王康,劉彩云,熊杰,王永昌,胡煥發(fā),康佳帥

(1.長江大學(xué) 電子信息學(xué)院,湖北 荊州 434023; 2.長江大學(xué) 信息與數(shù)學(xué)學(xué)院,湖北 荊州 434023)

0 引言

地震波阻抗反演是高分辨率地震資料處理的最終表達(dá)形式[1],是在勘探與開發(fā)期間進(jìn)行儲層預(yù)測的一項(xiàng)關(guān)鍵技術(shù)。由于波阻抗能夠較好地提供地層速度、密度以及孔隙度等參數(shù)信息,因此地震波阻抗反演在油藏描述、油氣橫向預(yù)測等研究工作中所起的作用越來越重要。地震反演的主要目的是從地震剖面反推出地下地層的波阻抗(或速度)的分布,從而進(jìn)一步得到地下各層的巖性參數(shù),如速度、密度、波阻抗、滲透率、孔隙度、砂泥巖百分比等[2]。以這些巖性參數(shù)為依據(jù),進(jìn)行儲層預(yù)測和油藏描述,為建立儲層的預(yù)測模型、地質(zhì)模型和靜態(tài)模型提供了簡便方法。阻抗反演技術(shù)在過去40年里受到了廣泛的關(guān)注,從直接反演到模型反演,從線性迭代反演到全局尋優(yōu)。傳統(tǒng)線性迭代方法在地震波阻抗反演中發(fā)揮了重要作用,如共軛梯度法、L1正則化反演等[3-4],以上線性反演方法對初始模型依賴性強(qiáng)、容易陷入局部最優(yōu),在一定程度上反演精度不高。隨著波阻抗反演方法的發(fā)展,全局尋優(yōu)反演方法隨之興起,模擬退火(simulated annealing,SA)、遺傳算法(genetic algorithm,GA)、粒子群優(yōu)化(particle swarm optimization,PSO)、蟻群優(yōu)(ant colony optimization,ACO)等,因可以加入約束條件,不依賴初始模型并且易跳出局部值受到廣泛關(guān)注[5-8]。但這些方法計算量較大,且難于用于高維反演問題。

近些年來,深度學(xué)習(xí)蓬勃發(fā)展,神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于解決一些地震反演問題,如地震數(shù)據(jù)插值、油氣藏預(yù)測以及波形分類和識別等方面[9-11]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)是最經(jīng)典的深度網(wǎng)絡(luò)結(jié)構(gòu),在各方面應(yīng)用廣泛,并且被成功地用于波阻抗反演,是基于深度學(xué)習(xí)的地震波阻抗反演中最常用的深度神經(jīng)網(wǎng)絡(luò)類型[12]。梁立鋒等[13]提出在混合深度學(xué)習(xí)反演彈性阻抗基礎(chǔ)上,探討超參數(shù)對網(wǎng)絡(luò)性能的影響,為深度學(xué)習(xí)地震反演超參數(shù)選取提供依據(jù);Das等[14]使用兩層全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional network,FCN)從地震圖中獲得波阻抗,并系統(tǒng)地測試了FCN的泛化能力。Puzyrev等[15]分別使用CNN、FCN和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)從地震數(shù)據(jù)中預(yù)測速度模型,并證明了深度神經(jīng)網(wǎng)絡(luò)在地震反演中的適用性。Xu等[16]提出利用傳統(tǒng)方法得到的粗略預(yù)測結(jié)果對U-net(一種特殊的FCN)進(jìn)行預(yù)訓(xùn)練,然后通過測井?dāng)?shù)據(jù)對預(yù)訓(xùn)練后的U-net進(jìn)行微調(diào),用于油田數(shù)據(jù)預(yù)測。Guo等[17]使用雙向長短期記憶RNN進(jìn)行地震阻抗反演,從150口井的測井?dāng)?shù)據(jù)中生成了網(wǎng)絡(luò)的訓(xùn)練樣本。Wu等[18]提出了一種具有殘差模塊和兩種注意力機(jī)制的殘差注意網(wǎng)絡(luò),以提高地震波阻抗反演的模型精度。Wu等[19]利用Marmousi2模型合成地震數(shù)據(jù),使用全卷積殘差網(wǎng)絡(luò)(fully convolutional residual network,FCRN)進(jìn)行波阻抗反演,取得了很好的效果,但未進(jìn)行抗噪能力分析。

