具体实施方式

以下结合附图1-2对本申请作进一步详细说明。

本申请实施例公开一种基于层速度地震地质模型的地震反演方法，参照图1，该方法包括下述步骤：

S1、构建层速度地震地质模型。

具体地，根据测井小层划分法，获取工区的测井资料；根据测井资料，构建地质框架模型，并获取单井道初始层速度集；基于地质框架模型和单井道初始层速度集，利用速度空间拓扑法，获取层速度地震地质模型。

需要说明的是，对工区进行测井小层划分，获取测井资料，该测井资料包括工区测井层位信息和声波测井曲线；进一步地，根据该测井层位信息，构建测井工区一维的地质框架模型；根据声波测井曲线求取层间的层速度，形成单井道初始层速度集，具体计算公式为：τ_k是第k层传播时间的平均值，V_k是第k层的层速度。

进一步地，基于单井道初始层速度集，开展地震正演模拟，得到单井道地震记录，具体计算公式为：s(t)＝w(t)*r(t)，其中s(t)表示正演记录，w(t)表示子波；r(t)表示地质反射系数。在本实施例中，可以对单井道地震记录进行希尔伯特变换得到相位剖面，利用相位剖面对地质框架模型进行地震小层解释，该地震小层解释基于测井标定和地震子波相位特征，便于获取资料齐全的地震框架模型。进一步地，从单井道地震记录中抽取地质反射系数数据和单井道初始层速度集，该地质反射系数数据和单井道初始层速度集，为地震框架模型提供层速度空间拓扑结构，从而得到精细的层速度地震地质模型。

S2、对层速度地震地质模型进行地震正演模拟，获取地震记录和原始层速度集。

具体地，在改变地震子波相位和频率的条件下，对层速度地震地质模型进行地震正演模拟，得到地震记录，该地震记录相比于单井道数量容量更大，从地震记录中抽取单井道初始速度和地震测井约束的初始层速度集，将单井道初始速度和地震测井约束的初始层速度集作为原始层速度集。

S3、基于层速度地震地质模型，开展地震反演模拟，获取反演结果，从反演结果中获取目标层速度集，将目标层速度集作为标签数据集。

在本实施例中，采用测井层位插值控制来对层速度地震地质模型进行反演模拟，获取反演结果，从该反演结果中获取目标层速集，该目标层速度集包括抽取层速度集和地震反演的层速度集，其中抽取层速度集包括单井道抽取层速度集、地震测井约束的抽取层速度集。

S4、基于地震记录和标签数据集，构建训练集数据集。

具体地，标签数据集包括单井道抽取层速度集、地震测井约束的抽取层速度集以及地震反演的层速度集，在本实施例中，可以将单井道抽取层速度集分为训练集、验证集和测试集，三者的数据量比例为1：1：1；将地震测井约束的抽取层速度集分为训练集、验证集和测试集，三者的数据量比例为2：1：1；将地震反演的层速度集分为训练集、验证集和测试集，三者的数据量比例为2：1：1；使得单井道抽取层速度集、地震测井约束的抽取层速度集以及地震反演的层速度集的最终数据分为训练集、验证集和测试集，三者的数据量比例为5：3：3。在本实施例中，针对数据样本不平衡的问题，可以使用随机采用对目标数据集进行数据增强，也可以采用改变地震子波相位和频率的方法生成更多的样本，提升小数据场景应用效果。

S5、将训练数据集输入至预设的全卷积神经网络进行迁移学习，得到层速度标签反演初始模型，并利用地震记录和原始层速度集，对层速度标签反演初始模型进行标签自检迭代训练，获取层速度标签反演目标模型。

在本实施例中，全卷积神经网络采用包括三层卷积层、三层反卷积层、三层dropout层、两层池化层、六层relu激活层以及一层全卷积层；具体地，采用用于图像像素集分类网络FCN_inv_d，并将该FCN_inv_d网络的最后一层全连接层去掉，得到FCN_inv网络。需要说明的是，搭建卷积层的目的是提取数据特征，除了特征值本身外，还包含相对位置信息；池化层的目的是用于压缩卷积层信息，将特征映射的神经单元数目缩减来降低数据维度；Dropout层的目的是提高模型泛化能力，为复杂数据集的过拟合和提高计算效率；激活函数主要目的是构建一个非线性的映射关系，以建立输入与输出之间的关系。

进一步地，将地震反演的层速度在训练集上训练最小化损失函数，得到层速度标签反演初始模型；在本实施例中，采用梯度下降技术对模型参数进行训练，得到一组损失函数相对较小的模型参数。

