联合叠前弹性反演参数及深度网络目标反演技术的制作方法

技术特征：
1.联合叠前弹性反演参数及深度网络目标反演技术，其特征在于，该目标反演技术具体步骤如下：s1、对井数据进行计算，获得叠前弹性阻抗反演参数；s2、对井旁道叠前地震数据进行一个角度划分，获得划分角度的叠前参数；s3、将井旁道上每一个时间点对应的井旁道数据作为输入，该时间点上的井旁道目标数据作为输出约束；s4、建立训练网络；s5、通过训练获得映射网络，直接对全区数据进行映射计算；s6、输入全区数据参数，并通过映射网络直接获得目标数据体。2.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术，其特征在于，步骤s4中建立训练网络具体步骤为：ss1、引入深度神经网络算法；ss2、通过一个全连接多层网络，挖掘井旁道数据输入数据与井旁道目标数据之间的关系，获得非线性映射网络。3.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术，其特征在于，步骤ss1中深度神经网络算法用于建立标签数据集与训练数据集之间的关系，形成预测网络；其中，深度神经网络算法按不同层的位置划分，其内部的神经网络层可以分为三类：输入层、隐藏层和输出层，层与层之间全连接，具体表现如下：第i层的任意一个神经元一定与第i 1层的任意一个神经元相连，即存在一个线性关系；z＝∑w
i
x
i
b(1)其中，z为输出层，w为权重值，x为输入层，b为偏置；通过加上最终激活函数σ(z)，形成了dnn的基本结构。4.根据权利要求3所述的联合叠前弹性反演参数及深度网络目标反演技术，其特征在于，所述深度神经网络算法为包含多层隐藏层的神经网络算法，前向传播阶段，隐藏层将前一层的输出作为后一层的输入，具体为：具体为：其中，代表dnn第l层第k个神经元激活前的输出，代表dnn第l层第k个神经元激活后的输出，代表到的线性传递系数，代表前向传播函数的偏倚常数，f为激活函数。5.根据权利要求4所述的联合叠前弹性反演参数及深度网络目标反演技术，其特征在
于，所述激活函数可采用relu函数，relu函数是常见的激活函数中的一种，表达形式如下：f(x)＝max(0,x)(4)。6.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术，其特征在于，步骤s1中叠前弹性阻抗反演参数包括纵波速度、横波速度与密度。7.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术，其特征在于，步骤s2中划分角度的叠前参数包括大角度数据、中角度数据与小角度数据。

技术总结
本发明公开了联合叠前弹性反演参数及深度网络目标反演技术，涉及目标反演技术领域，该目标反演技术具体步骤如下：获得叠前弹性阻抗反演参数；获得划分角度的叠前参数；将井旁道数据作为输入，目标数据作为输出约束；建立训练网络；通过训练获得映射网络，直接对全区数据进行映射计算；输入全区数据参数，并通过映射网络直接获得目标数据体；本发明能够更好的针对地震目标参数进行预测，提高了预测的准确性，高效性，深度网络深度挖掘数据内部信息，提高信息的表征度，解决了通过拟合求解目标数据过程中存在的累积误差和近似误差，直接通过叠前反演获得的参数和不同角度数据增强了算法的可信度和真实性。法的可信度和真实性。法的可信度和真实性。


技术研发人员：蒋旭东 曹俊兴 王兴建 祖绍环 蔡紫薇
受保护的技术使用者：成都理工大学
技术研发日：2021.07.30
技术公布日：2021/11/4