一種聲波阻抗反演系統和方法技術方案

本發明專利技術屬于地球物理勘探技術領域，涉及一種聲波阻抗反演系統和方法，包括：模型建立模塊，用于建立聲波阻抗反演模型，聲波阻抗反演模型包括神經網絡模型和遷移學習網絡模型，神經網絡模型的輸出端與遷移學習網絡模型的輸入端連接，神經網絡模型的各卷積層輸出端均連接濾波器響應規范化層；模型訓練模塊，用于對聲波阻抗反演模型進行訓練，采用地震道數據集對神經網絡模型進行訓練，保持訓練好的神經網絡模型的參數不變，采用測井數據對遷移學習網絡模型進行訓練；輸出模塊，用于根據訓練好的聲波阻抗反演模型，對全工區的地震道進行聲波阻抗反演。其消除了網絡訓練中對批處理batchsize的依賴，處理結果更加的穩定。處理結果更加的穩定。處理結果更加的穩定。

【技術實現步驟摘要】
一種聲波阻抗反演系統和方法


[0001]本專利技術涉及一種基于改進的全卷積殘差網絡和遷移學習的聲波阻抗反演系統和方法，屬于地球物理勘探


技術介紹

[0002]聲波阻抗反演是利用地震波反射資料預測地層結構和估算巖石性質的常用技術。由于地震數據缺乏低頻和高頻成分，地震子波未知，以及各種噪聲的影響，導致該反演過程涉及到的反問題是不適定的。波阻抗反演本質上是一個具有多種約束條件的優化過程，通常采用傳統的基于模型的梯度類優化方法求解，但約束項的選擇往往帶有很強的主觀性。近年來，深度學習蓬勃發展。卷積神經網絡(CNN)作為一種很受歡迎的方法，在不同的領域都具有出色的表現。CNN憑借其出色的提取和學習復雜特征的能力，受到越來越多的關注。全卷積神經網絡(FCN)是一種特殊的、沒有全連接層的CNN，它可以接收任意尺寸的輸入數據。目前，CNN和FCN已經被用于解決一些地球物理問題。為了使得CNN更加的容易訓練，有學者在卷積網絡中加入跳躍連接(shoutcut)形成殘差塊，來防止網絡在訓練過程中發生退化，緩解在深度神經網絡中增加深度帶來的梯度消失問題，這種網絡被稱為殘差網絡(ResNet)。為了進一步提升網絡的泛化能力，使其能夠適應其他數據集(區別于訓練集)，遷移學習(transfer learning)的策略得到了廣泛的應用。
[0003]目前，常見的基于卷積神經網絡和遷移學習的反演方法存在以下不足：目前主流的深度學習模型都會采用BN層(Batch Normalization)來加速模型訓練以及提升模型效果，對于CNN模型，BN層已經成為標配。但是BN層在訓練過程中需要在batch上計算中間統計量，這種操作嚴重依賴于訓練所選取的樣本數batchsize。當batchsize過小時，BN操作對批處理batch維度的統計信息不準確，導致最終的網絡效果變差。但盲目的增大batchsize，容易陷入急劇最小值，導致網絡泛化性降低。因此網絡的性能太過依賴于batchsize這個參數。
[0004]傳統的遷移學習方法，都是先確定神經網絡的結構，利用訓練集對網絡進行訓練。為了提高網絡的泛化能力，用新數據集中少量的有標簽數據作為新樣本對網絡參數進行微調。但對于地震數據而言，測井數據非常稀缺，而且一致性往往較差，因此如果用有限的標簽微調原網絡參數，很容易破壞網絡性能，降低網絡的泛化能力。
[0005]傳統的神經網絡優化算法以隨機梯度下降SGD算法和適應性矩估計(Adam Adaptive Moment Estimation)算法為主，SGD算法雖然能夠收斂到更好的極小值點，但往往需要手動設置學習率，收斂速度慢。而Adam類算法學習率能夠自適應計算，而且訓練前期收斂速度快，但訓練后期容易收斂到局部極小點。

