基于神經(jīng)網(wǎng)絡的井間地震數(shù)據(jù)外推及多尺度反演

劉漢卿，張繁昌，代榮獲

（1．中海油（中國）有限公司深圳分公司研究院，廣州 510240；2．中國石油大學（華東）地球科學與技術(shù)學院，青島 266580）

基于神經(jīng)網(wǎng)絡的井間地震數(shù)據(jù)外推及多尺度反演

劉漢卿1，2，張繁昌2，代榮獲2

（1．中海油（中國）有限公司深圳分公司研究院，廣州 510240；2．中國石油大學（華東）地球科學與技術(shù)學院，青島 266580）

多尺度地震資料聯(lián)合反演將地面地震、井間地震和VSP等資料有機結(jié)合在一起，充分利用了不同地震資料的優(yōu)點，達到了提高反演分辨率的目的。但受觀測系統(tǒng)的限制，井間地震獲得的只是一段二維剖面的信息，而地面地震是地下三維數(shù)據(jù)體的綜合響應，因此無法對整個工區(qū)進行聯(lián)合反演。針對這一問題，基于地層對地震波吸收的非線性系統(tǒng)理論，提出了利用神經(jīng)網(wǎng)絡建立地面地震數(shù)據(jù)和井間地震資料映射關系的方法。由于神經(jīng)網(wǎng)絡具有層狀結(jié)構(gòu)且輸入、輸出之間的映射關系是非線性的，從而建立地面地震數(shù)據(jù)與已有的井間地震數(shù)據(jù)之間的非線性理論模型，再將此映射關系應用到整個工區(qū)，得到高分辨率的井間地震。然后利用模型測試研究了該方法的可行性和魯棒性。最后，將該方法應用到實際地震資料中，所得的多尺度反演結(jié)果分辨率明顯提高，證明了該方法的可靠性及適應性。

多尺度；井間地震；地面地震；神經(jīng)網(wǎng)絡；非線性；高分辨率

0 引言

常規(guī)的井間地震資料計算方法為內(nèi)插外推，雖然分辨率高，但是這極大地依賴于建模的好壞。因此如何通過現(xiàn)有地震資料獲得較準確的井間地震數(shù)據(jù)是亟待解決的問題。前饋神經(jīng)網(wǎng)絡［6－7］是實現(xiàn)非線性映射［8－9］的一種強有力的工具，無需進行數(shù)據(jù)分析與建模，特別適合于對背景不清楚，推理規(guī)則不明確，環(huán)境信息十分復雜的非結(jié)構(gòu)化信息進行識別和處理。由于地面地震與井間地震之間為非線性映射關系，因此可通過監(jiān)督型前饋神經(jīng)網(wǎng)絡模型求取井間地震數(shù)據(jù)。

作者提出了利用神經(jīng)網(wǎng)絡外推井間地震數(shù)據(jù)的方法，以提高反演結(jié)果的分辨率。首先基于地面地震和井間地震之間的映射關系［10］，將多層神經(jīng)網(wǎng)絡引入到井間地震的求取過程中，以已知的井間地震數(shù)據(jù)作為輸入，地面地震資料作為期望輸出；然后通過迭代訓練構(gòu)建多層神經(jīng)網(wǎng)絡，實現(xiàn)了地面地震數(shù)據(jù)與井間地震數(shù)據(jù)之間的非線性映射；最后將訓練得到的映射關系應用到整個三維工區(qū)中，得到井間地震數(shù)據(jù)體，進而對實際數(shù)據(jù)進行多尺度地震聯(lián)合反演，得到了高分辨率的反演結(jié)果。

