相对地质时间预测方法、装置、计算机设备及存储介质与流程

本技术涉及油气地震勘探及地震解释，特别涉及一种相对地质时间预测方法、装置、计算机设备及存储介质。

背景技术：

1、在地震勘探中，地震层位解释是地震解释的基础工作，而层位的识别和追踪是地震层位解释的一个重要的环节。通常分析地震数据的相对地质时间(relative geologicaltime，rgt)对地震数据对应的地块中的层位进行识别和追踪。传统生成rgt的方法主要是由人工手动选择尽可能多的层位，继而对识别到的层位进行插值来获得rgt。这种方法虽然直接，但是由于选择层位时严重依赖主观经验，导致生成的rgt的准确性较低。因此，如何得到更准确的rgt是一个需要解决的技术问题。

2、随着大数据人工智能技术的发展，地球物理工作者提出用端到端的神经网络模型来预测地震数据的rgt。相关技术中，通常采用监督学习的方法，基于多个地震数据和多个地震数据的rgt，对神经网络模型进行训练，从而能够基于训练完成的神经网络模型预测得到更准确的rgt。

3、然而，上述方案由于神经网络模型在对rgt预测过程中没有约束，因此还需要对预测得到的rgt进行精细处理，从而导致神经网络模型对rgt的预测效率较低。

技术实现思路

1、本技术实施例提供了一种相对地质时间预测方法、装置、计算机设备及存储介质，能够在提高预测结果准确率的同时，提高相对地质时间预测模型对相对地质时间的预测效率。所述技术方案如下：

2、一方面，提供了一种相对地质时间预测方法，所述方法包括：

3、对待预测的目标地块的地块地震数据进行分割，得到所述目标地块的多个地块子数据，所述地块地震数据包括所述目标地块中已标注相对地质时间的多个第一层位的地震数据和未标注相对地质时间的多个第二层位的地震数据，所述相对地质时间用于指示层位在所述目标地块的相对形成时间，所述地块子数据包括所述目标地块中至少一个层位的部分地震数据；

4、基于多个目标地块子数据，对相对地质时间预测模型进行训练，所述目标地块子数据为所述多个地块子数据中包括至少一个第一层位的部分地震数据的地块子数据；

5、基于训练得到的所述相对地质时间预测模型，分别对所述多个地块子数据进行预测，得到所述多个地块子数据中每个层位的预测相对地质时间；

6、对所述多个地块子数据中每个层位的预测相对地质时间进行合并，得到所述多个第二层位的预测相对地质时间。

7、另一方面，提供了一种相对地质时间预测装置，所述装置包括：

8、分割模块，用于对待预测的目标地块的地块地震数据进行分割，得到所述目标地块的多个地块子数据，所述地块地震数据包括所述目标地块中已标注相对地质时间的多个第一层位的地震数据和未标注相对地质时间的多个第二层位的地震数据，所述相对地质时间用于指示层位在所述目标地块的相对形成时间，所述地块子数据包括所述目标地块中至少一个层位的部分地震数据；

9、训练模块，用于基于多个目标地块子数据，对相对地质时间预测模型进行训练，所述目标地块子数据为所述多个地块子数据中包括至少一个第一层位的部分地震数据的地块子数据；

10、预测模块，用于基于训练得到的所述相对地质时间预测模型，分别对所述多个地块子数据进行预测，得到所述多个地块子数据中每个层位的预测相对地质时间；

11、合并模块，用于对所述多个地块子数据中每个层位的预测相对地质时间进行合并，得到所述多个第二层位的预测相对地质时间。

12、在一些实施例中，所述训练模块，包括：

13、预测单元，用于对于所述多个目标地块子数据中的任一目标地块子数据，基于所述相对地质时间预测模型，对所述目标地块子数据进行预测，得到所述目标地块子数据的预测信息，所述预测信息用于指示所述目标地块子数据中每个层位的预测相对地质时间；

14、确定单元，用于基于所述目标地块子数据和所述预测信息，确定所述相对地质时间预测模型的训练损失，所述训练损失用于指示所述预测信息和目标地块子数据中标注的相对地质时间之间的差异；

15、更新单元，用于基于所述训练损失，更新所述相对地质时间预测模型的模型参数。

16、在一些实施例中，所述目标地块子数据包括多个层位的部分地震数据，所述多个层位包括至少一个第一层位；

17、所述确定单元，包括：

18、获取子单元，用于基于所述目标地块子数据中至少一个第一层位的部分地震数据，获取所述至少一个第一层位的相对地质时间；

19、第一确定子单元，用于基于所述至少一个第一层位的预测相对地质时间和所述至少一个第一层位的相对地质时间，确定所述目标地块子数据的约束损失，所述约束损失用于指示所述至少一个第一层位的预测相对地质时间和所述至少一个第一层位的相对地质时间之间的差异；

