面向断溶体缝洞储层的智能化散射波地震成像方法

杨继东 孙加星 黄建平 李振春 秦善源 于由财

收稿日期：2023-04-30

基金項目：中石油重大科技合作项目（ZD2019-183-003）；国家自然科学基金项目（41774133，42074133）；国家重点研发计划（2019YFC0605503C）；“十四五”重大项目（2021QNLM020001）；优秀青年科学基金项目（41922028）；国家创新群体项目（41821002）

第一作者：杨继东（1990-），男，教授，博士，博士生导师，研究方向为油气勘探及地壳/地幔不同尺度地震成像与反演理论方法。E-mail：Jidong.yang@upc.edu.cn。

通信作者：孙加星（1994-），女，博士研究生，研究方向为人工智能在地震领域应用。E-mail：B20010035@s.upc.edu.cn。

文章编号：1673-5005（2024）02-0067-07    doi：10.3969/j.issn.1673-5005.2024.02.007

摘要：为促进断溶体缝洞型储层的高效勘探开发，在强反射背景下利用绕射波信号实现小尺度地质体的高精度成像，提出一种反射波和绕射波智能化分离及联合成像方法。根据反射波和绕射波在倾角域成像道集中的几何特征差异，首先搭建生成对抗神经网络（GANs），实现反射波和绕射波的运动学识别和分离；其次，根据波形振幅特征，利用自适应相减实现反射和绕射动力学分离；最后，将分离的道集进行叠加成像，获得能够反映连续阻抗界面的反射波成像结果和可以反映小尺度地质体的绕射波成像结果。结果表明，所提出的方法可以有效提高断溶体储层的成像精度，实现小尺度溶洞地质目标体高精度地震成像。

关键词：断溶体； 绕射波分离； 深度学习； 倾角域共成像点道集； 地震成像

中图分类号：P 631.4    文献标志码：A

引用格式：杨继东，孙加星，黄建平，等.面向断溶体缝洞储层的智能化散射波地震成像方法［J］.中国石油大学学报（自然科学版），2024，48（2）：67-73.

YANG Jidong， SUN Jiaxing， HUANG Jianping， et al. Intelligent diffractions imaging method for fault-karst reservoir［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2024， 48（2）：67-73.

Intelligent diffractions imaging method for fault-karst reservoir

YANG Jidong， SUN Jiaxing， HUANG Jianping， LI Zhenchun， QIN Shanyuan， YU Youcai

（School of Geosciences in China University of Petroleum （East China）， Qingdao 266580， China）

Abstract：To exhance the efficient exploration and development of fractured reservoirs and achieve high-precision imaging of small-scale geological bodies amidst strong reflections， we propose an intelligent method for separating and imaging reflections and diffractions. Leveraging the geometric differences between reflections and diffractions in dip-angle domain gathers， we initially utilize generative adversarial neural networks （GANs） to kinematically identify and separate reflections and diffractions. Then， based on waveform amplitude characteristics， we adopt an adaptive subtraction method for dynamically separating reflections and diffractions. Ultimately， the separated gathers are stacked to produce reflector images， depicting the subsurface continuous impedance interfaces， and diffractor images， revealing small-scale geological bodies. Numerical experiments conducted on synthetic and field data validate the efficacy of the proposed method in enhancing imaging accuracy of fault karsts and achieving high-resolution seismic imaging of small-scale geological targets.

Keywords：fault-karst; diffraction separation; deep learning; dip-angle domain common-image gather; seismic imaging