Zhao等[20]提出的深度殘差收縮網(wǎng)絡(luò)用于機(jī)器故障檢測,在殘差網(wǎng)絡(luò)的基礎(chǔ)上加入軟閾值函數(shù)和注意力機(jī)制,有效提高了抗噪性能。受此啟發(fā),本文對FCRN[19]改進(jìn),在其基礎(chǔ)上也加入軟閾值函數(shù)和注意力機(jī)制,提出了一種全卷積殘差收縮網(wǎng)絡(luò)(FCRSN-CW),以期讓網(wǎng)絡(luò)獲得更好的抗噪聲性能。

1 方法原理

1.1 FCRSN-CW反演流程

其主要流程共分為3個步驟(圖1):

圖1 FCRSN-CW地震波阻抗反演流程Fig.1 Flow chart of seismic impedance inversion using FCRSN-CW

1)通過正演得到合成地震數(shù)據(jù),構(gòu)成訓(xùn)練集;

2)從訓(xùn)練集中抽取數(shù)據(jù)訓(xùn)練FCRSN-CW網(wǎng)絡(luò);

3)訓(xùn)練完畢后,將地震數(shù)據(jù)輸入FCRSN-CW網(wǎng)絡(luò),直接得到反演結(jié)果。

1.2 FCRSN-CW網(wǎng)絡(luò)結(jié)構(gòu)

為了分析殘差塊數(shù)量對反演結(jié)果的影響,確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu),我們對不同數(shù)量殘差塊的FCRSN-CW進(jìn)行阻抗反演對比實(shí)驗(yàn),分別計算其反演預(yù)測阻抗與真實(shí)阻抗的均方誤差,實(shí)驗(yàn)結(jié)果如表1。

表1 不同殘差塊個數(shù)預(yù)測阻抗與真實(shí)阻抗的均方根誤差Table 1 Mean square error of predicted impedance and true impedance by different residual blocks

由實(shí)驗(yàn)結(jié)果可知,當(dāng)殘差塊個數(shù)設(shè)置為3的時候,網(wǎng)絡(luò)的反演效果最好,所以本實(shí)驗(yàn)所采用的網(wǎng)絡(luò)結(jié)構(gòu)如上圖2所示。

圖2 全卷積殘差收縮網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Architecture of the FCRSN-CW

與Wu等[19]提出的FCRN不同的是,我們對FCRN中的殘差塊進(jìn)行改進(jìn),如圖2中藍(lán)色框所示。全卷積殘差收縮網(wǎng)絡(luò)(FCRSN-CW)主要建立在3個部分的基礎(chǔ)之上:深度殘差網(wǎng)絡(luò)、軟閾值函數(shù)和注意力機(jī)制。相較于普通的卷積神經(jīng)網(wǎng)絡(luò),深度殘差網(wǎng)絡(luò)采用跨層恒等路徑的方式,緩解了深層網(wǎng)絡(luò)的訓(xùn)練難度。深度殘差網(wǎng)絡(luò)的主干部分是由很多殘差模塊堆疊而成的,殘差模塊(residual building unit,RBU)是深度殘差網(wǎng)絡(luò)(ResNet)的基本組成部分。在Wu等[19]提出的FCRN中,一個殘差模塊包含兩個批標(biāo)準(zhǔn)化(batch normalization,BN)、兩個整流線性單元激活函數(shù)(rectifier linear unit activation function,ReLU)、兩個卷積層(convolutional layer)和恒等映射(identity shortcut)。恒等映射是深度殘差網(wǎng)絡(luò)的核心貢獻(xiàn),在網(wǎng)絡(luò)進(jìn)行基于反向傳播的模型訓(xùn)練時,其損失不僅能夠通過卷積層進(jìn)行逐層的反向傳播,而且能夠通過恒等映射進(jìn)行更為方便的反向傳播,從而更容易訓(xùn)練得到更優(yōu)的模型,極大程度地降低了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的難度。圖2中的RSBU-CW代表的是改進(jìn)后的殘差模塊,其結(jié)構(gòu)如圖3b所示,輸入是通道數(shù)為C、寬度為W、高為1的特征圖,K表示卷積層中卷積核的個數(shù),在此圖中K與輸入特征圖的通道數(shù)C相等。且如圖所示中,輸出特征圖的尺寸和輸入特征圖的尺寸相等。圖3a為改進(jìn)前FCRN[19]中的殘差模塊。

