1.基于深度学习框架的新AVO公式弹性参数自动微分反演方法,其特征在于,包括以下具体步骤:步骤1:输入不同入射角度的叠前地震角道集;
步骤2:建立待反演各弹性参数的初始模型;
步骤3:对参数初始模型使用所提出的地震弹性AVO公式进行正演计算得到不同入射角度的合成地震记录;
步骤4:使用基于深度学习框架的自动微分方法对待反演的三参数进行反演预测;
步骤5:构造含L1正则化及TV正则化约束的损失函数;
步骤6:迭代反演,直至达到终止条件;
步骤7:利用反演得到的弹性参数进行储层预测;
在所述步骤3中,地震弹性AVO表达式推导过程如下:体积模量、剪切模量与纵、横波速度及密度之间的关系表示为:;
;
其中,为纵波速度,为横波速度,为体积模量,为剪切模量,为密度;
Gary提出的AVO近似式如下:;
其中,为对应入射角度的反射系数,,,,,,,,,;分别代表上层介质的体积模量、剪切模量、密度、纵波速度、横波速度和入射角度;分别代表下层介质的体积模量、剪切模量、密度、纵波速度、横波速度和入射角度;
将上述公式代入,即得到所述的地震弹性AVO近似式:;
合成地震记录通过反射系数与地震子波褶积计算得到,即:;
其中,代表地震记录,为地震子波,为反射系数,为褶积计算。
2.根据权利要求1所述的基于深度学习框架的新AVO公式弹性参数自动微分反演方法,其特征在于,所述步骤4包括以下具体步骤:使用Adam优化算法,首先,对参数进行初始化:设定时间步t,初始化一阶动量估计变量和二阶动量估计变量,三者初始值都为0;设置学习率为0.01,一阶动量的衰减率,二阶动量的衰减率及一个防止除零计算的极小常数;在每一次迭代过程中,计算梯度,并分别更新一阶动量估计和二阶动量估计,如下:;
;
其中,为第t次迭代的一阶动量估计值,为第t次迭代的二阶动量估计值;
经偏差修正后的动量估计为:;
;
其中,为经偏差修正后的一阶动量估计,为经偏差修正后的二阶动量估计;
由此,即可对待反演的三参数进行迭代更新:;
;
;
其中,分别为参数体积模量、剪切模量、密度的一阶动量估计,分别为参数体积模量、剪切模量、密度的二阶动量估计。
3.根据权利要求2所述的基于深度学习框架的新AVO公式弹性参数自动微分反演方法,其特征在于,在所述步骤5中,所构建的损失函数由下述三部分组成:第一部分通过计算预测值与真实值之间的平方差来度量误差,即通过L2范数来构造损失函数,如下式:;
其中,为反演得到的三参数经正演计算得到的反射系数,为地震子波,为步骤1输入的叠前地震角道集,为L2范数;
由于反射系数具有稀疏性,故采用L1范数进行正则化约束,有效选择相关特征,提高反演的准确性;
损失函数的第二部分如下式:;
其中,为L1范数,为正则化参数;
然后使用TV正则化进行约束,在通过最小化梯度的总变化量保持边缘特征的同时,提高反演精度;对于一个二维矩阵u,其TV正则化定义如下:;
其中,和分别为u在x和y方向的梯度;
损失函数的第三部分如下式:;
其中,为TV正则化项,为正则化参数;
构造的损失函数如下:
。