王瑞林,馮 波,2,吳成梁,王華忠,張 猛

(1.波現(xiàn)象與智能反演成像研究組(WPI),同濟大學海洋與地球科學學院,上海200092;2.同濟大學海洋高等研究院,上海200092;3.中國石油化工股份有限公司勝利油田分公司物探研究院,山東東營257022)

疊加速度分析技術(shù)是整個地震波速度建模流程的起點。無論疊前偏移還是速度反演,高精度的宏觀背景速度模型必不可少[1]。隨著寬方位,寬頻帶和高密度(“兩寬一高”)采集技術(shù)的普及,地震數(shù)據(jù)量劇增[2]。面對TB級別甚至PB級別的海量地震數(shù)據(jù),人工速度分析只能通過降低拾取密度來完成處理任務,導致速度建模精度降低。雖然一些自動化的疊加速度分析方法可以高效地實現(xiàn)密點拾取,但在低信噪比的實際數(shù)據(jù)處理中效果仍不理想。此外,很少有文獻討論如何將處理員的經(jīng)驗認知融入自動化算法當中,因此,有必要發(fā)展一套全自動化的疊加速度分析處理流程,并將處理專家的建模經(jīng)驗融入其中,推動疊加速度分析技術(shù)從自動化邁向智能化。

從TANER[3]提出速度譜概念后,在很長一段時間里,人們都致力于提升速度譜的精度,發(fā)展基于CMP道集的自動速度建模方法,其中包括利用數(shù)據(jù)的自相關(guān)特征[4-5]、概率統(tǒng)計特征[6-8],以及更加精細的模型諸如考慮AVO效應以及非雙曲時距關(guān)系等[9-12]提升速度譜的分辨率和信噪比。在機器學習理論框架下也發(fā)展了一些自動化速度分析方法,如采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)[13-16],循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)[17],生成對抗網(wǎng)絡(luò)(GAN)[18]等監(jiān)督學習類方法,實現(xiàn)將速度譜或地震道集作為輸入、通過網(wǎng)絡(luò)模型獲得拾取的譜點或速度模型的過程。然而,該類方法缺乏數(shù)據(jù)的特征表達,泛化能力通常較弱,抗噪能力也僅限于非結(jié)構(gòu)性的高斯噪聲。另一方面,一些無監(jiān)督的聚類方法主要利用K-均值聚類(K-Means)[19-20]和密度聚類[21]及其變種,將速度譜視作圖像進行拾取。此類方法的效果受限于速度譜的精度且抗噪性較差。以上所謂的智能算法僅實現(xiàn)了自動化過程,其密點拾取方式易導致速度模型中出現(xiàn)“掛面條”現(xiàn)象,因此,缺乏橫向連續(xù)性。真正“智能化”的方法應該保持數(shù)據(jù)在高維空間的結(jié)構(gòu)特征(即保結(jié)構(gòu)映射),并將人的處理經(jīng)驗和認識融入自動速度分析的整個過程[22]。

1 t0-xcmp域的約束條件自動估計

1.1 結(jié)構(gòu)剖面的生成

結(jié)構(gòu)信息的提取離不開高質(zhì)量的地震成像剖面,而成像剖面依賴于輸入的背景速度模型。因此在最初始的背景速度建模過程中,無法借助于成像剖面等信息。為了解決該問題,通過引入偽疊加剖面生成結(jié)構(gòu)剖面,以便實施地質(zhì)構(gòu)造的約束。偽疊加剖面是指在生成的速度譜上,沿時間軸方向取每個時間對應的能量較強速度區(qū)間內(nèi)疊加結(jié)果,用公式可以表示為:

(1)

(2)

式中:u(t,h)為CMP道集,t可以由自激自收時間t0、偏移距h和疊加速度vS組成的函數(shù)表示,即t=f(t0,h,vS),在一般情況下,f為雙曲時距關(guān)系。

1.2 結(jié)構(gòu)信息的提取

基于高精度偽疊加剖面,進行結(jié)構(gòu)信息的提取。結(jié)構(gòu)信息的提取方法采用VLIET等[23]和WANG等[26]提出的方法,利用方向信息和子波波峰信息,以及能量信息進行判定。首先,計算類偽疊加剖面的結(jié)構(gòu)張量,獲得剖面上每個點主方向和垂直主方向的特征值μ1(t0,xcmp)和μ2(t0,xcmp)。由此可以定義偽疊加剖面上每個點線性度l(t0,xcmp),即

