用生成的训练数据和标签数据作为输入数据输入网络，提取地震数据多维特征信息，创建偏移速度建模系统，能够适用于目前地震勘探的超大数据量，高效精确的完成叠前时间偏移速度场的建立。

本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。

附图说明

通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。

图1是根据本发明实施例1的偏移速度建模方法的流程图；

图2a、2b和2c分别是本发明叠前时间偏移速度模型、初始模型以及CRP道集的示意图；

图3是本发明对CRP道集生成的剩余速度谱示意图；

图4是本发明对生成的剩余速度谱进行增强以及标准化得到的训练数据的示意图；

图5a和图5b分别是本发明初始速度模型以及与其对应的生成后的标签数据以及训练数据示意图；

图6本发明的神经网络模型示意图；

图7a、7b、7c分别是初始速度模型、预测模型和真实模型示意图，7d是本发明得到的反演结果与真实速度场对比曲线示意图；

图8a、8b和8c分别是根据本发明真实模型、初始模型与预测模型进行叠前时间偏移得到的CRP道集；

图9是本发明实施例2的偏移速度建模装置的结构框图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

实施例1

图1示出了根据本发明的一个实施例的偏移速度建模方法的步骤的流程图，如图1所示，该偏移速度建模方法包括：

S01：建立叠前时间偏移速度模型、初始速度模型以及CRP道集；

S02：利用CRP道集生成剩余速度谱；

S03：通过对所述剩余速度谱进行能量增强并标准化得到训练数据；

S04：获取CRP道集的CDP点均方根速度值，并将该点的初始速度模型进行归一化得到标签数据；

S05：利用卷积神经网络模型，创建偏移速度建模系统并确定所述偏移速度建模系统的训练参数；

S06：获取地震数据，通过所述偏移速度建模系统对所述地震数据进行预测，输出均方根速度模型。

需要说明的是，S0N不代表先后顺序。

参考图2a、2b和2c，建立叠前时间偏移速度模型、初始速度模型以及CRP道集。

具体地，通过工区中偏移道集能够被拉平的叠前时间偏移速度模型、剩余速度分析前的初始模型以及CRP道集建立训练集；生成训练集结果如图2a、2b和2c所示。

参考图3，利用CRP道集生成剩余速度谱。

具体地，通过S01步骤中得到的CRP道集按照剩余速度谱计算公式计算各个CDP点剩余速度谱；如图3所示；所述剩余速度谱计算公式如下：

其中，Rspec(it)表示在it采样点处的剩余速度谱，R

参考图4，通过对所述剩余速度谱进行能量增强并标准化得到训练数据。

通过对步骤S02计算的剩余速度谱进行能量增强并标准化作为深度学习偏移速度建模系统的输入训练数据，如图4所示。在实施过程中，对S02得到的剩余速度谱数据进行逐行标准化；所述能量增强计算公式如下：

Max

其中，fabs表示取绝对值操作，R

所述标准化计算公式如下：

其中，U表示原始剩余速度谱数据，U

参考图5a和5b，获取CRP道集的CDP点均方根速度值，并将该点的初始速度模型进行归一化得到标签数据。

具体地，标签数据选择为对应S02中的CRP道集的CDP点均方根速度值，同样指定该点的剩余速度分析前的初始速度模型进行最大最小值归一化作为深度学习偏移速度建模系统的输入标签数据以及训练数据，如图5a和5b所示；归一化计算公式如下：

V＝(V-V

其中，V表示地震速度模型，V

参考图6，利用卷积神经网络模型，创建偏移速度建模系统并确定所述偏移速度建模系统的训练参数。

具体地，利用卷积神经网络模型，搭建深度学习偏移速度建模系统：包括28层卷积层、7层池化层、7层上采样层、28层BN层：BN层则按照S03中标准化的方式对输入的特征图进行批量标准化操作；搭建的深度学习偏移速度建模系统如图6所示；所述卷积神经网络模型的公式如下：

Conv＝(relu)(x·ω+b)ω，b∈random(kernal_size)

其中，Conv表示卷积层计算结果，x表示卷积层输入，ω表示卷积层权重，b表示卷积层偏置量，kernal_size为采用的卷积核大小；

MaxPool＝max(m

其中，MaxPool表示池化结果，m

(m

其中，(m

确定深度学习偏移速度建模系统训练参数，并进行网络训练，直至网络收敛性最优。在实施过程中，确定所述偏移速度建模系统的训练参数具体过程包括：设定网络输入参数：输入格式为[Batchsize，height，width，channel]，设定输入CRP训练数据shape＝[Batchsize，251，251，1]，输入初速度模型训练数据shape＝[Batchsize，1，251，1]，输入标签数据shape＝[Batchsize，251]，网络输出数据shape＝[Batchsize，251]。其中，Batchsize表示小批量训练指定的大小。网络训练过程中选择的优化器为Adam优化器，训练函数为RMSE(均方根误差)，设定深度神经网络模型的训练次数为200，训练使用的Batchsize为8。

参考图7a、7b、7c、7d以及图8a、8b、8c，获取地震数据，通过所述偏移速度建模系统对所述地震数据进行预测，输出均方根速度模型。

具体地，利用创建好的偏移速度建模系统对地震数据进行预测，输出预测的均方根速度模型，如图7a、7b和7c所示，图7a所示的初始速度模型，得到训练结果后使用最大速度值6500，最小速度值1500进行反归一化得到最终预测模型如图7b所示,真实模型如图7c所示。从7d的单道速度曲线对比可以看出本发明的有效性。图8a、8b和8c分别是根据本发明真实模型、初始模型与预测模型进行叠前时间偏移得到的CRP道集，从对比图可以看出，原来弯曲的道集已经被拉平，证明本发明的有效性。从预测时间来看，本发明利用训练好的网络进行预测得到的结果几乎是瞬间，其效率远远高于传统的叠前时间偏移速度建模方法。

实施例2

图9示出了根据本发明的一个实施例的一种偏移速度建模装置。

如图9所示，该偏移速度建模装置，包括：

建立模块，用于建立叠前时间偏移速度模型、初始速度模型以及CRP道集；

生成模块，利用CRP道集生成剩余速度谱；

获取模块，通过对所述剩余速度谱进行能量增强并标准化得到训练数据；

处理模块，获取CRP道集的CDP点均方根速度值，并将该点的初始速度模型进行归一化得到标签数据；

创建模块，利用卷积神经网络模型，创建偏移速度建模系统并确定所述偏移速度建模系统的训练参数；

输出模块，获取地震数据，通过所述偏移速度建模系统对所述地震数据进行预测，输出均方根速度模型。

作为本公开实施例的一种具体实现方式，所述利用CRP道集生成剩余速度谱具体包括：所述CRP道集通过剩余速度谱计算公式计算各个CDP点剩余速度谱，所述剩余速度谱计算公式如下：

其中，Rspec(it)表示在it采样点处的剩余速度谱，R

实施例3

本公开提供一种电子设备包括，该电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上所述的偏移速度建模方法。

根据本公开实施例的电子设备包括存储器和处理器。

该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。

该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。

本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。

有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。

实施例4

本公开实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行如上所述的偏移速度建模装置。

根据本公开实施例的非暂态计算机可读存储介质，当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。

上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。

本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。