1 基本原理

1．1 基于神經(jīng)網(wǎng)絡的井間數(shù)據(jù)外推

1．1．1 神經(jīng)網(wǎng)絡輸入與輸出的關系

神經(jīng)網(wǎng)絡具有層狀結(jié)構(gòu)，由輸入層、輸出層和隱層構(gòu)成，通過調(diào)整網(wǎng)絡內(nèi)部節(jié)點的連接權(quán)值，并行處理分布式信息。每一層由多個神經(jīng)元組成，而且每個神經(jīng)元只與相鄰層的神經(jīng)元連接，層內(nèi)神經(jīng)元之間不相連。神經(jīng)網(wǎng)絡模型的復雜度主要取決于隱層的層數(shù)和節(jié)點數(shù)。圖1為神經(jīng)網(wǎng)絡結(jié)構(gòu)圖，輸入層、輸出層、隱層的節(jié)點數(shù)根據(jù)實際要求確定，每一層的節(jié)點從先前層獲得輸入信息，經(jīng)非線性處理后輸出。

圖1 神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig．1 The structure of the neural network

對于權(quán)重值的求取，常用的算法為誤差反傳［13］算法，其學習規(guī)則是使用最速下降法，通過誤差反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，從而使得網(wǎng)絡的誤差平方和達到最小。按照此算法，輸入層神經(jīng)元節(jié)點的輸入、輸出關系比較簡單，其輸出矢量即等于其輸入矢量。對于隱層和輸出層神經(jīng)元，滿足如下輸入輸出關系：

先秦時代百家爭鳴，孔子開創(chuàng)儒家學派，到了漢朝，董仲舒提出“罷黜百家、獨尊儒術(shù)”，封建社會的統(tǒng)治階級一直用儒家思想束縛老百姓，儒家思想講究含蓄、內(nèi)斂，女子要笑不露齒、站不依門，因此服飾上也是趨于保守風格。但是到了盛唐時代，對外交流日益頻繁，外來民族文化也影響了唐人的審美，女子開始改變著裝風格，其開放華貴的服飾即使現(xiàn)在看來也是非常時髦的。盛唐女子流行裙、衫、披一體，女子上身著短衫，下身的長裙腰線提高到胸前，裸臂，僅著薄紗披肩，完美地展現(xiàn)了女子的婀娜多姿、豐腴富態(tài)之美。

1．1．2 映射算子的求取

映射算子的求取采用誤差反傳法。輸入層節(jié)點的輸出即是輸入序列，隱層和輸出層節(jié)點的輸入輸出滿足式（1），則實際輸出與期望輸出的誤差函數(shù)為

其中：（＾y1（t），＾y2（t），…，＾yNM（t））為樣本的期望輸出序列。若要使誤差按梯度下降，將E對每個算子求導，第k層到第k－1層的映射算子調(diào)整量為

其中δj（t）為誤差傳播項式（4）。

對于具有M層的多層前饋網(wǎng)絡來說，其權(quán)系數(shù)和閥值的修正量為

每次迭代利用式（5）計算映射算子的調(diào)整量，直到誤差足夠小為止。

1．1．3 傳遞函數(shù)

通過對比地面地震數(shù)據(jù)和井間地震數(shù)據(jù)的頻帶，可以看出二者之間存在重疊，是對同一地下目標地質(zhì)體在不同尺度上的反映［14－15］。由于二者對應同一反射系數(shù)，存在一定的非線性關系，所以可利用神經(jīng)網(wǎng)絡將二者聯(lián)合。若對于某一地質(zhì)目標體的反射系數(shù)為r（t），對應的地面地震記錄和井間地震記錄分別為xs（t）、xw（t），低頻和高頻映射算子分別為ws（t）、ww（t）?；隈薹e模型［16－17］可知：

由于低頻和高頻映射算子之間存在一定的地層吸收作用［18－20］，地面地震數(shù)據(jù)可被看作井間地震數(shù)據(jù)經(jīng)地層吸收作用后的輸出，故可得

其中f為傳遞函數(shù)［21］。這樣對于具有多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡，以井間地震數(shù)據(jù)作為輸入，相應的地面地震作為輸出，反復訓練神經(jīng)網(wǎng)絡，便可根據(jù)地面地震資料得到相對高頻的井間地震數(shù)據(jù)體。

