基于互相關約束和CNN?GRU 網絡的井震自動標定

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240239

Abstract：Seismic ? well tie is an important step in seismic data interpretation. The traditional seismic ? well tie method synthesizes seismic records by using well logging data and extracted seismic wavelets and matches them with the seismic traces beside the well by dragging. This method has significant human factors，is highly time ? consuming，and can easily cause overstretching. Therefore，a deep learning method based on convolutional neu? ral network（CNN）and gated recurrent unit（GRU）network is proposed to achieve automatic seismic?well tie. Firstly，seismic records are synthesized using typical models，and time correcting values are introduced to cor? rect the records of seismic traces beside the well. Secondly，the relationship between two seismic traces and the time correcting values is established through a trained CNN ? GRU network，and the correlation coefficients of the two seismic traces are used as constraint conditions to directly predict the time correcting values by using the synthetic seismic records and seismic traces beside the well. Finally，the neural network is tested using actual data from 30 wells，and the obtained results are compared with manual calibration results. The correlation coef? ficients between the calibrated synthetic seismic records and the seismic traces beside the wells are calculated . The following findings are obtained. ① The correlation coefficients of automatic calibration with the network are greater than or equal to those of manual calibration for 25 wells and are basically consistent for the other w ells. ② Manually calibrating 30 wells takes about 30min ，while calibrating them with the network only takes

5 s. Therefore，compared with the traditional method，the proposed method has higher accuracy and better effi? ciency in seismic?well tie，which verifies the feasibility and progressiveness of the method.

Keywords：seismic?well tie，deep learning，neural network，time correcting values，correlation coefficient 李欽昭，劉洋，席念旭，等 . 基于互相關約束和 CNN?GRU 網絡的井震自動標定［J］. 石油地球物理勘探，2025， 60（3）：564?575.

LI Qinzhao，LIU Yang，XI Nianxu，et al. Automatic seismic?well tie based on cross?correlation constraints and CNN?GRU network［J］. Oil Geophysical Prospecting，2025，60（3）：564?575.

0 引言

地震資料是反映地下地層反射情況的時間域信息，而測井資料是展示地下地層地質情況的深度域資料，井震標定的目的是將時間域的地震資料與深度域的測井資料聯(lián)系起來，從而實現可靠的速度建模、地震資料解釋與儲層預測等[1]。一直以來，井震標定工作中面臨的兩大挑戰(zhàn)是耗時巨大和過度拉伸或壓縮。為了解決這兩個難題，學者們提出了許多井震自動標定方法。White 等[2]使用原始的時深關系將深度域的測井曲線轉換到時間域，與雷克子波合成地震記錄，利用時移方法將合成地震記錄與實際沿井地震記錄進行匹配，更新時深曲線，實現了井深與地震的時間聯(lián)系。但是該方法僅限于時移量隨深度線性變化的簡單地層，也難以評估子波的精度及標定準確度。

二十世紀后期，動態(tài)時間規(guī)整算法（DynamicTime Warping，DTW）的提出推動了井震標定的方法研究。該算法由 Sakoe 等[3]于 1978 年提出，最初用于口語單詞識別，并已證明該方法在匹配具有非平穩(wěn)時移的時間序列方面是有效的。Martinson 等[4]對早期的 DTW 方法進行改進，開發(fā)了一種映射函數，能夠對時間序列進行跟蹤拉伸和壓縮，建立道間點對點的相關性。Liner 等[5]提出一種全局優(yōu)化方法創(chuàng)建地震道之間的成對排列。Hale[6]基于 DTW 提出了非線性對準方法，該方法注重于對準效果，但可能導致過度拉伸。Herrera 等[7]在該方法的基礎上增加了一個全局約束，使拉伸和壓縮保持在合理的范圍內，但不同約束條件下的標定結果會有所不同。Mu?oz 等[8]基于 DTW 算法將多個測井曲線與時間校正的地震圖像聯(lián)系起來，通過更新時深關系實現井震標定，并且保留了合成地震道的波形。Wu 等[9]通過將合成地震道和真實地震道平坦化，進一步提高了多井地震聯(lián)系的橫向一致性，同時研究結果表明，估計時間誤差的時間導數可能與速度更新有關。然而，這些方法沒有考慮到實際中地震信號的非平穩(wěn)性。因此，張一琛等[10]從縱波與轉換波的時移量入手，利用 DTW 算法反演求取時移量序列，實現了基于 DTW 算法的縱波與轉換波的時間域匹配。羅紅梅等[11]將 DTW 應用于深度域井震標定，據此校正深度域地震數據體。黎孟承等[12]將改進的 DTW算法應用于井震標定，實現了井震批量標定，提高了工作效率。Cai 等[13]提出了基于 DTW 的不穩(wěn)定井震聯(lián)合標定，估算出了非線性狀態(tài)下的時間校正量。楚德疆等[14]提出了基于層約束的 DTW 方法更新井震速度，可為后續(xù)三維速度場空間插值提供更準確的速度信息。

