基于一维GRU联合二维改进ASPP的叠前地震反演模型设计方法

本发明涉及地震反演，特别是涉及一种基于一维gru联合二维改进aspp的叠前地震反演模型设计方法。

背景技术：

1、地震反演是根据各种地球物理观测数据推测地球内部的结构、形态及物质成分，定量计算各种相关的地球物理参数的过程。油气地震勘探的诸多问题最终都可归结为地震反演问题，因此地震反演的研究在油气地震勘探中具有重要意义，是地下能源勘探的重要一环。地震反演方法主要包括叠前反演和叠后反演。相比于叠后反演，叠前反演利用的叠前地震数据中含有更丰富、精确的信息。因此叠前反演被广泛应用并取得了诸多成果。

2、传统地震反演方法是基于模型驱动的，能够大致反演出地层剖面的结构。但是由于采集的限制、潜在的测量误差和噪声等因素的影响，基于模型驱动的方法难免会产生误差。并且为了得到好的反演结果，基于模型驱动的方法通常需要有一个较好的初始模型以及较精确的子波，而在实际应用中要获得好的初始模型和精确的子波通常都是比较困难的。

3、深度学习是机器学习的一个子集，是一种数据驱动方法，能通过大量的数据来学习输入和输出之间的复杂映射关系。近年来，深度学习在图像分类、对象检测、图像分割、图像和视频字幕、语音识别、机器翻译等领域取得了突破性进展。深度学习在计算机视觉和自然语言处理领域的成功，使得基于数据驱动的智能地震反演方法受到了学者们的广泛关注。深度学习方法不需要初始模型，也不用估计地震子波,通过从大量的样本数据中不断学习，进而拟合复杂非线性函数来实现地下储层特征反演，有着很强的非线性映射和泛化能力，因此深度学习很适合用在地震反演领域。将深度学习应用在地震反演中能得到精度更高、效果更好的反演结果。

4、现有的深度学习方法已经能得到较好的反演结果，但仍然存在测井数据不足、反演结果横向连续性不佳、特征提取不充分和细节处反演精度不高等问题。

技术实现思路

1、针对上述要解决的技术问题，本发明提供一种基于一维gru联合二维改进aspp的叠前地震反演模型设计方法，反演结果精度较高、横向连续性较好、细节反演充分。

2、为解决上述技术问题，本发明提出的技术方案为：

3、一种基于一维gru联合二维改进aspp的叠前地震反演模型设计方法，将空洞空间卷积池化金字塔模块引入叠前反演框架，改进aspp将输入送入到三个部分：卷积池化层、池化金字塔以及自适应均值池化层；先将池化金字塔和自适应均值池化层的输出相拼接，经过一个卷积块和dropout模块，再和卷积池化层拼接；在反演框架中加入了三重注意力模块，提取地震数据不同尺度的特征，联合循环神经网络提取地震数据的低频信息；在网络训练阶段，采用多道集反演方法，结合一维反演和二维反演训练网络模型。

4、作为上述技术方案地进一步改进为：

5、优选地，所述设计方法，具体包括以下内容：

6、整体网络框架包括反演网络和正演网络组成，将地震数据输入到反演网络中，输出得到横波速度、纵波速度和密度；使用循环网络结构，将反演网络得到的横波速度、纵波速度和密度输入正演网络中得到地震数据；

7、反演网络包括特征提取模块和回归模块，特征提取模块分为局部特征提取模块和序列建模模块；在网络训练时，反演网络中局部特征提取模块的输入是二维地震数据，序列建模模块的输入是一维地震数据；

8、回归模块将数据从时空特征序列映射到横波速度、纵波速度和密度；通过对比真实横波速度、纵波速度、密度和反演得到的横波速度、纵波速度、密度，计算属性损失；对比真实地震数据和正演网络输出的地震数据，计算得到地震数据损失。

9、优选地，所述卷积池化层由一个1×5的卷积、一个3×3的池化层和两个组归一化层组成。

10、优选地，在所述局部特征提取模块的输出之前加入三重注意力模块，所述三重注意力模块由三个分支组成，第一个分支是通道注意力计算分支，输入特征经过池化，接着经过7×7卷积，最后经过sigmoid激活函数生成空间注意力权重；第二个分支是通道c和空间w维度交互捕获分支，输入维度特征为c×h×w，先经过置换操作，变为h×c×w维度特征，接着在h维度上进行池化操作，最后经过置换操作变为c×h×w维度特征；第三个分支是通道c和空间h维度交互捕获分支，输入特征先经过置换，变为w×h×c维度特征，接着在w维度上进行池化；每个分支在生成注意力权重后，将三个分支的输出进行平均聚合，得到三重注意力输出。

11、优选地，所述回归模块是由两个反卷积块、lstm层和全连接层组成，所述反卷积块由一个反卷积层和一个组归一化层组成，所述组归一化将卷积层的输出进行分组，并使用学习到的均值和标准差对每组进行归一化；所述反卷积块具有可学习的核参数，用于补偿地震数据和测井数据之间的分辨率不匹配；所述lstm层和全连接层将特征提取模块提取到的特征送回目标域。

12、优选地，所述回归模块的输入是特征提取模块的输出，输出为反演的横波速度、纵波速度和密度；

13、计算测井横波速度、纵波速度、密度和回归模块输出的横波速度、纵波速度、密度之间的均方误差，按式(9)计算反演得到的数据与测井数据之间的均方误差，更新特征提取模块和回归模块中的可学习参数，记为属性损失：

14、

15、其中，mi,t为实际测井数据，为反演得到的数据，l1代表属性损失，mse为均方误差函数。

16、优选地，所述正演模块的输入是反演网络的输出，输出为地震数据，正演模块由四个卷积层和两个激活函数组成，完成重建的任务；

17、计算序列建模模块的输入和正演模块的输出之间的均方误差，按式(10)计算输入地震数据和正演网络得到的地震数据之间的均方误差，记为地震数据损失：

18、

19、其中，xi,t为序列建模模块输入的测井地震数据，为正演网络得到的地震数据，l2表示地震数据损失。

20、优选地，反演过程的损失由属性损失和地震数据损失共同组成，总损失如式(11)所示：

21、l＝αl1+βl2 (7)

22、其中，α和β为权重系数，用于控制属性损失和地震数据损失在总损失函数中所占比重。整个反演网络的损失函数表示如式(12)所示：

23、

24、本发明提供的基于一维gru联合二维改进aspp的叠前地震反演模型设计方法，与现有技术相比，有以下优点：

25、本发明的基于一维gru联合二维改进aspp的叠前地震反演模型设计方法，整体网络结构由正演网络和反演网络组成，其中反演网络由特征提取模块和回归模块组成，在反演模块中，采用多道集反演方法，充分利用地震数据中的空间信息，提高反演结果的横向连续性。同时，本发明改变了aspp模块的三个组成部分的连接顺序和方式，让其在充分提取地震数据多尺度特征的同时，又能关注地震数据中的长程信息，提高反演结果的精度，并且在改进的aspp模块中加入了triplet attention模块，既充分考虑了地震数据的空间相关性和通道相关性，又让网络能更好地处理数据的长距离关系。