基于卷积神经网络和叠加速度谱的地震层速度自动建模方法

张 兵

(中国石油化工股份有限公司石油物探技术研究院,江苏南京211103)

速度建模是地震数据处理中的重要步骤之一,通常需要在叠加速度谱上根据能量团精细拾取时间-速度对,然后迭代更新均方根速度模型,并通过时深转换得到深度域的初始层速度,最后借助层析反演不断提高速度模型的精度。这个过程需要花费大量时间和精力来人工拾取速度谱,尤其是在地表、地下结构复杂的低信噪比探区,地震散射噪声、多次波等广泛发育,速度谱能量团的聚焦性非常差,速度拾取需要丰富的地震处理经验和地质认识[1]。随着采集数据规模的增加,速度建模的工作量剧增,人工拾取速度谱难以跟上实际生产的节奏,适应复杂低信噪比地区的自动化速度建模尤其是层速度建模变得非常迫切。

近年来,机器学习方法在自然语言理解、视觉目标识别等许多领域都发挥了巨大作用[2]。地球物理学家也积极探索深度学习技术在噪声压制[3-4]、初至拾取[5]、速度谱拾取与建模、地震数据重建与插值、散射波成像[6-7]等地震数据处理中的应用。其中基于深度学习的速度谱自动拾取与建模方法研究可以分为两个方向:一是利用深度学习神经网络实现时间-速度对的自动拾取,然后通过常规方法建立速度模型;二是借助深度神经网络直接利用观测地震数据建立层速度模型。其中,从速度谱中自动拾取时间-速度对建立叠加速度模型,可以看作是……