一种基于数据驱动的垂直地震剖面上下行波智能分离方法

1.本发明涉及波场分离技术领域，特别涉及一种基于数据驱动的垂直地震剖面上下行波智能分离方法。


背景技术：

2.垂直地震剖面(vertical seismic profile；vsp)是一种利用井中检波器或井下震源进行地震波场观测的方法，相比于常规的地面地震技术，该方法具有干扰少、分辨率高的优势。但垂直地震剖面技术所接收的波场数据为复合信号，其中不仅有向下传播的下行波(地面反向波)，同时还有向上传播的上行波(地层反射波)，上下行波相互干涉、混叠，使整个波场信号变得复杂、无序。因此，需要对原始波场进行精确分离。上下行波分离是垂直地震剖面数据处理最为关键和基础的环节，其分离质量决定了成像的精度和进一步解释的合理性。
3.常规的垂直地震剖面上下行波分离方法大多数基于波场视速度和偏振方向的差异性滤波，可以划分为基于时间域滤波或者基于变换域滤波的分离方法。其中，基于时间域滤波的分离方法需要进行初至拾取和静态时移，否则会导致波场能量分散，且高精度的分离需要时变的滤波窗，这极大增加了计算量；基于变换域滤波的分离方法虽能快速实现分离，但难以克服傅里叶变换机制所引发的“假轴”，因此繁琐的数据预处理或者后续处理不可避免。同时，由于现有分离方法对不同数据的技术适应性存在差异，这往往需要地质先验信息，并涉及主观的人工调参，这样不仅使技术方案流程繁琐，而且还会因主观调参相应的影响分离结果的准确性，难以实现自动化、高效率、高精度的波场分离。


技术实现要素：

4.针对上述问题，本发明旨在提供一种基于数据驱动的垂直地震剖面上下行波智能分离方法，通过真实的测井资料进行数据建模，并训练多任务学习的神经网络得到回归模型，最终以数据驱动的方式实现对波场的智能分离。
5.本发明的技术方案如下：
6.一种基于数据驱动的垂直地震剖面上下行波智能分离方法，包括以下步骤：
7.s1：收集测井资料，所述测井资料包括速度信息和密度信息；
8.s2：根据所述测井资料，建立地层模型并定义地震观测系统，然后基于垂直地震剖面波场传播方程进行数值模拟，获得模拟的上下行波数据，并将所述模拟的上下行波数据进行组合获得模拟的总波场数据；
9.s3：建立多任务学习的神经网络，以所述模拟的总波场数据作为数据输入，以所述模拟的上下行波数据作为数据输出，对所述多任务学习的神经网络进行训练，获得回归模型；
10.s4：对所述回归模型进行可行性测试，
11.当所述可行性测试的结果不达标时，调整所述多任务学习的神经网络的训练样
本，并优化网络参数，返回步骤s3进行重新训练；
12.当所述可行性测试的结果达标时，以步骤s3获得的回归模型作为最终的分离模型，并利用所述最终的分离模型对目标垂直地震剖面数据进行上下行波分离。
13.作为优选，步骤s2中，所述垂直地震剖面波场传播方程为：
[0014][0015][0016]
式中：un、u
n+1
分别为第n层、第n+1层的上行波数据；dn、d
n+1
分别为第n层、第n+1层的下行波数据；rn为第n层地下介质的反射系数；pn为第n层地下介质的正传播作用；p
n-1
为第n层地下介质的反传播作用。
[0017]
作为优选，当考虑地层的吸收衰减效应时，第n层地下介质的正传播作用pn通过下式进行计算：
[0018][0019]
式中：e为自然底数；f为频率；hn为层厚；qn为品质因子；vn为速度；i为虚数。
[0020]
作为优选，所述品质因子qn通过下式进行计算：
[0021][0022]
式中：q
v,n
为与速度相关的品质因子；q
ρ,n
为与密度相关的品质因子；
[0023]qv,n
和q
ρ,n
均通过下式进行计算：
[0024][0025]
式中：q
ep,n
为第n层地下介质中与弹性参数相关的的品质因子；q1为第一层地下介质的品质因子；epn为第n层的弹性参数；ep0为自由表面处的弹性参数；q0为自由表面处的品质因子；ep1为第1层的弹性参数。
[0026]
作为优选，步骤s2中，基于垂直地震剖面波场传播方程进行数值模拟时，具体包括以下子步骤：
[0027]