除了動態(tài)時間規(guī)整算法外，第二類方法是基于局 部 相 似 屬 性 （Local Similarity Attribute，LSIM）的非線性校正。該方法由 Fomel[15]在 2007 年提出，它不是測量每個數據點的地震信號，而是對該點周圍的局部鄰域進行測量。因此，兩個地震道之間的相關性可視為由鄰域大小控制的局部屬性。之后，Fomel 等[16]利用 LSIM 對合成地震道進行壓縮和拉伸，通過從屬性面板中選擇最好的相似趨勢確定相應的時間校正量，校正合成地震道。

近些年來，隨著研究的不斷深入，基于人工智能進行井震自動標定已有了基本的雛形。Niviet 等[17]利用深度神經網絡實現井震自動聯(lián)合，利用 TCN網絡實現測井數據與 VSP 數據之間的自動標定，但只是應用于 VSP 數據，并未展開疊后地震數據的應用。Thanoon 等[18]利用一種以物理學為指導的卷積神經網絡方法進行井震標定，通過相關系數計算校正速度，進行間接約束。本文研究的是直接約束。Di 等[19]提出了自動井震聯(lián)合的無監(jiān)督學習，但由于沒有標簽，所以標定的精度并不理想。 w_u 等[20]將 變尺寸窗口重采樣與井網相結合，改進了井震標定，采用自適應窗口，使得標定結果不會隨著窗口尺寸而改變，但需要通過井網對真實地震圖進行分割，對邊界識別要求較高。這些井震標定方法擺脫了傳統(tǒng)方法中的拉伸和壓縮地震記錄，解放了人的雙手，大幅提高了工作效率。

本文基于傳統(tǒng)方法和深度學習算法在井震標定中的應用實例，分析上述兩種方法的優(yōu)勢和不足，提出了一種基于卷積神經網絡和門控循環(huán)單元網絡的深度學習方法。首先，提出一套基于深度學習的井震自動標定的工作流程，并在模型數據和實際數據上驗證了該留存的可行性；然后，提出了一種可以生成大量合成地震記錄和對應井旁地震道模型數據的方法，并將此方法應用于實際數據；最后，用卷積層和 GRU 層搭建一種改進綜合神經網絡，利用實際資料驗證該網絡強大的表征能力。

1 井震自動標定的方法原理

地震、測井和地質等資料均對油氣勘探工作很重要，它們從不同角度展現地下構造特征和油氣藏的分布規(guī)律。然而，在解決復雜的實際問題時，僅憑一種資料分析油藏特征有很大的局限性，如何將它們結合起來進行構造和儲層研究是必需解決的問題[21]。解決這一問題的關鍵在于通過井震標定建立測井資料與地震資料之間的聯(lián)系。

1. 1 研究思路

通常情況下，地震資料屬于時間域，測井資料屬于深度域，井震標定實際上是要建立準確的時間—深度關系，而地震與測井之間的時間—深度函數取決于速度。雖然可以利用聲波時差曲線將測井數據轉換到時間域，但是地震波速度與聲波速度并不完全一致，所以轉換結果不能直接與地震數據匹配。傳統(tǒng)的做法是，利用測井數據中的聲波時差曲線和密度曲線合成地震記錄，將其與井旁地震道對比，通過拖拽合成地震記錄將兩者波形相似的位置標定在一起，糾正測井數據中的時間，校正時深關系。這種方法容易出現過度拉伸的問題，并且標定結果有很大的人為因素[22]。本文基于深度學習算法，自動計算出測井數據的時間校正量，完成地震和測井的自動標定。

