叠前AVO反演是识别油气储层的重要方法之一。随着非常规油气中的薄储层成为油气资源勘探的重点目标，常规AVO反演方法已不能满足目前储层探测的精度要求。当地下介质为薄层或薄互层时，由于不同反射界面振幅混叠导致的调谐效应使得薄层识别尤为困难，并且调谐效应会使AVO特征出现偏差，从而造成基于振幅属性的常规AVO反演结果不准确。此外，已知相同反射界面在频率变化时会展现不同的AVO特征，因此基于多频率AVO特征的联合反演能够更加充分地利用叠前地震剖面中的信息，从而实现薄层和薄互层弹性参数的精确反演。 

　　中国科学院地质与地球物理研究所油气资源研究院重点实验室王尧博士研究生与导师王彦飞研究员，提出了一种基于神经网络的地震谱分解和多频联合AVO反演获取薄层弹性参数的方法。该方法能够消除薄层调谐效应，有效提高薄层识别和弹性参数反演的精度，在非常规薄储层和薄互层储层探测等领域有着广阔的应用前景。 

　　在该方法中，首先通过DNN神经网络实现地震数据的反演谱分解（如图1）。 

图1 用于反演谱分解的DNN神经网络架构

　　为保证DNN神经网络结果的精确性和物理可解释性，构建了模型与数据联合的损失函数： 

　　结果表明，该方法能够有效消除调谐效应，并且比常规稀疏约束的反演谱分解具有更好的抗噪性。在获取不同频率的AVO特征之后开展多频率联合的弹性参数反演，这一过程中使用Brekhovskikh方程作为物理约束条件。

图2 多频率联合反演使用的多通道卷积神经网络

　　基于神经网络的多频率联合的弹性参数反演（如图2）比常规AVO反演和直接基于地震数据的反演在薄互层中应用效果更好，能够更加精确识别薄层位置和弹性参数（如图3）。 

图3 多频率联合的弹性参数反演与直接基于地震数据的反演、常规AVO反演在薄互层中的应用对比（蓝色线：弹性参数理论值；黑色线：单通道神经网络反演结果；红色线：多通道神经网络反演结果） 

　　该方法在实际数据中同样取得了良好的应用效果（如图4）。 

图4 基于神经网络的多频率联合的弹性参数反演在实际资料用的应用效果（蓝色线：测井曲线；红色线：反演结果）

　　研究成果发表于国际学术期刊Geophysics （Wang Y and Wang Y F^* .Spectral decomposition and multifrequency joint amplitude-variation-with-offset inversion based on the neural network[J]. Geophysics, 2023, 88 (3): R373–R383. DOI: 10.1190/geo2022-0474.1）。研究受国家自然科学基金（12171455）、中科院从0到1原始创新项目（ZDBS-LY-DQC003）及中科院地质与地球物理研究所重点部署项目（IGGCAS-2019031）和所长基金（SZJJ-201901）资助。