基于静力触探与微动调查数据的近地表Q值结构预测方法

朱峰; 石一青; 符伟; 李博南; 王冲冲

doi:10.12404/j.issn.1671-1815.2501506

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :553-563 DOI: 10.12404/j.issn.1671-1815.2501506

石油、天然气工业

基于静力触探与微动调查数据的近地表Q值结构预测方法

朱峰 ¹ ,
石一青 ¹ ,
符伟 ² ,
李博南 ²^,^* ,
王冲冲 ²

作者信息 +

Predicting Near-surface Q-value Structure from Cone Penetration Tests and Microtremor Survey Data

ZHU Feng ¹ ,
SHI Yi-qing ¹ ,
FU Wei ² ,
LI Bo-nan ²^,^* ,
WANG Chong-chong ²

Author information +

文章历史 +

摘要

近地表介质对地震波的吸收衰减(以品质因子Q值表征)是影响地震资料品质的重要因素。传统从微测井实验中提取Q值的方法存在推广性差、探测深度浅和成本高昂的技术瓶颈。针对上述问题,提出了一种融合静力触探与微动调查的近地表岩土体Q值结构综合探测方法及其现场实施流程。一方面,设计了多尺度地球物理参数融合的野外实施方案,通过微测井、微动和静力触探数据的空间协同观测,构建多源异质近地表参数数据库。另一方面,开发了基于时序深度学习架构的Q值场预测算法,采用多层长短时记忆神经网络(long short-term memory,LSTM)构建微测井控制点与广域地球物理参数间的非线性映射关系,实现以少量微测井数据为约束的Q值场重建。实际应用表明,本文方法在秦栏工区地震资料处理中展现显著优势,基于预测Q值场实施的振幅衰减补偿使有效频带展宽,验证了该方法在近地表衰减补偿及激发岩性优选中的工程应用价值。

Abstract

The absorption and attenuation of seismic waves in near-surface media(characterized by the quality factor Q) is recognized as a critical factor affecting seismic data quality. Traditional Q-value extraction methods based on uphole surveys are constrained by technical limitations including poor scalability, shallow detection depth, and high operational costs. To address these challenges, a comprehensive detection method integrating CPT(cone penetration testing) and Microtremor Survey was proposed, along with its field implementation workflow. A field implementation scheme was designed for multi-scale geophysical parameter fusion, through which spatially coordinated observations from uphole surveys, microtremor measurements, and CPT data were utilized to establish a multi-source heterogeneous near-surface parameter database. Concurrently, a time-series deep learning-based Q-field prediction algorithm was developed, employing multi-layer LSTM(long short-term memory) neural networks to construct nonlinear mapping relationships between uphole control points and regional geophysical parameters, thereby achieving Q-field reconstruction constrained by sparse uphole data. Practical applications demonstrated the method’s superior performance in seismic data processing within the Qinlan work area, where amplitude attenuation compensation based on the predicted Q-field resulted in effective bandwidth broadening, confirming the engineering value of this approach for near-surface attenuation compensation and excitation lithology optimization.

Graphical abstract

关键词

地震勘探近地表调查 / 品质因子 / 长短时记忆神经网络 / 衰减补偿

Key words

near-surface surveys / quality factor / long short-term memory neural network / attenuation compensation

引用本文

引用格式 ▾

朱峰, 石一青, 符伟, 李博南, 王冲冲. 基于静力触探与微动调查数据的近地表Q值结构预测方法[J]. 科学技术与工程, 2026, 26(2): 553-563 DOI:10.12404/j.issn.1671-1815.2501506

ZHU Feng, SHI Yi-qing, FU Wei, LI Bo-nan, WANG Chong-chong. Predicting Near-surface Q-value Structure from Cone Penetration Tests and Microtremor Survey Data[J]. Science Technology and Engineering, 2026, 26(2): 553-563 DOI:10.12404/j.issn.1671-1815.2501506

登录浏览全文

4963

注册一个新账户忘记密码

近地表调查的核心任务在于全面揭示地表至地下浅层对地震波传播特性产生影响的所有因素。它是认识地震波在地下的真实传播速度、路径和能量变化的关键环节,是提升地震勘探资料品质的重要前提^[1]。具体来说:一方面,地震波在近地表疏松的土壤和岩层中传播时,高频能量往往会遭受损失,从而使得整体分辨率和信噪比有所下降^[2-5]。另一方面,相同当量的震源在高衰减地层中激发得到的能量总是明显弱于低衰减地层^[6-8]。因此,识别地下高衰减体的位置并获取其详细结构信息,是激发井深设计和衰减补偿的重要依据^[9]。

地震波在岩土体传播过程中由于摩擦、散射和吸收等因素导致的能量损失程度通常用品质因子(quality factor,Q)来描述^[10],Q值的空间分布即为Q值结构(或Q值场)。然而,直接测量原位状态下岩土体的Q值场是很难实现的。因此,在实际调查中,通常采用微测井波形分析方法(如谱比法、质心频率法和波形拟合法)对该参数进行间接推算^[11]。于承业等^[12]以及张子良等^[13]分别提出了利用双井微测井和单井微测井资料估算近地表Q值的方法。刘财等^[14]设计了一种通过多项式拟合质心频移法估算微测井的等效Q值。类似地,李伟娜等^[15]提出一种利用双线性回归的微测井Q值估计方法。在此基础上,蔡杰雄等^[16]利用微测井数据估算近地表吸收结构,并基于此校正和消除近地表的吸收衰减效应,为高分辨率地震勘探提供了技术支持。翟桐立等^[17]提出了一种井地一体化观测的Q值估算方法。以上基于微测井数据的Q值提取方法的优势是具有较高的分辨率和可靠性(能够保持土体的原位状态)以及较强的适用性(适用于软土、硬岩等多种地层)。刘立彬等^[18]提出一种微测井和地震资料联合的近地表Q反演方法。然而,在实际野外调查中,微测井数量常受限于钻井成本及场地施工条件,包括对地形地貌、环境友好性、单井施工周期、钻井深度,以及噪声干扰等。因此,在不牺牲调查精确度的情况下减少微测井布点数量,对于降低工程成本和保护环境具有重要意义。

