一种基于数据驱动的垂直地震剖面上下行波智能分离方法

本发明涉及波场分离，特别涉及一种基于数据驱动的垂直地震剖面上下行波智能分离方法。

背景技术：

1、垂直地震剖面(vertical seismic profile；vsp)是一种利用井中检波器或井下震源进行地震波场观测的方法，相比于常规的地面地震技术，该方法具有干扰少、分辨率高的优势。但垂直地震剖面技术所接收的波场数据为复合信号，其中不仅有向下传播的下行波(地面反向波)，同时还有向上传播的上行波(地层反射波)，上下行波相互干涉、混叠，使整个波场信号变得复杂、无序。因此，需要对原始波场进行精确分离。上下行波分离是垂直地震剖面数据处理最为关键和基础的环节，其分离质量决定了成像的精度和进一步解释的合理性。

2、常规的垂直地震剖面上下行波分离方法大多数基于波场视速度和偏振方向的差异性滤波，可以划分为基于时间域滤波或者基于变换域滤波的分离方法。其中，基于时间域滤波的分离方法需要进行初至拾取和静态时移，否则会导致波场能量分散，且高精度的分离需要时变的滤波窗，这极大增加了计算量；基于变换域滤波的分离方法虽能快速实现分离，但难以克服傅里叶变换机制所引发的“假轴”，因此繁琐的数据预处理或者后续处理不可避免。同时，由于现有分离方法对不同数据的技术适应性存在差异，这往往需要地质先验信息，并涉及主观的人工调参，这样不仅使技术方案流程繁琐，而且还会因主观调参相应的影响分离结果的准确性，难以实现自动化、高效率、高精度的波场分离。

技术实现思路

1、针对上述问题，本发明旨在提供一种基于数据驱动的垂直地震剖面上下行波智能分离方法，通过真实的测井资料进行数据建模，并训练多任务学习的神经网络得到回归模型，最终以数据驱动的方式实现对波场的智能分离。

2、本发明的技术方案如下：

3、一种基于数据驱动的垂直地震剖面上下行波智能分离方法，包括以下步骤：

4、s1：收集测井资料，所述测井资料包括速度信息和密度信息；

5、s2：根据所述测井资料，建立地层模型并定义地震观测系统，然后基于垂直地震剖面波场传播方程进行数值模拟，获得模拟的上下行波数据，并将所述模拟的上下行波数据进行组合获得模拟的总波场数据；

6、s3：建立多任务学习的神经网络，以所述模拟的总波场数据作为数据输入，以所述模拟的上下行波数据作为数据输出，对所述多任务学习的神经网络进行训练，获得回归模型；

7、s4：对所述回归模型进行可行性测试，

8、当所述可行性测试的结果不达标时，调整所述多任务学习的神经网络的训练样本，并优化网络参数，返回步骤s3进行重新训练；

9、当所述可行性测试的结果达标时，以步骤s3获得的回归模型作为最终的分离模型，并利用所述最终的分离模型对目标垂直地震剖面数据进行上下行波分离。

10、作为优选，步骤s2中，所述垂直地震剖面波场传播方程为：

11、

12、

13、式中：un、un+1分别为第n层、第n+1层的上行波数据；dn、dn+1分别为第n层、第n+1层的下行波数据；rn为第n层地下介质的反射系数；pn为第n层地下介质的正传播作用；pn-1为第n层地下介质的反传播作用。

14、作为优选，当考虑地层的吸收衰减效应时，第n层地下介质的正传播作用pn通过下式进行计算：

15、

16、式中：e为自然底数；f为频率；hn为层厚；qn为品质因子；vn为速度；i为虚数。

17、作为优选，所述品质因子qn通过下式进行计算：

18、

19、式中：qv,n为与速度相关的品质因子；qρ,n为与密度相关的品质因子；

20、qv,n和qρ,n均通过下式进行计算：

21、

22、式中：qep,n为第n层地下介质中与弹性参数相关的的品质因子；q1为第一层地下介质的品质因子；epn为第n层的弹性参数；ep0为自由表面处的弹性参数；q0为自由表面处的品质因子；ep1为第1层的弹性参数。