断溶体为塔里木盆地奥陶系一种重要的碳酸盐岩储集体，常表现为单个“串珠”状反射或强、弱“串珠”反射群等特征，是当前油气勘探开发的重要目标之一［1］。该类地质目标体的地震响应表现为复杂的绕射波信号，其携带地震高分辨率信息，并具有不受瑞利准则限制、宽方位、多角度照明等优势［2-4］。随着油气田勘探开发的需求，将反射波作为主要研究对象的常规勘探方法已经无法满足精度要求。早在20世纪50年代，Krey和Hagedoorn［5-6］阐述了绕射波在地震学研究中的重要作用，随后Trorey等［7-8］对绕射波场特征进行了一系列基础性研究。Landa等［9］利用平面波解构滤波器在成像道集上压制反射波并提取绕射波信号。张剑峰等［10］通过切除叠前时间偏移道集中的菲涅耳带，来压制反射波和提取绕射波。李晓峰等［11］在传统的Kirchhoff偏移算子中引入反稳相滤波器，使满足Snell定律的镜面反射得到有效压制，从而凸显绕射能量。Silvestrov等［12］使用逆时偏移计算成像道集，并利用高分辨率Radon变换实现绕射波分离和绕射波叠加成像。刘培军等［13］在常规深度域高斯束偏移积分中引入反稳相滤波器，将绕射波分离与成像方法推广到深度域。杨城增［14］提出一种叠前绕射波分离方法，得到共炮点道集绕射波场。近些年来，智能方法在地球物理领域得到广泛关注。Zhao［15］基于神经网络实现了地震岩相分类。Pham等［16］应用人工智能方法成功预测地震油气储层分布情况。Wu等［17］训练端对端卷积神经网络从地震剖面中识别和提取出断层。Sun等［18］利用卷积神经网络强大的特征识别能力，在倾角域实现绕射波高精度地震成像。王棕俊等［19］基于深度学习实现了复杂断裂系统约束下的自相控叠前反演方法。除此之外，人工智能已成功应用到初至波拾取及噪音压制等地震资料处理领域［20-24］。在倾角域共成像点道集（DACIG）中，绕射波和反射波具有明显的几何形态差异。为充分利用地震倾角域共成像点道集中反射波和绕射波的几何形态差异，笔者提出一种基于反射波和绕射波波形运动学几何特征的智能识别和分离方法，实现断溶型油气高精度地震勘探。

1  基本原理

1.1  基于卷积神经网络的地震波形智能识别框架

针对反射波和绕射波相互干涉导致绕射波特征提取困难的问题，本文中搭建一种基于卷积神经网络结构的generative adversarial networks （GANs）框架，实现数据驱动的高泛化智能波形识别。Goodfellow 等［25］提出的GANs网络框架是一种基于“零和博弈”思想的生成神经网络，通过在两个神经网络的对抗训练过程中反向传播梯度来优化更新网络内部参数，最终实现对目标域中整体数据分布进行建模和预测。GAN主体框架由一个生成网络G和一个判别网络D组成（图1）。本文中生成器网络G用来从全波场道集中识别和提取呈现“凹”型形状的反射波响应，判别网络D来判断所接收的反射波倾角域道集是生成网络从全波场道集中识别和提取的反射波道集还是训练数据集中的标定反射波道集，并将判别的概率结果反向传播给生成器和判别器自身来对两个网络的内部参数进行迭代优化。在GANs网络训练过程中，生成网络G的目标就是尽量从全波场道集中识别、提取和标定反射波道集相同的反射波响应去欺骗判别网络D。而判别网络D的目标就是尽量辨别出生成网络G从全波场道集提取和分离出来的反射波道集。在这个过程中，生成网络G和判别网络D就构成了一个动态的“博弈过程”，当生成网络G从全波场道集中识别和提取出的反射波道集与标定反射波道集十分相似，判别网络D再无法判定生成器输出的反射波道集是来自网络预测还是标定数据集时，整个网络就达到了平衡。此时，两种网络模型的内部参数达到最佳优化，生成模型G已经从全波场道集中学习到了反射波的波形特征。

kinematic characteristics

1.2  曲波域自适应相减技术

人工智能算法可以准确预测运动学信息，但动力学信息可能不准确，因此在本文中需要使用匹配滤波器来校正预测反射波道集中的振幅属性，以匹配全波场道集中的反射波响应，实现准确的动力学分离［26］。

利用曲波域自适应相减方法从全波场道集中移除反射波响应。神经网络预测的反射响应Epreref匹配全波场道集中的反射能量

Eobsref表达式如下：

Eobsref≈C-1diag {w}CEpreref.（1）

式中，w为在曲波域将Epreref映射成Eobsref的尺度因子；C为离散曲波变换。通过在方程（1）中添加正则化项，可以有效避免由曲波变换和过度拟合引起的不确定性问题，方程（1）可表示为

Eobstotal0=C-1diag {CEpreref}γSw.（2）

式中，Eobstotal为由反射波和绕射波组成的全波场倾角域道集；S为作用在尺度因子w上的平滑算子；γ控制平滑程度。尺度因子w可通过最小化以下目标函数求解：

J（w）=12E-Fw22.（3）

上述问题可以使用Broyden-Fletcher-Goldfarb-Shanno（BFGS）算法求解，梯度计算公式为

grad J（w）=diag {w}［FT（Fw-E）］.（4）

其中

F=C-1diag {CEpreref}

γS， E=Eobstotal0.