圖3 改進(jìn)前(a)、后(b)的殘差模塊(逐通道不同閾值)Fig.3 Residual building unit before(a) and after(b) improvement(different thresholds by channels)

本文使用的FCRSN-CW與ResNet類似,改進(jìn)后的殘差模塊RSBU-CW是FCRSN-CW的基本組成部分,就是在深度殘差網(wǎng)絡(luò)的基礎(chǔ)上增加了“注意力機(jī)制”和“軟閾值化”。軟閾值化是信號處理中常見的一種去噪方式,首先,我們需要設(shè)置一個正數(shù)閾值,該閾值不能太大,即不能大于輸入數(shù)據(jù)絕對值的最大值,否則輸出會全部為零。然后,軟閾值函數(shù)會將絕對值低于這個閾值的輸入數(shù)據(jù)設(shè)置為零,并且將絕對值大于這個閾值的輸入數(shù)據(jù)也朝著零收縮。軟閾值函數(shù)如下:

(1)

式中:x為輸入;τ為閾值。其去噪的基本思想就是先對信號分解(卷積層的作用),然后對閾值內(nèi)分解的所有信號進(jìn)行過濾,最后將過濾后的信號重構(gòu)。軟閾值函數(shù)還有一個好處就是求導(dǎo)后梯度只有0和1,這樣避免了梯度爆炸和梯度消失現(xiàn)象:

(2)

軟閾值函數(shù)和ReLU激活函數(shù)有一定的相似之處,有利于深度學(xué)習(xí)算法訓(xùn)練時梯度的反向傳播。閾值的選取對軟閾值函數(shù)的結(jié)果有著直接的影響。

相較于FCRN[19]中的殘差模塊,圖3中的殘差模塊里多了一個小型的子網(wǎng)絡(luò)(如圖3中虛線框部分)。而這個子網(wǎng)絡(luò)的作用就是自適應(yīng)地設(shè)置閾值,避免了人工設(shè)置閾值所需要的專業(yè)知識,且獲得的閾值是一個向量,也就是特征圖的每一個通道都對應(yīng)著一個收縮閾值。此模塊的閾值計算公式為:

τc=αc·average|xi,j,c|,

(3)

式中:τc是特征圖的第c個通道的閾值;αc是縮放參數(shù);i、j、c分別為特征圖x的寬度、高度和通道數(shù)。改進(jìn)后的殘差模塊能夠更好地處理帶噪聲的數(shù)據(jù),在對帶噪聲數(shù)據(jù)進(jìn)行反演的時候能夠給出更準(zhǔn)確的反演結(jié)果。在本文實(shí)驗(yàn)中,RSBU-CW模塊中第一個卷積層的卷積核大小為299×1,第二個卷積層的卷積核的大小為3×1。步幅設(shè)置為1,所有卷積層都使用零填充,使每個卷積層的輸入和輸出的大小保持相同。為了提高網(wǎng)絡(luò)的非線性表達(dá)和加速網(wǎng)絡(luò)收斂,我們選擇ReLU作為激活函數(shù)。此外,我們應(yīng)用批歸一化(BN)來加速網(wǎng)絡(luò)的訓(xùn)練。

