横波速度预测方法、装置和设备与流程

本申请涉及地震勘探技术领域，特别涉及一种横波速度预测方法、装置和设备。

背景技术：

纵、横波速度是地震勘探中的关键参数，在地下构造解释和油藏描述等工作中具有重要作用。通过常规声波测井可以得到纵波速度，而横波测井(例如：偶极子声波测井)成本较高，在一般情况下，实际地震资料中往往缺少横波速度信息。

现有技术中的横波速度预测方法为基于gru(gaterecurrentunit)神经网络的横波速度预测方法，主要利用纵波速度、密度和自然伽马等储层参数预测横波速度。但是现有技术中的基于gru神经网络的横波速度预测方法只利用了包括纵波速度、密度和自然伽马等储层参数的测井数据，使用的数据比较单一，对于地震勘探这种复杂的工作场景适用性不强，会影响预测结果的准确性。并且，采用现有技术中的基于gru神经网络的横波速度预测方法在非测井位置无法得到精确的储层参数值，使得该方法存在一定的局限性。

此外，基于gru神经网络的横波速度预测方法属于有监督的深度学习方法，在预测之前需要建立训练集，而在实际应用中通常很难建立十分精确的训练集，基于此预测精度会受到训练集数量、精度的限制。但我们往往很难建立十分精确的训练集。因此，采用现有技术中的技术方案无法全面、高效、准确地对横波速度进行预测。

针对上述问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请实施例提供了一种横波速度预测方法、装置和设备，以解决现有技术中无法全面、高效、准确地对横波速度进行预测的问题。

本申请实施例提供了一种横波速度预测方法，包括：获取待预测数据，其中，所述待预测数据中包括：地震记录、地震子波、纵波速度和地层密度；将所述待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，所述目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。

在一个实施例中，在获取待预测数据之前，还包括：获取多组训练样本数据，其中，各组训练样本数据均包括：地震记录、地震子波、纵波速度和地层密度；利用所述卷积神经网络结构和门控循环神经网络结构构建所述目标神经网络结构；利用所述多组训练样本数据对所述目标神经网络结构进行无监督预训练得到目标横波速度预测模型，其中，所述目标横波速度预测模型中包括：横波速度与所述地震记录、地震子波、纵波速度、地层密度之间对应的目标函数。

在一个实施例中，利用全连接神经网络结构、卷积神经网络结构和循环神经网络结构中的至少两种神经网络结构构建目标神经网络结构，包括：利用所述卷积神经网络结构和门控循环神经网络结构构建所述目标神经网络结构。

在一个实施例中，利用所述多组训练样本数据对所述目标神经网络结构进行无监督预训练得到目标横波速度预测模型，包括：获取所述多组训练样本数据中的目标训练样本数据；将所述目标训练样本数据中的第一地震记录和地震子波输入到所述目标横波速度预测模型中卷积神经网络结构的反褶积层，得到第一反射系数；将所述第一反射系数和所述目标训练样本数据中的纵波速度、地层密度依次输入到所述卷积神经网络结构的褶积层、池化层和所述门控循环神经网络结构中，得到横波速度的预测值；根据所述横波速度的预测值、所述纵波速度、地层密度、地震子波和所述第一地震记录，确定是否达到预设训练要求；在确定达到预设训练要求的情况下，结束对所述目标神经网络结构的无监督预训练，得到所述目标横波速度预测模型。

在一个实施例中，根据所述横波速度的预测值、所述纵波速度、地层密度、地震子波和所述第一地震记录，确定是否达到预设训练要求，包括：根据所述横波速度的预测值、所述纵波速度和地层密度，利用佐伊普里兹方程得到第二反射系数；根据所述第二反射系数和所述地震子波，基于地震褶积模型得到第二地震记录；根据所述第一地震记录和所述第二地震记录，确定所述第一地震记录与所述第二地震记录之间的欧几里得范数；确定所述欧几里得范数的最大值是否达到预设训练要求。

在一个实施例中，在根据所述横波速度的预测值、所述纵波速度、地层密度、地震子波和所述第一地震记录，确定是否达到预设训练要求之后，还包括：在确定没有达到预设训练要求的情况下，根据所述第一地震记录与所述第二地震记录之间的欧几里得范数，在所述目标神经网络结构中从输出层逐层反向更新参数矩阵和偏执向量。