(3)

l的取值范圍為[0,1],l取值越大,此處是結(jié)構(gòu)的概率越大,l越趨近于0,此處為結(jié)構(gòu)的可能性越小。

波峰位置的判斷通過計算沿同相軸垂直方向的梯度d(t0,xcmp)來獲得。

d(t0,xcmp)=Ixμ1(t0,xcmp)+It0μ2(t0,xcmp)

(4)

式中:Ix=?S/?x和It0=?S/?t0分別是偽疊加剖面沿著xcmp和t0方向的方向梯度。

點(t0,xcmp)為波峰的條件為:在該點前后的d符號相反,同時波峰點處的|d|小于其前后的|d|,即:

(5)

且波峰點處的振幅值較大,否則此波峰不對應有效結(jié)構(gòu)部分。因此,當一個點同時滿足線性度要求和波峰條件,同時幅值較強,認定該點為對應的結(jié)構(gòu)點(t0,xcmp)。

2 t0-vS域的信息整合

t0-vS域的信息是基于CMP道集速度建模中最為常用的信息,直接對應著待求取的兩個參數(shù)(t0,vS)。通過構(gòu)建速度譜,可以展示不同的(t0,vS)參數(shù)組為潛在T-V對的可能性。許多文獻研究和探討了高精度高分辨率速度譜的制作[3-12],這里不討論速度譜生成問題。利用速度譜可以生成以上所定義的偽疊加剖面,偽疊加剖面上對應結(jié)構(gòu)的點等同于反射界面對應的位置t0,通過結(jié)構(gòu)提取可獲得大部分CMP處的t0信息。將拾取的t0結(jié)果投影到速度譜上,結(jié)合速度譜上拾取點位附近的能量團,尋找合適的疊加速度vS便成為一維搜索問題。在t0處,尋找對應的能量團的峰值,即可確定t0處對應的疊加速度,衡量最合適的速度通過取窗求和的方式實現(xiàn)。

(6)

式中:W為窗函數(shù)。遍歷搜索所有疊加速度vS,即可獲得結(jié)構(gòu)約束下滿足能量關(guān)系的T-V對,實現(xiàn)對速度譜點的初步篩選。

同時,在t0-vS域中,還可以施加層速度的信息。根據(jù)Dix公式[27],將疊加速度與層速度進行變換,則有:

(7)

式中:vi表示層速度,可由第i個T-V對和第i-1個T-V對計算獲得。為獲得層速度,首先,必須保證公式(7)根號內(nèi)的值大于零,即

(8)

另外,速度譜拾取錯誤導致層速度出現(xiàn)較大異常值,但公式(8)完全成立。通常來說,層速度過大產(chǎn)生的原因是由于拾取的兩個相鄰的譜點在時間上差異較小,速度差距過大導致。針對上述情況,當層速度不合理時,可根據(jù)總體趨勢回歸,補充將第i個t0處的vS,i,從而讓異常速度處變得平緩。

3 vS-xcmp域信息的利用

基于上述步驟,選取的T-V對反映了譜點滿足地質(zhì)構(gòu)造信息以及速度譜的能量聚焦性。但是,在實際數(shù)據(jù)處理中仍然會遇到相鄰道近似深度位置的速度存在較大偏差問題。橫向上較大的偏差會導致速度模型出現(xiàn)“掛面條”現(xiàn)象。因此,必須考慮控制橫向上的緩變情況,構(gòu)建更合理的速度模型。在vS-xcmp域中,利用橫向的連續(xù)性,修改拾取結(jié)果。該原則要求在當前道拾取的譜點中,在周圍道相近的位置也要有相應的能量較強的速度譜點。即:

(9)

公式(9)只能衡量單道差異,無法衡量多個地震道之間的差異。提出了一種基于多道的差異約束方法,該方法描述為:對每一個(t0,vS),定義擾動速度dvS≤vb,擾動時間dt0<η,將擾動結(jié)果應用在選定的多道拉平疊加,取疊加能量最大的值作為最具有穩(wěn)定性的疊加速度。

(10)

