摘要
深度神经网络（DNN）是一种人工神经网络，通过多个隐藏层在输入和输出之间建立复杂的模式和更强的非线性关系，这使其适用于各种地球物理应用。DNN是一种强大的工具，可以为解决地球物理问题提供新的见解和解决方案，例如地球物理数据预测、分类和增广。DNN比较稳健、泛化性强，在图像分割问题上可以有效地应用于大量新的地震数据。DNN在特征自动提取、学习复杂关系以及捕捉弹性岩石参数预测的非线性和时间相关性方面超过了其他方法。此外，DNN可以用于数据增广，以提高模型的稳健性，减少过拟合和对新数据的需求，特别是当可用数据由于时间或经济因素而有限或难以获得时。在本研究中，利用DNN是为了解决横波速度预测、地震初至拾取和总有机碳（TOC）数据增广方法的局限性。 地震横波速度是地震反演、储层表征和岩土工程分析的重要弹性参数。横波速度可以识别地下地层中的基质矿物、地层孔隙度和流体含量，例如天然气藏。然而，由于技术或经济原因，大多数测井资料通常没有横波速度数据。因此，提出了经验公式和岩石物理模型，以建立弹性岩石性质之间的非线性关系，并预测横波速度。然而，经验公式通常仅对特定工区有效，并且需要比较耗时的校准才能在其他工区应用。此外，岩石物理模型需要许多参数才能得到可靠的结果，而这些参数很难获得（例如矿物含量、孔隙纵横比和地层压力）。另一方面，递归神经网络（RNN）可以自动有效地发现测井数据与横波速度之间未知的非线性关系，尤其是在复杂的地质区域。尽管RNN很有前途，但RNN在预测长序列方面有局限性，尤其是当不考虑横波速度的时间空间变化时。 地震初至拾取在地震数据处理中非常重要，初至信号可以提供地震波速度信息，推断近地表地质构造，并改进地下构造的地震成像。然而，手动拾取初至是一项耗费人力、耗时且效率低的任务，尤其是对于海量地震数据。此外，传统的初至拾取方法精度不高，特别是工区具有复杂的地质条件，如断层、岩性不整合或剧烈的横向速度变化。基于深度神经网络的U-Net可以以自动化、高效和准确的方式进行初至拾取。U-Net可以比手动拾取更快地处理大量地震数据。U-Net学习地震数据中的复杂模式，并捕获人工可能难以察觉的细微特征。但是，U-Net对噪声也很敏感，并且在具有高度非均质性的复杂地质结构中难以提取初至。 TOC 含量在油气勘探中很重要，因为它可以评估沉积岩中有机物的来源、质量和热成熟度以及生烃能力。因此，较高的TOC含量通常表明碳氢化合物生成的潜力更大。但是，由于昂贵的岩心取样和专门的分析技术，很难获得连续可靠的TOC 数据。因此，用较少的样本基于深度学习方法预测 TOC 含量是比较困难的（即，少样本学习，few-shot learning），尤其是在缺乏高TOC含量数据的情况下。生成对抗网络（GAN）可以用于TOC含量数据增广，因为它们能够生成类似于真实 TOC 含量数据分布的可靠结果。然而，当 TOC 含量数据稀缺或可用数据不能代表整个数据集时，GAN 很难训练，并且在控制 TOC 含量数据生成方面有局限性。 本论文提出了基于DNN的三种方法。一是地震横波速度预测方法，它考虑地震和测井资料的时间空间关系，以提高横波速度预测的准确性和可靠性；二是地震初至信号拾取方法，基于DNN来提高含噪地震数据应用的准确性和稳定性；三是TOC含量数据的增广方法，旨在解决缺少高TOC含量数据的不稳定问题。 首先，提出了一种基于图卷积神经网络（GCN）和RNN变体的横波速度预测方法。GCN学习数据的时间和空间关系，识别内在模式，并确定用于横波速度预测的相关信息。长短期记忆（LSTM）和双向门控递归单元（BiGRU）则考虑时间－深度关系来预测横波速度。测井曲线用于构建图拓扑，测井数据是节点特征，其相关系数是加权边。该工作流程将总信息系数（TIC）作为外部知识来提取测井数据之间的非线性关系，并捕获与深度的鲁棒不变相关性，提高预测精度，提高模型的可解释性。还研究了一个图神经网络（GNN），用于根据附近样本的邻近度来识别和去除异常值。此外，实现了完全自适应噪声集合经验模态分解（CEEMDAN），以构建对特定地层和地质特征敏感的时频特征，从而提高了模型的准确性。结果表明，与 Castagna 公式和 DNN 相比，本文预测横波速度具有较高的准确性和可靠性。 其次，提出了一种基于U-Net变体的地震初至拾取方法。U-Net将地震炮集记录划分为地震初至之前和之后的两个区域，并从边界提取初至。比较了基于不同架构和复杂性的U-Net变体上的初至拾取性能，包括U-Net、宽U-Net、U-Net++和注意力 U-Net。此外，U-Net 变体通过四分位间距（IQR）地震信号增强和视速度约束（AVC）来实现。地震信号增强结合了几何扩展校正、IQR限幅和RMS归一化，以增强地震能量并平衡信噪比（SNR），从而提高U-Net的分类性能。而且， AVC通过在地震初至周围建立上下边界，提高了地震炮集记录上的分类准确率，并减少了炮集记录中像素的错误分类。约束区域内像素的分类保持不变，而区域外像素的错误分类会被纠正。陆上地震数据集的结果表明，对于训练数据和测试数据，在存在相干和随机噪声以及中、远偏移距地震能量较低的区域，该工作流程可以从二维地震炮集中准确拾取初至。 第三，提出了条件生成对抗网络（CGAN）来生成具有少量高TOC含量样本的可靠TOC含量数据。CGAN使用石油地球化学信息作为输入条件来指导新样本的生成。CGAN对生成器网络进行训练，来提取测量的TOC含量样本的分布，并对鉴别器网络进行训练，来评估生成的TOC含量样本质量。此外，马哈拉诺比斯（Mahalanobis）距离约束消除了异常值，并根据它们与分布中心的距离来平衡分布。结果表明，所提出的方法生成了可靠的TOC含量样本，这些样本保留了测量的 TOC 含量分布的特征及其内在的弹性岩石关系，从而提高了它们的相关系数。
NETL