本发明属于地震勘探开发中反演，适用于石油天然气、煤矿、铀矿等行业，具体而言，涉及一种基于cunet深度学习的叠后地震反演方法。
背景技术：
1、常规地震反演方法主要有基于褶积模型和基于地质统计学反演方法。基于褶积模型的地震反演方法，应用的理论基础是，地震数据由地下地层的反射系数模型与地震子波褶积而成，涉及到了地震子波和反射系数模型，由于地震子波存在时变和空变特征，并且与地震采集时震源特性有关，在实际应用中很难准确估计或计算，这直接影响了反演的稳定性和精度；地震数据与地层反射系数为非线性关系，由于受计算机硬件的限制，在实际应用中，都是把非线性问题线性化，计算往往采用一阶近似或二阶近似的方式建立地震数据和地层反射系数(波阻抗)的关系，这大大降低了反演的精度。基于地质统计学的反演方法理论基础是在地震数据和测井数据在地质统计学基础上用高斯模拟实现，在地质模型的控制和地震数据的参与下，进行大量随机模拟，通过子波褶积运算，经过误差分析及迭代反演，获得反演结果。这种方法要求井大规模分布且最好是均匀分布，同时大多数地震数据和测井数据在通常情况下并不严格符合高斯分布，另外这种方法要求研究人员具有研究区丰富的地质经验，所以这种方法在实际应用中具有局限性且人为影响因素比较大。针对这些问题，业界尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种基于cunet深度学习的叠后地震反演方法，与常规地震反演方法不同，基于cunet深度学习的叠后地震反演方法以叠后地震数据和测井数据为基础，利用构建的cunet深度学习网络建立地震和测井数据非线性关系，进一步挖掘测井、地震数据的内在联系，这种反演方法用于解决现有地震反演方法在求取波阻抗数据效率低下、精度差以及局限性大等问题，该方法可以反演任意测井数据体(比如波阻抗、自然伽马、密度、电阻率等数据体)，不需要子波和反射系数模型计算，不需要建立低频模型，也不需要对地震数据和测井数据进行高斯模拟，同时对井的分布和数量没有要求，井多井少都可以，只要工区中有井就可以。
2、本申请实施例提供了一种基于cunet深度学习的叠后地震反演方法，包括：s1，准备叠后地震数据体和测井数据；s2，对地震数据和井数据进行时深标定；s3，提取过井地震道数据；s4，构建cunet深度学习结构；s5，通过cunet深度学习结构建立地震和井数据的关系模型；s6，选择平均百分比误差损失函数和迭代次数，并开展模型训练建立地震数据和测井数据的非线性关系；s7，将模型训练结果推广到整个地震数据体，得到测井数据体。
3、其中，在步骤s1中，地震数据体有m条主测线，n条联络线，每条主测线上有n个cdp点，每条联络测线上有m个cdp点，每个地震道时间长度为t，让该数据体在时间域显示。
4、其中，在步骤s4中，cunet结构包括下采样的收缩路经和上采样的扩展路径。
5、其中，在步骤s4中，收缩路经是卷积网络架构的重复结构，每次重复都是两个卷积核为3的卷积层后跟一个激活函数和一个步长为2、卷积核为3的卷积层，卷积层后激活函数使用relu。
6、其中，在步骤s4中，扩展路径中的每一步都首先使用一次步长为2、卷积核为3的反卷积和一次步长为1、卷积核为3的卷积操作，然后拼接对应收缩路径裁剪得到的特征图，再采用2个步长为1、卷积核为3的卷积层进行特征提取；在网络的最后一层是一个步长为1、卷积核为1的卷积层。
7、其中，步骤s5中包括在井原始数据中提取需要反演训练的井数据，并在井数据集中选择训练数据和验证数据。
8、其中，步骤s6中平均百分比误差损失函数为：
9、
10、其中，mape是一个百分比值，n为样点数，t为样点处索引，actual(t)为数据实际值，forecast(t)为数据预测值。
11、其中，步骤s6中建立地震数据和测井数据的非线性关系公式为：
12、y＝cunet(x,m)
13、cunet(·)为步骤s4中建立的神经网络结构，x为地震数据，m为cunet的网络参数，y为cunet网络预测的测井数据结果。
14、其中，在步骤s7中，模型训练结束后，查看模型训练参数是否合适，如果不合适，修改步骤s6中的迭代次数，重新训练；若模型训练参数可以接受，则将模型训练结果应用到实际地震数据中。
15、本申请实施例基于cunet深度学习的叠后地震反演方法具有如下有益效果：
16、本发明利用cunet深度学习网络结构建立地震和测井数据的关系模型，进一步挖掘地震数据与测井数据内在的非线性关系，可以反演任意测井数据体，整个过程内存消耗小，没有人工参与，具有高效率、高精度的优点，避免了对地震卷积模型、子波、反射系数模型估计及地质统计学反演方法引起的精度差或局限性大以及人为影响因素大等问题，提高了地震反演结果的可靠性、准确性及精度，同时分辨率也得到很大提高。
1.一种基于cunet深度学习的叠后地震反演方法，其特征在于，包括：
2.根据权利要求1所述基于cunet深度学习的叠后地震反演方法，其特征在于，在步骤s1中，地震数据体有m条主测线，n条联络线，每条主测线上有n个cdp点，每条联络测线上有m个cdp点，每个地震道时间长度为t，让该数据体在时间域显示。
3.根据权利要求1所述基于cunet深度学习的叠后地震反演方法，其特征在于，在步骤s4中，cunet结构包括下采样的收缩路经和上采样的扩展路径。
4.根据权利要求3所述基于cunet深度学习的叠后地震反演方法，其特征在于，在步骤s4中，收缩路经是卷积网络架构的重复结构，每次重复都是两个卷积核为3的卷积层后跟一个激活函数和一个步长为2、卷积核为3的卷积层，卷积层后激活函数使用relu。
5.根据权利要求3所述基于cunet深度学习的叠后地震反演方法，其特征在于，在步骤s4中，扩展路径中的每一步都首先使用一次步长为2、卷积核为3的反卷积和一次步长为1、卷积核为3的卷积操作，然后拼接对应收缩路径裁剪得到的特征图，再采用2个步长为1、卷积核为3的卷积层进行特征提取；在网络的最后一层是一个步长为1、卷积核为1的卷积层。
6.根据权利要求1-5任一项所述基于cunet深度学习的叠后地震反演方法，其特征在于，步骤s5中包括在井原始数据中提取需要反演训练的井数据，并在井数据集中选择训练数据和验证数据。
7.根据权利要求1-5任一项所述基于cunet深度学习的叠后地震反演方法，其特征在于，步骤s6中平均百分比误差损失函数为：
8.根据权利要求1-5任一项所述基于cunet深度学习的叠后地震反演方法，其特征在于，步骤s6中建立地震数据和测井数据的非线性关系公式为：
9.根据权利要求1-5任一项所述基于cunet深度学习的叠后地震反演方法，其特征在于，在步骤s7中，模型训练结束后，查看模型训练参数是否合适，如果不合适，修改步骤s6中的迭代次数，重新训练；若模型训练参数可以接受，则将模型训练结果应用到实际地震数据中。