4 數(shù)值實驗

4.1 模型測試

采用大慶二維模型進行算法測試。模型深度為3968m,模型的寬度為30000m,獲得的有效覆蓋次數(shù)的CDP號為161～2237,偏移距為-2800～2800m。模型的層速度為2500～6200m/s。模型的淺部是幾層較厚的平層,但存在速度反轉(zhuǎn),而在深層存在斷層和巖體侵入。按照建模策略,生成了速度譜和對應的偽疊加剖面,如圖1和圖2所示。

圖1 CDP 500的疊加速度譜(掃描范圍為2000～5000m/s,速度采樣點數(shù)nv=151,采樣間隔dv=20m/s,采樣時長為2s,采樣間隔為1ms)

為更好地提取波峰,對偽疊加剖面(圖2)進一步進行預處理。首先,利用希爾伯特變換求取偽疊加剖面獲得包絡(luò),并實施各向異性平滑,使得剖面上的同相軸只有一個波峰且剖面結(jié)構(gòu)更加連續(xù),如圖3所示。再基于上述的波峰位置提取方法,尋找波峰處以及振幅滿足要求的點(定義為層位信息),如圖4所示。

圖2 大慶二維模型的偽疊加剖面(速度積分范圍為2000～5000m/s)

圖3 預處理后的偽疊加剖面

圖4 基于圖3提取的結(jié)構(gòu)剖面

利用提取的結(jié)構(gòu),可以找到對應的t0點,以此作為約束,在速度譜上獲得拾取的譜點,如圖5藍點所示。將單道人工拾取結(jié)果(圖5紅點)和結(jié)構(gòu)約束智能拾取結(jié)果(圖5藍點)進行對比,譜點上能量較弱的地方可能無法在單道下被拾取,進而損失部分有效信息,如圖5紅框中所示。同時,傳統(tǒng)拾取只依靠單道譜點的形態(tài)判斷,如圖5紅圈位置所示,對應兩個層位的能量團因分辨率較低無法分離,影響了單道人工拾取結(jié)果,僅勾選了一個譜點。而當引入結(jié)構(gòu)信息拾取譜點,會分別拾取到對應兩個同相軸的譜點,避免了可能產(chǎn)生的誤差。在約束下拾取的譜點生成的疊加速度曲線也更接近真實的均方根速度,如圖6所示。

圖5 CDP 500拾取的譜點示意

圖6 CDP 500智能拾取速度曲線(藍)、人工拾取速度曲線(紅)和真實均方根速度曲線(黃)

所有的密點拾取結(jié)果全部展示如圖7所示,可以清晰地看到,拾取點對應的構(gòu)造信息(對應t0-xcmp方向)以及速度的分布趨勢(對應vS-xcmp方向)。

圖7 拾取點的三維散點信息

盡管利用了速度譜和結(jié)構(gòu)信息雙重約束進行譜點拾取,但受限于速度譜的精度,拾取點仍然存在不合理的現(xiàn)象(圖7中黑點)。在拾取結(jié)果中,較為相鄰的兩道(第1229個CDP和第1230個CDP)中黑點位置屬于同一層位,疊加速度的差異高達260m/s(兩道的疊加速度分別為2480m/s及2740m/s),考慮到不同道之間的累積效應差異,相鄰兩道出現(xiàn)這種差異是不合理的。因此,針對以上問題,利用上述定義的橫向約束方法,設(shè)定公式(7)中的vb范圍為±300m/s,擾動速度的間隔為30m/s,通過動校疊加,獲得可以體現(xiàn)多道疊加能量的擾動速度譜,如圖8 所示。基于擾動速度譜的能量關(guān)系,確定相鄰道的最佳速度。經(jīng)過橫向約束后的T-V對,如圖9所示。對比圖7和圖9可以發(fā)現(xiàn),利用擾動速度譜施加橫向約束后,不同點間的速度值變化更加合理。

圖8 CDP-1230處及其鄰域構(gòu)成的擾動速度譜

圖9 經(jīng)過速度橫向約束的T-V對散點排列

在橫向約束基礎(chǔ)上,施加縱向約束準則,插值獲得完整的疊加速度模型。時深變換后獲得深度域?qū)铀俣饶Ｐ腿鐖D10所示。其中,圖10a為深度域?qū)铀俣饶Ｐ?圖10b為常規(guī)的不加層位約束建模結(jié)果,圖10c 為施加層位約束模型建模結(jié)果?？梢钥吹?智能化疊加速度建模方法建立的層速度范圍與理論模型一致,淺層大套沉積層的速度精度高,與真實的速度模型有較好的對應關(guān)系,但是,由于深層存在劇烈的橫向變速,導致深層的速度精度不高,盡管如此,建模結(jié)果已滿足初始建模的基本要求。與不加層位約束結(jié)果相比,該方法能夠較好地控制速度模型的主要變化趨勢,得到的結(jié)果更具有地質(zhì)意義,與真實模型更吻合。