井震標定的過程實則是時深關系的校正過程，只要求出同一深度下的時間校正量，即可計算出校正后的時深關系。本文通過神經網絡建立井旁地震道、合成地震記錄與時間校正量之間的聯(lián)系，輸入兩條地震道直接預測時間校正量。具體研究思路如圖 1 所示。

首先，從問題的根本入手。測井數據在時間域與地震數據不匹配的原因是測井聲波速度與地震波速度存在差異。據此，可以通過已有的深度域速度模型生成速度差（速度差隨機變化，可以為正值，也可以為負值，也可以為 0），得到引入速度差后的速度模型。這兩種模型分別模擬測井聲波速度和地震波速度。然后，用這兩種速度模型和相同的密度模型分別合成地震記錄，即測井合成地震記錄和井旁地震道。由于兩者速度不同，必然存在時間差，這個時間差即為測井數據的時間校正量。因此，需要搭建一個神經網絡，輸入兩道地震記錄，輸出它們的時間差曲線。需要注意的是，兩道地震記錄都是時間域數據，所以計算出兩個速度模型相同深度點的時間差后，要將其用測井聲波速度轉換到時間域。另外，速度隨深度的變化是非線性的[23]，所以隨機生成的速度差也應該是非線性的，時間校正量與輸入的兩道地震記錄的關系也是非線性的。因此，搭建的神經網絡需要完成的是一個非線性回歸任務。

圖1 井震自動標定研究思路

1. 2 數據集的建立

模型數據包括速度模型和密度模型。首先，將深度域的模型數據轉換到時間域。由于速度不同，每一道的雙程時不同，為了與實際數據的時間長度保持一致，增強數據集的多樣性，每一道隨機截取相同的時間長度，截取位置隨機，將截取的起點時間重置為時間零點，這樣可讓每一道的雙程時相同。井震標定的實質是匹配正確的時深關系。

首先，通過引入速度差 Δv 模擬速度校正量，將校正前的速度（即模型的原始速度）擬為測井的聲波速度，記為 v_log ；將校正后的速度擬為地震波速度，記為 v_sei 。令 Δv=f（Δdown_log） ，其中 f 為隨機函數，同一道數據采用相同的 f， ，由此將速度校正量表征為測井聲波速度的函數，以生成速度校正曲線。將測井速度和生成的速度校正量相加可得地震速度

v_sei=Δv+v_log

然后，用褶積模型合成地震記錄。首先計算反射系數、提取子波。由速度和深度可以計算測井速度和地震速度對應的雙程時 t₁ 和 t₂ ，二者之差即為時間校正量 Δt 。測井資料和地震資料在時間域上的差距不宜過大， Δt 應控制在一定范圍內。此時計算的 t₁ 和 t₂ 采樣間隔不均勻，所以要將非整數時間點的數據插值到整數時間點。計算原始數據波阻抗ρ₀v₀ 、時間校正前的波阻抗 ρ₁v₁ 、時間校正后的波阻抗 ρ₂v₂ ，進而得到校正前、后的反射系數 r₁ 和 r₂ 。

接著，基于實際數據提取統(tǒng)計子波。需注意的是，對于實際數據，合成地震記錄與井旁地震道的波形不可能完全匹配，而在模型數據集構建時，實際只模擬了兩種地震記錄的時間差異，波形完全一致。為了讓模型數據具有更多實際數據的特征，時間校正前的地震記錄用相同主頻的雷克子波合成，時間校正后的地震記錄用提取的統(tǒng)計子波合成，這樣既模擬了實際數據中兩種地震記錄波形上的差異，也讓網絡學習到更多的子波形態(tài)。合成地震記錄的公式為

式中： S（t） 為合成地震記錄； r（t） 為反射系數； w（t）

為子波“； ? ”表示求褶積。

最后，需要對數據集歸一化處理。數據歸一化是深度學習中至關重要的一步，它能夠最大程度地提高模型的性能和穩(wěn)定性。需要學習和訓練的初始數據往往比較粗糙，例如本次實驗中用于合成模型數據的振幅和實際數據的振幅相差過大，這會使得訓練過程中網絡很難將兩個數據匹配，導致網絡收斂過慢甚至是不收斂。數據歸一化會使數據處在相同的數量級，降低了網絡的學習難度，加快網絡的收斂速度，同時提高網絡的泛化能力。