s21：定义一个包括反射和衰减物理效应的层矩阵mn：
[0028][0029]
s22：根据所述层矩阵mn计算整个地层传播过程中的上行波数据和下行波数据：
[0030][0031]
步骤s2中，将所述上下行波数据进行组合获得总波场数据时，所述总波场数据通过下式进行计算：
[0032]
w＝u+d (8)
[0033]
式中：w为总波场数据；u为上行波数据；d为下行波数据。
[0034]
作为优选，步骤s3中，所述多任务学习的神经网络包括八个卷积层，其中前三个卷积层用于构建神经网络的编码层，并在编码过程中使用最大池化层扩大神经网络的感受野：第四个卷积层为神经网络的中间层；后四个卷积层用于构建神经网络的解码过程，并在解码过程中使用与池化层对称的上采样层来模拟池化的逆过程；前六个卷积层使用激活函数一进行激活，第七个卷积层和第八个卷积层进行多任务分流，并使用激活函数二进行数据导出。
[0035]
作为优选，每个卷积层均为3*3内核的2维卷积运算，并搭配批量标准化bn；所述最大池化层采用2*2内核。
[0036]
作为优选，所述激活函数一采用relu函数，所述激活函数二采用tanh函数。
[0037]
作为优选，步骤s1中，收集测井资料时，收集来自不同地质背景和不同储层类型的测井资料。
[0038]
本发明的有益效果是：
[0039]
本发明通过利用测井资料进行数据建模，结合神经网络的多任务数据驱动，能够更加智能、高效、准确地分离垂直地震剖面数据的上下行波。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1为本发明基于数据驱动的垂直地震剖面上下行波智能分离方法的流程示意图；
[0042]
图2为一个具体实施例多任务学习的神经网络的结构示意图；
[0043]
图3为一个具体实施例鄂尔多斯盆地某井的数据建模示意图；其中，图3(a)为数据建模所需的井曲线，图3(b)为基于井曲线构建的地层模型以及定义的观测系统；
[0044]
图4为一个具体实施例鄂尔多斯盆地某井的数据建模结果示意图；其中，图4(a)为模拟的上行波数据，图4(b)为模拟的下行波数据，图4(c)为叠加组合获得的总波场数据；
[0045]
图5为一个具体实施例验证集数据采用回归模型进行分离的性能结果示意图；其中，图5(a)为验证集数据，图5(b)为参考上行波，图5(c)为参考下行波，图5(d)为本发明分离获得的上行波，图5(e)为本发明分离获得的下行波；
[0046]
图6为图5所示的验证集数据分离结果的频率波数谱分析结果示意图；其中，图6(a)为参考上行波数据的f-k谱，图6(b)为本发明分离的上行波数据的f-k谱，图6(c)为参考下行波数据的f-k谱，图6(d)为本发明分离的下行波数据的f-k谱；
[0047]
图7为一个具体实施四川盆地某实际工区的垂直地震剖面数据的分离结果示意图；其中，图7(a)为四川盆地某实际工区的垂直地震剖面数据，图7(b)为本发明分离获得的上行波结果，图7(c)为本发明分离获得的下行波结果。
具体实施方式
[0048]
下面结合附图和实施例对本发明进一步说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本技术使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
[0049]
如图1所示，本发明提供一种基于数据驱动的垂直地震剖面上下行波智能分离方法，包括以下步骤：
[0050]
s1：收集测井资料，所述测井资料包括速度信息和密度信息；
[0051]
在一个具体的实施例中，收集测井资料时，收集来自不同地质背景和不同储层类型的测井资料。在本实施例中，通过收集来自不同地质背景和不同储层类型的测井资料，能够使得后续训练获得的回归模型能够适用于各种不同工区的垂直地震剖面数据的上下行波分离。
[0052]
需要说明的是，在使用本发明时，也可根据目标垂直地震剖面数据所处的地质背景以及储层类型，收集与目标垂直地震剖面工区相同或类似的工区的测井资料，如此能够使得训练获得的回归模型在分离该目标垂直地震剖面数据时，分离结果更加准确。