1.3  智能化繞射波地震成像实现流程

（1）针对既包含小尺度绕射体又包含连续反射界面的速度模型和仅包含反射界面的速度模型，利用地震正演模拟计算全波场和仅包含反射波的地震记录。

（2）利用全波场地震记录和偏移速度模型作为高斯束偏移的输入，计算全波场倾角域共成像点道集和全波场成像叠加剖面；利用仅包含反射波的地震记录和相应偏移速度模型，计算反射波倾角域共成像点道集。

（3）针对反射波和绕射波相互干涉导致的反射波特征提取困难问题，搭建一种GANs框架实现数据驱动的高泛化智能波形识别。

（4）将全波场和反射波倾角域共成像点道集分别作为智能框架的输入和输出，对智能波形识别神经网络内部参数进行优化更新，确定最优的网络参数集，使其具备可以从全波场道集中提取反射波形特征的能力。

（5）使用自适应相减策略，将神经网络提取的反射波与全波场道集的反射波进行匹配相减，获得高精度绕射波分离道集和成像叠加剖面，提高对地下小尺度目标体的识别精度。总体实现流程如图2所示。

2  实验算例

本文中采用两个断溶体模型来验证所提出方法可以有效提高小尺度地质体成像精度的可行性。第一个断溶体模型及对应的反射层模型如图3和图4所示，模型大小为500×2000，网格间距为10 m。主频为20 Hz的Ricker子波作为震源函数，200炮均匀分布在地表上，每炮由500个检波点记录地震数据。

基于地震正演模拟和高斯束深度偏移方法，首先得到断溶体模型的全波场偏移成像结果（图5）和2000个既包含反射波又包含绕射波的全波场（图6第1列）和仅包含反射波（图6第2列）的倾角域共成像点道集数据对。从全波场成像结果中可以看出，能量较弱的绕射目标在全波场成像剖面中由于被强反射淹没而无法准确识别。然后将全波场倾角域道集作为神经网络输入，

反射波倾角域道集作为神经网络输出对搭建的GANs神经网络内部参数进行优化训练，最终实现利用GANs神经网络从全波场倾角道集中自動识别和提取呈现“笑脸”形状的反射波响应。图6第3列为利用训练好的GANs神经网络从全波场道集中自动识别和提取的反射波响应，对应的反射波叠加成像剖面如图7所示。可以看出，呈现“笑脸”形状的具有稳相顶点的反射波响应被

GANs神经网络清晰识别，并且对应的叠加成像剖面可以很好地反映较大尺度连续地层界面。图6第4列为从全波场道集中自适应减去网络预测反射波道集得到的绕射波道集，对应的叠加成像剖面如图8所示。可以看出，在自适应相减得到的绕射波道集中反射波能量得到极大程度的压制，绕射波能量被完好地保留下来，同时在对应的绕射波成像剖面中断溶体小尺度地质体成像精度高，连续反射层成像能量弱。

本文中利用另外一个断溶体模型来验证所提出的智能化断溶体储层高精度成像方法的迁移学习能力。真实速度和偏移速度模型分别如图9和10所示，全波场偏移成像结果如图11所示，模型大小为500×700，网格间距为10 m。主频为20  Hz的Ricker子波作为震源函数。80炮均匀分布在地表上，每放一炮由500个接收器接收地震数据。时间采样为1 ms，地震记录接收时间为4 s。

图12为两个不同CDP位置处的倾角域道集。第1列和第2列分别为全波场道集和GANs网络预测的反射波道集。可以看出，来自地下连续反射界面的反射波被训练好的智能网络很好地识别提取。通过沿倾角叠加GANs提取的反射波道集，获得了反射波成像剖面（图13），其中连续波阻抗界面清晰可见。全波场道集直接减去网络预测反射波道集得到的残余绕射波道集如图12第3列所示，绕射波道集中仍然残余大量反射能量，因此断溶体储层成像精度及分辨率较低（图14）。