技術實現思路

[0006]針對上述問題，本專利技術的目的是提供一種基于改進的全卷積殘差網絡和遷移學習的聲波阻抗反演系統和方法，其消除了網絡訓練中對批處理batchsize的依賴，并且，在遷
移學習過程中，處理結果比傳統的直接調整原始網絡權重參數的遷移學習方法更加的穩定。
[0007]為實現上述目的，本專利技術提出了以下技術方案：一種聲波阻抗反演系統，包括：模型建立模塊、模型訓練模塊和輸出模塊；所述模型建立模塊，用于建立聲波阻抗反演模型，所述聲波阻抗反演模型包括神經網絡模型和遷移學習網絡模型，所述神經網絡模型的輸出端與所述遷移學習網絡模型的輸入端連接，所述神經網絡模型的各卷積層輸出端均連接濾波器響應規范化層；所述模型訓練模塊，用于對聲波阻抗反演模型進行訓練，采用地震道數據集對所述神經網絡模型進行訓練，保持訓練好的所述神經網絡模型的參數不變，采用測井數據對所述遷移學習網絡模型進行訓練；所述輸出模塊，用于根據訓練好的聲波阻抗反演模型，對全工區的地震道進行聲波阻抗反演。
[0008]進一步，所述地震道數據集包括多個不同主頻、不同相位的地震子波，所述地震子波的公式如下：
[0009][0010]其中，t是時間，f
M
是子波的主頻，s(t)是時域地震子波。
[0011]進一步，通過地震道數據集中部分樣本集確定所述神經網絡模型中卷積核的最佳尺寸參數，采用地震道數據集通過Swats算法對所述神經網絡模型進行訓練。
[0012]進一步，所述濾波器響應規范化層由歸一化函數和閾值線性單元激活函數組成。
[0013]進一步，所述歸一化函數的規范化公式為：
[0014][0015]x為輸入的樣本數據，ε為一個正常數；是規范化后的樣本數據；
[0016][0017]N＝W
×
H，W是樣本數據的寬度，W是樣本數據的高度；對規范化后的結果進行仿射變換，其公式為：
[0018][0019]其中，γ和β均為需要學習的參數，y是樣本數據仿射變換后的結果。
[0020]進一步，所述閾值線性單元激活函數公式為：
[0021]z＝max(y,τ)
[0022]其中，z是激活函數的輸出結果，τ是閾值。
[0023]進一步，對所述測井數據進行方波化處理，使得處理后的波阻抗曲線的反射系數序列稀疏度與所述地震道數據集中訓練數據集保持一致。
[0024]進一步，所述方波化處理的方法為：對所述測井數據進行低通濾波；提取所述測井數據的井波阻抗曲線的拐點位置；將各個拐點之間的阻抗值修改為對應區間的加權平均值。
[0025]進一步，所述神經網絡模型和遷移學習網絡模型的優化目標函數為：
[0026][0027]其中，J(W)是損失函數，w是神經網絡的權重參數，是神經網絡，d
obs
是輸入的地震數據，λ是正則化系數，是L2范數的平方。
[0028]本專利技術還公開了一種聲波阻抗反演方法，包括以下步驟：建立聲波阻抗反演模型，所述聲波阻抗反演模型包括神經網絡模型和遷移學習網絡模型，所述神經網絡模型的輸出端與所述遷移學習網絡模型的輸入端連接，所述神經網絡模型的各卷積層輸出端均連接濾波器響應規范化層；對聲波阻抗反演模型進行訓練，采用地震道數據集對所述神經網絡模型進行訓練，保持訓練好的所述神經網絡模型的參數不變，采用測井數據對所述遷移學習網絡模型進行訓練；根據訓練好的聲波阻抗反演模型，對全工區的地震道進行聲波阻抗反演。
[0029]本專利技術由于采取以上技術方案，其具有以下優點：首先，本專利技術中用濾波器響應規范化層(FRN)代替傳統卷積網絡中的批處理規范化層(BN)，使得預訓練網絡的訓練過程不再依賴于batchsize參數的影響，降低網絡的訓練難度，提高其收斂性。其次，傳統的遷移學習是利用測井數據得到的有限樣本直接對預訓練網絡的參數進行微調，一旦測井數據的一致性不好，很容易破壞預訓練網絡的性能，本專利技術中采用給預訓練網絡輸出端順連一個遷移學習網絡的方案，在遷移學習訓練過程中只更新順連部分的網絡參數，使網絡的預測性能更加的穩定。最后，為了使得網絡在訓練過程中能夠快速的收斂到更優的解，本專利技術中采用Swats(Switching from本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種聲波阻抗反演系統，其特征在于，包括：模型建立模塊、模型訓練模塊和輸出模塊；所述模型建立模塊，用于建立聲波阻抗反演模型，所述聲波阻抗反演模型包括神經網絡模型和遷移學習網絡模型，所述神經網絡模型的輸出端與所述遷移學習網絡模型的輸入端連接，所述神經網絡模型的各卷積層輸出端均連接濾波器響應規范化層；所述模型訓練模塊，用于對聲波阻抗反演模型進行訓練，采用地震道數據集對所述神經網絡模型進行訓練，保持訓練好的所述神經網絡模型的參數不變，采用測井數據對所述遷移學習網絡模型進行訓練；所述輸出模塊，用于根據訓練好的聲波阻抗反演模型，對全工區的地震道進行聲波阻抗反演。2.如權利要求1所述的聲波阻抗反演系統，其特征在于，所述地震道數據集包括多個不同主頻、不同相位的地震子波，所述地震子波的公式如下：其中，t是時間，f
M
是子波的主頻，s(t)是時域地震子波。3.如權利要求2所述的聲波阻抗反演系統，其特征在于，通過地震道數據集中部分樣本集確定所述神經網絡模型中卷積核的最佳尺寸參數，采用地震道數據集通過Swats算法對所述神經網絡模型進行訓練。4.如權利要求1所述的聲波阻抗反演系統，其特征在于，所述濾波器響應規范化層由歸一化函數和閾值線性單元激活函數組成。5.如權利要求4所述的聲波阻抗反演系統，其特征在于，所述歸一化函數的規范化公式為：x為輸入的樣本數據，ε為一個正常數；是規范化后的樣本數據；N＝W
×
H，W是樣本數據的寬度，W是樣本數據的高度；對規范化后的結果進行仿射變換，其公式為：其中，γ和β均為需要學習的參數，...

【專利技術屬性】
技術研發人員：王清振，高靜懷，杜向東，王建花，孫文博，丁繼才，王治強，朱振宇，翁斌，姜秀娣，李超，鄭穎，張洪亮，
申請(專利權)人：中海石油中國有限公司北京研究中心，
類型：發明
國別省市：