基于CMP道集智能化的初始速度建模方法研究

王瑞林,冯 波,2,吴成梁,王华忠,张 猛

(1.波现象与智能反演成像研究组(WPI),同济大学海洋与地球科学学院,上海200092;2.同济大学海洋高等研究院,上海200092;3.中国石油化工股份有限公司胜利油田分公司物探研究院,山东东营257022)

叠加速度分析技术是整个地震波速度建模流程的起点。无论叠前偏移还是速度反演,高精度的宏观背景速度模型必不可少[1]。随着宽方位,宽频带和高密度(“两宽一高”)采集技术的普及,地震数据量剧增[2]。面对TB级别甚至PB级别的海量地震数据,人工速度分析只能通过降低拾取密度来完成处理任务,导致速度建模精度降低。虽然一些自动化的叠加速度分析方法可以高效地实现密点拾取,但在低信噪比的实际数据处理中效果仍不理想。此外,很少有文献讨论如何将处理员的经验认知融入自动化算法当中,因此,有必要发展一套全自动化的叠加速度分析处理流程,并将处理专家的建模经验融入其中,推动叠加速度分析技术从自动化迈向智能化。

从TANER[3]提出速度谱概念后,在很长一段时间里,人们都致力于提升速度谱的精度,发展基于CMP道集的自动速度建模方法,其中包括利用数据的自相关特征[4-5]、概率统计特征[6-8],以及更加精细的模型诸如考虑AVO效应以及非双曲时距关系等[9-12]提升速度谱的分辨率和信噪比。在机器学习理论框架下也发展了一些自动化速度分析方法,如采用卷积神经网络(CNN)[13-16],循环神经网络(RNN)[17],生成对抗网络(GAN)[18]等监督学习类方法,实现将速度谱或地震道集作为输入、通过网络模型获得拾取的谱点或速度模型的过程。然而,该类方法缺乏数据的特征表达,泛化能力通常较弱,抗噪能力也仅限于非结构性的高斯噪声。另一方面,一些无监督的聚类方法主要利用K-均值聚类(K-Means)[19-20]和密度聚类[21]及其变种,将速度谱视作图像进行拾取。此类方法的效果受限于速度谱的精度且抗噪性较差。以上所谓的智能算法仅实现了自动化过程,其密点拾取方式易导致速度模型中出现“挂面条”现象,因此,缺乏横向连续性。真正“智能化”的方法应该保持数据在高维空间的结构特征(即保结构映射),并将人的处理经验和认识融入自动速度分析的整个过程[22]。

1 t0-xcmp域的约束条件自动估计

1.1 结构剖面的生成

结构信息的提取离不开高质量的地震成像剖面,而成像剖面依赖于输入的背景速度模型。因此在最初始的背景速度建模过程中,无法借助于成像剖面等信息。为了解决该问题,通过引入伪叠加剖面生成结构剖面,以便实施地质构造的约束。伪叠加剖面是指在生成的速度谱上,沿时间轴方向取每个时间对应的能量较强速度区间内叠加结果,用公式可以表示为:

(1)

(2)

式中:u(t,h)为CMP道集,t可以由自激自收时间t0、偏移距h和叠加速度vS组成的函数表示,即t=f(t0,h,vS),在一般情况下,f为双曲时距关系。

1.2 结构信息的提取

基于高精度伪叠加剖面,进行结构信息的提取。结构信息的提取方法采用VLIET等[23]和WANG等[26]提出的方法,利用方向信息和子波波峰信息,以及能量信息进行判定。首先,计算类伪叠加剖面的结构张量,获得剖面上每个点主方向和垂直主方向的特征值μ1(t0,xcmp)和μ2(t0,xcmp)。由此可以定义伪叠加剖面上每个点线性度l(t0,xcmp),即

(3)

l的取值范围为[0,1],l取值越大,此处是结构的概率越大,l越趋近于0,此处为结构的可能性越小。

波峰位置的判断通过计算沿同相轴垂直方向的梯度d(t0,xcmp)来获得。

d(t0,xcmp)=Ixμ1(t0,xcmp)+It0μ2(t0,xcmp)

(4)

式中:Ix=∂S/∂x和It0=∂S/∂t0分别是伪叠加剖面沿着xcmp和t0方向的方向梯度。

点(t0,xcmp)为波峰的条件为:在该点前后的d符号相反,同时波峰点处的|d|小于其前后的|d|,即:

(5)