进一步地，将地震记录和原始层速度集输入到层速度标签反演初始模型，输出为原始层速度集对应的层速度预测集；将层速度预测集与原始层速度集进行对比，利用地震记录标定将层速度预测集中标签不一致的数据进行校正，并进行迭代训练，直至层速度预测集与原始层速度集一致，则结束训练，得到层速度标签反演目标模型。

需要说明的是，层速度标签反演目标模型在训练集、验证集经过数次训练评估后，再将层速度标签反演目标模型在测试集进行评估。

S6、基于层速度标签反演目标模型进行地震反演模拟。

需要说明的是，利用训练完成的层速度标签反演目标模型利用实时地震记录进行地震反演模拟，获取较为准确的层速度。

本实施例通过构建层速度地震地质模型，在该模型基础上正演模拟得到地震记录和原始层速度集，并于后续训练和标签预测使用；然后通过反演模拟，获取目标层速度集，将该目标层速度集作为标签数据集，便于后续构建一个高分辨的层速度标签反演模型；基于地震记录和标签数据集来，构建训练数据集，并将该训练数据集输入到全卷积神经网络中进行有监督迁移学习，得到层速度标签反演初始模型，再利用地震记录和原始层速度集对层速度标签反演初始模型经常标签自检迭代训练，获取层速度标签反演目标模型，从而通过深度学习的方法让层速度标签反演目标模型的构建与预测达到自洽，可以避免单纯依赖于专家经验、地质认识、且严重地受控于生产动态校验地质模型及假设推断的限制，而且基于地质模型又不完全依赖于地质模型的高精度地震层速度反演方法，其训练难度低且经济可靠，效率高。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本实施例还提供一种基于层速度地震地质模型的地震反演系统，该基于层速度地震地质模型的地震反演系统与上述实施例中基于层速度地震地质模型的地震反演方法一一对应。如图2所示，该基于层速度地震地质模型的地震反演系统包括构建模型模块201、正演模块202、反演模块203、数据构建模块204、训练模块205和标签反演模块206。各功能模块详细说明如下：

构建模型模块201，用于构建层速度地震地质模型；

正演模块202，用于对层速度地震地质模型进行地震正演模拟，获取地震记录和原始层速度集；

反演模块203，用于基于层速度地震地质模型，开展地震反演模拟，获取反演结果，从反演结果中抽取目标层速度集，将目标层速度集作为标签；

数据构建模块204，用于基于地震记录和标签，构建训练集数据集；

训练模块205，用于将训练数据集输入至预设的全卷积神经网络进行迁移学习，得到层速度标签反演初始模型，并利用地震记录和原始层速度集，对层速度标签反演初始模型进行自检标签迭代训练，则结束训练，得到层速度标签反演目标模型；

标签反演模块206，用于基于层速度标签反演目标模型进行地震反演模拟。

关于基于层速度地震地质模型的地震反演系统的具体限定可以参见上文中对于基于层速度地震地质模型的地震反演方法的限定，在此不再赘述。上述基于层速度地震地质模型的地震反演系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本实施例还提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储地震记录、标签数据集、层速度标签反演目标模型等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于层速度地震地质模型的地震反演方法，处理器执行计算机程序时实现以下步骤：

构建层速度地震地质模型；对层速度地震地质模型进行地震正演模拟，获取地震记录和原始层速度集；基于层速度地震地质模型，开展地震反演模拟，获取反演结果，从反演结果中获取目标层速度集，将目标层速度集作为标签数据集；基于地震记录和标签数据集，构建训练集数据集；将训练数据集输入至预设的全卷积神经网络进行迁移学习，得到层速度标签反演初始模型，并利用地震记录和原始层速度集，对层速度标签反演初始模型进行标签自检迭代训练，获取层速度标签反演目标模型；基于层速度标签反演目标模型进行地震反演模拟。

本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

构建层速度地震地质模型；对层速度地震地质模型进行地震正演模拟，获取地震记录和原始层速度集；基于层速度地震地质模型，开展地震反演模拟，获取反演结果，从反演结果中获取目标层速度集，将目标层速度集作为标签数据集；基于地震记录和标签数据集，构建训练集数据集；将训练数据集输入至预设的全卷积神经网络进行迁移学习，得到层速度标签反演初始模型，并利用地震记录和原始层速度集，对层速度标签反演初始模型进行标签自检迭代训练，获取层速度标签反演目标模型；基于层速度标签反演目标模型进行地震反演模拟。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。