基于模型的薄层结构智能反演试验分析_杨娜霞.pdf

杨娜霞，赵东凤，郭淑文，等 基于模型的薄层结构智能反演试验分析 石油物探，（）：，（）：收稿日期：。第一作者简介：杨娜霞（），女，博士在读，研究方向为高分辨率地震反演。：基金项目：国家自然科学基金面上项目（）与中国石油天然气集团有限公司 中国石油大学（北京）战略合作科技专项（）共同资助。（）（）基于模型的薄层结构智能反演试验分析杨娜霞，赵东凤，郭淑文，熊金良，李国发，（中国石油大学（北京）油气资源与探测国家重点实验室，北京 ；中国石油大学（北京）物探重点实验室，北京 ；中国石油天然气股份有限公司大港油田勘探开发研究院，天津 ；中国石油天然气股份有限公司大港油田分公司，天津 ）摘要：受地震数据有效频带的限制，常规的地震反演方法很难对薄层结构进行准确刻画和描述。基于机器学习的地震反演方法是近年来用于薄层结构预测的新技术。为此，基于 神经网络模型，针对薄层空间结构的预测问题开展了简单及复杂陆相沉积模型的阻抗反演试验分析。首先，构建简单的薄互层模型，开展基于 模型智能反演与基于测井约束的常规地震反演方法的试验对比，同时对 模型的抗噪性进行测试；然后，构建典型的陆相沉积复杂薄互层地质模型，对反演结果的可靠性及其对地震频带的依赖性进行试验分析；最后，对比分析 神经网络模型与稀疏脉冲反演对弱反射的恢复和保护能力。模型试验结果表明，基于 模型的反演方法较常规反演方法具有更强的薄层结构预测能力，且对弱反射具有更好的保护作用，具有更大幅度提高实际地震数据薄层刻画精度的理论优势和技术潜力。关键词：储层表征；薄层结构；模型；阻抗反演；智能反演；分辨率中图分类号：文献标识码：文章编号：（）：，（.，；.，；.，；.，）：，；，第 卷第期 年月石油物探 ，：，地震记录综合反映了地下构造和地层的岩性、流体等信息，地震反演技术利用不同的反演方法从接收到的地震记录中提取这些信息并利用这些信息取得对地下沉积体空间结构的认识以及对于储层物性、含流体性质的预测。得益于近年来岩石物理理论和岩石物理建模方法的不断发展，储层物性参数反演的方法研究取得了大量的研究成果。但对于薄互层砂体来说，首要目标是研究清楚储层的空间结构，此类砂体的厚度薄且横向变化剧烈，垂向叠置关系复杂，储层的连通性难以正确认识，针对这类储层，落实砂体的叠置关系和横向展布极为重要。对薄互层储集体空间结构的认识，一方面依赖于地震数据的高分辨率处理，另一方面则是通过各种反演方法对储层进行精细描述。储层精细描述对地震数据的分辨率提出了更高的要求。基于测井约束的反演方法是一种线性反演方法，其依赖于初始模型的频带范围，反演结果无法提供频带范围之外的频率成分，提高分辨率的能力十分有限。反射系数服从稀疏分布的假设条件下，稀疏脉冲反演方法可提供更高的分辨率，在工业界取得了大规模的应用。但受限于反演问题解的非唯一性，稀疏脉冲反演存在压制弱信号，反演结果横向连续性差等问题。为了解决这一问题，发展了基于反射结构约束的多道地震反演方法 ，在一定程度上改善了反演效果。但对于薄互层砂体来说，分辨率依然满足不了砂体精细刻画的需求，原因之一是单一地震数据所能提供的储层信息十分有限，因此，在基于地震数据开展的阻抗反演的基础上，提出了多源信息融合理论 ，尝试综合利用地质、测井、地震等信息，实现单一地震数据驱动到多源信息驱动的高分辨地震反演，为薄层结构的地震表征提供了新的思路和方法。得益于大数据和人工智能的快速发展，近年来，基于机器学习技术开展的高分辨率地震阻抗反演技术推动了薄互层砂体结构的定量表征 ，出现了基于字典学习（）、卷积神经网络（，）、生成对抗网络（，）以及各种变体网络的地震阻抗反演技术。等 通过 （）方法建立稀疏表征预测模型，对基于模型反演得到的低频阻抗与测井的高频阻抗建立联系，通过字典学习提取数据的本质特征，用稀疏模型进行数据表征，实现了有限数据下的高分辨率地震阻抗反演。等 利用一维 实现了阻抗反演并将其应用于实际地震数据，并对该方法的应用条件进行了分析。