在一个实施例中，输入至所述目标横波速度预测模型中的所述待预测数据为两倍波长的地震记录、地震子波、纵波速度和地层密度。

在一个实施例中，获取多组训练样本数据，包括：从地球物理模型中获取多组训练数据，其中，每一组训练数据中均包括：纵波速度、横波速度和地层密度；根据各组训练数据中的纵波速度、横波速度和地层密度，利用佐伊普里兹方程和地震褶积模型计算得到所述各组训练数据对应的地震记录；对所述各组训练数据和对应的地震记录分别进行归一化处理，得到多组包括地震记录、地震子波、纵波速度和地层密度的训练样本数据。

在一个实施例中，获取多组训练样本数据，包括：获取井旁道地震记录和测井数据；对所述井旁道地震记录进行去噪处理，得到去噪后的地震记录；对所述测井数据进行异常值处理，得到目标测井数据；根据所述目标测井数据和所述去噪后的地震记录，通过井震标定提取得到目标地震子波；对所述目标测井数据、所述去噪后的地震记录和所述目标地震子波进行归一化处理，得到归一化后的测井数据、地震记录和地震子波；根据所述归一化后的测井数据、地震记录和地震子波，生成包括地震记录、地震子波、纵波速度和地层密度的训练样本数据。

本申请实施例还提供了一种横波速度预测装置，包括：获取模块，用于获取待预测数据，其中，所述待预测数据中包括：地震记录、地震子波、纵波速度和地层密度；预测模块，用于将所述待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，所述目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。

本申请实施例还提供了一种横波速度预测设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述横波速度预测方法的步骤。

本申请实施例提供了一种横波速度预测方法，可以通过获取待预测数据，其中，所述待预测数据中包括：地震记录、地震子波、纵波速度和地层密度。待预测数据中包括地震记录和测井数据，考虑了地震勘探中占比最重的地震记录使得用于预测的数据具有多样性和代表性，可以在一定程度上提高横波速度预测的精度。进一步的，可以将上述待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，所述目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。由于不同的神经网络结构具有不同的特点，适合处理的数据类型也是不同的，因此，可以利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构，可以使得构建得到的目标神经网络结构能够更好地针对横波速度预测中涉及的数据的特点进行训练，有效提高了训练得到的目标横波速度预测模型的可靠性。此外，采用无监督预训练的方式进行训练时无需标记好的、准确的、全面的训练数据的情况下，使得预测精度不会受到训练数据精度的限制，有效提高了利用目标横波预测模型进行预测的适用性和预测效率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：

图1是根据本申请实施例提供的横波速度预测方法的步骤示意图；

图2是根据本申请实施例提供的地震波遇到分界面发生反射和透射的示意图；

图3是根据本申请实施例提供的目标神经网络结构的示意图；

图4是根据本申请实施例提供的生成的一个训练样本数据的示意图；

图5是根据本申请实施例提供的marmousi模型的参数示意图；

图6是根据本申请实施例提供的地震子波的示意图；

图7是根据本申请实施例提供的褶积合成的地震记录的示意图；

图8是根据本申请实施例提供的模型数据预测中10口井的预测结果与真实数据的相对误差的示意图；

图9是根据本申请实施例提供的模型数据预测中10口井的预测结果与真实数据的相关系数的示意图；

图10是根据本申请实施例提供的实际数据预测中10口井的预测结果与真实数据的相对误差的示意图；

图11是根据本申请实施例提供的实际数据预测中10口井的预测结果与真实数据的相关系数的示意图；

图12是根据本申请实施例提供的横波速度的预测值和真实值的对比示意图；

图13是根据本申请实施例提供的横波速度的预测值和实际横波速度的绝对误差示意图；

图14是根据本申请实施例提供的横波速度预测装置的结构示意图；

图15是根据本申请实施例提供的横波速度预测设备的结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域的技术人员知道，本申请的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本申请公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

请参阅图1，本实施方式可以提供一种横波速度预测方法。该横波速度预测方法可以用于利用地震记录、地震子波、纵波速度和地层密度等数据对横波速度进行预测。横波速度预测方法可以包括以下步骤。

s101：获取待预测数据，其中，待预测数据中包括：地震记录、地震子波、纵波速度和地层密度。

在本实施方式中，可以预先获取待预测数据，待预测数据可以为用于预测横波速度的数据，上述待预测数据可以包括：待预测区域处的地震记录、地震子波、纵波速度和地层密度。

在本实施方式中，上述地震记录、地震子波、纵波速度和地层密度可以根据井旁道地震记录和测井数据确定。获取待预测数据的方式包括：接收用户向目标横波预测模型中输入的数据，或者，按照预设路径从文件中查找，具体的可以根据实际情况确定，本申请对此不作限定。

s102：将待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。

在本实施方式中，可以将获取的待预测数据输入至预先训练好的目标横波预测模型中，从而得到横波速度的预测值。其中，上述目标横波预测模型可以是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。