相比之下,被动源微动调查方法可以利用地震背景噪声中面波成分来查明场地广域波速结构,具备施工成本低、时效性强和覆盖面广的优势,其调查结果可成为微测井的井间区域信息提供重要补充^[19-21]。刘学伟等^[22]提出一种利用面波反演风化层Q值来提高分辨率的方法。林美言^[23]利用主动源面波的衰减系数曲线反演出近地表Q值的方法。然而,上述工作利用的多是主动源面波,难以在勘探早期开展,并且由于面波频散曲线对Q值的敏感性较差,反演结果的稳定性不强。静力触探是一种通过静力压入土层获取土的物理力学性质的原位测试技术,不受弹性波波长和地震检波器有效频带限制,且分辨率高、施工简单、即时性强、成本低廉。一些研究表明,可以通过建立波速、岩性、锥尖阻力和侧摩阻力间的经验关系来估计Q值结构^[23-24]。然而,值得注意的是,尽管上述两种方法在操作上较之于从微测井中提取数据更为便捷,但目前尚缺乏从微动和静力触探数据中获取精确近地表Q值结构的标准流程和算法,且相关成功应用案例亦相对匮乏。

因此,综合微测井、静力触探及微动3种近地表调查技术的长处,现利用稀疏的微测井调查网所提取的Q值结构,构建了训练数据集,从而提高整体的采集效率,并利用长短时记忆人工神经网络模型捕捉Q值的空间连续性,通过模型泛化实现大范围的场地Q值结构预测,为激发岩性优选和衰减补偿处理提供参考数据。

1 理论方法

1.1 基于单井微测井的Q值结构提取

Q值是表征地震波在岩土体传播过程中的能量损失程度的常用指标^[25],为品质因子。在相同传播距离条件下,地震波在越低Q值介质中传播时,其振幅损失越快,主频越低。地震信号的频谱A(f,t) 可以表示为

(1)A(f,t)=A₀(f)e^-π^ft/Q

式(1)中:f和t分别为频率和时间;A和A₀分别为衰减前后的信号。

由式(1)可知,利用频率分量呈指数衰减这一特征,可以实现Q值估计,并基于地下Q值结构恢复出衰减前的信号。

基于此,现提出一种适用于微测井实验的Q值结构提取方案。微测井技术是一种高分辨率的近地表调查方法,主要用于查明近井眼地层的条件^[19]。微测井的探测深度通常在30 m以内,能够揭示该范围内的小尺度近地表地质信息^[26]。如图1(a)所示,以井中激发小型炸药、35次激发、地面8道接收的单井微测井调查为例。基于上述观测系统,可通过比较地震记录中同一事件沿不同传播路径或传播时刻的频谱比值,来计算衰减引起的高频成分的减少程度,从而估算出当前深度的地层Q值。具体实现步骤如下。

(1)利用同一深度的地震记录的波形相似性[图1(b)],为整体提高信噪比,叠加地面8道检波器接收到的来自同次激发的单炮记录,得到35个单炮叠加地震记录。

(2)在时间轴上定位目标波段,筛选出同一地震事件在不同接收点的波形,或同一个接收点在不同时间窗内的波形。如图2所示,将不同深度叠加记录的子波初至(红色圆点)连线(蓝色折线),并设计时间窗口Δt拾取出传播不同距离后的直达子波波形。

(3)比较微测井记录中同一事件在不同传播路径或传播时刻的频谱比值。假设参考波段为M₀(f),目标波段为M₁(f),进行傅里叶变换得到其在频域上的振幅谱A₀(f)和A₁(f),二者比值即为

(2)R(f)=$\frac{{A}_{1}\left(f\right)}{{A}_{0}\left(f\right)}$

式(2)中:R(f)为频谱比值,反映了地震波在传播过程中的频率依赖性衰减特征。

(4)如图3所示,根据频谱比值R(f)与频率f之间的关系,即

(3)ln$\frac{{A}_{1}\left(f\right)}{{A}_{0}\left(f\right)}$=-$\frac{\mathrm{\pi }\mathrm{\Delta }t}{Q}$f

拟合计算出当前深度的Q值^[2-5]。

(5)重复上述过程直到遍历来自所有井深的地震事件,得到35组离散的估计Q值,再对其按照一定间隔使用线性插值得到连续的Q值结构曲线。

(6)一般来说,弹性波在坚硬的岩石中传播时速度快,且能量衰减慢^[1]。基于此,可以通过Q值与纵波速度结构(初至换算得到)的相似性验证提取结果,若二者大体呈现正相关趋势(图4),则可判断Q值提取结果合理^[10]。

1.2 基于微动调查的横波速度结构反演

将距原点水平距离x处检波器在t时刻观测到的微动记录记为S(x,t),对其在时间和空间域做二维傅里叶变换^[25-26],即

(4)S(k,f)=${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }$S(x,t)e^-2iπ^ftdte^-2iπ^kxdx

