基于深度学习的地震速度反演研究

作     者：周一帆 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：张岩

授予年度：2023年

学科分类：081801[工学-矿产普查与勘探] 08[工学] 0818[工学-地质资源与地质工程] 

主      题：深度学习 速度反演 U-Net网络 物理约束 正演 

摘      要：石油资源关乎国家安全的命脉,目前国内地下浅层油气资源开采潜力有限,地震勘探目标逐步转向岩性油气藏和非常规油气藏等区块。叠前深度偏移方法是复杂构造区域油气藏成像的重要技术,而该方法对速度参数精度具有较高要求。因此研究地震速度反演提高速度模型精度对高质量地下偏移成像和地层构造解释有重要意义。传统速度反演可分为走时反演和波形反演,走时反演仅利用地震波的走时信息,从理论上限制了反演精度,而波形反演在此基础上结合了波形信息,波形信息综合反映了地震波运动学和动力学特征,理论上可达到较高的精度。但由于观测地震数据和速度模型间的高度非线性,使传统波形反演方法在实际应用时难度增大,如:实际观测地震数据往往缺失低频信息造成反演过程中周期跳跃问题,同时反映深层地下结构信息的反射波部分缺失,影响后续反演精度;实际勘探中初始速度模型精度不够,导致反演容易陷入局部最小值。因此亟需研究高精度速度反演同时避免或解决上述实际应用问题。目前基于深度学习的方法在地震勘探速度反演领域取得了丰厚的成果,成为当前热门研究方向。本文针对传统波形反演中的关键问题,利用深度神经网络和物理约束提高地震数据特征的保持能力、降低反演问题的多解性,进行地震数据低频延拓方法和速度反演方法研究,提高反演精度和效率,具体研究内容包括:(1)针对实际观测地震数据缺失低频影响后续速度反演精度问题,本文提出基于地震波物理属性约束的残差U-Net网络模型进行地震数据低频延拓,通过使用残差块结构改进网络提升低频延拓效果,并设计大量数值实验给出相对较好的物理属性约束权重取值范围,最终让网络在保持低频段地震数据时域良好恢复的同时提高频率和相位的恢复效果,得到较高精度的低频延拓地震数据,为后续速度反演奠定基础;(2)针对初始模型依赖问题,本文提出基于物理先验约束的注意力U-Net网络进行地震速度反演,首先通过引入注意力机制和地震勘探中重要的测井资料结合U-Net网络构建先验知识约束的速度反演子网,验证网络效果;然后构建基于地震波场延拓规律驱动的RNN正演子网,实现物理规律与神经网络的结合;最后将反演子网与正演子网联通构建出最终的物理先验约束的速度反演网络,进一步提高反演的效果。