且波峰点处的振幅值较大,否则此波峰不对应有效结构部分。因此,当一个点同时满足线性度要求和波峰条件,同时幅值较强,认定该点为对应的结构点(t0,xcmp)。

2 t0-vS域的信息整合

t0-vS域的信息是基于CMP道集速度建模中最为常用的信息,直接对应着待求取的两个参数(t0,vS)。通过构建速度谱,可以展示不同的(t0,vS)参数组为潜在T-V对的可能性。许多文献研究和探讨了高精度高分辨率速度谱的制作[3-12],这里不讨论速度谱生成问题。利用速度谱可以生成以上所定义的伪叠加剖面,伪叠加剖面上对应结构的点等同于反射界面对应的位置t0,通过结构提取可获得大部分CMP处的t0信息。将拾取的t0结果投影到速度谱上,结合速度谱上拾取点位附近的能量团,寻找合适的叠加速度vS便成为一维搜索问题。在t0处,寻找对应的能量团的峰值,即可确定t0处对应的叠加速度,衡量最合适的速度通过取窗求和的方式实现。

(6)

式中:W为窗函数。遍历搜索所有叠加速度vS,即可获得结构约束下满足能量关系的T-V对,实现对速度谱点的初步筛选。

同时,在t0-vS域中,还可以施加层速度的信息。根据Dix公式[27],将叠加速度与层速度进行变换,则有:

(7)

式中:vi表示层速度,可由第i个T-V对和第i-1个T-V对计算获得。为获得层速度,首先,必须保证公式(7)根号内的值大于零,即

(8)

另外,速度谱拾取错误导致层速度出现较大异常值,但公式(8)完全成立。通常来说,层速度过大产生的原因是由于拾取的两个相邻的谱点在时间上差异较小,速度差距过大导致。针对上述情况,当层速度不合理时,可根据总体趋势回归,补充将第i个t0处的vS,i,从而让异常速度处变得平缓。

3 vS-xcmp域信息的利用

基于上述步骤,选取的T-V对反映了谱点满足地质构造信息以及速度谱的能量聚焦性。但是,在实际数据处理中仍然会遇到相邻道近似深度位置的速度存在较大偏差问题。横向上较大的偏差会导致速度模型出现“挂面条”现象。因此,必须考虑控制横向上的缓变情况,构建更合理的速度模型。在vS-xcmp域中,利用横向的连续性,修改拾取结果。该原则要求在当前道拾取的谱点中,在周围道相近的位置也要有相应的能量较强的速度谱点。即:

(9)

公式(9)只能衡量单道差异,无法衡量多个地震道之间的差异。提出了一种基于多道的差异约束方法,该方法描述为:对每一个(t0,vS),定义扰动速度dvS≤vb,扰动时间dt0<η,将扰动结果应用在选定的多道拉平叠加,取叠加能量最大的值作为最具有稳定性的叠加速度。

(10)

4 数值实验

4.1 模型测试

采用大庆二维模型进行算法测试。模型深度为3968m,模型的宽度为30000m,获得的有效覆盖次数的CDP号为161～2237,偏移距为-2800～2800m。模型的层速度为2500～6200m/s。模型的浅部是几层较厚的平层,但存在速度反转,而在深层存在断层和岩体侵入。按照建模策略,生成了速度谱和对应的伪叠加剖面,如图1和图2所示。

图1 CDP 500的叠加速度谱(扫描范围为2000～5000m/s,速度采样点数nv=151,采样间隔dv=20m/s,采样时长为2s,采样间隔为1ms)

为更好地提取波峰,对伪叠加剖面(图2)进一步进行预处理。首先,利用希尔伯特变换求取伪叠加剖面获得包络,并实施各向异性平滑,使得剖面上的同相轴只有一个波峰且剖面结构更加连续,如图3所示。再基于上述的波峰位置提取方法,寻找波峰处以及振幅满足要求的点(定义为层位信息),如图4所示。

图2 大庆二维模型的伪叠加剖面(速度积分范围为2000～5000m/s)

图3 预处理后的伪叠加剖面

图4 基于图3提取的结构剖面

利用提取的结构,可以找到对应的t0点,以此作为约束,在速度谱上获得拾取的谱点,如图5蓝点所示。将单道人工拾取结果(图5红点)和结构约束智能拾取结果(图5蓝点)进行对比,谱点上能量较弱的地方可能无法在单道下被拾取,进而损失部分有效信息,如图5红框中所示。同时,传统拾取只依靠单道谱点的形态判断,如图5红圈位置所示,对应两个层位的能量团因分辨率较低无法分离,影响了单道人工拾取结果,仅勾选了一个谱点。而当引入结构信息拾取谱点,会分别拾取到对应两个同相轴的谱点,避免了可能产生的误差。在约束下拾取的谱点生成的叠加速度曲线也更接近真实的均方根速度,如图6所示。

图5 CDP 500拾取的谱点示意

图6 CDP 500智能拾取速度曲线(蓝)、人工拾取速度曲线(红)和真实均方根速度曲线(黄)