式(4)中:S(k,f)为频率-波束域的震动信号;k为波数。

k、f与面波的相速度v满足如下关系,即

(5)k=$\frac{f}{v}$

式(6)的插值结果即为面波的频散能量谱。求解面波相速度c_RJ的隐式方程可表示为

(6)F(f_J,c_R_J,V_s,V_p,ρ,h)=0

式(6)中:f_J为第J个频率采样点;V_p、V_s、ρ和h分别为包含所有地层纵横波速度、密度和厚度的参数矩阵。

式(6)的解满足

(7)JΔX=Δb

式(7)中:X为地层的横波速度;b和Δb分别为瑞雷波的相速度及其预测误差;Δb=b-c_R(X₀),其中c_R(X₀)为初始模型;ΔX为模型调整量;J为Jacobian矩阵。

对式(7)的求解可转化为最优化问题,即

(8)$\begin{aligned} \Phi= & \|\boldsymbol{J} \Delta \boldsymbol{X}-\Delta \boldsymbol{b}\|_{2} \boldsymbol{W}\|\boldsymbol{J} \Delta \boldsymbol{X}-\Delta \boldsymbol{b}\|_{2}+ \\ & \alpha\|\Delta \boldsymbol{X}\|_{2}^{2} \end{aligned}$

式(8)中:Φ为优化的目标函数;(·)₂为向量的2范数;W为加权矩阵;α为阻尼因子。

式(8)的极小值为

(9)ΔX=V

$({\Lambda }^{2}{+\alpha I)}^{-1}$

ΛU^Td

式(9)中:矩阵U、Λ和V是对矩阵LJ的奇异值分解结果,即LJ=UΛV^T,其中L为加权矩阵W分解得到的对角矩阵,即W=L^TL;d=Lb;I为单位对角矩阵。

1.3 空间协同数据采集与预处理策略

1.3.1 多源数据协同采集策略

为方便并高效地构建数据集,在近地表调查实施前会预先将设计部署点位划分成“普通”和“标定”两类,其中的“标定”为实施静力触探、微动以及微测井3种调查手段的点位,“普通”为仅实施静力触探和微动两种手段的点位。前者在总点位中的占比应大于后者。基于此,可以以结构化数据库的方式来管理工区的全部近地表参数场。举例来说,第i个标定测点在第j个深度采样点的观察数据D_ij可以被表示为

(10)D_ij=[O_i, d_j, lith_ij, q_c,_ij, f_s,_ij, V_s,_ij,Q_ij]

式(10)中:i和j分别为调查点的桩号和深度采样点序号;O和d为调查点到测线原点的距离(即偏移距)以及深度;lith表示岩性,为离散的标签值,通常来自地质资料解释、钻井取心和静力触探等手段;q_c和 f_s分别为双桥静力触探测得的锥尖阻力和侧摩阻力;V_s为地层中剪切波的传播速度,由1.2节中的反演获得;Q为品质因子,由1.1节中的谱比法提取获得;相对地,普通调查点采集的数据集仅包含D_ij前6个特征,Q_ij为预测目标。

1.3.2 多源异质近地表调查数据预处理

数据预处理的目的是使原始采集数据在编码格式、长度、采样率和分区等方面满足机器学习的基本要求,为Q值预测做准备。步骤如下。

(1)数据归一化:使用最小-最大归一化处理以消除不同物理量(如深度、水平距离、锥尖和侧摩阻力、横波速度和Q值)之间的单位和范围差异,使其数值落在同一个范围内(如0~1)。

(2)对齐与排序:考虑不同调查数据间的探测深度和分辨率差异,先使用样条插值或线性插值等方法将其统一到相同的深度范围(如0~30 m)和分辨率(如0.1 m)下再进行对齐。在此基础上,将相同深度和偏移距的测量值配对组合,并按照从浅到深的顺序排列,形成时序训练数据集。

(3)数据分割:随机选取一定数量的标定点数据作为验证集,以避免模型训练出现过拟合问题。

1.4 基于LSTM网络的Q值结构预测

在建立场地近地表调查数据库的基础上,可进一步利用深度学习算法预测无微测井调查点位的地下Q值结构。作为一种时间序列深度学习网络结构,长短期记忆网络(long short-term memory, LSTM)相较于传统前馈神经网络在预测地下Q值结构中具有独特的优势,主要体现在:①地层连续沉积的前提下,岩土参数(如岩性和力学性质)通常具有空间相关性,LSTM 网络善于捕捉这种序列特征,并借此约束Q值结构的预测结果;②通过引入记忆单元和门机制来避免梯度消失问题,LSTM 可以更好地建模长时间序列;③LSTM 网络允许模型选择性地丢弃不必要的信息并保留重要信息^[26-27]。这种灵活的记忆能力使得 LSTM 能够在处理复杂的地下数据时保持对地质沉积历史的记忆,同时抑制噪声和无关特征。

如图5所示,假设标定测点获得的近地表调查数据总量为n,构造由岩性、深度、偏移距、锥尖阻力、侧摩阻力与横波速度组成的6维特征空间(输入层),品质因子Q作为输出层,记为

(11)

$\left\{\begin{array}{l}\mathrm{输}\mathrm{入}\mathrm{层}:　{X}_{i}=[\mathrm{l}\mathrm{i}\mathrm{t}{\mathrm{h}}_{i},{d}_{i},{O}_{i},{q}_{\mathrm{c},i},{f}_{\mathrm{s},i},{V}_{\mathrm{s},i}],\\ \mathrm{输}\mathrm{出}\mathrm{层}:　{Y}_{i}=\left[{Q}_{i}\right],　i=\mathrm{1,2},\dots,N\end{array}\right.$

中间隐藏层的数量被设置为6层,每层包含256个LSTM神经元,每个神经元包含输入门、遗忘门、输出门3个部分。每个门均配备权重矩阵来掌握输入与输出间的内在联系。在每个训练时间步中,LSTM通过独特的门控机制来决定保留哪些信息,以优化序列数据的处理。