在实际数据处理中，与标签数据具有相似的分布特征，网络可以给出更好的预测结果。这也揭示了神经网络对于标签的需求以及在实际应用中的限制。阻抗反演中的高频信息通常来源于测井数据，有限的测井数据限制了神经网络模型的实际应用。因此，迁移学习技术 被引入，用于克服有限标签数据的反演需求。除此之外，在网络模型的搭建上，出现了联合 与循环神经网络（，）的复合网络模型，或者在网络结构中引入残差模块 等来解决深层网络的退化问题。除此之外，基于 模型 开展的高分辨率地震反演研究也在不断发展，其通过生成器和判别器两个网络结构的联动调节，使得生成网络生成高度逼近标签数据的高分辨率结果。针对薄互层砂体的空间结构表征问题，本文使用 的 变 种 网 络 长 短 期 记 忆（，）网络进行高分辨阻抗反演试验，并在网络结构中引入双向系统，使得网络尽可能地充分利用提供的标签数据，在有限的标签数据下更好地表征薄互层砂体的空间展布。区别于 ，网络模型更多地应用于序列数据的预测和生成，利用其将多点数据与单点标签相映射的网络结构，实现地震数据的地质结构特征表征。为了考察网络在薄层结构识别问题上的有效性，构建了简单薄互层模型，将基于模型的反演方法及 进行了对比，并就标签数量及抗噪性进行了简单分析，论证了 （）模型对于薄层结构表征的有效性。在此基础上，构建了更为复杂的陆石油物探第 卷相沉积薄互层地质模型，针对不同频率的合成地震记录开展了阻抗反演试验，讨论基于 的反演方法与地震频带的关系，对该方法的实际应用做进一步分析讨论。最后，针对弱信号反演同稀疏脉冲反褶积进行了对比。对试验结果进行分析讨论，取得了一些有意义的试验成果。方法原理经典的 通过赋予网络“记忆”功能，使得其区别于 可以考虑数据的内部联系，因此，在序列数据的预测和处理问题上取得了一定的应用成果。图展示了 的数据处理过程，这种按照时间序列循环展开的处理过程，会导致激活函数的不断累乘，从而出现梯度问题。因此，为了训练过程的稳定和模型的收敛，提出了 的变种网络 神经网络模型，通过增加门控系统（输入门、输出门、遗 忘 门）来 控 制 信 息 的 输 入 和 流 通 。图展示了 网络的内部结构，每一个 处理单元不仅接收当前时刻的输入（），同时对前一时刻的状态（）做出判断，通过激活函数，完成输入数据与标签之间非线性映射关系的建立。细胞态联系着输入门、输出门和遗忘门，使得网络得以进行信息的筛选，摈弃冗余无用的信息，保留对预测有用的“记忆”。因此，网络的训练不会出现梯度爆炸或者梯度消失的问题，进一步提高了循环神经网络的实际应用能力。在时刻，网络的具体计算过程如下：（）（）式中：表示输入数据；表示隐藏层状态向量；表示输出向量；，是网络在训练中不断更新的参数矩阵和参数向量；表示激活函数，将非线性映射引入到网络计算中。在每一个 单元中，具体的计算过程如下：（）（）（）（）（）（）式中：，表示遗忘门、输入门和输出门在时刻对应 的 向量；表 示 细 胞 态 向 量；表 示 乘积，即对应位置元素相乘。区别于 可以 避 免 数 据 的 长 期 依 赖 问 题，正 是 由 于 网络对细胞态的更新。，等参数及输出向量的计算与 一致。图经典 的数据处理过程图 网络的内部结构在上述 网络的基础上，本文引入双向系统建立了 神经网络模型，将两个 网络进行叠加，同时处理正向和反向输入的序列数据，兼顾当前时刻、过去时刻以及未来时刻的信息，充分利用有限的信息对输入做出判断，建立起输入与标签数据的关系，完成非线性映射关系的建立 。在 网络结构中的当前时间步中，层的输出是来自两个相反方向隐藏层的输出的串联：?，?（）式中：?表示前向的隐藏层状态向量；?表示反向隐藏层的状态。图展示了 模型的数据处理过程，其中，表示输入数据，表示预测值。将一定时间窗口内的地震数据正向和反向同时输入该网络模型，通过各 处理单元，即可得到预测的阻抗值。在网络训练过程中，通过均方误差（）来衡量预测值与标签值的整体差异：第期杨娜霞等 基于模型的薄层结构智能反演试验分析（）（）式中：是样本个数；表示标签数据；表示预测数据。