圖10 時深變換后獲得深度域?qū)铀俣饶Ｐ蚢 深度域?qū)铀俣饶Ｐ? b 不加層位約束層速度模型; c 施加層位約束模型

利用該方法獲得的速度模型在全偏移距下疊加并進行疊后時間偏移,獲得疊加剖面和疊后時間偏移剖面分別如圖11和圖12所示。對比可以看出,深層很多沒有收斂的位置經(jīng)偏移校正后,圖像的質(zhì)量明顯提高。

圖11 利用大慶疊加速度場所生成的疊加剖面

圖12 大慶疊加剖面對應的疊后時間偏移剖面

4.2 實際資料

圖13 兩種極端速度掃描上、下限取值情況的偽疊加剖面a 選取譜上疊加范圍最小的情況下得到的偽疊加剖面; b 選取譜上全部范圍疊加而成的偽疊加剖面

圖14 CDP 800速度譜(能量團隨深度增加更發(fā)散)

圖15 調(diào)整疊加速度范圍后的偽疊加剖面

基于上述疊加范圍調(diào)整后提取的結(jié)構(gòu)信息如圖16 所示。采用上述提出的拾取T-V對流程,獲得的疊加速度模型如圖17所示。同時,針對此數(shù)據(jù)每隔20個道進行人工拾取,最后通過插值獲得完整的疊加速度模型,結(jié)果如圖18所示。從模型結(jié)果上可以看出,智能化拾取的方式在層位約束下保持了和偽疊加剖面更相似的結(jié)構(gòu)形態(tài),同時在速度的縱、橫向約束下,速度的變化也更為連續(xù),而人工拾取生成的速度模型由于拾取密度不足和大尺度的平滑,出現(xiàn)了“臺階狀”的形態(tài)。再將智能拾取生成的速度模型和人工拾取生成的速度模型分別生成疊加剖面并將剖面放大對比,如圖19和圖20所示。相比于圖20,圖19 在多處(紅框所示位置)的同相軸更加清晰,說明高密度智能拾取獲得的速度更準確。

圖16 結(jié)構(gòu)點拾取結(jié)果

圖17 智能速度建模結(jié)果

圖18 人工拾取建模結(jié)果

圖19 智能拾取生成的疊加剖面

圖20 人工拾取生成的疊加剖面

5 結(jié)論與討論

通過模擬人工交互速度分析的過程,提出了一種智能化疊加速度建模方法?；诿茳c速度分析、橫向速度緩變、縱向速度光滑趨勢控制及稀疏性要求,并施加構(gòu)造特征等約束條件,保證了“合理的”時間-速度對(T-V對)的智能篩選,實現(xiàn)了疊加速度建模流程從自動化向智能化過渡。智能建模思想的引入,使得處理員可以將精力聚焦于質(zhì)量監(jiān)控等核心環(huán)節(jié),因此,有望顯著降低人工成本并縮短建模周期。

相比于其它全自動化的建模方法,智能化疊加速度建模方法有以下優(yōu)勢:①結(jié)構(gòu)約束下的速度拾取能更好地把握數(shù)據(jù)的主要特征,使得模型的構(gòu)造得到凸顯;②逐點進行速度分析提高了建模精度,有效保證了局部的信息;③各種約束的施加保證了拾取結(jié)果的合理性,利用擾動速度譜分析疊加速度對相鄰空間的影響作用,降低了密點拾取引起的橫向抖動假象。

在實際資料處理中,偽疊加剖面結(jié)構(gòu)信息的提取仍然值得進一步優(yōu)化。下一步將研究如何在極低信噪比情況下,仍然實現(xiàn)穩(wěn)健的自動拾取以及結(jié)構(gòu)約束。

致謝:感謝中石油勘探開發(fā)研究院及西北分院、中海油研究院和湛江分公司、中國石化石油物探技術(shù)研究院和勝利油田分公司對波現(xiàn)象與智能反演成像研究組(WPI)研究工作的資助與支持。