23、作为优选，步骤s2中，基于垂直地震剖面波场传播方程进行数值模拟时，具体包括以下子步骤：

24、s21：定义一个包括反射和衰减物理效应的层矩阵mn：

25、

26、s22：根据所述层矩阵mn计算整个地层传播过程中的上行波数据和下行波数据：

27、

28、步骤s2中，将所述上下行波数据进行组合获得总波场数据时，所述总波场数据通过下式进行计算：

29、w＝u+d (8)

30、式中：w为总波场数据；u为上行波数据；d为下行波数据。

31、作为优选，步骤s3中，所述多任务学习的神经网络包括八个卷积层，其中前三个卷积层用于构建神经网络的编码层，并在编码过程中使用最大池化层扩大神经网络的感受野：第四个卷积层为神经网络的中间层；后四个卷积层用于构建神经网络的解码过程，并在解码过程中使用与池化层对称的上采样层来模拟池化的逆过程；前六个卷积层使用激活函数一进行激活，第七个卷积层和第八个卷积层进行多任务分流，并使用激活函数二进行数据导出。

32、作为优选，每个卷积层均为3*3内核的2维卷积运算，并搭配批量标准化bn；所述最大池化层采用2*2内核。

33、作为优选，所述激活函数一采用relu函数，所述激活函数二采用tanh函数。

34、作为优选，步骤s1中，收集测井资料时，收集来自不同地质背景和不同储层类型的测井资料。

35、本发明的有益效果是：

36、本发明通过利用测井资料进行数据建模，结合神经网络的多任务数据驱动，能够更加智能、高效、准确地分离垂直地震剖面数据的上下行波。

技术特征：

1.一种基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s2中，所述垂直地震剖面波场传播方程为：

3.根据权利要求2所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，当考虑地层的吸收衰减效应时，第n层地下介质的正传播作用pn通过下式进行计算：

4.根据权利要求3所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，所述品质因子qn通过下式进行计算：

5.根据权利要求2-4中任意一项所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s2中，基于垂直地震剖面波场传播方程进行数值模拟时，具体包括以下子步骤：

6.根据权利要求1所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s3中，所述多任务学习的神经网络包括八个卷积层，其中前三个卷积层用于构建神经网络的编码层，并在编码过程中使用最大池化层扩大神经网络的感受野：第四个卷积层为神经网络的中间层；后四个卷积层用于构建神经网络的解码过程，并在解码过程中使用与池化层对称的上采样层来模拟池化的逆过程；前六个卷积层使用激活函数一进行激活，第七个卷积层和第八个卷积层进行多任务分流，并使用激活函数二进行数据导出。

7.根据权利要求6所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，每个卷积层均为3*3内核的2维卷积运算，并搭配批量标准化bn；所述最大池化层采用2*2内核。

8.根据权利要求6或7所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，所述激活函数一采用relu函数，所述激活函数二采用tanh函数。

9.根据权利要求1-8中任意一项所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s1中，收集测井资料时，收集来自不同地质背景和不同储层类型的测井资料。

技术总结
本发明公开了一种基于数据驱动的垂直地震剖面上下行波智能分离方法，包括以下步骤：S1：收集测井资料，包括速度信息和密度信息；S2：建立地层模型并定义地震观测系统，然后基于垂直地震剖面波场传播方程进行数值模拟，获得模拟的上下行波数据，并组合获得模拟的总波场数据；S3：建立多任务学习的神经网络，根据步骤S2获得的数据对神经网络进行训练，获得回归模型；S4：进行可行性测试，当结果不达标时，调整训练样本并优化网络参数，返回步骤S3进行重新训练；当结果达标时，以步骤S3获得的回归模型作为最终的分离模型，并利用其对目标垂直地震剖面数据进行上下行波分离。本发明能够更加智能、高效、准确地分离垂直地震剖面数据的上下行波。

技术研发人员：周怀来,陶柏丞,杨宇勇,李悟
受保护的技术使用者：成都理工大学
技术研发日：
技术公布日：2024/1/15