-
题名基于互相关约束和CNN-GRU网络的井震自动标定
- 1
-
-
作者
李钦昭
刘洋
席念旭
张浩然
邸希
-
机构
中国石油大学(北京)人工智能学院
中国石油大学(北京)油气资源与工程全国重点实验室
中国石油大学(北京)克拉玛依校区
-
出处
《石油地球物理勘探》
北大核心
2025年第3期564-575,共12页
-
基金
国家重点研发计划项目“深部煤系复合气藏地球物理预测方法”(2024YFC2909400)资助
-
文摘
井震标定是地震资料解释中的一个重要步骤,传统的井震标定方法是用测井数据与提取的地震子波合成地震记录,通过拖拽的方式与井旁地震道匹配,这种方法有较大的人为因素,而且非常耗时且容易造成过度拉伸问题。为此,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gate Recur-rent Unit,GRU)网络的深度学习方法,实现井震自动标定。首先,用典型模型合成地震记录,引入时间校正量对井旁地震道记录进行校正;然后,通过训练搭建的CNN-GRU网络建立两条地震道与时间校正量之间的联系,以两条地震道的相关系数作为约束条件,用合成地震记录和井旁地震道直接预测时间校正量;最后,采用30口井的实际数据测试神经网络,与手动标定结果对比,分别计算标定后合成地震记录和井旁地震道的相关系数。研究结果表明:①25口井网络自动标定的相关系数大于或等于手动标定,其余5口井两者基本一致;②手动标定30口井大概需要30 min,网络标定只需要5 s。因此,与传统方法相比,所提方法在井震标定中精度和效率都更高,验证了该方法的可行性和优点。
-
关键词
井震标定
深度学习
神经网络
时间校正量
相关系数
-
Keywords
seismic-well tie
deep learning
neural network
time correction quantities
correlation coefficient
-
分类号
P631
[天文地球—地质矿产勘探]
-