1．2 多尺度地震資料聯(lián)合反演

多尺度地震資料聯(lián)合反演將地面地震和其他的震資料整合在一起，發(fā)揮了各種地震資料的優(yōu)勢，取長補短，從而提高了反演結(jié)果的分辨率。若將各種資料結(jié)合在一起，再加入波阻抗約束項［11］，可得不同尺度地震資料共同約束下的聯(lián)合反演的目標函數(shù)：

采用共軛梯度法求解式（9），便可求出多尺度地震資料反演結(jié)果。

在實際工作中因受觀測系統(tǒng)的限制，井間地震反映的只是一段剖面的信息，雖然可根據(jù)模型內(nèi)插外推得到整個工區(qū)井間地震數(shù)據(jù)體，但其嚴重依賴于初始模型的質(zhì)量。因此如何根據(jù)現(xiàn)有地震資料，獲得井間地震數(shù)據(jù)成為實際應用中的關鍵。而神經(jīng)網(wǎng)絡作為一種自學習能力極強的工具，可以有效地映射出地面地震數(shù)據(jù)和井間地震數(shù)據(jù)的非線性映射關系，從而為獲取整個工區(qū)的井間地震數(shù)據(jù)體提供了保證。

2 方法測試

神經(jīng)網(wǎng)絡用一個層狀結(jié)構(gòu)表示輸入輸出間的非線性映射，通過地面地震資料可獲取高頻的井間地震數(shù)據(jù)，從而使反演結(jié)果具有更高的縱向分辨率。

首先利用地面地震數(shù)據(jù)和井間地震資料，進行算子優(yōu)化，迭代訓練網(wǎng)絡，調(diào)整映射算子。若有多道井間地震數(shù)據(jù)，則不斷加入新數(shù)據(jù)，完成網(wǎng)絡訓練過程，從而得到各層間的映射算子。然后基于訓練后的網(wǎng)絡，以初始井間地震模型作為輸入，地面地震數(shù)據(jù)作為期望輸出，迭代修改井間地震數(shù)據(jù)，直至期望輸出與實際輸出達到最佳吻合，從而得到高頻的井間地震資料。

為了驗證利用地面地震數(shù)據(jù)，借助于神經(jīng)網(wǎng)絡映射獲得的井間地震的有效性，首先采用一道地面地震記錄進行井間地震數(shù)據(jù)求?。▓D2（a）），圖2（b）為通過作者方法獲得的井間地震數(shù)據(jù)，圖2（c）為對應的實際井間地震記錄?？梢钥闯觯鄬τ诘孛娴卣鹩涗?，通過該方法得到的井間地震記錄，反映的信息明顯多于原始地面地震記錄，同相軸更細，數(shù)量更多，視分辨率明顯提高，但相對于實際井間地震數(shù)據(jù)，其同相軸數(shù)相對而言少一些。

圖3為圖2中地震道對應的振幅譜，可以看出，原始地震記錄的振幅譜（圖3（a））主頻為45Hz左右，頻帶較窄，而實際井間地震的振幅譜（圖3c））可以達到150Hz，振幅譜寬。利用本文方法得到的井間地震道的振幅譜（圖3（b））相對于地面地震記錄振幅譜，其主頻提高了20Hz左右，頻帶拓寬了50 Hz，從而提高了分辨率。

3 實際數(shù)據(jù)應用

為了說明利用神經(jīng)網(wǎng)絡外推井間地震數(shù)據(jù)方法的適應性，將其應用到某油田的一段地震剖面中，如圖4（a）所示，圖中的曲線為波阻抗曲線。該地區(qū)主要發(fā)育河流相沉積，目的層段儲層比較薄互層發(fā)育，而且橫向變化大。圖4（b）為利用已知地震資料通過本文方法得到的井間地震剖面，可以看出，地震記錄的同相軸變細，而且同相軸增多，視覺上分辨率明顯提高。這表明該地震記錄的高頻能量增強，主頻提高，分辨率也在一定程度上提高。

