地球科学中的少炮学习地震反演方法

地球科学中的人工智能3（2022）203少炮学习高分辨率叠前地震反演陈婷*，王耀军，蔡汉鹏，余刚，胡广民电子科技大学，中国A R T I C L EI N FO保留字：少炮学习人工神经网络地震反演A B S T R A C T我们建议使用少炮学习（FSL）方法的叠前地震反演问题，从记录的地震数据获得高分辨率的储层模型。近年来，人工神经网络（ANN）以其强大的特征提取和参数学习能力在地震反演中显示出巨大的优势。因此，人工神经网络方法可以提供一个高分辨率的反演结果，是储层表征的关键。然而，人工神经网络方法需要大量的标记样本进行训练，以获得令人满意的结果。针对人工神经网络地震反演中普遍存在的样本不足问题，提出了一种利用FSL的叠前地震反演方法。常规反演结果作为FSL神经网络的辅助数据集，而测井曲线作为稀缺的训练数据集。 根据地震反演的特点（大数据量和高维数），我们构造了一个拱形网络（A-Net）结构来实现该方法。实例表明，该方法可以提高反演结果的精度和分辨率1. 介绍高分辨率叠前地震反演是用于储层表征的主要技术（Zong等人，2012年）。由于地震数据质量的限制，很难从地震数据中获得高分辨率的储层参数（Alemie和Sacchi，2011年）。 以往的研究发现，在反演框架中引入先验信息或合理的岩石物理模型，可以提高反演结果的分辨率（Hampson et al.，2005; She等人，2019; de Fig-ueiredo等人，2019年）。然而，现有方法需要设计满足不同假设条件的数学模型，仅适用于某些特定场景，难以适用于复杂地质区域。目前的研究表明，人工神经网络具有很强的特征提取能力和参数学习能力，与人工神经网络相结合的反演方法比传统方法更有效。它已被用于从CSP道集获得速度模型（Roth和Tarantola，1994;Araya-Polo等，2018年）。一种称为递归神经网络（RNN）的ANN变体已用于全波形反演（Richardson，2018）。Chen等人（2019）应用迭代深度神经网络（DNN）来反演地震子波和反射率。为了使网络更完美，训练过程需要有足够数量的有效标记数据（Goodfellow et al.，2016;Dai等人，2019年）。人工神经网络在图像领域有着巨大的发展，部分原因是它易于获得有效的在这个领域的标记数据，但它是非常昂贵的，在电子物理学领域。为了缓解样本不足的问题，在神经网络反演框架中加入约束以提高网络泛化能力成为许多研究者的选择。例如，具有初始模型作为约束的ANN框架（Zhang等人， 2021）;采用物理引导方法和数据驱动的卷积神经网络（CNN）（Biswas等人， 2019年; Sun等人， 2021年）。 Song等人（2022）提出了一种基于半监督学习的反演框架。在这项工作中，我们采用另一种人工神经网络学习架构命名为FSL的高分辨率叠前地震反演的储层参数。人工神经网络算法通常需要数百或数千个子系统，检查样本以确保泛化能力（Lu等人，2020年）。FSL是人工神经网络研究领域的一个重要课题，由于其数学原理的成熟性，常规反演方法可以很好地将测井和地震资料结合起来。利用常规反演的结果构造辅助数据集，并将少量准确的测井曲线作为稀缺的训练数据集。为了适应人工神经网络地震反演数据量大、标注样本少的特点，本文提出了一种新的A-Net结构来实现该方法。该网络首先逐层增加卷积核的个数以扩大特征量，然后减少卷积核的个数以提取高维特征。FSL仍然可以达到令人满意的结果，* 通讯作者。电子邮件地址：www.example.comting.chen.seven @ gmail.com（T.陈）。https://doi.org/10.1016/j.aiig.2022.12.004接收日期：2022年11月23日;接收日期：2022年12月27日;接受日期：2022年12月27日2022年12月31日在线提供2666-5441/© 2022作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesT. Chen等人地球科学中的人工智能3（2022）203204Fig. 1. 所提出的方法的框架。图二、 用于叠前地震反演的A-Net架构。叠前地震角道集是网络的输入，储层参数曲线Vp、Vsρ是与预测井或真测井相比较的输出。图三. 卷积单元架构。输入是叠前地震角道集或来自前一单元的输出，并且输出是到下一单元的输入。一些样品。该方法成功地应用于西北地区的一个野外数据集，有效地提高了反演结果的分辨率。2. 方法训练ANN的目的是找到一个输入到输出的映射，并使网络输出和标签之间的误差最小化。结构的复杂性和有效数据的数量在很大程度上决定了监督式ANN的预测能力（Das等人，2019年）。