SUMMARY Seismic inversion is one of the most commonly used methods in the oil and gas industry for reservoir characterization from observed seismic data. Deep learning (DL) is emerging as a data-driven approach that can effectively solve the inverse problem. However, existing DL-based methods for seismic inversion utilize only seismic data as input, which often leads to poor stability of the inversion results. Besides, it has always been challenging to train a robust network since the real survey has limited labelled data pairs. To partially overcome these issues, we develop a neural network framework with a priori initial model constraint to perform seismic inversion. Our network uses two parts as one input for training. One is the seismic data, and the other is the subsurface background model. The labels for each input are the actual model. The proposed method is performed by log-to-log strategy. The training data set is first generated based on forward modelling. The network is then pre-trained using the synthetic training data set, which is further validated using synthetic data that have not been used in the training step. After obtaining the pre-trained network, we introduce the transfer learning strategy to fine-tune the pre-trained network using labelled data pairs from a real survey to acquire better inversion results in the real survey. The validity of the proposed framework is demonstrated using synthetic 2-D data including both post-stack and pre-stack examples, as well as a real 3-D post-stack seismic data set from the western Canadian sedimentary basin.

中文翻译：

---

具有先验初始模型约束的稳健深度学习地震反演

总结 地震反演是石油和天然气工业中最常用的方法之一，用于根据观测到的地震数据进行储层表征。深度学习 (DL) 正在成为一种数据驱动的方法，可以有效地解决逆问题。然而，现有的基于深度学习的地震反演方法仅使用地震数据作为输入，这往往导致反演结果的稳定性较差。此外，由于实际调查的标记数据对有限，因此训练一个健壮的网络一直是一项挑战。为了部分克服这些问题，我们开发了一个具有先验初始模型约束的神经网络框架来执行地震反演。我们的网络使用两部分作为训练的一个输入。一是地震数据，二是地下背景模型。每个输入的标签是实际模型。所提出的方法是通过 log-to-log 策略执行的。首先基于前向建模生成训练数据集。然后使用合成训练数据集对网络进行预训练，使用未在训练步骤中使用的合成数据进一步验证该数据集。在获得预训练网络后，我们引入迁移学习策略，使用来自真实调查的标记数据对微调预训练网络，以在真实调查中获得更好的反演结果。使用包括叠后和叠前示例在内的合成二维数据以及来自加拿大西部沉积盆地的真实 3-D 叠后地震数据集证明了所提出框架的有效性。然后使用合成训练数据集对网络进行预训练，使用未在训练步骤中使用的合成数据进一步验证该数据集。在获得预训练网络后，我们引入迁移学习策略，使用来自真实调查的标记数据对微调预训练网络，以在真实调查中获得更好的反演结果。使用包括叠后和叠前示例在内的合成二维数据以及来自加拿大西部沉积盆地的真实 3-D 叠后地震数据集证明了所提出框架的有效性。然后使用合成训练数据集对网络进行预训练，使用未在训练步骤中使用的合成数据进一步验证该数据集。在获得预训练网络后，我们引入迁移学习策略，使用来自真实调查的标记数据对微调预训练网络，以在真实调查中获得更好的反演结果。使用包括叠后和叠前示例在内的合成二维数据以及来自加拿大西部沉积盆地的真实 3-D 叠后地震数据集证明了所提出框架的有效性。我们引入了迁移学习策略，使用来自真实调查的标记数据对微调预训练网络，以在真实调查中获得更好的反演结果。使用包括叠后和叠前示例在内的合成二维数据以及来自加拿大西部沉积盆地的真实 3-D 叠后地震数据集证明了所提出框架的有效性。我们引入了迁移学习策略，使用来自真实调查的标记数据对微调预训练网络，以在真实调查中获得更好的反演结果。使用包括叠后和叠前示例在内的合成二维数据以及来自加拿大西部沉积盆地的真实 3-D 叠后地震数据集证明了所提出框架的有效性。