遗忘门决定当前时刻t之前记忆单元状态C_t_-1中有多少信息需要被遗忘。

(12)f_t=σ(W_f[h_t_-1,x_t]+b_f)

式(12)中:f_t为遗忘门的输出,取值范围为[0,1],其中1表示完全保留,0表示完全遗忘;W_f和b_f为遗忘门的权重矩阵和偏置项;h_t_-1为上一时刻的隐藏状态;x_t为当前时刻的输入;σ为sigmoid激活函数,用于将值压缩到[0,1]范围内。

输入门将当前时刻的新信息

${\stackrel{~}{C}}_{t}$

存入单元,即

(13)

$\left\{\begin{array}{l}{i}_{\mathrm{t}}=\mathrm{\sigma }\left({W}_{\mathrm{i}}\right[{h}_{\mathrm{t}-1},{x}_{t}]+{b}_{i})\\ {\stackrel{~}{C}}_{t}=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({W}_{\mathrm{C}}\right[{h}_{t-1},{x}_{t}]+{b}_{\mathrm{C}})\end{array}\right.$

式(13)中:i_t为输入门的输出,控制当前输入信息的多少,取值范围也是[0,1];

${\stackrel{~}{C}}_{t}$

为通过输入 x_t和之前的隐藏状态h_t_-1计算出的候选记忆单元状态,范围在[-1,1];tanh为双曲正切函数;W_i和W_C分别为输入门和候选记忆状态的权重矩阵;b_i和b_C为它们的偏置项。

LSTM的记忆单元C_t_-1是通过遗忘旧信息和添加新信息来更新的。公式为

(14)C_t=f_t*C_t_-1+i_t*

${\stackrel{~}{C}}_{t}$

式(14)中:C_t为当前时刻的记忆单元状态;f_t *C_t_-1表示保留之前记忆单元C_t_-1的部分信息;i_t*

${\stackrel{~}{C}}_{t}$

表示将新的候选记忆

${\stackrel{~}{C}}_{t}$

添加到记忆单元中。

输出门控制LSTM当前时刻的输出h_t。这部分输出不仅依赖于记忆单元C_t,也由输出门o_t来调节,即

(15)

$\left\{\begin{array}{l}{o}_{\mathrm{t}}=\sigma \left({W}_{\mathrm{o}}\right[{h}_{\mathrm{t}-1},{x}_{t}]+{b}_{\mathrm{o}})\\ {h}_{t}={o}_{t}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({C}_{t}\right)\end{array}\right.$

式(15)中:o_t为输出门的输出;h_t为当前时刻的隐藏状态或输出;W_o和b_o为输出门的权重矩阵和偏置项。

采用均方误差(mean-square error, MSE)作为模型的损失函数,用于衡量预测的Q值与真实值之间的差距。其定义为

(16)MSE=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left[{Q}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}\right(i)-{Q}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}{\left(i\right)]}^{2}$

式(16)中:i为样本序号;Q_pred为模型预测的Q值;Q_ture为真实品质因子值;n为样本数量。

LSTM的参数(如权重和偏置项)通过反向传播算法更新。优化算法选择AdamW优化器,它能够在权重衰减的基础上加快收敛,避免过拟合。AdamW的梯度更新公式为

(17)θ_t₊₁=θ_t-η

$\left(\frac{{\hat{m}}_{t}}{\sqrt{{\hat{v}}_{t}}+\epsilon }+\lambda {\theta }_{t}\right)$

式(17)中:t为时刻;θ_t为参数在t时刻的值;η为学习率;

${\hat{m}}_{t}$

和

${\hat{v}}_{t}$

分别为梯度的一、二阶动量偏差校正估计;ε为一个用于防止除零错误极小值;λ为权重衰减系数^[26-27]。

训练数据将被按照时间序列分批次送入LSTM模型进行训练,并通过反向传播算法更新参数。此外,可在迭代过程中预设随机丢失和早停机制。具体而言,每次迭代会随机丢弃一定比例的神经元,以防止模型过拟合。同时,若验证集的损失函数在多轮训练中均未下降,则终止训练以节约计算资源。

1.5 时变反Q滤波

Q值结构的重要应用是为地震数据衰减补偿提供参考背景场,即反Q滤波^[28-29]。在时频域中,一维频率域平面波的单程波解析解可表述为

(18)$\stackrel{~}{U}$(τ,ω)=U(0,ω)exp(iωτ)

式(18)中:

$\stackrel{~}{U}$

(τ,ω)为时间τ角频率ω处的波场记录;U(0,ω)为震源信号;i=

$\sqrt{-1}$

为虚数单位。

则时频域反Q滤波表达式为

(19)

U(τ,ω)=$\stackrel{~}{U}$(τ,ω)Λ(τ,ω)×

exp$\left\{\mathrm{i}{\int }_{0}^{\tau }\left[{\left|\frac{\omega }{{\omega }_{\mathrm{h}}}\right|}^{-\gamma \left(\tau \text{'}\right)}-1\right]\omega \mathrm{d}\tau \text{'}\right\}$

(20)γ(τ')=$\frac{1}{\mathrm{\pi }Q\left(\tau \text{'}\right)}$

(21)Λ(τ,ω)=$\frac{\beta (\tau,\omega )+{\Gamma }^{2}}{{\beta }^{2}(\tau,\omega )+{\Gamma }^{2}}$

式中:ω_h为与地震频带的最高频率有关的调谐参数;Γ²为稳定因子;γ(τ')为对当前时刻振幅的补偿指数;Q(τ')为地震波在当前时刻的瞬时品质因子。

不妨引入等效品质因子Q_eff来表征地层的平均滤波效应。

(22)$\frac{1}{{Q}_{\mathrm{e}\mathrm{f}\mathrm{f}}\left(\tau \right)}$=$\frac{1}{\tau }$