[0053]
另外，收集测井资料时，根据需要可对所述测井资料进行预处理，删除收集到的数据中的无效值。对于无效值的认定方法为现有技术，在此不再赘述。
[0054]
s2：根据所述测井资料，建立地层模型并定义地震观测系统，然后基于垂直地震剖面波场传播方程进行数值模拟，获得模拟的上下行波数据，并将所述模拟的上下行波数据进行组合获得模拟的总波场数据；
[0055]
在一个具体的实施例中，所述垂直地震剖面波场传播方程为：
[0056][0057][0058]
式中：un、u
n+1
分别为第n层、第n+1层的上行波数据；dn、d
n+1
分别为第n层、第n+1层的下行波数据；rn为第n层地下介质的反射系数；pn为第n层地下介质的正传播作用；p
n-1
为第n层地下介质的反传播作用。
[0059]
可选地，当考虑地层的吸收衰减效应时，第n层地下介质的正传播作用pn通过下式进行计算：
[0060][0061]
式中：e为自然底数；f为频率；hn为层厚；qn为品质因子；vn为速度；i为虚数。
[0062]
在上述实施例中，通过考虑地层的吸收衰减效应能够使本发明获得的结果更符合实际地质情况，结果更加精确。
[0063]
可选地，所述品质因子qn通过下式进行计算：
[0064][0065]
式中：q
v,n
为与速度相关的品质因子；q
ρ,n
为与密度相关的品质因子；
[0066]qv,n
和q
ρ,n
均通过下式进行计算：
[0067][0068]
式中：q
ep,n
为第n层地下介质中与弹性参数(即速度v和密度ρ)相关的的品质因子；q1为第一层地下介质的品质因子；epn为第n层的弹性参数；ep0为自由表面处的弹性参数；q0为自由表面处的品质因子；ep1为第1层的弹性参数。
[0069]
在一个具体的实施例中，基于垂直地震剖面波场传播方程进行数值模拟时，具体包括以下子步骤：
[0070]
s21：定义一个包括反射和衰减物理效应的层矩阵mn：
[0071][0072]
s22：根据所述层矩阵mn计算整个地层传播过程中的上行波数据和下行波数据：
[0073][0074]
步骤s2中，将所述上下行波数据进行组合获得总波场数据时，所述总波场数据通过下式进行计算：
[0075]
w＝u+d (8)
[0076]
式中：w为总波场数据；u为上行波数据；d为下行波数据。
[0077]
s3：建立多任务学习的神经网络，以所述模拟的总波场数据作为数据输入，以所述模拟的上下行波数据作为数据输出，对所述多任务学习的神经网络进行训练，获得回归模型；
[0078]
在一个具体的实施例中，如图2所示，所述多任务学习的神经网络包括八个卷积层，其中前三个卷积层用于构建神经网络的编码层，并在编码过程中使用最大池化层扩大神经网络的感受野：第四个卷积层为神经网络的中间层；后四个卷积层用于构建神经网络的解码过程，并在解码过程中使用与池化层对称的上采样层来模拟池化的逆过程；前六个卷积层使用激活函数一进行激活，第七个卷积层和第八个卷积层进行多任务分流，并使用激活函数二进行数据导出。
[0079]
可选地，每个卷积层均为3*3内核的2维卷积运算，并搭配批量标准化bn；所述最大池化层采用2*2内核。在本实施例中，通过搭配批量标准化bn能够加快神经网络的收敛速度，通过所述最大池化层能够扩大神经网络的感受野，减少卷积运算引入的信息冗杂，提升神经网络的性能。
[0080]
可选地，所述激活函数一采用relu函数，所述激活函数二采用tanh函数。在本实施例中，两个激活函数的表达式分别为：
[0081]
relu(x)＝max(0,x) (9)
[0082][0083]
需要说明的是，激活函数的选择是深度学习中的一项策略性问题，在本实施例中，所述激活函数一采用了能够用于增强网络非线性表达能力的relu函数，所述激活函数二采用了值域范围更适合地震数据导出的tanh函数，两者共同作用于神经网络的激活表达，能够实现更高质量的上下行波输出效果。需要说明的是，在使用本发明时，也可根据精度等需求，选择现有技术中的其他激活函数。
[0084]