相反，曲波域自适应相减方法可以有效压制残余在绕射波道集中的反射波能量，原先在全波场道集中被反射能量覆盖的弱绕射波同相轴相对增强，得到信噪比较高的绕射波道集（图12第4列），从而证明了智能化散射波分离方法的可行性和有效性。对应的绕射波叠加成像剖面（图15）可以准确指示断溶体储层位置，之前在全波场成像结果中被掩盖的溶洞目标体得到突显，这对地下小尺度绕射目标的准确识别具有重大意义。

3  结束语

提出一种基于反射波和绕射波波形运动学几何特征的智能识别和分离方法。首先，基于仅包含反射体的速度模型和既包含反射体又包含散射体的速度模型利用Born正演模拟和高斯束偏移方法计算反射波和全波场倾角域共成像点道集。然后，构建GANs网络框架，将全波场和仅含反射波的倾角域道集分别作为智能波形识别网络的输入和输出，对系统内部参数进行训练和优化，得到波形识别和提取效果最佳的网络参数集。随后，将训练好的神经网络应用于未参与神经网络参数训练过程的预测集，实现高精度倾角域绕射波和反射波的运动学分离。最后，引入自适应相减方法实现反射波和绕射波的完全动力学分离。数值算例表明，训练好的神经网络可以准确地将能量较强的反射波从全波场道集中识别并提取出来，且采用的自适应相减方法可以将神经网络预测的反射波和全波场道集的反射波进行振幅匹配相减，获得高信噪比绕射波道集，提高地下断溶体的地震成像精度。除此之外，传统绕射波分离方法用于波场分离的数据量大，分离效率相对低。本文中提出的绕射波分离技术只需要在训练网络参数过程中耗费3～4 h，一旦训练结束，后续预测过程只需要几秒钟时间，大大提升传统传射波分离方法的计算效率。

参考文献：

［1］  马乃拜，金圣林，杨瑞召，等.塔里木盆地顺北地区断溶体地震反射特征与识别［J］.石油地球物理勘探，2019，54（2）：398-403.

MA Naibai， JIN Shenglin， YANG Ruizhao， et al. Seismic response characteristics and identification of fault-karst reservoir in Shunbei area， Tarim Basin［J］. Oil Geophysical Prospecting， 2019，54（2）：398-403.

［2］  SATO H. Energy propagation including scattering effects sengle isotropic scattering approximation［J］. Journal of Physics of the Earth， 1977，25（1）：27-41.

［3］  LANDA E， SHTIVELMAN V，  GELCHINSKY B. A method for detection of diffracted waves on common-offset sections［J］. Geophysical Prospecting， 1987，35（4）：359-373.

［4］  郑多明，汪家洪，肖又军，等.基于地震数值模拟的溶洞型储层地震特征分析［J］.西南石油大学学报（自然科学版），2023，45（6）：57-68.

ZHENG Duoming， WANG Jiahong， XIAO Youjun， et al. Seismic characteristics analysis of karst cavity reservoirs based on seismic numerical simulation［J］.Journal of Southwest Petroleum University （Science & Technology Edition），2023，45（6）：57-68.

［5］  KREY T. The significance of diffraction in the investigation of faults［J］. Geophysics， 1952，17（4）：843-858.

［6］  HAGEDOORN J. A process of seismic reection interpretation［J］. Geophysical Prospecting， 1954，2（2）：85-127.

［7］  TROREY A. A simple theory for seismic diffraction［J］. Geophysics， 1970，35（5）：762-784.

［8］  KLEM M， KOVALEVSKY G， TOKMULINA L. On intensity of waves diffracted on the edge［J］. Geology and Geophysics， 1972，5：82-92.

［9］  LANDA E， FOMEL S， RESHEF M. Separation imaging and velocity analysis of seismic diffractions using migrated dip-angle gathers［C/OL］//SEG Annual Meeting， Las Vegas， Nevada， November 9-14，2008［2012-10-23］.https：//library.seg.org/doi/abs/10.1190/1.3059318.

［10］  ZHANG Jianfeng， ZHANG Jiangjie. Diffraction imaging using shot and opening-angle gathers： a prestack time migration approach［J］. Geophysics， 2014，79（2）：S23-S33.

［11］  李曉峰，黄建平，李振春，等.基于反稳相滤波的边缘绕射成像方法研究［J］.地球物理学进展，2015，30（3）：1205-1213.