取地面地震記錄和井間地震記錄中的一道數(shù)據(jù)進行分析，其振幅譜如圖5所示。通過對比可以看出，利用神經(jīng)網(wǎng)絡獲得的井間地震記錄的振幅譜（圖5（b）），帶寬明顯高于地面地震記錄振幅譜（圖5（a）），頻帶范圍拓寬了50Hz，主頻也得到了大幅的提高。

利用地面地震數(shù)據(jù)和通過作者提出的方法獲得的井間地震數(shù)據(jù)進行反演，所得結(jié)果見圖6，圖中曲線為波阻抗曲線。圖6（a）為地面地震記錄反演所得的波阻抗剖面，由于受地面地震數(shù)據(jù)分辨率的限制，反演剖面只能反映大套砂組，精細構(gòu)造并不能很好地反演出來，也就不能滿足薄層精細劃分的要求。圖6（b）為利用作者提出的方法獲得的井間地震數(shù)據(jù)和地面地震數(shù)據(jù)聯(lián)合反演所得的波阻抗剖面，相對于圖6（a），該反演結(jié)果的縱向分辨率明顯提高，薄層與井曲線吻合較好，能夠?qū)⒌孛娴卣鸱囱萁Y(jié)果中不能分辨出的薄層區(qū)分開，例如位于橢圓位置的薄儲層得以分辨，從而更清晰地反映了局部儲層的變化細節(jié)。

圖2 地震記錄Fig．2 The seismic record

圖3 圖2中地震記錄的振幅譜Fig．3 The spectra of the seismic data in figure 2

4 結(jié)論

相對于常規(guī)地面地震資料的反演，綜合利用地面地震、井間地震等資料的多尺度反演結(jié)果具有更高的分辨率。由于井間地震數(shù)據(jù)只存在于某些測線處，并非整個三維數(shù)據(jù)體，這就使得多尺度地震反演不能在全工區(qū)進行。針對這一問題，作者提出了利用地面地震數(shù)據(jù)通過神經(jīng)網(wǎng)絡映射得到井間地震數(shù)據(jù)的方法。模型和實際資料測試結(jié)果表明，該方法可以得到較高分辨率的地震剖面，對地下地層的刻畫更加清晰。實際資料反演結(jié)果表明，利用該方法得到的井間地震數(shù)據(jù)和地面地震數(shù)據(jù)聯(lián)合反演所得的波阻抗剖面，具有較高的縱向分辨率，能夠分辨出地面地震反演無法區(qū)分的薄層，且地層產(chǎn)狀與地震剖面保持一致。

圖4 地震記錄Fig．4 The seismic data

圖5 振幅譜Fig．5 The amplitude spectra

圖6 反演結(jié)果Fig．6 The inversion results

［1］張汝杰，賀振華，王理．井間地震高斯射線束正演方法［J］．物探化探計算技術(shù)，1997，19（2）：128－137．

ZHANG R J，HE ZH H，WANG L．Forward modeling by Gaussian beam method in crosswell seismic［J］．Computing techniques for geophysical and geochemical exploration，1997，19（2）：128－137．（In Chinese）

［2］施振飛，印興耀．利用井間地震資料與測井資料進行儲層精細解釋［J］．石油地球物理勘探，2005，40（2）：172－175．

SHI Z F，YIN X Y．Using cross－h(huán)ole seismic data and logging data for fine reservoir interpretation［J］．Oil geophysical prospecting，2005，40（2）：172－175．（In Chinese）

［3］楊孛，李瑞，楊滔．白馬廟須家河薄互層儲層預測方法與應用［J］．物探化探計算技術(shù)，2012，34（6）：685 －690．

YANG B，LI R，YANG T．Xujiahe thin interbedded reservoir prediction methods and applications in Baimamiao［J］．Computing techniques for geophysical and geochemical exploration，2012，34（6）：685－690．（In Chinese）

