基于深度学习的子波整形反褶积方法

地震数据偏移成像是地下介质反射系数估计的重要方法之一,其结果通常受子波影响而波数带展布有限。有效拓展成像结果的波数带、提高空间分辨率是宽带反射系数估计的一个重要目的。为此,首先从反演成像的角度分析,指出子波和观测系统照明是影响成像结果分辨率的两个主要因素;其次,基于卷积神经网络(CNN),利用宽频子波构建标签,将常规成像结果作为输入,利用CNN挖掘其中的映射关系,提出了相应的深度学习算法子波整形反褶积方法;然后,针对反褶积中初始子波估计不准确的问题,设计了子波与反射系数串联、迭代、更新的实现方案,定制的宽频子波能兼顾低波数和高波数信息,用于训练网络时可以更好地恢复宽带的反射系数;最后,利用已知模型进行网络的预训练,将基于目标数据体提取的有效子波作为靶区数据反褶积的初始子波,进行子波整形反褶积处理,并通过薄层模型测试了该方法的正确性和可靠性。实际资料处理结果表明了该方法具有较好的应用潜力。

密井网条件下井震联合低级序断层识别方法

低级序断层是影响剩余油聚集和注采关系的主要地质控制因素之一,油田开发后期对准确描述低级序断层的位置和走向提出了更高的精度要求。本文基于叠后地震资料,通过地震数据高频响应增强处理及蚂蚁体地震属性的提取,采取井点钻、测井、井间地震资料的联合解释方式,对工区断距2m以上的低级序断层进行了识别和描述,并得到开发动态数据的验证。由此认识到:充分利用并挖掘井-震联合勘探的潜力,能有效提高开发阶段小尺度地质体的描述精度,并为油藏描述提供更准确的地质模型。