為了更好地捕捉地震數(shù)據(jù)的低頻特征,受Das等[14]的啟發(fā),設(shè)置卷積核大小與地震子波中心頻率(30 Hz)對應(yīng)的一個波長中的時間樣本數(shù)量大小相當(dāng),可以讓網(wǎng)絡(luò)的學(xué)習(xí)曲線收斂得更好。所以FCRSN-CW的第一個卷積層有16個大小為299×1的卷積核,最后一個卷積層有1個大小為3×1的卷積核。中間堆疊的3個殘差塊的卷積核的個數(shù)分別為32、64、64,即分別對應(yīng)了3個殘差塊的輸出的通道數(shù)。

2 實(shí)驗(yàn)

2.1 合成數(shù)據(jù)

本文實(shí)驗(yàn)使用的波阻抗數(shù)據(jù)和合成地震數(shù)據(jù)成圖如圖4。

波阻抗數(shù)據(jù)是由Marmousi2模型縱波速度產(chǎn)生的,其數(shù)值等于介質(zhì)密度ρ與波速v的乘積,其中介質(zhì)密度被假定是恒定的。阻抗分布圖如圖4a所示,該剖面圖由13 601條阻抗數(shù)據(jù)組成,每條阻抗有2 800個采樣點(diǎn),采樣間隔為1 ms。然后通過正演計算得到合成地震數(shù)據(jù)集,具體計算方法就是先利用這些阻抗數(shù)據(jù)計算得到反射系數(shù),計算公式如下:

(4)

式中:ri為反射系數(shù)r(t)的第i個采樣點(diǎn);Zi為阻抗Z(t)的第i個采樣點(diǎn)。然后采用頻率為30 Hz,相位為0°,幅度為-0.4～1 ms的雷克子波與反射系數(shù)進(jìn)行卷積運(yùn)算,得到的地震合成記錄分布如圖4b所示。

2.2 反演實(shí)驗(yàn)

從13 601道合成地震數(shù)據(jù)中隨機(jī)取10 601道作為網(wǎng)絡(luò)的訓(xùn)練集,1 500道作為驗(yàn)證集,1 500道作為測試集。網(wǎng)絡(luò)的損失函數(shù)為均方誤差函數(shù)(mse),定義為:

(5)

在本文實(shí)驗(yàn)中,我們在Marmousi2模型上訓(xùn)練和測試了FCRSN-CW。作為對比,Wu等[19]提出的FCRN也在相同的數(shù)據(jù)集上進(jìn)行了訓(xùn)練和測試。

首先使用10 601道地震數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)。然后從1 500條驗(yàn)證集數(shù)據(jù)中隨機(jī)抽取兩道地震數(shù)據(jù)作為網(wǎng)絡(luò)反演輸入,這里取驗(yàn)證集的第650道和第1 250道,每道地震數(shù)據(jù)的大小為2800×1,然后對反演輸出結(jié)果與真實(shí)阻抗進(jìn)行比較。如圖5a、b所示為Wu等[19]和FCRSN-CW輸出的相應(yīng)預(yù)測阻抗和真實(shí)阻抗的對比,其中紅色線代表真實(shí)的阻抗,藍(lán)色線和綠色線分別代表FCRSN-CW和FCRN預(yù)測的阻抗。圖6a、b分別為FCRN和FCRSN-CW對所有地震數(shù)據(jù)反演得到的預(yù)測阻抗。圖中標(biāo)記處可以看到本文實(shí)驗(yàn)方法的反演結(jié)果要稍好一些。通過計算網(wǎng)絡(luò)輸出的預(yù)測阻抗和真實(shí)阻抗的均方誤差值(FCRN為0.049 5,FCRSN-CW為0.000 2)發(fā)現(xiàn)FCRSN-CW對Marmousi2合成地震數(shù)據(jù)能取得非常不錯的反演效果。

圖5 FCRN[19]和FCRSN-CW分別對第650道(a)和第1250道(b)的反演結(jié)果Fig.5 Inversion results of No.650(a) and No.1250(b) by FCRN[19] and FCRSN-CW respectively