［4］楊邦偉，譚茂金，陳瑩．用成像測井資料描述碳酸鹽巖儲集層——以車古20潛山為例［J］．物探化探計算技術(shù)，2007，29（3）：234－238．

YANG B W，TAN M J，CHEN Y．Description of Chegu 20buried－h(huán)ill reservoir in futai field with imaging well logging data［J］．Computing techniques for geophysical and geochemical exploration，2007，29（3）：234－238．（In Chinese）

［5］曹丹平，印興耀，張繁昌，等．多尺度地震資料聯(lián)合反演方法研究［J］．地球物理學報，2009（4）：1059－1067．

CAO D P，YIN X Y，ZHANG F C，et al．A study on the method of joint inversion of multiscale data［J］．Chinese Journal of Geophysics，2009（4）：1059－1067．（In Chinese）

［6］徐雷，遲惠生．靜態(tài)前饋型網(wǎng)絡的監(jiān)督學習方法研究進展［J］．電子學報，1992，20（10）：106－113．

XU L，CHI H S．Research advances on supervised learning ol static feedforward networks［J］．Acta Electronica Sinica，1992，20（10）：106－113．（In Chinese）

［7］席道瑛，張濤．BP網(wǎng)絡的改進及模擬退火神經(jīng)網(wǎng)絡在地學中應用［J］．物探化探計算技術(shù)，1996，18（3）：219－224．

XI D Y，ZHANG T．An improvement on BP neural network and the application of the theory of simulated annealing to geosciences［J］．Computing techniques for geophysical and geochemical exploration，1996，18（3）：219－224．（In Chinese）

［8］張繁昌，印興耀，吳國忱，等．用模擬退火神經(jīng)網(wǎng)絡技術(shù)進行波阻抗反演［J］．石油大學學報：自然科學版，1997，21（6）：16－18．

ZHANG F C，YIN X Y，WU G CH，et al．Impedance inversion by using annealing neural network［J］．Journal of the University of Petroleum，1997，21（6）：16－18．（In Chinese）

［9］QIAO H，PENG J，XU Z B，et al．A reference model approach to stability analysis of neural networks［J］．Systems，Man，and Cybernetics，Part B：Cybernetics，IEEE Transactions on，2003，33（6）：925－936．

［10］邱穎，孟慶武，李梯，等．神經(jīng)網(wǎng)絡用于巖性及巖相預測的可行性分析［J］．地球物理學進展，2001，16（3）：76－84．

QIU Y，MENG Q W，LI T，et al．The feasibility analysis of neural network in the prediction of lithology and lithofacles［J］．Progress in Geophysics，2001，16（3）：76－84．（In Chinese）

［11］張宏兵，楊長春．正則參數(shù)控制下的波阻抗約束反演［J］．地球物理學報，2004，46（6）：827－834．

ZHANG H B，YANG CH CH．A constrained impedance inversion method controlled by regularized parameters［J］．Chinese Journal of Geophysics，2004，46（6）：827－834．（In Chinese）

［12］周家斌，王允寬，楊桂英．關于預測誤差平方和最小準則的幾點看法［J］．數(shù)理統(tǒng)計與管理，1996，15（3）：43－46．

ZHOU J B，WANG Y K，YANG G Y．A note on The stepwise algorithm for selecting predictors on the basis of the criterion from prediction sum of squares［J］．Journal of Applied Statistics and Management，1996，15（3）：43－46．（In Chinese）

［13］王金峰，羅省賢．BP神經(jīng)網(wǎng)絡的改進及其在初至波拾取中的應用［J］．物探化探計算技術(shù)，2006，28（1）：14－17．

WANG J F，LUO SH X．The improved BP neural network and its application in seismic first breaks picking［J］．Computing techniques for geophysical and geochemical exploration，2006，28（1）：14－17．（In Chinese）

［14］宮健，劉浩杰．利用井間地震提高地面地震資料分辨率［J］．石油地球物理勘探，2009，44（4）：451－456．

GONG J，LIU H J．Using cross－h(huán)ole seismic data to improve resolution of surface－seismic data［J］．Oil geophysical prospecting，2009，44（4）：451－456．（In Chinese）