$\stackrel{N}{\sum _{I=1}}\frac{{\tau }_{I}}{Q\left({\tau }_{I}\right)}$

(23)τ=$\stackrel{N}{\sum _{I=1}}$τ_I

式中:Q_eff(τ)为地震波在一定厚度地层中传播时的平均品质因子;Q(τ_I)为第I层的平均Q值;τ_I为波在该层中的走时;τ为其总走时(共N个地层)^[30]。

基于此,式(19)可改写为

(24)

U(τ,ω)=U(0,ω)Λ'(τ,ω)×

exp$\left[\mathrm{i}{\left|\frac{\omega }{{\omega }_{\mathrm{h}}}\right|}^{-\frac{1}{\mathrm{\pi }{Q}_{\mathrm{e}\mathrm{f}\mathrm{f}}\left(\tau \right)}}\omega \tau \right]$

式(24)中:

(25)

$\left\{\begin{array}{l}\beta \text{'}(\tau,\omega )=\mathrm{e}\mathrm{x}\mathrm{p}\left[{\left|\frac{\omega }{{\omega }_{\mathrm{h}}}\right|}^{-\frac{1}{\mathrm{\pi }{Q}_{\mathrm{e}\mathrm{f}\mathrm{f}}\left(\tau \right)}}\frac{\omega \tau }{2{Q}_{\mathrm{e}\mathrm{f}\mathrm{f}}\left(\tau \right)}\right]\\ \Lambda \text{'}(\tau,\omega )=\frac{\beta \text{'}(\tau,\omega )+{\Gamma }^{2}}{{\left(\beta \text{'}\right)}^{2}(\tau,\omega )+{\Gamma }^{2}}\end{array}\right.$

推导出时频域反Q滤波公式^[30]为

(26)

U(τ,ω)=$\stackrel{~}{U}$(τ,ω)Λ'(τ,ω)×

exp$\left\{\mathrm{i}\left[{\left|\frac{\omega }{{\omega }_{\mathrm{h}}}\right|}^{-\frac{1}{\mathrm{\pi }{Q}_{\mathrm{e}\mathrm{f}\mathrm{f}}\left(\tau \right)}}-1\right]\omega \tau \right\}$

2 应用效果分析

2.1 工区概况与近地表调查数据库

高邮凹陷是苏北盆地南部最为重要的含油气凹陷之一,其总体呈北东—南西走向,在构造上具有南陡北缓、南断北超的特征,南部边界的真武断裂和吴堡断裂控制着高邮凹陷的沉积沉降特征^[31]。为服务中国石化江苏油田分公司计划在苏北盆地高邮凹陷西部部署的秦栏三维地震项目(满覆盖面积158 km²)的观测系统设计和资料处理解释,研究团队在该采集片区附近开展了近地表调查数据采集和分析工作。

如图6所示,秦栏工区位于江苏、安徽交界,东南位于扬州市境内,西北部位于安徽省滁州市天长市境内,工区距离扬州市区17.2 km,天长市14.1 km。地表为典型的丘陵地貌,起伏不大,坡度较缓,表层全被第四系粉砂黏土所覆盖,高程范围为10~50 m,潜水面较浅。如图7所示,工区内布设有地表调查测线A和测线B。每条测线由等间隔(1 km)的8个调查点组成,共16个点位(记为well 1~well 16),测线相距位3 km。其中,A测线(well 1~well 8)为近地表调查的标定测线,即已在其包含的所有点位实施了静力触探、微动和微测井调查手段,B测线(well 9~well 16)为普通测线,即在这些点位仅实施了静力触探和微动调查手段。

静力触探参数如下:孔深为20~30 m,采样间隔为0.1 m,记录方式为双桥探头。微动调查参数如下:台阵形状为十字形,每个台阵投入29台节点式地震仪,单台点距1 m,采样间隔为1 ms,观测时长为每点连续1 h,速度反演中β取值为0.9。单井微测井调查采用井中激发地面接收的采集策略(图1),参数如下:单井深度为30 m,激发源为雷管,激发点距在0~5 m深度为0.5 m,5~30 m深度为1 m,地面接收点以井口为同心圆,距井口1 m、2 m范围内十字摆放8个检波器,钻井的同时进行岩性录井工作,解释岩性包括淤泥、黏土、粉砂、粉质黏土和黏质粉土共5类。基于谱比法的Q值提取参数如下:计算频率为10~80 Hz,时窗长度为20 ms。

在经过1.1节~1.3节介绍的数据处理流程之后,可以针对每个调查点位构建多源协同采集近地表调查数据库。如图7所示,以well 8的多源调查数据为例,对该工区近地表地基本情况和调查数据的响应特征进行了初步认识。具体来说:①地表以下1~2 m范围覆盖有一层较薄的淤泥,固结度较差且含水量较高,对应于较低的锥尖阻力、侧摩阻力、纵横波速和Q值,地下2~30 m由一系列砂泥互层及过渡相组成,土体的固结程度和粉砂含量随着深度呈整体上升趋势;②锥尖和侧摩阻力对粉砂含量的变化较为敏感,其数值在粉砂地层中明显大于黏土地层;③纵波速度在粉砂层中有反转下降趋势,与地层孔隙发育程度和含水性的变化相关;④相对地,横波速度曲线的变化较为平缓,对泥质含量的敏感性略大于纵波速度;⑤Q值在整体上反映了该地区地层的压实趋势,但局部受到双相耦合作用影响会在孔隙率和含水率大的地层中出现反转,故整体呈现类似抛物线的形态。

