1.联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,该目标反演技术具体步骤如下:
S1、对井数据进行计算,获得叠前弹性阻抗反演参数;
S2、对井旁道叠前地震数据进行一个角度划分,获得划分角度的叠前参数;
S3、将井旁道上每一个时间点对应的井旁道数据作为输入,该时间点上的井旁道目标数据作为输出约束;
S4、建立训练网络;
S5、通过训练获得映射网络,直接对全区数据进行映射计算;
S6、输入全区数据参数,并通过映射网络直接获得目标数据体。
2.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,步骤S4中建立训练网络具体步骤为:SS1、引入深度神经网络算法;
SS2、通过一个全连接多层网络,挖掘井旁道数据输入数据与井旁道目标数据之间的关系,获得非线性映射网络。
3.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,步骤SS1中深度神经网络算法用于建立标签数据集与训练数据集之间的关系,形成预测网络;
其中,深度神经网络算法按不同层的位置划分,其内部的神经网络层可以分为三类:输入层、隐藏层和输出层,层与层之间全连接,具体表现如下:第i层的任意一个神经元一定与第i+1层的任意一个神经元相连,即存在一个线性关系;
z=∑wixi+b
(1)
其中,z为输出层,w为权重值,x为输入层,b为偏置;通过加上最终激活函数σ(z),形成了DNN的基本结构。
4.根据权利要求3所述的联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,所述深度神经网络算法为包含多层隐藏层的神经网络算法,前向传播阶段,隐藏层将前一层的输出作为后一层的输入,具体为:其中, 代表DNN第L层第k个神经元激活前的输出, 代表DNN第L层第k个神经元激活后的输出, 代表 到 的线性传递系数, 代表 前向传播函数的偏倚常数,f为激活函数。
5.根据权利要求4所述的联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,所述激活函数可采用Relu函数,relu函数是常见的激活函数中的一种,表达形式如下:f(x)=max(0,x) (4)。
6.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,步骤S1中叠前弹性阻抗反演参数包括纵波速度、横波速度与密度。
7.根据权利要求1所述的联合叠前弹性反演参数及深度网络目标反演技术,其特征在于,步骤S2中划分角度的叠前参数包括大角度数据、中角度数据与小角度数据。