在本发明中，采用的神经网络为多任务学习的神经网络，其能够避免单独训练，从而实现更加高效智能的上下行波的分离。需要说明的是，除了上述实施例采用的多任务学习的神经网络外，也可采用现有技术中的其他多任务学习网络进行训练，其训练获得的回归模型同样能够实现目标垂直地震剖面数据的上下行波智能分离；只是在分离的准确度上，现有的其他多任务学习网络的分离准确度未达到本发明所述多任务学习的神经网络的分离准确度，使用时，可根据分离准确度需求进行选择，单就智能分离而言，现有技术中的其他多任务学习网络也可适用于本发明。
[0085]
在采用步骤s2获得的数据对所述多任务学习的神经网络进行训练时，上下行波智能分离可以看成一个深度学习的多任务映射：
[0086][0087]
式中：x为神经网络的输入；fi为第i个待解的映射关系；yi为第i个输出的任务分量；m为任务数。
[0088]
在求解f的正过程，神经网络net所执行的单分量任务i可以表示为：
[0089][0090]
对于神经网络训练所提取的上下行波数据特征，可以近似表示为：
[0091]
y＝bn[f(x*w+b)] (13)
[0092]
式中：y为输出特征；bn为批量标准化操作；f为激活函数；x为输入数据；w为网络权重；b为偏置单元。
[0093]
s4：对所述回归模型进行可行性测试，
[0094]
当所述可行性测试的结果不达标时，调整所述多任务学习的神经网络的训练样本，并优化网络参数，返回步骤s3进行重新训练；
[0095]
当所述可行性测试的结果达标时，以步骤s3获得的回归模型作为最终的分离模型，并利用所述最终的分离模型对目标垂直地震剖面数据进行上下行波分离。
[0096]
需要说明的是，所述可行性测试的结果是否达标是根据人为设定的阈值进行判断的。在一个具体的实施例中，通过结构相似性(ssim)和f-k谱判断回归模型是否可行，可选地，当预测结果与参考结果之间的ssim值达到0.9以上，认为(模型数据)的分离是有效的；f-k谱可进一步评价分离结果的保幅性，当预测结果的f-k谱与参考谱越相似，分离效果越好。
[0097]
在一个具体的实施例中，采用本发明所述基于数据驱动的垂直地震剖面上下行波智能分离方法对四川盆地某实际工区的垂直地震剖面数据进行上下行波分离，具体包括以下步骤：
[0098]
收集测井资料。在本实施例中，收集的测井资料包括来自于鄂尔多斯盆地、琼东南盆地等地的10份测井资料。对收集的测井资料数据进行整理，选择纵波速度和密度曲线，统一单位为米制，剔除数据中的无效值，再根据公式(4)-(5)换算品质因子，并按照1m的厚度将测井数据划分为若干个地层，其中每个地层的速度、密度等参数为该层测井参数的平均值。
[0099]
在本实施例中，其中鄂尔多斯盆地的某井500-1000m的目的层段的数据建模如图3所示，其中，图3(a)为该井段的纵波速度、密度以及换算的品质因子曲线，图3(b)为根据图3(a)所示信息建立的地层模型，其中地层模型的背景填充为纵波速度。
[0100]
基于图3(b)所示的地层模型，定义地震观测系统，井口与震源地理点重叠，用于模拟理想的零偏移距垂直地震剖面数据，检波器被等距放置在井下，设置间隔为10m，检波器采样率为2毫秒，采样时间为0.3秒至1.5秒。
[0101]
基于图3(b)所示的地层模型以及上述的定义观测系统，利用公式(1)-(2)所示的垂直地震剖面波场传播方程进行数值模拟，模拟结果如图4所示，图4中的纵横坐标与图3(b)所示的地层模型的纵横坐标相反，模拟数据横坐标为接收器的深度，纵坐标为波场传播时间；其中，图4(a)为获得的模拟上行波数据，图4(b)为获得的模拟下行波数据，图4(c)为图4(a)的模拟上行波数据和图4(b)的模拟下行波数据进行波场叠加组合获得的模拟总波场数据，该数据可被视为鄂尔多斯盆地某井目的层段的理想垂直地震剖面波场信号。
[0102]
采用上述方法对剩余的9口井分别开展数据建模，模拟出不同类型的上下行波数据，将这10口井获得的数据用于构建独立的、完备的训练集，使其具备基于物理驱动和含有地质意义的优势。
[0103]
将上述模拟获得的数据集切割为3