ANN成功地应用于图像分类领域，因为它很容易获得有效的标记数据（Krizhevsky等人，2012），而在地球物理反演中，通常难以获得大量有效的标记数据。为了应对这一挑战，我们将常规叠前反演与FSL相结合，构造了一种新的高分辨率反演方法。所提出的方法的整个框架如图所示。 1，两个主要部分用虚线框标记。2.1. 步骤1：对原始网络进行常规反演的结果用于预训练，T. Chen等人地球科学中的人工智能3（2022）203205见图4。不同角度的叠后和叠前地震。(a)叠后地震数据集;（b）近角叠加地震数据集;（c）中角叠加地震数据集;（d）远角叠加地震数据集。表1我们提出的A-Net架构的详细参数如图所示。 二、操作通道（Ic/内核大小（Ic ×Oc输出尺寸（Ih ×Oc图五. 井的测井分析图中的红色矩形是TII 0天然气地层的位置。利用神经网络可以学习叠前地震数据与储层参数之间的隐含关系。如图1的顶部虚线框所示，将网络的预测输出与准备好的标签进行比较。我们使用均方误差（MSE）作为损失函数来衡量输出和标签之间的距离。2.2. 第二步：重新培训以备应用当预训练步骤完成时，使用测井记录重新训练经训练的网络。工作流显示在层Oc）×Ks）×Bs）输入数据Conv1 9/11 9× 11× 3 150×11 × 16Conv2 11/13 11× 13× 3 150×13 × 16Conv3 13/15 13× 15× 3 150×15 × 16Conv4 15/17 15× 17× 3 150×17 × 16Conv5 17/19 17× 19× 3 150×19 × 16Conv6 19/19 19× 19× 3 150×19 × 16Conv5* 19/17 19× 17× 3 150×17 × 16Conv4* 17/15 17× 15× 3 150×15 × 16Conv3* 15/13 15× 13× 3 150×13 × 16Conv2* 13/11 13× 11× 3 150×11 × 16Conv1* 11/9 11× 9× 3 150×9 × 16FC 1350×450输出数据- - 150 × 3 × 16Fig. 1.当网络的两步训练完成后，网络不仅具有从叠前地震数据到储层参数的映射能力，而且由于测井数据对网络的影响，网络具有高分辨率的输出。最后，利用训练好的神经网络反演目标数据的储层参数。叠前地震反演是一个回归问题，需要充分利用训练数据中的信息，学习效果与网络规模直接相关。虽然CNN可以应用于回归，但训练CNN通常需要大量的标签数据。U-net不需要丰富的标签，但它主要用于图像分割问题（Ronneberger et al.，Ibtehaz和RahmanSohel，2020），其作用是去除冗余信息并提取高维特征。先收缩后扩张的结构往往会去除地震资料中的弱信息，而忽略道间的细微差别。因此，我们设计了一个完全冗余的A-Net（图2），它首先扩展数据以放大弱信息，然后压缩路径以提取关键特征。A-net和U-net之间的主要区别在于它能够充分学习T. Chen等人地球科学中的人工智能3（2022）203206（）=（）（-）（-）图第六章储层参数的常规反演结果。（a）Vp;（b）Vs;（c）ρ。图第七章 FSL储层参数高分辨率反演结果（a）Vp;（b）Vs;（c）ρ。图八、储层参数的Vp/Vs。（a）常规反演结果;（b）基于FSL的高分辨率反演结果。冗余数据，包括数据之间的细微差异。利用A-网络的学习能力，我们可以从叠前地震数据中得到所需的储层参数。我们使用1D卷积层的PyTorch实现来构建每个卷积单元（图3）。在每一层的末尾，我们使用归一化函数（BatchNorm 1d）和激活函数（ReLU）引入非线性，定义为χmax0，λ（Nair和Hinton，2010;Ioffe和Szegedy，2015）。在网络的末端还有一个线性映射层。发现将标记的数据和网络的输出缩放到小范围内可以加速收敛过程，特别是使用提供的第一和第二动量的比率）参数更新，因为所有可训练参数在[0，1]的范围内被随机初始化。因此，在本文的实验中，使用参数值Mmin和Mmax的全局最小值和最大值来缩放地面实况储层参数模型，即， MMmin/Mmax嗯。为了获得估计的储层参数模型，需要逆缩放过程来将输出的每个像素分配到参数值中，即，M输出=M输出×（Mmax-Mmin）+Mmin。2.2.1. 例如利用西北地区的一个野外数据集对基于FSL的叠前反演方法进行了有效性检验。该地区的特点是见图9。储层参数的Vp/Vs。(a)常规反演结果;（b）基于FSL的高分辨率反演结果。湖相三角洲沉积环境，夹有较大规模的砂泥岩互层。叠前数据集覆盖面积100km2，共501×X线631×角度9。