CN116359992B 无监督脆性参数反演方法、装置及介质 （西南石油大学）

开了一种无监督脆性参数反演方法、装置及介明使用了一个理论数据和一个工区实际数据进2获取叠前地震数据，并进行部分叠加得到多角度地震数据S，将所述正演地震数据S`与原始地震数据S的误差反传回所述深度学习网络，同时将所述预测脆性参数PL和所述低频初始模型L0的部分误差反传给所述深度学根据反传的正演地震数据S`与原始地震数据S的误差训练网络迭代R(θ)＝a(θ)R_Eρ+b(θ)R_σ+c(θ)R_ρR_Eρ为Eρ反射系数，Lδ—泊松比的自然对数；使用角度相关的子波矩阵W(θEρ3正演方程算子A＝WBD；到正演地震数据S`，计算正演地震数据S`与原始地震数据S的误差反传回所述深度学习网络，同时将所述预测脆性参数PL和所述低频初始模型L0的部分误差反传给所述深度学习网预测单元，被配置为根据反传的正演地震数据S`与原始地震数据S的误差训练网络迭R(θ)＝a(θ)R_Eρ+b(θ)R_σ+c(θ)R_ρLδ—泊松比的自然对数；使用角度相关的子波矩阵W(θEρ45[0002]目前，针对储层的脆性预测主要通过地球物理反演以及测井数据计算等几类方是由于该方程形式比较复杂，不方便利用，因此不同的学者对其做近似处理。Aki和理论依据。Goodway提出使用拉梅参数和剪切模量表示脆性的新公式。宗兆云在Aki&Richard近似式的基础上推导了YPD近似方程，建立了纵波反射系数与杨氏模量反射系数、泊松比反射系数及密度反射系数的线性关系，提供了直接反演杨氏模量和泊松比的方法。WBD；[0008]将所述预测脆性参数PL与所述正演方程算子A进行矩阵相乘得到正演地震数据S测脆性参数PL和所述低频初始模型L0的部分误差反传给所[0009]根据反传的正演地震数据S`与原始地震数据S的误差训练网络迭代更新网络参数6[0031]误差确定单元，被配置为将所述预测脆性参数PL与所述正演方程算子A进行矩阵7相乘得到正演地震数据S`，计算正演地震数据S`与原始地震数据S的误差反传回所述深度学习网络，同时将所述预测脆性参数PL和所述低频初始模型L0的部分误差反传给所述深度[0032]预测单元，被配置为根据反传的正演地震数据S`与原始地震数据S的误差训练网8杂度较低，训练和收敛速度快。同时充分利用GPU并行和CUDA加速可进行大规模数据的处9LSTM、GRU等)网络相比，FastFormer是一种在线性复杂度下就可以实现上下文建模的常规的循环神经网络与其他Transformer变[0089]在步骤S300中，将所述预测脆性参数PL与所述正演方程算子A进行矩阵相乘得到同时将所述预测脆性参数PL和所述低频初始模型L0的部分误差反传给所述深度学习网络进[0090]最后在步骤S400中，根据反传的正演地震数据S`与原始地震数据S的误差训练网[0110]误差确定单元1403，被配置为将所述预测脆性参数PL与所述正演方程算子A进行矩阵相乘得到正演地震数据S`，计算正演地震数据S`与原始地震数据S的误差反传回所述深度学习网络，同时将所述预测脆性参数PL和所述低频初始模型L0的部分误差反传给所述[0111]预测单元1404，被配置为根据反传的正演地震数据S`与原始地震数据S的误差训最优的网络参数优化所述深度学习网络，并基于优化后的深度学习网络直接预测脆性参均应涵盖在本发明的权利要求和说明书的范