圖6 FCRN[19](a)和FCRSN-CW(b)的預(yù)測阻抗Fig.6 Predictions of FCRN[19](a) and FCRSN-CW (b)

另外,實(shí)驗(yàn)測試了不同相位的子波對阻抗反演結(jié)果的影響。分別用不同相位的子波正演合成地震數(shù)據(jù),然后進(jìn)行反演,反演阻抗與真實(shí)阻抗的均方誤差如表2所示。

表2 不同相位子波預(yù)測阻抗與真實(shí)阻抗的均方根誤差Table 2 Mean square error of predicted impedance and true impedance by wavelet with different phases

由上表數(shù)據(jù)可知,當(dāng)子波相位與訓(xùn)練集子波相位相同時(0°)反演效果最佳,兩者不同時反演效果變差,其中,子波相位為30°時反演效果相對最差,子波相位為90°時反演效果相對最好。

在真實(shí)的環(huán)境中,地震道數(shù)據(jù)通常會帶有不同程度的噪聲,而這些噪聲會直接影響網(wǎng)絡(luò)的反演結(jié)果,因此抗噪能力分析是評估網(wǎng)絡(luò)質(zhì)量的重要步驟。本文通過對加噪地震數(shù)據(jù)的反演實(shí)驗(yàn)測試了FCRSN-CW的抗噪聲性能。首先使用不加噪聲的地震數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò),然后再給合成地震數(shù)據(jù)分別加上信噪比為35、25、15、5 dB的高斯噪聲,與上面實(shí)驗(yàn)方法相同,從帶噪聲的驗(yàn)證集中隨機(jī)取其中兩道數(shù)據(jù)作為網(wǎng)絡(luò)的輸入,這里同樣取第650道和第1 250道,觀察其反演預(yù)測的阻抗與真實(shí)阻抗之間的差距。如圖7a～h所示分別為信噪比在35、25、15、5 dB的高斯噪聲環(huán)境下FCRN和FCRSN-CW輸出的相應(yīng)預(yù)測阻抗和真實(shí)阻抗的對比。由圖可以看出在噪聲環(huán)境下FCRSN-CW輸出的預(yù)測阻抗是比FCRN要更接近于真實(shí)阻抗的。

圖7 帶噪聲數(shù)據(jù)的反演預(yù)測阻抗Fig.7 Predicted impedance from noisy data

圖7a、b為網(wǎng)絡(luò)在35 dB噪聲條件下的反演結(jié)果,我們的結(jié)果和Wu等[19]的基本接近。圖7c、d為網(wǎng)絡(luò)在25 dB噪聲條件下的反演結(jié)果,我們的結(jié)果要略優(yōu)于Wu等[19]的結(jié)果。圖7e、f為網(wǎng)絡(luò)在15 dB噪聲條件下的反演結(jié)果,可以看到,Wu等[19]的結(jié)果明顯失真,與真實(shí)阻抗相差較大,而我們的結(jié)果與真實(shí)阻抗比較接近。圖7g、h為網(wǎng)絡(luò)在5 dB噪聲條件下的反演結(jié)果,Wu等[19]的結(jié)果和我們的結(jié)果均出現(xiàn)失真,但我們的反演阻抗與真實(shí)阻抗的曲線趨勢大體一致。從圖7可以看出,在噪聲較小時,本方法和Wu等[19]的反演效果相近,本方法略優(yōu);在噪聲較大時,本方法的反演結(jié)果明顯優(yōu)于Wu[19]。

為定量分析本方法(FCRSN-CW)和Wu等[19]方法(FCRN)的反演效果,我們計算兩者在不同噪聲環(huán)境下反演結(jié)果的均方誤差MSE,如表3所示。

表3 不同噪聲強(qiáng)度下預(yù)測阻抗與真實(shí)阻抗的均方誤差Table 3 Mean square error of predicted impedance and true impedance with different noise

