《Petroleum Science》:Well logs driven transfer learning for seismic velocity model building
编辑推荐:
最近的机器学习进展开发了数据驱动的端到端速度模型构建方法,但这些方法在实际应用中仍面临标注数据有限的挑战。在本研究中,研究人员提出WellSeisNet,一种新型井震融合网络,旨在克服这一局限。WellSeisNet利用测井数据对预训练模型进行微调,使其能够从
最近的机器学习进展开发了数据驱动的端到端速度模型构建方法,但这些方法在实际应用中仍面临标注数据有限的挑战。在本研究中,研究人员提出WellSeisNet,一种新型井震融合网络,旨在克服这一局限。WellSeisNet利用测井数据对预训练模型进行微调,使其能够从初始速度模型和相应的偏移成像中预测改进的速度模型。该方法显著减少了对大规模标注数据集的依赖,使其在实际应用中更具可行性。WellSeisNet集成了两个关键组件:经典条件生成对抗网络(conditional Generative Adversarial Network, cGAN)和新型测井适配器模块(well-log adapter module)。cGAN负责生成逼真的速度模型,而测井适配器模块通过引入从测井数据中学习到的速度分布来增强网络性能。具体而言,适配器模块使用自适应实例归一化(Adaptive Instance Normalization, AdaIN)对特征图进行正则化,使其与从测井数据中学习到的速度分布对齐,从而确保模型在不过拟合训练集的情况下对新数据具有良好的泛化能力。此外,研究人员提出了一种利用测井数据进行微调的迁移学习方法。通过在合成数据上初步训练网络,在实际应用中只需使用测井数据而非传统速度模型即可高效微调模型。生成的模型能够产生精细且地质上合理的速度模型。在Marmousi II模型、BP 2004模型和实际数据上开展的数值实验表明,即使仅用一口或两口井进行微调,WellSeisNet也能显著提高精度和模型泛化能力。
地震速度模型构建(velocity model building, VMB)是地下参数估计和地震深度偏移成像的关键环节,直接影响储层描述与地质解释的准确性。传统方法中,走时层析成像受高频近似和多到达事件限制,分辨率约为地震波长的五倍;全波形反演(full waveform inversion, FWI)虽可达到约半波长分辨率,但本质上是高度非线性的不适定反问题,易受周期跳跃影响。行业常用的解释性情景测试依赖多次人工迭代,耗时且易引入主观偏差。近年来,基于深度神经网络的端到端VMB方法在合成数据上表现良好,但难以扩展到实际应用,主要原因是标注速度模型稀缺。针对该问题,研究人员提出了WellSeisNet,一种测井驱动的迁移学习框架,将VMB视为纹理迁移问题,并利用测井数据微调预训练网络,以减少对大规模标注数据的依赖。该研究成果发表于《Petroleum Science》。
研究人员将速度模型构建解耦为速度-反射体融合和层速度校正两个环节。速度-反射体融合由基于条件生成对抗网络(conditional Generative Adversarial Network, cGAN)的纹理迁移网络实现;层速度校正由新型测井适配器模块实现。WellSeisNet包含两个关键组件:cGAN和测井适配器模块。cGAN的生成器采用UNet结构,输入为深度偏移成像与初始速度模型的双通道拼接,判别器采用PatchGAN结构以聚焦局部高频细节。测井适配器模块由多层感知机自编码器(autoencoder, AE)和自适应实例归一化(Adaptive Instance Normalization, AdaIN)层组成,利用AdaIN将AE从测井数据中提取的速度嵌入与生成器特征图的通道均值和方差对齐,从而将真实速度分布引入网络。训练阶段,研究人员基于Ao等人提出的方法生成300个随机速度模型,以稠密层状模型为基础,包含褶皱、断层和局部速度异常,其中200个用于训练、100个用于测试。通过FWI迭代更新一维层状初始速度并配合逆时偏移,生成6000个增强样本。预训练采用标准cGAN损失、速度重建损失和测井重建损失的联合优化。迁移学习阶段,仅利用测井速度对预训练模型进行微调,通过测井重建损失和掩码速度重建损失更新自编码器和生成器,同时使用指数移动平均稳定参数。
在测试数据集实验中,研究人员将WellSeisNet与仅有cGAN的深度速度生成器(Deep Velocity Generator, DVG)进行对比。结果表明,WellSeisNet输出的速度模型平均绝对误差(Mean Absolute Error, MAE)小于100 m/s,明显优于DVG约160 m/s的误差;皮尔逊相关系数(Pearson Correlation Coefficient, PCC)从0.42提升至0.75。
在Marmousi II模型实验中,研究人员使用线性递增速度作为初始模型,并采用单口井或多口井进行微调。与DVG相比,单口井微调后的WellSeisNet速度模型MAE从281.44 m/s降至约230 m/s,PCC从0.297提升至约0.45;三口井微调进一步将MAE降至192.36 m/s、PCC提升至0.624。以WellSeisNet输出作为FWI初始模型,可显著加快收敛并获得更准确的反演结果。消融研究表明,不使用微调或仅对输出做平移缩放均无法有效校正速度分布;去除初始速度通道会降低结构保真度;去除测井适配器、AdaIN或AE均导致性能明显下降。与物理信息约束的SCPINN方法相比,WellSeisNet的MAE更低,但在远离井位处的宏观速度场合理性仍需改进。
在BP 2004模型实验中,研究人员选用模型右侧区域,该区域包含浅层低速异常和深层高速盐丘。使用三口井微调后,WellSeisNet的速度模型MAE为72.39 m/s、PCC为0.685,显著优于DVG和传统测井约束插值方法;以该结果作为FWI初始模型,MAE降至56.41 m/s、PCC升至0.797,并成功恢复浅层低速异常和部分深部盐体结构。然而,由于训练数据缺少大规模高对比度盐体纹理,网络倾向于将盐丘重构为层状结构,表明合成纹理库的代表性决定了方法的泛化上限。
在2D Viking Graben测线数据实验中,研究人员使用两口气井的测井数据进行微调,并将其中一口井设为盲井以检验泛化能力。仅用另一口井微调后,盲井位置的速度剖面与测井速度的PCC从0.53提升至0.69。更新后的速度模型用于偏移成像,深层成像质量显著改善,地层结构更清晰、断层刻画更锐利,共成像点道集也更平缓,证明该方法的效果可扩展到远离井位的区域。
讨论部分指出,方法仍受训练数据纹理差异、井位空间非均匀性和稀疏井监督的限制。合成数据以层状模型为主,对盐丘等块状构造的泛化能力有限;井分布不均匀会导致部分区域预测精度下降;测井空间影响范围由网络隐式学习,受地震成像质量影响。计算成本方面,WellSeisNet训练约需10.5小时,微调约120秒,虽高于DVG推理的约10秒,但可为FWI提供可靠初始模型,减少反演失败风险并提升整体效率。
研究结论认为,WellSeisNet通过测井驱动的迁移学习有效缓解了标注数据稀缺问题,将VMB建模为纹理迁移过程,并借助AdaIN将测井速度分布融入特征图,从而在初始速度不准确时仍能校正速度信息。仅需少数几口测井即可高效微调预训练模型,适用于实际勘探场景。该方法对层状构造重建效果良好,但对盐丘等大规模块状构造仍需进一步改进。数值实验表明,在Marmousi II模型、BP 2004模型和实际测线数据上,仅用一两口井微调即可生成更准确、地质上更合理的速度模型。