歸一化的方式一般有兩種：最大最小歸一化和均值歸一化[24]。最大最小歸一化后的數據范圍是[0， 1]；均值歸一化后的數據范圍是[?1， 1]。實驗發(fā)現，兩種歸一化方式對網絡訓練結果的差別不大，但要注意歸一化后的數據大小應在激活函數的值域范圍內，例如網絡中如果采用 Sigmoid 激活函數，只能采用最大最小歸一化方法，而不能用均值歸一化。本文選用更為常用的最大最小歸一化，轉換公式為

式中： x 是原始輸入數據； x^′ 是歸一化之后的數據；

x_max 和 x_min 分別為輸入數據的最大值和最小值。

在后續(xù)實驗中，網絡的多次輸出結果表明：輸入的兩道地震記錄與標簽時間校正量的關聯(lián)性太低，導致網絡不容易收斂。經過反復實驗發(fā)現，只對輸入數據做歸一化而標簽不做歸一化，保持輸入數據與標簽的關聯(lián)性，訓練出的網絡模型優(yōu)于標簽歸一化后的網絡模型。

1. 3 構建神經網絡

為了測試不同網絡處理該問題的性能，分別搭建了 1D U?Net 網絡和 CNN?GRU 復合網絡。復合網絡的優(yōu)勢在于 CNN 中的卷積層可有效提取數據特征，GRU 網絡可專門用于序列建模，對于表示時間序列或具有序列關系的一維數據，GRU 可以有效捕捉序列中的模式和依賴關系。

U?Net 網絡結構如圖 2 所示，該網絡對原始的U?Net 網絡結構做了部分調整：一是將卷積層的步幅（stride）設置為 2 代替原來的池化層，這樣避免了池化層無條件舍棄數據的行為；二是在每兩個卷積層后加入注意力機制，使網絡能夠注意到地震道的“時移”特征，另外，在網絡的最后加了全連接層擬合一維數據。

CNN?GRU 網絡結構如圖 3 所示。首先，用三個并列的卷積層和一個 GRU 層充分提取數據特征，其中卷積層用了空洞卷積來增加感受野，卷積核大小設置為 11，將三個卷積層的輸出結果在通道維度拼在一起后，與三個串聯(lián)的卷積層相連。然后，將卷積層的輸出結果與 GRU 層的輸出結果拼接，從而得到從空間和序列兩個角度提取的數據特征；最后，繼續(xù)用卷積層和 GRU 層運算數據，用全連接層輸出。

1. 4 互相關約束

為了提高網絡的穩(wěn)定性和有效性，在網絡中增加了一個約束條件。在井震標定工作中，通常用測井合成地震記錄和井旁地震道的相關系數評價標定結果的好壞，因此可以用兩者的互相關為約束，將損失函數改寫為原始損失函數與兩者相關系數的復合函數

Loss=αLoss₁+β（1-Cor）

式中：Loss 表示回歸問題中選定的損失函數；Cor 表示經時間校正后的合成地震記錄與井旁地震道的相關系數； α 和 β 為權重。

圖 2 1D U?Net 網絡結構示意圖

圖 3 CNN?GRU 網絡結構示意圖

相關系數的具體計算方法是：將第 n 輪網絡訓練結果的時間校正量記為 Δt_n ，則測井合成地震記錄校正之后的時間 t₀^′=t₀+Δt_n，t₀^′ 即為 S_log 實際對應的時間。但是因為 S_sei 在 t₀ 時間下，無法直接進行互相關運算，所以需要將 S_log 從 t₀^′ 時間下轉換到 t₀ 時間下，從而得到時間校正后的合成地震記錄 S_log.sf，S_log.sf 與 S_sei 的相關系數即為 Cor。轉換時需要對 S_log 進行線性插值，但是由于插值函數不可導，不能反向傳播，所以不能直接應用于網絡，因此搭建了一個插值網絡（Inter?Net）取代線性插值。