以上實(shí)驗(yàn)結(jié)果表明:當(dāng)信噪比小于等于5 dB時,噪聲比較大,本方法反演結(jié)果明顯變差。因此,用本方法處理實(shí)際資料的時候,應(yīng)該盡量控制數(shù)據(jù)噪聲的信噪比大于5 dB,以確保能得到較準(zhǔn)確的反演結(jié)果。

在圖7h中觀察到第1 250道的淺層反演效果比深層的差,為了明確這是少數(shù)道的個別現(xiàn)象還是全區(qū)域的普遍現(xiàn)象,我們對全區(qū)域反演結(jié)果進(jìn)行統(tǒng)計計算,將0～0.56 ms(占整條數(shù)據(jù)長度的1/5)范圍內(nèi)的阻抗數(shù)據(jù)劃分為淺層數(shù)據(jù),將0.56～2.80 ms(占整條數(shù)據(jù)長度的4/5)范圍內(nèi)的阻抗數(shù)據(jù)劃分為深層數(shù)據(jù),分別計算在不同噪聲環(huán)境下反演得到的預(yù)測阻抗與真實(shí)阻抗在淺層和深層的相關(guān)度,計算皮爾遜相關(guān)系數(shù)(pearson correlation coefficient,PCC),結(jié)果如表4所示。

表4 預(yù)測阻抗與真實(shí)阻抗在淺層和深層的PCCTable 4 The predicted impedance is compared with thetrue impedance at shallow and deep PCC

由表4實(shí)驗(yàn)數(shù)據(jù)可知,理論模型對加噪地震數(shù)據(jù)反演得到的預(yù)測阻抗與真實(shí)阻抗在淺層的相關(guān)度是要低于在深層的相關(guān)度,而且噪聲越大,這種差異就越明顯。

3 實(shí)測資料處理

使用了挪威近海的Volve實(shí)測數(shù)據(jù)來檢驗(yàn)該方法的反演效果,目的是使用本文提出的FCRSN-CW方法來預(yù)測Volve數(shù)據(jù)集中部分地震數(shù)據(jù)對應(yīng)的阻抗(圖8)。由于只有一條測井?dāng)?shù)據(jù),數(shù)據(jù)量非常有限,所以需要根據(jù)測井?dāng)?shù)據(jù)的特性來增加數(shù)據(jù)集,用以網(wǎng)絡(luò)的訓(xùn)練。其中地震子波可以通過對測井?dāng)?shù)據(jù)估計得到,這里采用的是中心頻率為20 Hz的零相位雷克子波。然后根據(jù)測井阻抗的特性使用序貫高斯模擬來生成具有統(tǒng)計特性的波阻抗數(shù)據(jù),再將模擬波阻抗數(shù)據(jù)通過計算得到反射系數(shù),最后將反射系數(shù)與地震子波進(jìn)行正演卷積運(yùn)算,就可以得到標(biāo)記的波阻抗—地震道數(shù)據(jù)對。這些擴(kuò)充得到的數(shù)據(jù)對就可作為網(wǎng)絡(luò)的訓(xùn)練集數(shù)據(jù)。

圖8 Volve油田的位置(a)和來自Volve油田的地震數(shù)據(jù)和測井?dāng)?shù)據(jù)(b)Fig.8 Location of the Volve oil field(a),seismic data and well log data from the Volve oil field(b)