在本实施方式中，可以采用无监督的方式对目标神经网络结构进行预训练。无监督预训练与有监督预训练的区别在于：预训练阶段的样本不需要人工标注数据、用来训练的数据中不包含输出目标，无监督预训练可以通过学习算法自动地学习训练数据中的规律或者一些有价值的信息。在没有太多的标记好的、准确、全面的训练数据的情况下，采用无监督预训练能取得较好的训练结果，而不会降低训练结果的精度，有效提高了其适用性。

在本实施方式中，由于神经网络结构一般分为全连接神经网络结构(fc，fullconnected)、卷积神经网络结构(cnn，convolutionalneuralnetwork)和循环神经网络结构(rnn，recurrentneuralnetwork)三种，不同的神经网络结构具有不同的特点，适合处理的数据类型也是不同的。其中，全连接神经网络结构是一种最基本的神经网络结构；卷积神经网络结构中包含卷积层和池化层，具有局部感知和权值共享的特点，适合图像处理和识别任务；循环神经网络结构中包含信号反馈结构，具有动态特征和记忆功能，适合处理时序数列。

因此，可以根据横波速度预测中涉及的数据的特点，从全连接神经网络结构、卷积神经网络结构和循环神经网络结构中选择至少两种神经网络结构构建的目标神经网络结构，可以使得构建得到的目标神经网络结构能够更好地针对横波速度预测中涉及的数据的特点进行处理，有效提高了基于目标神经网络结构训练得到的目标横波速度预测模型的可靠性。在一个实施例中，由于横波速度在时间上是连续的，可以利用卷积神经网络结构和门控循环神经网络结构来构建的目标神经网络结构。

在一个实施方式中，为了可靠地建立目标横波速度预测模型，在获取待预测数据之前可以还包括以下步骤。

s01：获取多组训练样本数据，其中，各组训练样本数据均包括：地震记录、地震子波、纵波速度和地层密度。

在本实施方式中，可以预先获取多组训练样本数据，各组训练样本数据中均可以至少包括：地震记录、地震子波、纵波速度和地层密度。训练样本的数量可以为600000个或者590010个，当然还可以为其它任何可能的数值，具体的可以根据实际情况确定。

在本实施方式中，获取多组训练样本数据的方式可以包括：接收用户输入的训练样本数据，或者，可以按照预设路径查询得到。当然可以理解的是，还可以采用其它可能的方式获取上述训练样本数据，例如，在网页中按照一定的查找条件搜索训练样本数据，具体的可以根据实际情况确定，本申请对此不作限定。

s02：利用卷积神经网络结构和门控循环神经网络结构构建目标神经网络结构。

在本实施方式中，由于横波速度预测中涉及的数据在时间上是连续的，因此，可以采用循环神经网络结构来构建目标神经网络结构。并且由于卷积神经网络权值共享的特点也可以提高学习精度，因此构建的目标神经网络结构时也可以采用卷积神经网络结构，在一个优选的方案中，可以利用卷积神经网络结构和循环神经网络结构构建目标神经网络结构。

其中，常规循环神经网络能够有效地分析和处理较短的时序数列，但不能分析和处理维度过长的时序数列，否则会产生“梯度消失”或“梯度爆炸”的现象。循环神经网络的一种改进结构长短时记忆神经网络(lstm，longshorttermmemorynetwork)可以通过“门”的结构(遗忘门、输入门和输出门)实现信息的添加或删除，改善了常规循环神经网络不能处理较长时序数列的问题。但是，长短时记忆神经网络的重复结构过于复杂，样本训练需要花费大量的时间，因此，长短时记忆神经网络存在很多变体。门控循环神经网络(gru，gatedrecurrentunit)可以利用重置门和更新门代替了长短时记忆神经网络中的遗忘门、输入门和输出门。