×
38412个64
×
64的训练块，多任务深度学习将以训练块的形式进行网络训练。在本实施例中，采用的多任务学习的神经网络如图2所示，该多任务学习的神经网络总共包括八个基础卷积层，前三个基础卷积层用于构建网络的编码层，第四层为网络的中间层，后四个基础卷积层层用于构建网络的解码过程，并在最后两个卷积层进行多任务分流。
[0104]
在本实施例中，设置了100个周期的迭代训练，得到回归模型。这个过程中，均方误差损失函数由3.3e-2
降至1.5e-6
，这指示训练有效。
[0105]
模拟一个验证集数据，并增加二维高斯变形等操作，使其不同于上述训练集数据，以测试本发明所述回归模型的分离性能，结果如图5所示；其中，图5(a)为验证集数据，其为图5(b)所示的参考上行波和图5(c)所示的参考下行波进行波场叠加得到的总波场数据，图5(b)为参考上行波，图5(c)为参考下行波，图5(d)为本发明分离获得的上行波，图5(e)为本发明分离获得的下行波。
[0106]
对比图5(b)和图5(d)以及对比图5(c)和图5(e)可以看出，本发明的分离结果和参考结果几乎没有差异。对不同的波场结果分别进行结构相似性(ssim)分析，本发明的分离上行波与参考上行波之间的ssim值为0.94，下行波的ssim值为0.97，这说明理想结果与实际分离结果相似性很好，没有明显的图像失真。
[0107]
进一步对分离结果开展频率波数(f-k)谱分析，结果如图6所示；其中，图6(a)和图6(b)为分别为参考上行波数据和本发明分离的上行波数据的f-k谱，图6(c)和图6(d)分别为参考下行波数据和本发明分离的下行波数据的f-k谱。从图6可以看出，f-k谱没有明显的
能量损失，指示本发明分离方法的保幅性较好。
[0108]
根据上述验证集的分离性能测试可知，本实施例所使用的回归模型分离性能较好，通过了技术的可行性验证，将其作为本发明最终的分离模型。
[0109]
以上述步骤获得的最终的分离模型对四川盆地某实际工区的垂直地震剖面数据进行上下行波分离测试，结果如图7所示；其中图7(a)为四川盆地某实际工区的垂直地震剖面数据，图7(b)为本发明分离获得的上行波结果，图7(c)为本发明分离获得的下行波结果。从图7可以看出，相比于模型数据，真实的垂直地震剖面数据具有更复杂、更紊乱的波场特征，上行波能量被下行波严重压制，为精确分离两种波场增加了困难；然而本发明还是能够很好的分离出其中的上行波和下行波，且本发明避免了冗杂的数据处理流程，且不需要主观的阈值选择，为高效智能分离垂直地震剖面数据上下行波场提供了一种新的途径。
[0110]
综上，本发明能够更加高效、智能、准确地分离垂直地震剖面数据的上下行波。与现有技术相比，本发明具有显著的进步。
[0111]
以上，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：
1.一种基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，包括以下步骤：s1：收集测井资料，所述测井资料包括速度信息和密度信息；s2：根据所述测井资料，建立地层模型并定义地震观测系统，然后基于垂直地震剖面波场传播方程进行数值模拟，获得模拟的上下行波数据，并将所述模拟的上下行波数据进行组合获得模拟的总波场数据；s3：建立多任务学习的神经网络，以所述模拟的总波场数据作为数据输入，以所述模拟的上下行波数据作为数据输出，对所述多任务学习的神经网络进行训练，获得回归模型；s4：对所述回归模型进行可行性测试，当所述可行性测试的结果不达标时，调整所述多任务学习的神经网络的训练样本，并优化网络参数，返回步骤s3进行重新训练；当所述可行性测试的结果达标时，以步骤s3获得的回归模型作为最终的分离模型，并利用所述最终的分离模型对目标垂直地震剖面数据进行上下行波分离。2.根据权利要求1所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s2中，所述垂直地震剖面波场传播方程为：征在于，步骤s2中，所述垂直地震剖面波场传播方程为：式中：u