搭建的插值網絡結構見圖 4。因為這個任務較簡單，所以搭建的網絡只用了四個卷積層。用模型數據來訓練網絡，輸入校正前的地震記錄和時間校正量，以校正后的地震記錄作為標簽，輸入數據已經存在，標簽可由插值函數得到。由于網絡的預測結果與插值函數得到的校正后的地震記錄幾乎一致，因而可用其替代插值函數。

圖4 插值網絡結構示意圖

2 模型數據測試

2. 1 模型數據集

模型數據來自深度域 Marmousi2 模型和鹽丘模型，其速度模型分別見圖 5 和圖 6，兩個模型的密度形態(tài)都與速度模型基本一致。

圖 5 Marmousi2 模型示意圖

圖6 鹽丘模型示意圖

Marmousi2 模型橫向包括 13600 道，縱向深度為700m ，采樣間隔為 0.25m ，共 2800 個采樣點。模型上方的水層速度最小，為 1500m/s ，厚度為 90m ；隨著深度的增加，水層速度呈上升趨勢，最大速度約為 4500m/s 。由于該模型橫向相鄰兩道間差異太小，故而每兩道取一道，即取 6800 道；縱向上去除上方 90m 厚的水層，剩余 610m 。

鹽丘模型橫向共 300 道，縱向深度 200m ，采樣間隔與 Marmousi2 模型一樣，為 0.25m ，共 800 個采樣點。模型最小速度為 1500m/s ，中部的鹽丘速度最大，約為 3500m/s 。

這兩個模型在構造形態(tài)和速度上都有較大差異，因而通過這兩個模型可以測試神經網絡的適用性和泛化性。下面以 Marmousi2 模型為例展示模型數據集。

模型每一道截取時間長度為 230ms 。圖 7 為采用本文方法進行速度校正后隨機選取的一道測井速度（校正前速度）與地震速度（校正后速度）的對比。時間校正曲線見圖 8。為了讓時間校正曲線更好地模擬實際標定中的時深關系變化，對每一道模型數據進行隨機分層，層數為 3～10 ，每一層的厚度隨機生成。然后每一層給一定范圍內的隨機數，表示對應時間點相較上一時間點的時間校正量，隨機數的范圍應滿足每層的校正曲線斜率在實際數據校正曲線斜率的范圍內。最后，對所有的隨機數隨機取正負，同一層數據符號應保持一致，正數代表拉伸，負數代表壓縮，將每一點的校正量累加可得時間校正曲線（圖 8a）。圖 8b 為隨機分層后的時間校正曲線，可以發(fā)現隨機分層后單道的拉伸和壓縮更復雜，能更好地模擬實際情況。

圖7 測井速度校正

圖8 時間校正曲線

根據模型數據的雙程旅行 t₁ ，可得校正后的時間t₂=t₁+Δt ，控制 Δt 在 [-10ms ， 10ms] 。由上可知每一道 t₁ 的最大值都是 230ms ，而 t₂ 的最大值則是[220ms ， 240ms]，t₀ 則在[0， 240ms] 范圍內取整數。提取的子波見圖 9，可以看出主頻大致為 40Hz 。對合成地震記錄隨機選取一道時間校正前、后的地震記錄及對應的時間校正曲線，見圖 10（顯示的是歸一化后的數據），將時間校正前的地震記錄擬為測井合成地震記錄，記為 S_log ，校正后的擬為井旁地震道，記為 S_sei 。

2. 2 網絡訓練

從 6800 道 Marmousi2 模 型 取 出 6000 道 用 于網絡訓練（包括 5000 道訓練集和 1000 道驗證集），其余的 800 道用于測試。讀取數據時打亂數據的順序，保證訓練數據的隨機性，同時設置隨機種子讓訓練結果可復現。另外，在訓練網絡之前，需要人為設置網絡的超參數，超參數不依賴于數據集的學習，不會隨著網絡的訓練過程而改變，例如：迭代次數、學習率、損失函數等。這些參數之間是相互影響的，當其中的一個參數變化時，其他參數的最優(yōu)解也會隨之變化。所以在測試某一參數時，需要保持其他參數不變，對所有參數逐一測試，以選取超參數的最優(yōu)搭配。下面以 CNN?GRU 網絡為例，介紹超參數的選取流程。

