本发明涉及地球物理勘探领域，特别涉及一种完全数据驱动的反演初始模型建立方法。
背景技术：
1、近年来，基于模型的地震反演方法逐渐引起了地球物理学家的关注与传统的递归反演方法相比，递归反演方法是对地震数据的直接反演，因此容易受到地震数据内的噪声，振幅保真度，以及频带宽度等因素的影响，而基于模型的反演方法避免通过对地震数据本身的直接反演，可以克服这些局限性，且随着勘探目标的日趋复杂，需要提取反映弹性参数的叠前道集数据，在地震、测井、层位、岩心等数据指导下，反演绝对的弹性参数，进而对储层toc、脆性、地应力及裂缝等进行预测，为甜点综合预测提供定量的预测参数。然而，在井信息稀疏或没有井信息的新地区，生成适用于反演的初始模型并因此进行反演是很困难的，因此建立一种适用于新勘探地区的反演初始模型建立方法至关重要。
技术实现思路
1、本发明所要解决的技术问题是克服背景技术中存在的在井信息稀疏或没有井信息的新地区生成初始模型并因此进行反演困难的问题，而提供一种完全数据驱动的反演初始模型建立方法，该完全数据驱动的反演初始模型建立方法，直接从地震数据生成伪井，而不使用任何井的信息，生成的初始模型更加准确，不仅适用于无井控/稀疏井控的新勘探地区，而且适用于延时地震数据反演和储层动态特征预测。
2、本发明解决其问题可通过如下技术方案来达到：该完全数据驱动的反演初始模型建立方法，包括以下步骤：
3、s1.在整个勘探目标区选择一个有测井数据的点位,利用数据处理技术，通过时差校正直接从地震数据中提取时间域层速度场vp；
4、s2.将时间域层速度场vp转换到深度域速度场vp；
5、s3.利用测井曲线推导出纵波速度vp与横波速度场(vs)及纵波速度vp与密度(ρ)的关系，获得一个足够接近真实测井曲线模型的初始模型；
6、s4.基于s3得到的初始模型，利用s2得到的深度域速度场vp推出横波速度场v s和密度；利用遗传基因算法进行反演，生成深度域速度场vp、横波速度场v s和密度组成的深度域模型的初始种群；对所述初始种群进行正演，生成合成地震数据；利用生成合成地震数据与真实地震数据进行匹配，根据两者匹配程度，不断更新初始种群，将匹配程度最高的初始种群作为最终的层速度模型输出；
7、s5.建立区域内的“伪井”：在整个勘探目标区选择其他合适的点位，通过上述s2-4方法分别进行所有单点的crp点反演，得到该点地下真实的层速度模型(s1)，输出该点地下真实的层速度模型(s1)，所述该点地下真实的层速度模型即为建立的区域内的“伪井”；
8、s6.利用全区范围内建立的“伪井”结合地质层位约束进行插值，得到整个工区的3d层速度模型。
9、优选的，所述s2时间域层速度场vp转换到深度域速度场vp的方法，包括:
10、首先是利用地震处理过程中的时间域均方根速度通过dix公式来计算出时间域层速度vp，然后将时间域层速度vp转换到深度域速度vp，在时间域层速度vp转换到深度域速度vp过程中，需要选择时窗范围≧50ms。
11、优选的，所述s1中数据处理技术包括速度分析和走时层析技术。
12、优选的，所述步骤s3初始模型制作方法，包括：
13、(a)获取测井曲线的vp-vs交会图和对应的趋势线；
14、(b)获取测井曲线的vp-密度交会；
15、(c)将真实的vs测井曲线与利用测井曲线vp趋势线计算的vs曲线对比；
16、(d)将真实的密度测井曲线与利用测井曲线vp趋势线计算的密度曲线对比；
17、(e)获得纵波速度vp与横波速度vs及纵波速度vp与密度ρ的关系式后，利用这些关系式从初始vp计算初始vs和ρ。
18、优选的，所述s3中纵波速度(vp)与横波速度(vs)和纵波速度(vp)与密度(ρ)的关系如公式所示：
19、
20、
21、在方程2的指数关系中，使用gardner公式(gardner et al.，1974)；
22、其中：ρ密度，单位为g/cm3；α和β为拟合系数，α＝0.31m/s且β＝0.25；
23、vp为纵波速度；vs为横波速度。
24、优选的，所述步骤s4利用生成合成地震数据与真实地震数据进行匹配的方法，包括以下步骤：
25、51)、如果有可用的测井曲线，在测井曲线周围提供一个随深度变化的搜索窗口，可随机生成深度域速度场v p、v s和密度的种群模型，种群中每个成员的深度域速度场v p、v s和密度值可以是具有相等的概率的任意的随机值；如果没有可用的井数据，就需要利用实际地震道集来生成模型的初始种群；
26、52)、生成随机种群模型后，利用每个种群模型计算平面波域中的合成地震记录，得到合成数据，同时对叠前地震道集进行平面波域分解，得到观测数据；
27、53)、通过数学公式计算观测数据和合成数据之间的匹配程度，这一过程称为适配度计算；
28、54)、根据适配度定义，使用适当选择的缩放函数对适配度进行缩放；
29、55)、适配度缩放后，对种群模型进行检查；如果实测数据与合成数据匹配程度达到设定的目标值或者迭代次数达到最大，则将该种群模型的结果作为最终的层速度模型输出；