2.2 Q值结构预测与结果分析

数据预处理方面,遵循1.3节中的步骤,本节依次对A和B测线协同观测得到的多源数据执行归一化、对齐及切割等操作。对齐深度范围为0~30 m,采样间隔为0.1 m,归一化范围为[0,1]。

模型架构方面,本节使用了图5所示的6层LSTM网络结构,每层配置256个神经元,学习率为0.000 1。使用随机梯度下降算法更新神经元参数,批量大小为32,训练程序将最大迭代次数预设为500。此外,每次迭代随机丢失10%的神经元以降低过拟合风险。设计如下两组实验来测试Q值预测方法的有效性:

(1)实验1:为了验证Q值的预测方法的有效性,如图8所示,本次实验使用隐去Q值标签后的well 1和well 5数据作为测试集,使用测线A的其他调查点数据作为训练集,按时序关系输入图5中的LSTM深度学习网络模型。参数更新过程如图9所示,可以发现模型在验证集上的预测误差在前5次迭代中迅速下降,在80次之后基本收敛,130次后基本不再变化时触发了早停机制。从微测井中提取的真实Q值结构(红色曲线)与LSTM预测的Q值结构如图10所示,可以发现:①LSTM模型对well 1和well 5的Q值结构预测结果与测量数值曲线的基本趋势相似,都表现出了先升高再降低的形态;②经计算,两条预测曲线的均方误差平均值为0.04,表明本文方法具有较高的单井Q值结构预测精度。

(2)实验2:为了进一步测试Q值预测方法的泛化能力,如图9所示,本次实验将A测线的全部采集数据作为训练集,将3 km外B测线的全部采集数据作为测试集,训练LSTM模型并得到well 8~well 16的预测Q值曲线。随后,如图11所示,将预测结果结合地面高程信息做线性内插,得到地下二维Q值结构。从剖面(图12)中可发现:①工区表面覆盖一层高衰减的淤泥层;②在地下5~15 m深度区间内,Q值呈现随深度递增的趋势,这一变化恰好映射了黏土及粉质黏土的固结特性;③在地下16~30 m范围内,Q值出现一定的反转下降趋势,反映了随着粉砂含量的增加岩土体孔隙度的变化;④Q值的预测结果在纵、横向空间分布上均展现出了较强连续性,印证了预测方法的有效性。

2.3 Q值预测结果在地震衰减补偿中的应用

由于介质的黏滞性和内部摩擦效应,地震波能量在传播时会随传播距离逐渐衰减。地震数据的衰减补偿技术是一种用于恢复地震波在传播过程中因介质的非弹性吸收效应引起的能量损失的技术,使衰减的地震信号得以恢复,改善地震图像的分辨率和成像质量^[32-34]。考虑到在实际情况中岩土体的非均质性,基于图11的Q值结构与1.5节介绍的时变反Q滤波技术,对在B测线位置采集到的地震振幅进行了衰减补偿实验。

图13(a)和图13(b)分别为反Q滤波前后的B测线地震数据叠加剖面。可以观察到,近地表吸收衰减补偿可以均衡深、浅层反射能量,主要表现为:①补偿后的浅部0.6 s以上信号同相轴更为清晰(变细),表明浅部信号(红色圈)对地层的分辨能力增强;②补偿后的深层0.6~1.5 s信号能量极大增强,同相轴连续性变好,有利于深部地层(蓝色圈)的识别。

在此基础上,通过进一步对比补偿前、后地震数据的频谱分布(图14),可发现时变反Q滤波技术能够显著提升高频信号的能量比例,拓宽有效频带宽度,并增强叠加剖面的时空分辨率。上述结果也印证了Q值场预测结果(图11)的准确性。

综上,基于LSTM网络的静力触探与微动数据融合近地表Q值结构预测方法可以使衰减补偿有据可依,不依赖于人为经验值,能够解释软弱夹层或强吸收层等局部异常体造成的振幅衰减和频带变化,具有理论和实践价值。

3 结论与展望

(1)为了服务地震数据质量的提升,设计了基于多源数据空间协同数据采集与预处理策略,并提出一种基于时序人工神经网络(LSTM)的静力触探与微动数据融合Q值结构分析方法,以高效获取场地衰减异常体的地下分布特征,为激发岩性优选和衰减补偿提供了数据支撑。

(2)在秦栏探区的实际应用中,通过静力触探与微动数据得到了精度和空间连续性较高的近地表Q值结构预测结果。结合时变反Q滤波技术,本文预测的Q值剖面能够有效地补偿地震波的能量衰减,达到了提升地震数据分辨率的目标,具有较高的应用潜力。

(3)在未来的工作中,拟进一步增强模型的信息融合能力,结合更多元的调查数据类型,如地震、地电、重力、地磁数据等,并加入激发岩性判别机制,以进一步实现地震数据采集和处理的自动化。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Carcione J. Wave fields in real media: wave propagation in anisotropic, anelastic, porous and electromagnetic media[M]. Berlin: Elsevier, 2007: 25-40.

[2]	许静怡, 王瑞贞, 张亚兵, 等. 地震衰减模型的研究进展[J]. 地球物理学进展, 2024, 39(2): 525-541.

[3]	Xu Jingyi, Wang Ruizhen, Zhang Yabing, et al. Research progress of seismic attenuation models[J]. Progress in Geophysics, 2024, 39(2): 525-541.

[4]	李子顺. 地震波衰减规律及其恢复方法[J]. 地球物理学进展, 2007, 22(5): 1545-1551.

[5]	Li Zishun. Seismic wave attenuation and recovering method[J]. Progress in Geophysics, 2007, 22(5): 1545-1551.