圖9 統(tǒng)計子波

圖10 時間校正前后的地震記錄（a）及時間校正量曲線（b）

圖11 不同學習率的損失函數

迭代次數采用提前停止（Early Stopping）機制，通過設定條件，網絡可以在無需手動指定迭代次數的情況下自動終止訓練。學習率采用學習率衰減機制，這樣做的好處是在訓練的前幾個周期，學習率較大，網絡能夠更快地接近最優(yōu)值；在訓練的后半部分，隨著學習率的減小，網絡能夠更精確地收斂到最優(yōu)值，而不是在附近振蕩。因為用學習率衰減法，所以學習率初始值不宜設置過小。本次實驗分別測試了 0.0100，0.0010 和 0. 0001 三 種 學 習率，訓練時間分別為 173，153，160min ，訓練結果見圖 11。損失函數值分別為 0. 255、0. 252 和 0. 301，因此學習率初始值設為 0.001 。分別測試了均方誤差 （Mean Squared Error，MSE）、平 均 絕 對 誤 差（Mean Absolute Error，MAE）和 Huber Loss[25]三 種損失函數，訓練時間分別為 140、153、173 min，訓練結果見圖 12。計算三種損失函數的 MAE，結果分別 為 0. 401、0. 252 和 0. 258。 綜 合 考 慮 ，本 研 究 選用 MAE 作為損失函數。

圖12 不同損失函數的訓練結果

接下來介紹如何選取網絡。設置好 U?Net 模型和 CNN?GRU 模型的超參數后，將兩者的損失函數訓練到最小，計算網絡訓練結果與標簽的絕對誤差，結果見圖 13 和圖 14。由圖可見：U?Net 網絡訓練集和驗證集的絕對誤差分別為 0. 46 和 0. 56；CNN?GRU 網絡訓練集和驗證集的絕對誤差分別為 0. 15 和 0. 25，故本次實驗選取 CNN?GRU 網絡作為神經網絡。

選取兩道（A、B）網絡訓練結果和標簽進行對比。加入互相關約束前，網絡的訓練結果見圖 15。可以看出，當數據的分層較少時，網絡的輸出結果和標簽擬合較好；當分層變多時，網絡的輸出結果與標簽的擬合程度較低。

圖13 U?Net 網絡訓練結果與標簽的絕對誤差

圖14 CNN?GRU 網絡訓練結果與標簽的絕對誤差

加入互相關約束后，先訓練插值網絡使其收斂，訓練結果見圖 16。由圖可見，利用插值函數校正后的地震記錄與插值網絡預測結果幾乎一致。計算兩者的相關系數平均值 R=0.97 ，表明插值網絡能夠很好地替代插值函數。

將插值網絡嵌入 CNN ?GRU 網絡的訓練過程，每個批次都要運行一次。對式（4）中的權重系數 α 和 β 進行測試，當 時，網絡預測結果與標簽的絕對誤差最小。網絡的訓練結果見圖 17a。由圖可見，經過 200 次迭代，損失函數降到了最小值，網絡模型達到了該約束條件下的最優(yōu)。圖 17b 和圖 17c 為所選取的兩道網絡預測結果和標簽對比，可見加入互相關約束后，在分層較多時，網絡的性能得到了改善，網絡預測結果和標簽的擬合效果優(yōu)于未加入約束的情況。

2. 3 模型預測

為了測試訓練出的網絡模型的性能，利用測試集對該模型進行測試，將網絡預測的時間校正量應用到合成地震記錄 S_log ，繪制 t₀ 時刻校正后的合成地震記錄 S_log.sf 及井旁地震道 S_sei 。隨機選取 Mar?mousi2 模型和鹽丘模型校正前、后的一道地震記錄，見圖 18 和圖 19。由圖可見，網絡標定后，合成地震記錄與井旁地震道匹配較好，表明該網絡在模型數據上出色地完成了井震自動標定。