［15］曹丹平，印興耀，張繁昌，等．井間地震約束下的高分辨率波阻抗反演方法研究［J］．石油物探，2010，49（5）：425－429．

CAO D P，YIN X Y，ZHANG F C，et al．Study of high－resolution impedance inversion method constrained by crosswell seismic data［J］．Geophysical Prospecting for Petroleum，2010，49（5）：425－429．（In Chinese）

［16］ROBINSON EA．Predictive decomposition of time series with application to seismic exploration［J］．Geophysics，1967，32（3）：418－484．

［17］ROBINSON EA．Predictive decomposition of seismic traces［J］．Geophysics，1957，22（4）：767－778．

［18］張繁昌，李傳輝，吳國忱，等．地層吸收對彈性參數(shù)的影響和疊前QAVO反演［J］．物探化探計算技術(shù)，2010，32（3）：232－240．

ZHANG F C，LI CH H，WU G CH，et al．The effect of rock absorption on elastic parameters and pre －stack QAVO inversion［J］．Computing techniques for geophysical and geochemical exploration，2010，32（3）：232－240．（In Chinese）

［19］尹陳，賀振華，黃德濟．基于二維粘滯性波動方程的地震波衰減理論研究［J］．物探化探計算技術(shù)，2008，30（5）：353－356．

YIN CH，HE ZH H，HUANG D J．The research and the application of the seismic attenuation theory based on the wave equation［J］．Computing techniques for geophysical and geochemical exploration，2008，30（5）：353－356．（In Chinese）

［20］DASGUPTA R，CLARK R A．Estimation of Q from surface seismic reflection data［J］．Geophysics，1998，63（6）：2120－2128．

［21］吳媚，符力耘，李維新．高分辨率非線性儲層物性參數(shù)反演方法和應用［J］．地球物理學報，2008，51（2）：546－557．

WU M，F(xiàn)U L Y，LI W X．A high－resolution nonlinear inversion method of reservoir parameters and its application to oil／gas exploration［J］．Chinese Journal of Geophysics，2008，51（2）：546－557．（In Chinese）

Extrapolating of the cross-well seismic data based on the neural network and multi-scale seismic joint inversion

LIU Han-qing1，2，ZHANG Fan-chang2，DAI Rong-huo2
（1．Research Institute，Shenzhen Branch，CNOOC，Guangzhou 510240，China；2．School of Geoscience，China University of Petroleum，Qingdao 266580，China）

The multi－scale seismic joint inversion method，which integrates the cross－well seismic data，VSP data and other seismic data with the surface seismic data organically，is fully developed the advantages of different seismic data to achieve the purpose of improving the inversion resolution．However，restricted by the observing system，the cross－well seismic data only reflects the information of a 2－D profile．The surface seismic data is the response of the three－dimensional data volume．So the joint inversion is not carried out in the whole workspace．Considering this problem，we propose a method to build the mapping relationship between the cross－well data and the surface seismic data using the neural networks based on the nonlinear system theory of the formation absorption of seismic waves．The neural network has a layered structure and the mapping relationship between the input and output is nonlinear which can describe the complex nonlinear theory model between the surface seismic data and the cross－well seismic data．Then we apply the mapping relationship to the whole workspace and obtain the cross－well seismic data with high resolution．The numerical tests show that the proposed method is feasible and noise resistent．Finally，we apply the proposed method to the field data，and the corresponding resolution of the multi－scale seismic joint inversion result is highly improved，which demonstrates the reliability and adaptability of the proposed method．

mult-scale；cross-well seismic；surface seismic；neural network；nonlinear；high resolution

P 631．4

A

10．3969／j．issn．1001-1749．2015．03．13

1001-1749（2015）03-0348-07

2014-07-14 改回日期：2014-10-24

國家973課題（2013CB228604）；國家自然科學基金（41374123）；研究生創(chuàng)新工程（YCX2014003）

劉漢卿（1988－），女，碩士，主要從事地球物理反演及儲層預測的研究工作，E-mail：han0101qing＠163．com。