近日，精密测量院毛伟建研究团队在高分辨率油气勘探地震保幅成像方面取得一系列新进展。团队借助人工智能、散射波场和点扩散函数等多学科理论和方法，开展交叉学科研究，创新提出高精度人工智能速度建模、逆散射保幅成像条件以及点扩散函数深度域反演技术，为解决长期以来困扰深层复杂地质条件下的油储特征反演和预测难题给出了新的思路。该系列研究成果2022年在国际著名地学Q1区学术期刊上发表5篇论文，其中2篇发表在《IEEE地球科学和遥感汇刊》 （《IEEE TGRS》）, 3篇发表在《IEEE 地球科学和遥感快报》（《IEEE GRSL》）上。

　　准确的速度模型在高精度地震成像中起着关键作用。作为一个非线性逆问题，传统速度建模方法由于数据中缺少低频分量、计算效率低等问题在实际地震勘探中受到限制。团队借助深度学习方法逼近不同数据域之间的非线性映射函数的强大能力，来解决原始地震数据高效速度建模问题。在这项工作中，该团队开发了一种数据驱动反演方法，该方法基于具有编码器-解码器结构的多尺度深度卷积神经网络，以直接从原始地震数据中解决具有不同尺度速度模型的反演问题。通过设计压缩矩阵压缩输入数据，网络可以获得任意尺度的预测。

　　三种不同尺度的测试数据的反演结果

　　随着地震勘探进入更精细的岩性成像阶段（如：深水、深层、复杂储存、非常规储存等），如何正确理解地震成像结果，成为极为关键的问题。传统的地震成像以求取地震反射率为目标，在深层成像阶段会出现成像数值不准确等问题。该团队以地震波散射理论为基础，提出各向异性逆散射反演成像条件，并将此成像条件用于逆时偏移。该方法能够有效计算地层参数扰动值，为超深层保幅地震成像提供了有效的方法。

　　各向同性逆散射反演成像（左）与各向异性逆散射反演成像（右）的对比

　　地震勘探经历了从二维走向三维，从叠后走向叠前，从时间域成像走向深度域成像的发展过程。然而，目前在工业界，仍缺乏在深度域直接进行反演的有效技术。现有方法无法满足精细储层解释的需要并计算量很大。针对上述问题，该团队发展了一种基于点扩散函数的深度域最小二乘反演方法，避免了“时深转换”的过程，大幅提高了反演效率。该方法可以有效地均衡照明，清晰刻画断层面，明显提升空间分辨率。并且计算量只有传统数据域最小二乘方法的1/10。

　　标准高斯束偏移及其波数谱（左）与PSF处理结果及波数谱（右）的对比　　

　　该系列研究分别以“Deep Learning Based Seismic Variable-size Velocity Model Building”、“Amplitude-Preserving Imaging Condition for Scattering-Based RTM in Acoustic VTI Media”、“Elastic Least-Squares Gaussian Beam Imaging With Point Spread Functions”为题发表在《IEEE Geoscience and Remote Sensing Letters》上；以“Multi-Parameter True-Amplitude Generalized Radon Transform Inversion for Acoustic Transversely Isotropic Media With a Vertical Symmetry Axis”、“Born Scattering Integral, Scattering Radiation Pattern, and Generalized Radon Transform Inversion in Acoustic Tilted Transversely Isotropic Media” 为题发表在《IEEE Transaction on Geoscience and Remote Sensing》上; 五篇论文的第一作者分别是博士研究生杜蒙、孙史磊、段伟国，副研究员欧阳威，博士后梁全，通讯作者均为毛伟建，博士后石星辰和程时俊是合作作者。上述研究由国家自然科学基金重点和面上项目、中石油科技重大专项和中石油科学研究与技术开发项目联合资助。

　　

　　论文链接：

　　https://ieeexplore.ieee.org/document/9878310

　　

　　https://ieeexplore.ieee.org/document/9943533

　　

　　https://ieeexplore.ieee.org/document/9770857

　　

　　https://ieeexplore.ieee.org/document/9509571

　　

　　https://ieeexplore.ieee.org/document/9763474