圖15 網絡預測結果與標簽的對比

圖16 插值網絡結果

圖 17 CNN?GRU 網絡的訓練結果

圖18 Marmousi2 模型網絡自動標定結果

3 實際數據測試

本文所用的實際數據來自中國某盆地的疊后地震數據和 30 口井的測井數據。地震數據見圖 20，XLine 方 向 共 110 條 測 線 ，InLine 方 向 共 142 條 測線，時間范圍為 0～2000ms 。井位分布見圖 21，30 口井均為直井。為了合成地震記錄，需要從地震數據中

圖19 鹽丘模型網絡自動標定對比

圖20 實際地震數據三維顯示

提取統(tǒng)計子波。圖 22 為 InLine 方向第 121 號測線的地震剖面，可以看出井數據的時間范圍約為 700～ 1000ms ，所以提取子波的時窗范圍取 700～1000ms. 。

為了進一步評估網絡性能，對這 30 口井進行手動標定，將之與神經網絡的井震自動標定結果進行對比，評估網絡在實際數據中的性能。通過拖拽合成地震記錄，使之與井旁地震道的滯留時間為 0，此時的標定結果見圖 23。

圖 22 InLine 方向第 121 號測線地震剖面

將訓練好的 CNN?GRU 網絡模型應用到實際數據集，并與某商業(yè)軟件手動標定結果對比。分別計算合成地震記錄與井旁地震道的相關系數，據此評價該網絡在實際數據中的性能，網絡標定結果與軟件手動標定結果相關系數統(tǒng)計見表 1。可以發(fā)現，25 口井的自動標定相關系數大于或等于商業(yè)軟件手動標定結果，選取的 6 號井和 13 號井展示標定結果，分別見圖 24 和圖 25。其余井兩種方法標定結果相關系數基本一致（小于 0. 01），選取 1 號井進行展示，見圖 26。根據標定結果分析可知，搭建的 CNN?GRU 網絡出色地完成了井震自動標定，而且網絡預測的耗時遠遠小于手動標定，有效提高了工作效率。

4 結論

本文提出了一種基于深度學習的井震自動標定方法，通過搭建神經網絡預測測井數據與地震數據之間的時間校正量，通過互相關約束提高網絡在井震標定數據集上的性能。模型數據和實際數據測試結果表明，深度學習算法可以有效提高井震標定的精度和效率。

圖23 1 號井的標定結果

表1 網絡標定與某軟件手動標定結果相關系數

參 考 文 獻

［1］ 戴向峰. 地震層位綜合標定技術研究與應用[J]. 中國 石油和化工標準與質量， 2019， 39（22）： 212?213.

［2］ WHITE R E， SIMM R. Tutorial： Good practice in well ties [J]. First Break， 2003， 21（10）： 75?83.

［3］ SAKOE H， CHIBA S. Dynamic programming algo? rithm optimization for spoken word recognition[J]. IEEE Transactions on Acoustics， Speech， and Signal Processing， 1978， 26（1）： 43?49.

［4］ MARTINSON D，HOPPER J. Nonlinear seismic trace interpolation[J]. Geophysics， 1992， 57（1）： 136?145.

［5］ LINER C， CLAPP R. Nonlinear pairwise alignment of seismic traces[J]. Geophysics， 2004， 69（6）： 1552?1559.

［6］ HALE D. Dynamic warping of seismic images[J]. Geophysics， 2013， 78（2）： S105?S115.

［ 7］ HERRERA R， BAAN M. A semiautomatic method to tie well logs to seismic data[J]. Geophysics， 2014， 79（3）： V47?V54.

［ 8］ MU?OZ A， HALE D. Automatic simultaneous mul? tiple well ties[J]. Geophysics， 2015， 80（5）： IM45 ? IM51.

［9］ WU X， CAUMON G. Simultaneous multiple well ? seismic ties using flattened synthetic and real seismo? grams[J]. Geophysics， 2017， 82（1）： IM13?IM20.

［10］ 張一琛，陳雙全， 靳松， 等 . 基于動態(tài)時間規(guī)整算法 的縱波與轉換波時間域匹配[J]. 石油科學通報， 2018， 3（2）： 144?153. ZHANG Yichen， CHEN Shuangquan， JIN Song， et al. Time domain registration of P_- and C?waves based on a dynamic time warping algorithm[J]. Petroleum Science Bulletin， 2018， 3（2）： 144?153.

