基于时间卷积网络的地震波阻抗反演

近些年来,深度学习网络的兴起极大地推动了人工智能技术在地震数据处理、反演以及解译等领域的应用.地震波阻抗反演是石油地震勘探领域的一项关键技术,其反演精度在圈定油气储层构造中起到非常重要的作用.提出了一种基于数据驱动时间卷积网络（temporal convolution network,TCN）模型的地震波阻抗反演方法,旨在无需建立初始反演模型,直接利用工区的少量测井标签数据,以地震振幅数据为输入,将波阻抗反演转化为时间序列建模任务,最终输出地下模型的阻抗信息.采用Marmousi2数据集对基于TCN的波阻抗反演模型进行训练、验证和测试,结果显示,在测试集上该模型预测结果的皮尔逊系数和决定系数分别达到97.92%和95.95%,并对远离训练区域的波阻抗信息预测有着良好的泛化性,且在预测时间和预测精度等方面都要明显优于前人的相关研究工作.上述结果表明,TCN时间序列深度学习模型在复杂地层波阻抗反演中具有一定优越性和应用前景,为地震波阻抗反演提供了新思路.      

超短时线性台阵背景噪声成像技术在浅层地质结构探测中的应用

背景噪声地震成像方法已被广泛应用于探测壳幔深部结构;近些年来,该方法在浅地表结构成像中的应用研究也在蓬勃发展,然而近地表场源不均匀等因素导致高频面波信号往往难以准确恢复,以牺牲时间来提高信噪比的观测方式会极大限制其在工程勘查中的应用.本文尝试讨论超短时背景噪声成像技术在浅层地质结构探测中的应用效果.笔者利用湖北应城地区超短时(1 h)线性台阵地震背景噪声记录,使用被动源面波多道分析法从虚拟炮集中提取相速度频散曲线,通过反演获取了浅地表二维横波速度结构.结果表明,利用本文方案可以恢复高信噪比面波信号、获取高信噪比的频散能量以及拾取高精度相速度;反演速度结构与实际测井数据吻合度好,成像结果有效揭示了测区150 m以浅的地层结构,证明了超短时背景噪声成像技术在浅层地质结构调查中具有很大的应用潜力．