[6]	Gurevich B, Pevzner R. Howfrequency dependency of Q affects spectral ratio estimates[J]. Geophysics, 2015, 80(2): A39-A44.

[7]	刘建欢, 徐佩芬, 凌甦群, 等. 利用空间自相关法研究华北克拉通中部瑞雷面波频散特征[J]. 科学技术与工程, 2023, 23(8): 3162-3167.

[8]	Liu Jianhuan, Xu Peifen, Ling Suqun, et al. Application of SPAC method to study the character of Rayleigh wave phase velocity in North China Craton[J]. Science Technology and Engineering, 2023, 23(8): 3162-3167.

[9]	李红星, 李涛, 章晨望, 等. 浅地表面波频散曲线组合勘探方法[J]. 科学技术与工程, 2020, 20(16): 6343-6349.

[10]	Li Hongxing, Li Tao, Zhang Chenwang, et al. Exploration methods for subsurface by combined dispersion curves[J]. Science Techno-logy and Engineering, 2020, 20(16): 6343-6349.

[11]	Reine C, Van D, Clark R. The robustness of seismic attenuation measurements using fixed-and variable-window time-frequency transforms[J]. Geophysics, 2009, 74(2): 123-135.

[12]	Ichou M, El A, Ezziani A. Fractional viscoelastic wave attenuation modeling[J]. Pure and Applied Geophysics, 2022, 179(3): 1089-1102.

[13]	张远君, 伍东, 廖茂杰, 等. 仪器偏心对纵横波衰减影响的正演实验[J]. 科学技术与工程, 2024, 24(6): 2339-2347.

[14]	Zhang Yuanjun, Wu Dong, Liao Maojie, et al. Experimental study of the forward modeling effects of tool eccentricity on longitudinal and transverse wave attenuation[J]. Science Technology and Engineering, 2024, 24(6): 2339-2347.

[15]	陈志德, 王成, 刘国友, 等. 近地表Q值模型建立方法及其地震叠前补偿应用[J]. 石油学报, 2015, 36(2): 188-196.

[16]	Chen Zhide, Wang Cheng, Liu Guoyou, et al. Modeling method of near-surface Q value and its seismic pre-stack compensation application[J]. Acta Petrolei Sinica, 2015, 36(2): 188-196.

[17]	李国发, 祝文亮, 翟桐立, 等. 低速带吸收补偿提高地震资料分辨率[J]. 石油学报, 2016, 37(S2): 64-70.

[18]	Li Guofa, Zhu Wenliang, Zhai Tongli, et al. Enhancing seismic resolution via compensation for the weathering layer absorption[J]. Acta Petrolei Sinica, 2016, 37(S2): 64-70.

[19]	于承业, 周志才. 利用双井微测井资料估算近地表Q值[J]. 石油地球物理勘探, 2011, 46(1): 89-92.

[20]	Yu Chengye, Zhou Zhicai. Estimation of near surface Q value based on the datasets of the uphole survey in double hole[J]. Oil Geophysical Prospecting, 2011, 46(1): 89-92.

[21]	张子良, 李振春, 郭见乐, 等. 实际单井微测井资料Q值估计方法的改进[J]. 地球物理学进展, 2022, 37(2): 721-730.

[22]	Zhang Ziliang, Li Zhenchun, Guo Jianle, et al. Improvement of Q value estimation method for actual single micro-logging data[J]. Progress in Geophysics, 2022, 37(2): 721-730.

[23]	刘财, 冯晅, 张瑾. 稳定的迭代法反Q滤波[J]. 石油地球物理勘探, 2013, 48(6): 890-895.

[24]	Liu Cai, Feng Xuan, Zhang Jin. A stable inverse Q filtering using the iterative filtering method[J]. Oil Geophysical Prospecting, 2013, 48(6): 890-895.

[25]	李伟娜, 云美厚, 党鹏飞, 等. 基于微测井资料的双线性回归稳定Q估计[J]. 石油物探, 2017, 56(4): 483-490.

[26]	Li Weina, Yun Meihou, Dang Pengfei, et al. Stability Q estimation by dual linear regression based on uphole survey data[J]. Geophysical Prospecting for Petroleum, 2017, 56(4): 483-490.

[27]	蔡杰雄, 郑浩, 刘定进, 等. 近地表Q因子估算影响因素分析[J]. 地球物理学进展, 2018, 33(2): 547-553.

[28]	Cai Jiexiong, Zheng Hao, Liu Dingjin, et al. Analysis of influencing factors on near-surface Q factor estimation[J]. Progress in Geophysics, 2018, 33(2): 547-553.

[29]	翟桐立, 马雄, 彭雪梅, 等. 基于井地一体化测量的近地表品质因子Q值估算与应用[J]. 石油物探, 2018, 57(5): 685-690.

[30]	Zhai Tongli, Ma Xiong, Peng Xuemei, et al. Near-surface Q factor measurements by combining surface and cross-hole seismic surveys[J]. Geophysical Prospecting for Petroleum, 2018, 57(5): 685-690.

[31]	刘立彬, 田坤, 张学涛. 微测井和地震资料联合的近地表Q反演方法及应用[J]. 地球物理学进展, 2023, 38(4): 1625-1636.

[32]	Liu Libin, Tian Kun, Zhang Xuetao. Near surface Q inversion method combined with micro-log and seismic data and its application[J]. Progress in Geophysics, 2023, 38(4): 1625-1636.

[33]	朱峰, 石一青, 符伟, 等. 基于人工神经网络的多源数据融合技术在浅层纵波速度调查中的应用[J]. 石油物探, 2024, 63(5): 918-932.