［11］ 羅紅梅， 王長江， 劉書會， 等. 深度域高精度井震動 態(tài) 匹 配 方 法 [J]. 石 油 地 球 物 理 勘 探 ， 2018， 53（5）： 997?1005. LUO Hongmei， WANG Changjiang， LIU Shuhui， et al. Well?to ?seismic calibration in the depth domain using dynamic depth warping[J]. Oil Geophysical Prospecting， 2018， 53（5）： 997?1005.

［12］ 黎孟承， 曹衛(wèi)平， 黃旭日. 改進的動態(tài)時間規(guī)整 （DTW）算法在井震標定中的應用[C]. 中國石油學會 物探技術研討會論文集， 2021： 893?896.

［13］ CAI S，WANG Y， FANG F. Nonstationary seismic? well tie using dynamic time warping[C]. 83rd EAGE Annual Conference and Exhibition. https：//doi. org/ 10. 3997/2214-4609. 202210807

［14］ 楚德疆， 胡葉正 . 基于層約束的動態(tài)時間規(guī)整方法 的井震速度更新[J]. 中國石油和化工標準與質量， 2023， 43（6）： 77?79.

［15］ FOMEL S. Local seismic attributes[J]. Geophysics， 2007， 72（3）： A29?A33.

［16］ FOMEL S， JIN L. Time ? lapse image registration using the local similarity attribute[J]. Geophysics， 2009， 74（2）： A7?A11.

［17］ NIVIET P， SMITH R， AI B H N. Automated well? to ? seismic tie using deep neural networks[C]. SEG Technical Program Expanded Abstracts， 2020， 38： 2156?2160.

［18］ THANOON D， VAMARAJU J， YANG H. Deep seismic2well tie： A physics?guided CNN approach to a classic geophysical workflow[C]. First International Meeting for Applied Geoscience and Energy Expanded Abstracts， 2021： 1541?1545.

［19］ DI H， ABUBAKAR A. Unsupervised learning for au? tomated seismic?well tie[C]. 83rd EAGE Annual Con? ference and Exhibition， https：//doi. org/10. 3997/ 2214-4609. 202210502

［20］ WU H， LI Z， LIU N， et al. Improved seismic well tie by integrating variable?size window resampling with well?tie net [J]. Journal of Petroleum Science and Engi? neering， 2022， 208： 109?117.

［21］ MURINEDDU A， PEZZOLI M， SCANDROGLIO S， et al. Deep dive into automated seismic well tie， a piv? otal step towards fully?automated seismic reservoir charac? terization[C]. 83rd EAGE Annual Conference and Exhibi? tion，https：//doi. org/10. 3997/2214-4609. 202210724

［22］ 石小茜， 周俊峰， 雷明， 等. 沉積相帶控制下提高井 震標定精度的綜合方法[J]. 石油物探， 2022， 61（2）： 348?355. SHI Xiaoqian， ZHOU Junfeng， LEI Ming， et al. A comprehensive method to improve the accuracy of well? seismic calibration according to sedimentary facies [J]. Geophysical Prospecting for Petroleum， 2022， 61（2）： 348?355.

［23］ 倪文軍， 劉少勇， 王麗萍， 等. 基于深度學習的子波整形反 褶積方法[J]. 石油地球物理勘探， 2023， 58（6）： 1313 ? 1321. NI Wenjun， LIU Shaoyong， WANG Liping， et al. Wavelet shaping deconvolution based on deep learning [J]. Oil Geophysical Prospecting，2023，58（6）： 1313? 1321.

［24］ ZHANG B， YANG Y， PAN Y， et al. Seismic well tie by aligning impedance log with inverted impedance from seismic data[J]. Interpretation， 2020， 8（4）： T917?T925.

［25］ 劉雨. 基于疊前波場模擬的井震標定[D]. ： 中國 石油大學， 2016.

（本文編輯：劉海櫻）

作 者 簡 介

李欽昭 碩士，2000 年生；2021 年獲中國石油大學克拉瑪依校區(qū)資源勘查工程專業(yè)學士學位；2024 年獲中國石油大學地質資源與地質工程專業(yè)碩士學位，主要研究方向地震資料處理。目前在中國石油大學克拉瑪依校區(qū)擔任輔導員。