通過上述方法得到一個三維的數(shù)據(jù)集,大小為151×151×160,其中每道地震數(shù)據(jù)的長度為160。在劃分?jǐn)?shù)據(jù)集的時候,訓(xùn)練集大小為75×151×160,驗(yàn)證集和測試集大小均為15×151×160,相當(dāng)于訓(xùn)練集有11 325道地震數(shù)據(jù),驗(yàn)證集、測試集各有2 265道地震數(shù)據(jù)。由于地震數(shù)據(jù)的長度只有160,所以將原網(wǎng)絡(luò)中卷積核的大小換成80×1,batch size設(shè)置為15,同樣訓(xùn)練50次。這里將通過測井阻抗計算得到的反射系數(shù)與地震子波進(jìn)行卷積運(yùn)算,然后使用訓(xùn)練好的網(wǎng)絡(luò)模型對得到的地震數(shù)據(jù)進(jìn)行反演,圖9顯示了預(yù)測阻抗與真實(shí)測井阻抗的比較。由圖可看出預(yù)測的阻抗與真實(shí)的測井阻抗匹配度較高,計算其相關(guān)度為94.3%。另外我們實(shí)驗(yàn)測試了不同相位、頻率的子波對上述實(shí)際資料阻抗反演結(jié)果的影響。分別用不同相位、頻率的子波正演合成地震數(shù)據(jù),然后訓(xùn)練網(wǎng)絡(luò)進(jìn)行反演,反演阻抗與真實(shí)測井阻抗的皮爾遜相關(guān)系數(shù)(PCC)如表5所示。

表5 不同相位和頻率子波預(yù)測阻抗與真實(shí)阻抗的PCCTable 5 PCC of predicted impedance and true impedance by wavelet with different phases and frequencies

圖9 輸入地震數(shù)據(jù)(a)以及測井阻抗和預(yù)測阻抗(b)Fig.9 Input seismic data along well(a) and corresponding true and prediction impedance(b)

由表5數(shù)據(jù)可知,當(dāng)子波頻率為20 Hz時的反演效果要優(yōu)于子波頻率為其他數(shù)值時的反演效果,其中,當(dāng)子波頻率為20 Hz、子波相位為0°時的反演效果最佳。因此,針對Volve實(shí)測數(shù)據(jù)的地震波阻抗反演,我們采用中心頻率為20 Hz的零相位雷克子波來進(jìn)行反演實(shí)驗(yàn)。另外,當(dāng)實(shí)際資料只有地震數(shù)據(jù)時,需要根據(jù)地震數(shù)據(jù)的特性進(jìn)行地震子波提取,提取的具體方法要根據(jù)具體數(shù)據(jù)和研究目的進(jìn)行選擇,以確保提取到的地震子波能夠準(zhǔn)確反映地下介質(zhì)結(jié)構(gòu)的特點(diǎn)。

值得指出的是,在圖9中雖然預(yù)測的阻抗與真實(shí)的測井阻抗匹配度較高,但是預(yù)測曲線在淺層的誤差大,在深層的誤差相對較小,這與上文理論模型反演帶噪聲數(shù)據(jù)時淺層反演效果比深層的差這一現(xiàn)象一致。至于為什么淺層的相關(guān)度會低于深層的相關(guān)度這一問題還有待進(jìn)一步地研究論證。

4 結(jié)論

在本文中,借鑒了Wu等[19]提出的FCRN和Zhao等[20]提出的DRSN,使用了帶有注意力機(jī)制和軟閾值函數(shù)的FCRSN-CW進(jìn)行地震波阻抗反演,測試了該方法反演效果和抗噪聲性能,最后使用本方法對實(shí)測地震數(shù)據(jù)做反演實(shí)驗(yàn)。

1)FCRSN-CW能較為準(zhǔn)確地預(yù)測波阻抗,與真實(shí)波阻抗之間的誤差較小,且對加噪地震數(shù)據(jù)也能較好地反演預(yù)測對應(yīng)的波阻抗,擁有良好的抗噪聲性能,能有效解決地震波阻抗反演問題。

2)用本文方法進(jìn)行了實(shí)際應(yīng)用,反演的波阻抗在井點(diǎn)處與測井結(jié)果匹配度高。驗(yàn)證了本研究的實(shí)用性。

3)因?yàn)橛?xùn)練深度神經(jīng)網(wǎng)絡(luò)需要大量的標(biāo)記數(shù)據(jù),對于地震勘探領(lǐng)域而言是一件比較難解決的問題,如何構(gòu)建小樣本數(shù)據(jù)下的深度學(xué)習(xí)波阻抗反演方法是下一步的研究方向。