| 名 称 | 生成对抗网络叠前弹性参数反演数据 |
|---|---|
| 科技资源标识 | 
CSTR:11738.11.NCDC.XDA14.DB4199.2024
|
数据共享方式 | 开放下载 |
| 摘 要 | 深度学习地震反演通常采用实际地震和测井数据来训练网络建立统计关系。然而，测井数据有限且稀疏分布，地震数据缺少标签，测井数据的局部信息使网络泛化能力较差。此外，地震或测井数据中的噪声难以估计，使用受噪声污染数据训练的网络的反演结果是不稳定的。已有研究表明，训练数据集在深度学习中发挥着重要作用，由充足数据集训练的网络总是优于少量数据训练的网络。 我们首先从弹性参数模型空间遍历采样，设置纵波速度 的分布范围为2000~6500m/s，横波速度 分布范围为1000~4500m/s。第二步，随机搭配纵、横波速度，限制泊松比为0.05~0.45来对自由匹配的纵、横波速度进行约束。我们选用Gardner经验公式来生成密度数据，然后以Gardner关系生成的密度作为均值，统计得到密度的方差0.115作为高斯扰动的方差，在Gardner关系基础上再次进行高斯模拟采样，以扩大密度数据空间，从而获得完备的纵波、横波和密度弹性参数数据集。然后，随机选取两组弹性参数来构建一个个反射界面，随机组合反射界面即可形成若干反射系数序列。最后，我们引入Zoeppritz方程以及褶积模型正演得到AVA道集。 该完备弹性参数数据集能够涵盖等多种类型数据，包括但不限于碳酸岩数据、碎屑岩数据以及岩石物理模型生成的数据，基于完备数据集训练的网络适用于多种不同的复杂地质情形，对实际数据也有较好的泛化能力。可应用于中国西部木盆地超深层碳酸岩储层实际数据的弹性参数反演。 |
| 学科分类 | |
| 关键词 | |
| 作者 | 耿建华 |
| 数据量 | 3.0 GiB |
| 采集时间 | 2017-01-01 - 2023-01-01 |
| 采集地点 | 计算机模拟（适用于塔里木盆地超深碳酸岩储层） |
| 数据空间分辨率(/米) | 1ms |
| 数据时间分辨率 | 1ms |
fake_1260_Amp_t70_t74_300_20_final_SNR30.mat，模拟AVA道集数据集（SNR=30），所用子波为14Hz实际地震子波（无量纲）；共20020组。每组数据时间长度300ms，2-38度，2度间隔 fake_1260_vp_t70_t74_300_20_final_14Hz.mat，模拟纵波速度数据集（m/s）；共20020组，每组数据时间长度300ms。 fake_1260_vs_t70_t74_300_20_final_14Hz.mat，模拟横波速度数据集（m/s）；共20020组，每组数据时间长度300ms。 fake_1260_rho_t70_t74_300_20_final_14Hz.mat，模拟密度数据集（g/cc）；共20020组，每组数据时间长度300ms。
数据来自于实验生成。具体生成方法参考文献：Shuai Sun, Luanxiao Zhao, Huaizhen Chen, Zhiliang He, Jianhua Geng, Pre-stack elastic parameters inversion via model-data-driven generative adversarial networks. Geophysics,2023,88(2): M87-M103.
数据格式为.mat格式数据。可以直接导入到matlab进行可视化，也可用其他软件实现可视化。生成数据时涉及的算法：（1）泊松比计算公式（Mavko，1998），Gardner密度经验公式（Gardner等，1974）。（2）Zoeppritz方程（Zoeppritz,1919）和褶积模型（Robinson，1985）。
完整数据集生成过程：1.通过遍历弹性参数空间采样、泊松比约束、高斯模拟采样，得到模拟弹性参数数据集；2，加入工区低频地质背景；3.利用Zoeppritz方程进行AVO正演，获取模拟数据叠前AVO波形数据集；4，向模拟道集中加入信噪比为30的高斯噪音。使用模拟数据训练网络来建立AVO叠前道集和弹性参数之间的物理映射关系，最后，将实际道集输入到训练好的网络中。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