虽然门控循环神经网络和长短时记忆神经网络的预测精度相当，但门控循环神经网络更易于训练，效率更高。在一个优选的实施例中可以选用门控循环神经网络构建上述目标神经网络结构。

上述卷积神经网络结构中包含卷积层和池化层，卷积神经网络中的卷积层可以替换为反卷积层，将其赋予地震记录与地震子波反褶积的物理意义，可以避免对这一计算过程的训练，同时提高了训练效率和训练精度。此外，卷积神经网络权值共享的特点也可以避免在训练过程中对同一特征的重复训练和错误训练，提高训练效率和训练精度。基于此，利用卷积神经网络结构和门控循环神经网络结构构建得到目标神经网络结构能够具有较高的训练精度和训练效率。

s03：利用多组训练样本数据对目标神经网络结构进行无监督预训练得到目标横波速度预测模型，其中，目标横波速度预测模型中包括：横波速度与地震记录、地震子波、纵波速度、地层密度之间对应的目标函数。

在本实施方式中，可以预先根据褶积理论、佐伊普里兹方程等确定影响横波速度的多个因素。在一个实施例中，如果考虑地震子波对地震频带的影响，并假设噪声为零，地震褶积模型可以表示为：

d＝w*r

其中，d为地震记录；w为地震子波；r为反射系数。

地震波在地层中传播时，遇到地层分界面会发生透射和折射，如图2所示。对于各向同性介质，可以用佐伊普里兹(zoeppritz)方程来描述图2中的物理现象，其表达式为：

其中，θ1、θ2、θ3和θ4分别代表反射纵波的反射角、透射纵波的反射角、反射横波的透射角和透射横波的透射角；vp1、vs1和ρ1分别代表分界面上层的纵波速度、横波速度和密度；vp2、vs2和ρ2分别代表分界面下层的纵波速度、横波速度和密度；rpp、rps、tpp和tps分别表示纵波反射系数、转换横波反射系数、纵波透射系数和转换横波透射系数。

根据zoeppritz方程，可以看出反射系数可以由纵波速度、横波速度、密度、反射角和透射角表示。在只考虑纵波入射的前提下，根据snell定律，纵波反射系数可以表示为：

其中，vp为纵波速度；vs为横波速度；ρ为地层密度；rpp为纵波反射系数；f(θ)为rpp到[vp,vs,ρ]'的映射矩阵，与纵波入射角θ相关。

因此，当只考虑纵波入射的前提下，地震记录可以表示为：

其中，d为地震记录；rpp为纵波反射系数；w为地震子波；vp为纵波速度；vs为横波速度；ρ为地层密度；f(θ)为rpp到[vp,vs,ρ]'的映射矩阵。由此可见，横波速度可以利用地震记录、地震子波、纵波速度和密度表示，其表达式为：

vs＝g(d,w,vp,ρ)

其中，g为将横波速度与地震记录、地震子波、纵波速度、地层密度联系起来的目标函数。在对目标神经网络结构进行无监督预训练的过程中，可以通过自主学习拟合得到横波速度与地震记录、地震子波、纵波速度、地层密度之间的关系，即上述目标函数。因此，训练得到的目标横波速度预测模型中可以包括：横波速度与地震记录、地震子波、纵波速度、地层密度之间对应的目标函数。

在一个实施方式中，构建得到的目标神经网络结构可以如图3中所示，以多组训练样本数据中的目标训练样本数据为例，可以按照以下步骤，对图3中目标神经网络结构进行无监督预训练。

s31：将目标训练样本数据中的第一地震记录和地震子波输入到目标横波速度预测模型中卷积神经网络结构的反褶积层，得到第一反射系数。

在本实施方式中，上述第一地震记录可以为目标训练样本数据中的原始地震记录。在一些实施例中，输入至目标横波速度预测模型中的第一地震记录和地震子波可以为两倍波长的数据，例如，目标训练样本数据中的地震子波为100ms，那么每次输入的地震子波数据为200ms。对应的，输入至目标横波速度预测模型中的纵波速度、地层密度也可以为两倍波长的数据。

s32：将第一反射系数和目标训练样本数据中的纵波速度、地层密度依次输入到卷积神经网络结构的褶积层、池化层和门控循环神经网络结构中，得到横波速度的预测值。

s33：根据横波速度的预测值、纵波速度、地层密度、地震子波和第一地震记录，确定是否达到预设训练要求。

在无监督预训练过程中，在得到一个横波速度的预测值时需要先对该预测值进行验证，以确定预测的精度是否达到要求。上述预设训练要求可以用于表征期望达到的训练精度，具体的可以根据实际情况确定，本申请对此不作限定。