每一个都有150 msT. Chen等人地球科学中的人工智能3（2022）203207地震数据的主频为40 Hz，有效频带为8-49 Hz。目的层为三叠系TII 0薄气层，位于滨浅湖泥岩与下伏TII厚砂岩之间。利用测井资料中的自然伽马和自然电位曲线推断岩性分布。滨浅湖泥岩地层稳定，厚度约30-48m。TII 0气层具有埋深大（大于4700 m）、横向分布不均匀的特点，厚度在1 ~ 4.5 m之间。TII 0与TII下部砂岩之间的泥岩夹层横向分布厚度不均匀（3-8 m），局部厚度超过10 m。图4示出了从近到远的叠后和角度叠置地震数据。储层为砂岩，厚度小，叠前三维地震资料信噪比差。如图5所示，我们显示了从测井分析中获得的岩性比例。图中黄色和灰色涂层分别代表砂岩到泥岩的成分。绿色曲线是GR对数。TII0砂岩和泥岩的P波阻抗差异不明显，而砂岩具有低Vp/Vs的特征。因此，预-叠加反演Vp/Vs具有识别储层的潜力，可以在小范围内识别储层首先需要对各个角度的地震数据进行归一化处理，然后用2口井构造初始低频模型，进行常规叠前反演。通过对井数据进行12 Hz低通滤波获得井位置的初始模型，然后通过插值将其外推到剩余的CDP位置。基于低频约束的储层参数三维叠前反演结果（Huck等人， 2010年）。由于地震资料质量差，常规反演结果分辨率低，不能满足准确识别储层的需要为了提高储层参数的分辨率，我们将常规反演结果作为FSL反演的辅助数据集除了用于构建稀缺数据集的测井记录外，还将一口未参与网络训练过程的井用作盲井，以测试结果的有效性辅助数据集用于预训练网络，稀缺训练数据集将重新训练网络并调整网络的权重 我们执行了大约10个epoch来重新训练网络。A网网络参数的详细描述见表1。例如输入通道（Ic）、输出通道（Oc）、卷积核大小（Ks）、批量大小（Bs）、输入数据高度（Ih）。在重新训练后，我们使用训练好的网络来预测工作区中所有CDP位置的Vp、Vs和ρ可以看出，用测井曲线再训练网络比传统的网络具有更高的分辨率反转，特别是在黑色箭头标记（图。第6和7段）。图8示出了根据反演结果构建的Vp/Vs图中的黑色箭头。图8和图9指示目标气体地层TII0的位置。FSL反演在该位置的反演效果表明，TII 0与周围泥岩的边界清晰，可以准确识别该地层的厚度信息我们可以看到基于FSL的反演显示了几个较薄的砂岩层，而常规反演显示较厚的砂岩响应。综合对比两种方法的反演结果表明，基于FSL的反演方法可以提高叠前地震反演的分辨率和反演结果的精度。虽然有效标记数据的数量很少，但结果的分辨率仍然可以接受。如果标签的数量足够，我们会得到一个更好的结果。3. 结论本文提出了一种基于FSL的高分辨率叠前地震储层参数反演方法。它包含一个专门设计的A-Net架构。通过一个野外资料实例，说明了该网络在解决高分辨率叠前地震反演问题中的应用。结果表明，提高了反演结果的分辨率，为薄地层的准确识别提供了可靠的依据。但是，这种方法需要付出额外的时间成本和数据依赖性.但它可以解决人工神经网络反演中样本不足的问题。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认非常感谢国家自然科学基金（批准号：42130812、42174151、41804126）的资助。我们感谢GeoSoftware授权我们使用Hampson-Russell软件。引用Alemie，W.，萨基医学博士，2011.基于三维柯西概率分布的高分辨率三项AVO反演Geophysics 76（3），R43-R55. 网址：//doi. org/10.1190/1.3554627。Araya-Polo，M.，Jennings，J.，Adler，A.，Dahlke，T.，2018年深度学习断层扫描线索了 Edge 37（1），58-66. https://doi.org/10.1190/tle37010058.1网站。比斯瓦斯河Sen，M.K.，Das，V.，Mukerji，T.，2019.使用物理引导卷积神经网络的叠前反演。SEG技术计划E X panded摘要2019 4967-4971。https://doi.org/10.1190/segam2019-3215071.1网站。Chen，D.，中国农业科学院，高，J.，侯，Y.，高志，2019.基于迭代深度神经网络的地震子波和反射率高分辨率反演SEG技术计划E X panded摘要2019 2538-2542。https://doi.org/10.1190/segam2019-3216178.1.戴，Y.，黄，X.，徐，Y.，2019.基于深度学习的地震反演及其受样本大小的影响SEG2019研讨会：裂缝性储层非常规资源论坛：大数据时代的前景和挑战。&地球物理勘探学会，页。