[34]	Zhu Feng, Shi Yiqing, Fu Wei, et al. Application of multi-source data fusion technology based on artificial neural networks in shallow P-wave velocity survey[J]. Geophysical Prospecting for Petroleum, 2024, 63(5): 918-932.

[35]	张军华, 邵奇奇, 桂志鹏, 等. 相变储层地震精细描述与厚度预测: 以苏北盆地为例[J]. 科学技术与工程, 2024, 24(30): 12864-12873.

[36]	Zhang Junhua, Shao Qiqi, Gui Zhipeng, et al. Research on seismic fine description and thickness prediction: take the Subei Basin as an example[J]. Science Technology and Engineering, 2024, 24(30): 12864-12873.

[37]	王振东. 面波勘探技术要点与最新进展[J]. 物探与化探, 2006, 30(1): 1-6.

[38]	Wang Zhendong. Essentials and recent advances of the surface wave exploration technique[J]. Geophysical and Geochemical Exploration, 2006, 30(1): 1-6.

[39]	刘学伟, 邰圣宏, 何樵登. 用面波反演风化层Q值——补偿风化层吸收提高分辨率[J]. 石油物探, 1996, 35(2): 89-95.

[40]	Liu Xuewei. Tai Shenghong, He Qiaodeng. Inversion of quality factor Q for weathered layer using surface waves: compensating seismic wave absorption in weathered layer to increase resolution[J]. Geophysical Prospecting for Petroleum, 1996, 35(2): 89-95.

[41]	林美言. 基于面波信息的近地表品质因子反演方法研究[D]. 青岛: 中国石油大学(华东), 2017.

[42]	Lin Meiyan. Research on near-surface quality factor inversion method based on surface wave information[D]. Qingdao: China University of Petroleum(East China), 2017.

[43]	彭佳俊. 基于静力触探的浅地表环境下的土体波速预测技术[D]. 杭州: 浙江大学, 2021.

[44]	Peng Jiajun. Soil wave velocity prediction technology in shallow surface environment based on static penetration test[D]. Hangzhou: Zhejiang University, 2021.

[45]	王守东. 基于反演的衰减补偿方法[J]. 应用地球物理, 2011, 8(2): 150-157.

[46]	Wang Shoudong. Attenuation compensation method based on inversion[J]. Applied Geophysics, 2011, 8(2): 150-157.

[47]	赵秋芳, 党鹏飞, 云美厚, 等. 不同时频变换谱比法品质因子Q估算效果对比分析[J]. 地球物理学进展, 2018, 33(5): 2097-2101.

[48]	Zhao Qiufang, Dang Pengfei, Yun Meihou, et al. Comparative analysis of quality factor Q estimated by spectral ratio method based on different time frequency transform[J]. Progress in Geophysics, 2018, 33(5): 2097-2101.

[49]	郑浩. 近地表地层品质因子的频率依赖性研究[J]. 地球物理学进展, 2023, 38(1): 419-429.

[50]	Zheng Hao. Analysis on frequency dependence of near-surface quality factors[J]. Progress in Geophysics, 2023, 38(1): 419-429.

[51]	李贺男, 段中钰, 郑桂娟, 等. 基于CNN-LSTM-VAE混合模型的储层参数预测方法[J]. 地球物理学进展, 2022, 37(5): 1969-1976.

[52]	Li Henan, Duan Zhongyu, Zheng Guijuan, et al. Reservoir parameter prediction method based on CNN-LSTM-VAE hybrid model[J]. Progress in Geophysics, 2022, 37(5): 1969-1976.

[53]	王珺, 杨长春, 乔玉雷. 用稳定高效的反Q滤波技术提高地震资料分辨率[J]. 地球物理学进展, 2008, 23(2): 456-463.

[54]	Wang Jun, Yang Changchun, Qiao Yulei. Improve the seismic resolution with a stable and efficient inverse Q filter[J]. Progress in Geophysics, 2008, 23(2): 456-463.

[55]	刘财, 刘洋, 王典, 等. 一种频域吸收衰减补偿方法[J]. 石油物探, 2005, 44(2): 116-118.

[56]	Liu Cai, Liu Yang, Wang Dian, et al. A method to compensate strata absorption and attenuation in frequency domain[J]. Geophysical Prospecting for Petroleum, 2005, 44(2): 116-118.

[57]	周涵宇, 尚瑞. 江苏高邮凹陷油气资源评价[J]. 矿产勘查, 2020, 11(2): 321-327.

[58]	Zhou Hanyu, Shang Rui. Appraisal of oil and gas resources in Gaoyou Depression, Jiangsu Province[J]. Mineral Exploration, 2020, 11(2): 321-327.

[59]	田广, 赵岩. 一种改进的广义稳定反Q滤波方法[J]. 地球物理学进展, 2023, 38(1): 285-297.

[60]	Tian Guang, Zhao Yan. Improved generalized stable inverse Q filtering method[J]. Progress in Geophysics, 2023, 38(1): 285-297.

[61]	李雪英, 吕喜滨, 张江杰, 等. 稳定高效的时域反Q滤波方法[J]. 地球物理学进展, 2010, 25(1): 211-218.

[62]	Li Xueying, Lü Xibin, Zhang Jiangjie, et al. A stable and efficient time-domain anti-Q filtering method[J]. Progress in Geophysics, 2010, 25(1): 211-218.

[63]	李振春, 王清振. 地震波衰减机理及能量补偿研究综述[J]. 地球物理学进展, 2007, 22(4): 1147-1152.

[64]	Li Zhenchun, Wang Qingzhen. A review of research on mechanism of seismic attenuation and energy compensation[J]. Progress in Geophysics, 2007, 22(4): 1147-1152.