LI Xiaofeng， HUANG Jianping， LI Zhenchun， et al. Edge diffraction imaging method based on anti-stationary phase filtering［J］. Progress in Geophysics， 2015，30（3）：1205-1213.

［12］  SILVESTROV I， BAINA R， LANDA E. Poststack diffraction imaging using reverse-time migration［J］. Geophysical Prospecting， 2016，64（1）：129-142.

［13］  刘培君，黄建平，李振春，等.一种基于反稳相的深度域绕射波分离成像方法［J］.石油地球物理勘探，2017，52（5）：967-973，879.

LIU Peijun， HUANG Jianping， LI Zhenchun， et al. A diffraction imaging method in the depth domain driven by anti-stationary phase strategy［J］. Oil Geophysical Prospecting， 2017，52（5）：967-973，879.

［14］  杨城增，张宣堂，盛同杰，等.绕射波叠前共虚震源道集分离方法［J］.石油地球物理勘探，2022，57（4）：847-854，739.

YANG Chengzeng， ZHANG Xuantang， SHENG Tongjie， et al. Diffraction separation method in the prestack common virtual source gather［J］. Oil Geophysical Prospecting， 2022，57（4）：847-854，739.

［15］  ZHAO T. Seismic facies classification using different deep convolutional neural networks［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2019-01-24］.https：//onepetro.org/SEGAM/proceedings/SEG18/All-SEG18/SEG-2018-2997085/103561.

［16］  PHAM H， SANDUNIL K. Development of a deep learning model to estimate porosity of a fractured granite basement reservoir［C/OL］//80th EAGE Conference and Exhibition， Copenhagen， Denmark， June 11-14， 2018 ［2022-07-18］. https：//www.earthdoc.org/content/papers/10.3997/2214-4609.201800787.

［17］  WU X， LIU M， SHI Y， et al. FaultSeg3D： using synthetic datasets to train an end-to-end convolutional neural network for 3D seismic fault segmentation［J］. Geophysics， 2019，84（3）：IM35-IM45.

［18］  孫加星，杨继东，李振春，等.基于深度学习的高精度地震成像方法［C/CD］//中国地球物理学会油气地球物理专业委员会.第五届油气地球物理学术年会论文集.青岛：中国知网，2023.

［19］  王宗俊，田楠，范廷恩，等.复杂断裂系统浊积储层自相控反演技术研究［J］.西南石油大学学报（自然科学版），2023，45（2）：43-57.

WANG Zongjun， TIAN Nan，FAN Tingen， et al. Self-facies-control pre-stack inversion technology for turbidite sandstone reservoir with complex fault system［J］.Journal of Southwest Petroleum University（Science & Technology Edition），2023，45（2）：43-57.

［20］  LUO F， WANG H， WU C， et al. Automatic first-breaks picking algorithm under the constraint of image segmentation［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-06-27］.https：//onepetro.org/SEGAM/proceedings/SEG18/All-SEG18/SEG-2018-2998274/103922.

［21］  HOLLANDER Y， MEROUANE A， YILMAZ O. Using a deep convolutional neural network to enhance the accuracy of first-break picking［C/OL］//SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-06-30］.https：//onepetro.org/SEGAM/proceedings/SEG18/All-SEG18/SEG-2018-2982650/103852.

［22］  JIN Y， WU X， CHEN J， et al. Seismic data denoising by deep-residual networks［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-06-25］.https：//library.seg.org/doi/abs/10.1190/segam2018-2998619.1.

［23］  ZHANG Y， LIN H， LI Y. Noise attenuation for seismic image using a deep residual learning［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-08-29］.https：//library.seg.org/doi/abs/10.1190/ segam2018- 2997974.1.

［24］  LI H， YANG W， YING X. Deep learning for ground-roll noise attenuation［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-07-28］.https：//library.seg.org/doi/abs/10.1190/segam2018-2981295.1.

［25］  GOODFELLOW I， POUGET A， MIRZA M， et al. Generative adversarial networks［J］. Communications of the ACM， 2020，63（11）：139-144.

［26］  HERRMANN F， WANG D， VERSCHUUR D. Adaptive curvelet-domain primary-multiple separation［J］. Geophysics， 2008，73（3）：A17-A21.

（编辑  修荣荣）