所有的密点拾取结果全部展示如图7所示,可以清晰地看到,拾取点对应的构造信息(对应t0-xcmp方向)以及速度的分布趋势(对应vS-xcmp方向)。

图7 拾取点的三维散点信息

尽管利用了速度谱和结构信息双重约束进行谱点拾取,但受限于速度谱的精度,拾取点仍然存在不合理的现象(图7中黑点)。在拾取结果中,较为相邻的两道(第1229个CDP和第1230个CDP)中黑点位置属于同一层位,叠加速度的差异高达260m/s(两道的叠加速度分别为2480m/s及2740m/s),考虑到不同道之间的累积效应差异,相邻两道出现这种差异是不合理的。因此,针对以上问题,利用上述定义的横向约束方法,设定公式(7)中的vb范围为±300m/s,扰动速度的间隔为30m/s,通过动校叠加,获得可以体现多道叠加能量的扰动速度谱,如图8 所示。基于扰动速度谱的能量关系,确定相邻道的最佳速度。经过横向约束后的T-V对,如图9所示。对比图7和图9可以发现,利用扰动速度谱施加横向约束后,不同点间的速度值变化更加合理。

图8 CDP-1230处及其邻域构成的扰动速度谱

图9 经过速度横向约束的T-V对散点排列

在横向约束基础上,施加纵向约束准则,插值获得完整的叠加速度模型。时深变换后获得深度域层速度模型如图10所示。其中,图10a为深度域层速度模型,图10b为常规的不加层位约束建模结果,图10c 为施加层位约束模型建模结果。可以看到,智能化叠加速度建模方法建立的层速度范围与理论模型一致,浅层大套沉积层的速度精度高,与真实的速度模型有较好的对应关系,但是,由于深层存在剧烈的横向变速,导致深层的速度精度不高,尽管如此,建模结果已满足初始建模的基本要求。与不加层位约束结果相比,该方法能够较好地控制速度模型的主要变化趋势,得到的结果更具有地质意义,与真实模型更吻合。

图10 时深变换后获得深度域层速度模型a 深度域层速度模型; b 不加层位约束层速度模型; c 施加层位约束模型

利用该方法获得的速度模型在全偏移距下叠加并进行叠后时间偏移,获得叠加剖面和叠后时间偏移剖面分别如图11和图12所示。对比可以看出,深层很多没有收敛的位置经偏移校正后,图像的质量明显提高。

图11 利用大庆叠加速度场所生成的叠加剖面

图12 大庆叠加剖面对应的叠后时间偏移剖面

4.2 实际资料

图13 两种极端速度扫描上、下限取值情况的伪叠加剖面a 选取谱上叠加范围最小的情况下得到的伪叠加剖面; b 选取谱上全部范围叠加而成的伪叠加剖面

图14 CDP 800速度谱(能量团随深度增加更发散)

图15 调整叠加速度范围后的伪叠加剖面

基于上述叠加范围调整后提取的结构信息如图16 所示。采用上述提出的拾取T-V对流程,获得的叠加速度模型如图17所示。同时,针对此数据每隔20个道进行人工拾取,最后通过插值获得完整的叠加速度模型,结果如图18所示。从模型结果上可以看出,智能化拾取的方式在层位约束下保持了和伪叠加剖面更相似的结构形态,同时在速度的纵、横向约束下,速度的变化也更为连续,而人工拾取生成的速度模型由于拾取密度不足和大尺度的平滑,出现了“台阶状”的形态。再将智能拾取生成的速度模型和人工拾取生成的速度模型分别生成叠加剖面并将剖面放大对比,如图19和图20所示。相比于图20,图19 在多处(红框所示位置)的同相轴更加清晰,说明高密度智能拾取获得的速度更准确。

图16 结构点拾取结果

图17 智能速度建模结果

图18 人工拾取建模结果

图19 智能拾取生成的叠加剖面

图20 人工拾取生成的叠加剖面

5 结论与讨论

通过模拟人工交互速度分析的过程,提出了一种智能化叠加速度建模方法。基于密点速度分析、横向速度缓变、纵向速度光滑趋势控制及稀疏性要求,并施加构造特征等约束条件,保证了“合理的”时间-速度对(T-V对)的智能筛选,实现了叠加速度建模流程从自动化向智能化过渡。智能建模思想的引入,使得处理员可以将精力聚焦于质量监控等核心环节,因此,有望显著降低人工成本并缩短建模周期。

相比于其它全自动化的建模方法,智能化叠加速度建模方法有以下优势:①结构约束下的速度拾取能更好地把握数据的主要特征,使得模型的构造得到凸显;②逐点进行速度分析提高了建模精度,有效保证了局部的信息;③各种约束的施加保证了拾取结果的合理性,利用扰动速度谱分析叠加速度对相邻空间的影响作用,降低了密点拾取引起的横向抖动假象。

在实际资料处理中,伪叠加剖面结构信息的提取仍然值得进一步优化。下一步将研究如何在极低信噪比情况下,仍然实现稳健的自动拾取以及结构约束。

致谢:感谢中石油勘探开发研究院及西北分院、中海油研究院和湛江分公司、中国石化石油物探技术研究院和胜利油田分公司对波现象与智能反演成像研究组(WPI)研究工作的资助与支持。