65-68. https://doi.org/10.1190/frur2019_17.1网站。2019年9月1日至3日，中国兰州Das，V.，Pollack，A.，沃尔纳大学，Mukerji，T.，2019.卷积神经网络地震波阻抗反演Geophysics 84（6），R869-R880. https://doi.org/10.1190/geo2018-0838.1.de Figueiredo，L.P.，Grana，D.，Roisenberg，M.，Rodrigues，B. B.，2019.线性地震反 演 的 高 斯 混 合 马 尔 可 夫 链 蒙 特 卡 罗 方 法 Geophysics 84（ 3） ， R463-R476.https://doi.org/10.1190/geo2018-0529.1网站。古德费洛岛，本焦，Y.，Courville，A.，2016.深度学习麻省理工学院出版社，剑桥。汉普森，D.P.，Russell，B.H.，Bankhead，B.，2005.叠前地震资料的同时反演SEG技术计划E Xpanded摘要2005 1633-1637。网址：http：//doi.org/10.1190/1.2148008哈克，A.，Quikerez，G.，de Groot，P.，2010.通过建立详细的低频模型改进地震反演。In：72nd EAGE Conference and EX Experimentating SPE EUROPEC 2010.欧洲地球科学家工程师协会，第161页。&https://doi.org/10.3997/2214-4609.201400776网站。Ibtehaz，Nabil，Rahman，M. 2020年，索赫尔。MultiResUNet：重新思考用于多模态生物医学图像分割的U-Net架构。神经网络的121，74-87。https://doi.org/10.1016/j.neunet.2019.08.025网站。Ioffe，S.，塞格迪角，2015.批量归一化：通过减少内部协变量偏移来加速深度网络训练。在国际机器学习会议上，pp。 448- 456克里热夫斯基，A.，萨茨克弗岛，巴西-地辛顿，通用电气，2012.使用深度卷积神经网络进行图像网分类。高级神经信息处理。系统25，1097-1105。卢，J，Gong，P.，是的，J，张，C.，2020年。从极少数样本中学习：一项调查arXiv预印本，arXiv：2009.02653。Nair，V.，辛顿，通用电气，2010.修正线性单元改进受限玻尔兹曼机。 ICML。Richardson，A.，2018.使用深度学习工具和技术进行地震全波形反演arXiv预印本，arXiv：1801.07232。Ronneberger，O.，Fischer，P.，X兄弟T 2015. U-net：用于生物医学图像分割的卷积网络。在：医学图像计算和计算机辅助干预国际会议，pp。234-241.https://doi.org/10.1007/978-3-319-24574-4_28。R oeth，G.，Tarantola，A.，一九九四年 神经网络与地震资料反演 J. 地球物理学家。Res. 99，6753-6768. https://doi.org/10.1029/93JB01563网站。她，B，王玉， 梁杰，Hu，G.，2019年。基于协同稀疏表示的数据驱动多参数地震反演地球物理学家。 J. Int. 218（1），313-332。https://doi.org/10.1093/gji/ggz116网站。松湖，加-地Yin，X.，Zong，Z.，蒋，M.，2022.基于时空序列残差建模神经网络的半监督学习地震反演J.汽油Sci.Eng.208，109549https://doi.org/10.1016/j.petrol.2021.109549。T. Chen等人地球科学中的人工智能3（2022）203208孙，J.，Innanen，K.A.，黄，C.，2021.物理引导的深度学习用于地震反演，具有混合训练和不确定性分析。Geophysics 86（3），R303-R317.https://doi.org/10.1190/geo2020-0312.1网站。张杰，李杰，陈旭，李，Y.，Huang，G.，陈玉，2021.具有先验初始模型约束的鲁 棒 深 度 学 习 地 震 反 演 地 球 物 理 学 家 。 J. Int. 225 （ 3） ， 2001-2019 。https://doi.org/10.1093/gji/ggab074。Zong，Z.，Yin，X.，Wu，G.，2012. AVO反演与纵横波模量孔隙弹性地球物理77，N17-N24。https://doi.org/10.1190/geo2011-0214.1网站。