n
、u
n+1
分别为第n层、第n+1层的上行波数据；d
n
、d
n+1
分别为第n层、第n+1层的下行波数据；r
n
为第n层地下介质的反射系数；p
n
为第n层地下介质的正传播作用；p
n-1
为第n层地下介质的反传播作用。3.根据权利要求2所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，当考虑地层的吸收衰减效应时，第n层地下介质的正传播作用p
n
通过下式进行计算：式中：e为自然底数；f为频率；h
n
为层厚；q
n
为品质因子；v
n
为速度；i为虚数。4.根据权利要求3所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，所述品质因子q
n
通过下式进行计算：式中：q
v,n
为与速度相关的品质因子；q
ρ,n
为与密度相关的品质因子；q
v,n
和q
ρ,n
均通过下式进行计算：式中：q
ep,n
为第n层地下介质中与弹性参数相关的的品质因子；q1为第一层地下介质的品质因子；ep
n
为第n层的弹性参数；ep0为自由表面处的弹性参数；q0为自由表面处的品质因
子；ep1为第1层的弹性参数。5.根据权利要求2-4中任意一项所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s2中，基于垂直地震剖面波场传播方程进行数值模拟时，具体包括以下子步骤：s21：定义一个包括反射和衰减物理效应的层矩阵m
n
：s22：根据所述层矩阵m
n
计算整个地层传播过程中的上行波数据和下行波数据：步骤s2中，将所述上下行波数据进行组合获得总波场数据时，所述总波场数据通过下式进行计算：w＝u+d (8)式中：w为总波场数据；u为上行波数据；d为下行波数据。6.根据权利要求1所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s3中，所述多任务学习的神经网络包括八个卷积层，其中前三个卷积层用于构建神经网络的编码层，并在编码过程中使用最大池化层扩大神经网络的感受野：第四个卷积层为神经网络的中间层；后四个卷积层用于构建神经网络的解码过程，并在解码过程中使用与池化层对称的上采样层来模拟池化的逆过程；前六个卷积层使用激活函数一进行激活，第七个卷积层和第八个卷积层进行多任务分流，并使用激活函数二进行数据导出。7.根据权利要求6所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，每个卷积层均为3*3内核的2维卷积运算，并搭配批量标准化bn；所述最大池化层采用2*2内核。8.根据权利要求6或7所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，所述激活函数一采用relu函数，所述激活函数二采用tanh函数。9.根据权利要求1-8中任意一项所述的基于数据驱动的垂直地震剖面上下行波智能分离方法，其特征在于，步骤s1中，收集测井资料时，收集来自不同地质背景和不同储层类型的测井资料。

技术总结
本发明公开了一种基于数据驱动的垂直地震剖面上下行波智能分离方法，包括以下步骤：S1：收集测井资料，包括速度信息和密度信息；S2：建立地层模型并定义地震观测系统，然后基于垂直地震剖面波场传播方程进行数值模拟，获得模拟的上下行波数据，并组合获得模拟的总波场数据；S3：建立多任务学习的神经网络，根据步骤S2获得的数据对神经网络进行训练，获得回归模型；S4：进行可行性测试，当结果不达标时，调整训练样本并优化网络参数，返回步骤S3进行重新训练；当结果达标时，以步骤S3获得的回归模型作为最终的分离模型，并利用其对目标垂直地震剖面数据进行上下行波分离。本发明能够更加智能、高效、准确地分离垂直地震剖面数据的上下行波。下行波。下行波。


技术研发人员：周怀来 陶柏丞 杨宇勇 李悟
受保护的技术使用者：成都理工大学
技术研发日：2023.05.26
技术公布日：2023/9/23