30、56)、如果实测数据与合成数据匹配程度没有满足设定的目标值，则重新利用上一代随机种群模型产生新一代初始种群模型，并进行复制、交叉、变异和更新，生成更多的种群模型来重新计算合成数据；生成的每一个种群模型都使用相同的步骤(52、53、54)重新进行适配度计算，直到达到设定的目标值为止。
31、优选的，所述步骤53中通过分配的适配度观测数据和合成(预测)数据之间的匹配程度的匹配方法，包括：
32、当观测数据偏移距足够大时，可以对输入的地震资料在τ-p域进行准确的平面波分解并与τ-p域合成地震资料进行匹配；当观测数据采样不充分时，利用每个随机种群模型的深度域速度场vp，将观测的叠前地震数据转换为角度域地震数据；
33、如果生成n个随机种群模型，则生成n个角度域道集，任意一个随机种群模型i分别表示为i＝1,2,3…n，利用该种群模型的深度域速度场vp可以得到相应的角度域道集，每个随机种群模型都生成了角度域的合成地震数据，并与从观测数据计算出的相应角度域道集相匹配，无论使用τ-p域或角度域道集，每个随机种群模型都要计算一个唯一的适配度，利用计算的适配度描述观测数据和合成数据之间的匹配程度。
34、优选的，所述适配度f的计算使用标准化互相关公式；
35、
36、其中，f为适配度；np为射线参数或者角度的总数；uo为实测数据；us为合成数据；为互相关。
37、优选的，步骤s54适配度的缩放方法：一是线性方法，二是指数方法；在线性适配度缩放中，原始适配度值是线性缩放的；在指数适配度缩放中，原始适配度值呈指数级增长。
38、优选的，步骤s56使用的是遗传基因算法，由于实际地下空间不是离散的，是连续的，本发明采用的基因遗传算法直接利用实际参数进行编译。
39、优选的，步骤s56使用的是遗传基因算法，通过遗传算法中繁殖、交叉、变异和更新操作对种群模型进行迭代，最终优选出匹配程度最高的速度和密度模型，具体方法包括：
40、繁殖过程中，种群模型按照它们的适配度值的比例进行繁殖；因此，具有较高适配度的种群模型比具有较低适配度的种群模型的复制比例更高；
41、交叉中，从繁殖群体中随机抽取两个成员作为父母，用指定的交叉概率pc进行交叉，并将其模型部分内容交换，产生两个后代，在繁殖群体中选择两个成员后，进行随机的概率分配；如果被分配到的概率为pc，那么就进行交叉，生成下一代；如果被分配到的概率为1-pc，父母就会像孩子一样被复制成为子种群的模型；
42、变异中，子种群的模型参数在给定的突变概率pm下发生突变；在变异之后，计算每个突变的子成员的合成地震数据，并与实测数据进行匹配，以计算它们的适配度；
43、更新中，比较每对突变的子成员及其对应父母的适配度值，选择适配度值最高的一对父母的作为新成员。
44、本发明与上述背景技术相比较可具有如下有益效果：
45、在井信息稀疏或没有井信息的新地区，生成初始模型并因此进行反演是很困难的。即使在成熟探区，如果对时延地震数据进行反演并且与生产数据结合起来进行动态储层预测，储层开发的井数据可能并不充分，需要额外的生产数据信息来辅助生成可靠的初始模型。本方法利用伪井结合测井曲线生成的初始模型比仅仅利用测井曲线生成的初始模型更加准确。直接从地震数据生成伪井，而不使用任何井的信息，这是一种全新的初始模型生成方法，不仅适用于无井控/稀疏井控的新勘探地区，而且适用于延时地震数据反演和储层动态特征预测。
1.一种完全数据驱动的反演初始模型建立方法，包括以下步骤：
2.根据权利要求1所述的完全数据驱动的反演初始模型建立方法，其特征在于：所述s2时间域层速度场vp转换到深度域速度场vp的方法，包括:
3.根据权利要求1所述的完全数据驱动的反演初始模型建立方法，其特征在于：所述步骤s3初始模型制作方法，包括：
4.根据权利要求3所述的完全数据驱动的反演初始模型建立方法，其特征在于：所述s3中纵波速度vp与横波速度vs和纵波速度vp与密度ρ的关系式分别为：
5.根据权利要求1所述的完全数据驱动的反演初始模型建立方法，其特征在于：所述步骤s4利用生成合成地震数据与真实地震数据进行匹配的方法，包括：
6.根据权利要求5所述的完全数据驱动的反演初始模型建立方法，其特征在于：步骤53中通过分配的适配度观测数据和合成数据之间的匹配程度的匹配方法，包括：
7.根据权利要求6所述的完全数据驱动的反演初始模型建立方法，其特征在于：所述适配度f的计算使用标准化互相关公式；
8.根据权利要求5所述的完全数据驱动的反演初始模型建立方法，其特征在于：步骤s54适配度的缩放方法：一是线性方法，二是指数方法；在线性适配度缩放中，原始适配度值是线性缩放的；在指数适配度缩放中，原始适配度值呈指数级增长。
9.根据权利要求5所述的完全数据驱动的反演初始模型建立方法，其特征在于：步骤s56使用的是遗传基因算法，由于实际地下空间不是离散的，是连续的，本发明采用的基因遗传算法直接利用实际参数进行编译。
10.根据权利要求5所述的完全数据驱动的反演初始模型建立方法，其特征在于：步骤s56使用的是遗传基因算法，通过遗传算法中繁殖、交叉、变异和更新操作对种群模型进行迭代，最终优选出匹配程度最高的速度和密度模型，具体方法包括：