在本实施方式中，可以根据横波速度的预测值和上述s32步骤中输入的纵波速度、地层密度，利用佐伊普里兹方程得到第二反射系数。根据第二反射系数和上述s31步骤中地震子波，基于上述地震褶积模型可以得到第二地震记录。其中，上述第二反射系数和第二反射系数可以是根据理论公式计算得到的理论值。

进一步的，可以根据上述第一地震记录和第二地震记录，确定第一地震记录与第二地震记录之间的欧几里得范数。在一个实施例中，可以确定欧几里得范数的最大值是否达到预设训练要求。其中，此处的预设训练要求可以为小于等于预设数值，该预设数值可以为正数，例如：10^-5，当然还可以为其它可能的数值，具体的可以根据实际情况设定，本申请对此不作限定。

在本实施方式中，范数(norm)是一个函数，其赋予某个向量空间(或矩阵)中的每个向量以长度或大小。上述欧几里得范数也即l2范数可以为空间中两个点间的距离，由于在机器学习中l2范数相对于l1范数具有更为平滑的特性，在模型预测中，往往比l1范数具有更好的预测特性。当遇到两个对预测有帮助的特征时，l1范数倾向于选择一个更大的特征，而l2范数更倾向把两者结合起来。因此，在一些实施例中，可以将l2范数应用于损失函数中，以防止过模型拟合的问题。

s34：在确定达到预设训练要求的情况下，结束对目标神经网络结构的无监督预训练，得到目标横波速度预测模型。

在本实施方式中，还可以获取多组测试数据，每组测试数据中均包含：地震记录、地震子波、纵波速度和地层密度。可以利用多组测试数据对预训练得到的横波速度预测模型进行测试，测试步骤与步骤s31-s33相同，重复之处不再赘述。其中，训练样本数据的数量与测试数据的数量的比值可以为4:1，当然还可以为其它比值，具体的可以根据实际情况确定，本申请对此不作限定。

在本实施方式中，在确定没有达到预设训练要求的情况下，根据上述第一地震记录与第二地震记录之间的欧几里得范数，在目标神经网络结构中从输出层逐层反向更新参数矩阵和偏执向量，从而得到反向更新权重后的目标神经网络结构，再重复上述步骤s31-s34对反向更新权重后的目标神经网络结构继续进行训练，直至达到预设训练模型。

在本实施方式中，上述反向更新权重的过程是基于反向传播算法，就是指误差由输出层逐层往前传递，进而逐层更新参数矩阵和偏执向量，反向传播算法的核心为链式求导法则。需要注意的是，反向传播算法的推导是以激活函数、误差计算方式、网络连接结构和优化算法为基础的。如果激活函数不同、误差计算方式不同、网络连接结构不同、优化算法不同，则推导得到的具体的反向传播算法也会不一样。但是无论怎样，推导方式都是一样的，应用链式求导法则进行推导即可。在本实施方式中，反向传播算法是根据激活函数(sigmoid函数和relu函数)、平方和误差、目标神经网络结构、随机梯度下降优化算法推导得到的。

在一个实施方式中，为了使获取的多组训练样本数据更具有代表性和广泛适用性，可以利用模型数据生成训练样本数据，具体的可以按照以下步骤获取上述多组训练样本数据。

s11：从地球物理模型中获取多组训练数据，其中，每一组训练数据中均包括：纵波速度、横波速度和地层密度。

s12：根据各组训练数据中的纵波速度、横波速度和地层密度，利用佐伊普里兹方程和地震褶积模型计算得到各组训练数据对应的地震记录；

s13：对各组训练数据和对应的地震记录分别进行归一化处理，得到多组包括地震记录、地震子波、纵波速度和地层密度的训练样本数据。

在本实施方式中，选择的地球物理模型为marmousi模型。上述marmousi模型是一种二维声波模型，模型中可以包含：二维的纵波速度、横波速度和地层密度。其中，marmousi原始模型只支持压缩(p)波的传播，marmousi2模型不但支持压缩波，还支持横波、转换波。具体采用哪种模型可以根据实际情况确定，本申请对此不作限定。

