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。……