在有限的迭代次数内，通过误差反向传播算法 使达到最小，实现各神经元权重系数的调节，从而不断地优化非线性映射函数，以此来确定神经网络各节点的权重和偏置。使得预测值更加接近标签值，得到最优的神经网络模型并将此时的神经元节点权重进行保存，后续即可调用该网络模型即时完成地震数据的高分辨阻抗反演，实现薄层结构的区分与刻画。图 模型的数据处理过程网络构建与模型测试网络训练参数设置 模型的输入为：样本数量、时间步长、特征维度。通过其独特的网络结构，可以将时间步长内的多个特征映射为标签数据中的一点。在不考虑干涉效应的影响下，反射系数与子波的褶积将一点信息映射为地震数据内的多点信息，反褶积即从地震记 录 中 剔 除 子 波 的 影 响，恢 复 反 射 系 数，这 与 模型的映射关系一致，也是本文采取 进行薄层结构表征的重要原因。相比于构建更为复杂的神经网络模型，寻找网络的适用场景更为重要。神经元的个数及神经网络的层数属于神经网络的架构参数，指的是除了输入层和输出层之外添加隐藏层的个数及各个隐藏层所包含的节点数。在特定的应用场景中，输入层和输出层的节点数量是确定的。对于较为复杂的非线性问题，隐藏层的数目一般大于，层数越多，理论上来说模型的拟合能力越强，效果也会越好，但是更多的层数可能会带来过拟合的问题，从而增加网络的训练难度，使模型难以收敛。隐藏层中神经元个数也遵循这一规律。同时，相比于添加更多的神经元，增加隐藏层的层数将获得更大程度的性能提升。对于神经网络中超参数的确定，需要通过试验逐个进行确定，从而得到适用于特定应用场景的最优模型。除了神经网络层数、神经元的个数及样本数量等参数外，本试验中重要的模型参数主要包括时间步长和学习率 。时间步长表征要提取地震记录中的多点建立与地层结构的关系，与地震资料的分辨率密切相关。当地震资料干涉效应弱，薄层结构基本可以区分时，时间步长取半个波长至一个波长即可；当地震资料分辨率低，干涉严重时，需要加大时间步长才可以将地质结构对应的地震信息完全包含。学习率类似优化算法中的步长这一参数，其控制整个训练过程的稳定，较高的学习率导致模型可能会 跳 过 全 局 最 优解，从 而达 不到 全 局最 小值。较小的学习率有助于网络收敛到全局最小值，但需要花费更多的时间，同时也可能使得神经网络在最小值附近来回震荡而达不到最小值。因此，学习率的确定需要反复试验。简单河道砂薄层模型为了测试前述方法识别薄层结构的有效性，构建了如图所示的简单河道砂泥岩薄互层阻抗模型，单层砂体的时间厚度约为，泥岩的速度为 ，砂岩储集层的速度为 ，上、下两层为水平图河道砂泥岩薄互层阻抗模型石油物探第 卷层状介质，中间层呈现河道沉积形态，横向上弯曲变化，将其与 主频的雷克子波进行褶积，得到如图所示的合成地震记录，可以看出，图中砂体结构和叠置关系难以区分，尤其中间层砂体的构造形态几乎完全消失，依靠地震数据识别薄层河道砂体存在困难。基于此合成地震记录，采用不同的反演方法开展河道薄层砂体结构的识别试验。从阻抗模型中抽取道（第 道、第 道、第 道）作为标签数据，并按照 的比例划分训练集和测试集，通过考察不同超参数下网络在测试集上的表现来逐一选定最优的模型参数。图展示了超参数设置的试验过程，并最终确定选用隐藏层图 合成地震记录数为、神经元节点数为、时间步长为、学习率为 的超参数组合。基于此试验确定整个网络模型架构，并将其保存用于后续的阻抗反演试验。图超参数试验过程确定最优的神经网络参数后，开展基于测井约束与基于 模型的阻抗反演对比试验。从阻抗模型中抽取道（第 道、第 道、第 道）作为“测井”数据，依据地震数据拾取层位信息，构建如图 所示的低频初始模型，开展基于测井约束的阻抗反演试验。图 展示了相应的反演结果，结果表明，反演结果依赖于初始模型和层位信息，提高分辨率的能力十分有限，反演结果难以区分砂体结构。在此基础上，构建如图 所示的全频带的初始模型，充分利用“