在本实施方式中，可以根据各组训练数据中的纵波速度、横波速度和地层密度，利用zoeppritz方程计算得到反射系数，然后利用地震褶积模型将反射系数与地震子波褶积合成地震记录，从而得到各组训练数据对应的地震数据。

可以按照以下公式对各组训练数据和对应的地震记录分别进行归一化处理：

其中，xmin和xmax分别为xi的最小值和最大值。

在一个实施方式中，还可以利用实际数据生成训练样本数据，具体的可以按照以下步骤获取上述多组训练样本数据。

s14：获取井旁道地震记录和测井数据。

s15：对井旁道地震记录进行去噪处理，得到去噪后的地震记录。

s16：对测井数据进行异常值处理，得到目标测井数据。

s17：根据目标测井数据和去噪后的地震记录，通过井震标定提取得到目标地震子波。

s18：对目标测井数据、去噪后的地震记录和目标地震子波进行归一化处理，得到归一化后的测井数据、地震记录和地震子波。

s19：根据归一化后的测井数据、地震记录和地震子波，生成包括地震记录、地震子波、纵波速度和地层密度的训练样本数据。

在本实施方式中，上述井震标定是联系地震与地质的桥梁，井震标定是进行层位解释和油藏描述的基础和前提，进行井震标定之后可以更好地研究地震数据中包含的构造和储层信息。上述测井数据中可以包括纵波速度和地层密度，生成的一个训练样本数据可以如图4中所示，图4中横坐标为对应的数值，纵坐标为深度。

在一个实施例中可以同时采用上述s11-s13和s14-s19中的方式生成多组训练样本数据，使得生成的训练样本数据丰富多样，具有训练价值。

在一个实施例中，还可以利用模型数据和实际数据的测试来验证训练得到的目标横波预测模型的有效性和实用性。首先可以利用marmousi模型进行横波速度的预测，marmousi模型的测试只是用来验证有效性，其他同类模型也可以得到同样的结果。marmousi模型的参数可以如图5所示，包括纵波速度、横波速度和地层密度，横向上共有13601道，每一道包括2801个点。

进一步的，可以根据图5中的marmousi模型参数，利用zoeppritz方程计算得到反射系数并与主频为60hz，波长为100ms的ricker地震子波(如图6所示)褶积合成地震记录(如图7中所示)。每次输入2倍波长的地震记录、地震子波、纵波速度和地层密度，分别利用传统的横波速度预测方法、基于单独cnn的横波速度预测方法、基于单独gru的横波速度预测方法和基于无监督gru-cnn的目标横波速度预测模型进行横波速度预测，利用相关系数和相对误差来表征横波速度预测的准确度。

其中，传统的横波速度预测方法可以包括：经验公式法和岩石物理建模法。经验公式法通过统计学分析纵、横波速度，拟合得到纵、横波速度关系式，由纵波速度预测横波速度。不同岩石存在不同的纵、横波速度拟合公式。经验公式法容易实现，计算效率高，但拟合关系式反映了大量测井数据的统计规律，在实际应用时存在较大误差。岩石物理建模法主要通过建立岩石物理模型精确地计算岩石的弹性参数，然后基于弹性参数和横波速度之间的关系计算横波速度。利用岩石物理建模法预测横波速度精度较高，但是算法复杂、所需参数较多，导致计算效率较低。

进一步的，可以抽取10道的样本进行横波速度预测，模型数据预测中10口井的预测结果与真实数据的相对误差如表1所示。为了更清晰地分析预测精度，可以将表1的数据绘制成如图8所示的折线图。根据图8可知，基于无监督gru-cnn的横波速度预测方法预测的相对误差约为2.609％，小于传统横波速度预测方法(4.356％)；基于单独gru的横波速度预测方法(3.097％)和基于单独cnn的横波速度预测方法(3.207％)。

表1

表2

表2为模型数据测试中10口井的预测结果与真实数据的相关系数，其对应绘制得到的折线图如图9所示。根据图9可知，基于无监督gru-cnn的横波速度预测方法预测得到的横波速度与实际值的相关系数平均值为0.9828，大于传统横波速度预测方法(0.9409)、基于单独gru的横波速度预测方法(0.9691)和基于单独cnn的横波速度预测方法(0.9697)。由此可见，基于marmousi模型的测试结果验证了利用上述目标横波速度预测模型预测的有效性和可行性。