20、第二确定子单元，用于基于所述目标地块子数据的梯度向量和所述多个层位的预测相对地质时间的梯度向量，确定所述目标地块子数据的结构损失，所述结构损失用于指示所述多个层位的预测相对地质时间的梯度向量与所述目标地块子数据的梯度向量之间的差异；

21、第三确定子单元，用于对所述结构损失和所述约束损失进行加权求和，得到所述训练损失。

22、在一些实施例中，所述第二确定子单元，用于基于所述目标地块子数据的梯度向量，确定所述目标地块子数据的张量矩阵；对所述张量矩阵进行奇异值分解，得到所述目标地块子数据的法向量和所述法向量的质量参数，所述质量参数用于指示所述法向量的准确程度；对所述法向量、所述质量参数以及所述预测相对地质时间的梯度向量进行加权求和，得到所述结构损失。

23、在一些实施例中，所述装置还包括：

24、确定模块，用于基于所述目标地块的测井位置，确定所述目标地块中与所述测井位置关联的多个层位；

25、标注模块，用于基于所述目标地块的测井解释信息，对所述多个层位进行标注，得到所述地块地震数据，所述测井解释信息用于指示所述多个层位的相对地质时间。

26、在一些实施例中，所述装置还包括：

27、所述确定模块，还用于基于所述目标地块的层位解释信息，确定所述层位解释信息所解释的多个层位，所述层位解释信息用于指示所述多个层位的相对地质时间；

28、所述标注模块，还用于基于所述层位解释信息，对所述多个目标层位进行标注，得到所述地块地震数据。

29、另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行以实现本技术实施例中的相对地质时间预测方法。

30、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一段计算机程序，所述至少一段计算机程序由处理器加载并执行以实现如本技术实施例中的相对地质时间预测方法。

31、另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行以实现本技术实施例中提供的相对地质时间预测方法。

32、本技术实施例提供了一种相对地质时间预测方法，通过对待预测的包括目标地块中已标注相对地质时间的多个第一层位的地震数据和未标注相对地质时间的多个第二层位的地震数据的地块地震数据进行分割，能够得到包括目标地块中至少一个层位的部分地震数据多个地块子数据。相比与传统监督训练方法，本技术基于包括已标注相对地质时间的至少一个第一层位的部分地震数据的目标地块子数据，能够对相对地质时间预测模型进行半监督训练，不需要预先制作大量的标签，减少了人工解释地震数据的工作量。并且在预测目标地块的地块地震数据的过程中，引入训练过程中目标地块的部分已标注相对地质时间的第一层位对未标注相对地质时间的第二层位的预测结果进行约束，在提高预测结果准确率的同时，提高相对地质时间预测模型对相对地质时间的预测效率。

技术特征：

1.一种相对地质时间预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于多个目标地块子数据，对相对地质时间预测模型进行训练，包括：

3.根据权利要求2所述的方法，其特征在于，所述目标地块子数据包括多个层位的部分地震数据，所述多个层位包括至少一个第一层位；

4.根据权利要求3所述的方法，其特征在于，所述基于所述目标地块子数据的梯度向量和所述多个层位的预测相对地质时间的梯度向量，确定所述目标地块子数据的结构损失，包括：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

7.一种相对地质时间预测装置，其特征在于，所述装置包括：

8.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行权利要求1至6任一项权利要求所述的相对地质时间预测方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储至少一段计算机程序，所述至少一段计算机程序用于执行权利要求1至6任一项权利要求所述的相对地质时间预测方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项权利要求所述的相对地质时间预测方法。

技术总结
本申请提供了一种相对地质时间预测方法、装置、计算机设备及存储介质，属于油气地震勘探及地震解释技术领域。所述方法包括：对待预测的目标地块的地块地震数据进行分割，得到目标地块的多个地块子数据；基于多个目标地块子数据，对相对地质时间预测模型进行训练，目标地块子数据为多个地块子数据中包括至少一个第一层位的部分地震数据的地块子数据；基于训练得到的相对地质时间预测模型，分别对多个地块子数据进行预测，得到多个地块子数据中每个层位的预测相对地质时间；对多个地块子数据中每个层位的预测相对地质时间进行合并，得到多个第二层位的预测相对地质时间。上述技术方案能够在提高预测结果准确率的同时，提高相对地质时间的预测效率。

技术研发人员：郭锐,林鹤,万忠宏,陶春峰,文若冲,高英楠
受保护的技术使用者：中国石油天然气集团有限公司
技术研发日：
技术公布日：2024/12/5