进一步的，可以利用d区实际数据的横波速度来验证有效性和实用性。利用d区的30口井的井旁道地震数据和测井数据进行横波速度预测，每口测井包括3000个数据点，共包括90000个数据点。首先对井旁道地震数据进行噪声压制处理，对测井数据(纵波速度、横波速度和地层密度)进行异常值处理。然后进行井震标定，提取地震子波。接着对以上数据均进行归一化处理，抽取10口测井进行横波速度预测。实际数据预测中10口井的预测结果与真实数据的相对误差如表3所示，为了更清晰地分析预测精度，可以将表3的数据绘制成如图10所示的折线图。根据图10可知，基于无监督gru-cnn的横波速度预测方法预测的相对误差最小，平均为2.854％。

表3

表4为实际数据预测中10口井的预测结果与真实数据的相关系数，其对应绘制的折线图如图11所示。根据图11可知，基于无监督gru-cnn的横波速度预测方法预测得到的横波速度与实际值的相关系数最大，平均值为0.9802。图12为其中四口井通过基于无监督gru-cnn的横波速度预测方法预测得到的横波速度的预测值和真实值的对比图。根据图12可知，横波速度的预测值和横波速度的实际值曲线趋势一致，具有很好的匹配度。

表4

图13为横波速度的预测值和实际横波速度的绝对误差图，根据图13可知，训练井的绝对误差值小于110m/s，测试井的绝对误差值小于150m/s，表明利用目标横波速度预测模型进行预测具有较好的实用性。

从以上的描述中，可以看出，本申请实施例实现了如下技术效果：可以通过获取待预测数据，其中，待预测数据中包括：地震记录、地震子波、纵波速度和地层密度。待预测数据中包括地震记录和测井数据，考虑了地震勘探中占比最重的地震记录使得用于预测的数据具有多样性和代表性，可以在一定程度上提高横波速度预测的精度。进一步的，可以将上述待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。由于不同的神经网络结构具有不同的特点，适合处理的数据类型也是不同的，因此，可以利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构，可以使得构建得到的目标神经网络结构能够更好地针对横波速度预测中涉及的数据的特点进行训练，有效提高了训练得到的目标横波速度预测模型的可靠性。此外，采用无监督预训练的方式进行训练时无需标记好的、准确的、全面的训练数据的情况下，使得预测精度不会受到训练数据精度的限制，有效提高了利用目标横波预测模型进行预测的适用性和预测效率。

基于同一发明构思，本申请实施例中还提供了一种横波速度预测装置，如下面的实施例。由于横波速度预测装置解决问题的原理与横波速度预测方法相似，因此横波速度预测装置的实施可以参见横波速度预测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图14是本申请实施例的横波速度预测装置的一种结构框图，如图14所示，可以包括：获取模块141、预测模块142，下面对该结构进行说明。

获取模块141，可以用于获取待预测数据，其中，待预测数据中包括：地震记录、地震子波、纵波速度和地层密度。

预测模块142，可以用于将待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。

本申请实施方式还提供了一种电子设备，具体可以参阅图15所示的基于本申请实施例提供的横波速度预测方法的电子设备组成结构示意图，电子设备具体可以包括输入设备51、处理器52、存储器53。其中，输入设备51具体可以用于输入待预测数据。处理器52具体可以用于获取待预测数据，其中，待预测数据中包括：地震记录、地震子波、纵波速度和地层密度；将待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。存储器53具体可以用于存储地震记录、地震子波、纵波速度和地层密度等参数。

在本实施方式中，输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如ram、fifo等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、tf卡等。

在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

本申请实施方式中还提供了一种基于横波速度预测方法的计算机存储介质，计算机存储介质存储有计算机程序指令，在计算机程序指令被执行时可以实现：获取待预测数据，其中，待预测数据中包括：地震记录、地震子波、纵波速度和地层密度；将待预测数据中的地震记录、地震子波、纵波速度和地层密度输入至目标横波速度预测模型中，得到横波速度的预测值；其中，目标横波预测模型是利用卷积神经网络结构和门控循环神经网络结构构建的目标神经网络结构通过无监督预训练得到的。

在本实施方式中，上述存储介质包括但不限于随机存取存储器(randomaccessmemory，ram)、只读存储器(read-onlymemory，rom)、缓存(cache)、硬盘(harddiskdrive，hdd)或者存储卡(memorycard)。存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。

虽然本申请提供了如上述实施例或流程图的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本申请的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。