笔记


---

Week1

• well_import.ipynb: 尝试用 lasio 库导入 Petrel 导出的测井曲线

  • 输入: *.las

• well_visualize.ipynb: 尝试可视化测井曲线以及解释层位

• well_horizon_preprocess.ipynb: 尝试删除一些明显异常的（或者不想要的）井或层位

  • 输入: well_horizon.xlsx
  • 输出: well_horizon_processed.xlsx

• well_find_common_logs.ipynb: 尝试查看井有哪些共同曲线

  • 输入: vertical_well_las/*.las

• well_extract_common_logs.ipynb: 尝试提取井的共同曲线

  • 输入: vertical_well_las/*.las
  • 输出: vertical_well_common_las/*.las

• sand_group_thickness: 尝试获得砂组级层位砂厚的统计信息

  • 输入: well_horizon_processed.xlsx
  • 输出: sand_group_thickness_complete.xlsx（砂组级层位砂厚的统计信息）

• well_log_truncate.ipynb: 尝试截断到目的层曲线

  • 输入: vertical_well_common_las/*.las，sand_group_thickness_complete.xlsx
  • 输出: vertical_well_truncated_las/*.las

• cali_check.ipynb: 尝试通过众数或者直方图检查钻头的基础尺寸 → 12.25 in

• well_log_delete_outliers.ipynb: 尝试剔除测井曲线的一些异常值

  • 输入: vertical_well_truncated_las/*.las
  • 输出: vertical_well_las_delete_outliers/*.las

---

Week2

• well_log_delete_outliers_by_layers.ipynb: 尝试分层剔除测井曲线的一些异常值

  • 输入: vertical_well_truncated_las/*.las
  • 输出: vertical_well_las_delete_outliers_by_layers/*.las

• well_visualize_test.ipynb: 测试可视化测井曲线以及解释层位的函数，并集中可视化

• well_log_baseline_correction: （SUSPEND）尝试对测井曲线做基线校正

  • 问题1: 需要做吗？→ 一般对 SP 曲线做基线校正，暂时用不着 SP

• well_correlation_analysis.ipynb: （TODO）分层位分析测井曲线之间的相关性，热力图&交会图

  • 问题1: 部分井缺层位？→ 将解释层位更换到了5月23日提供的版本，现在不缺了

• seismic_import.ipynb: 试着用 pyzgy 库导入地震数据

  • 输入: obn-yuan.zgy

• forward_correlation_analysis.ipynb: （DONE）卷积正演，然后分析正演波形与井旁道地震波形的相关性

  • 问题1: 要把井转换到时间域。但是，构建速度模型时，怎么知道井的第一个解释层位要对到地震上的哪个时间采样点？
  • 前提1: 别忘了对波阻抗做地震频带的带通
  • 问题2: 怎么获得用于卷积的小波？

• borehole_correction: （SUSPEND）根据测井曲线之间的相关性，对扩径段DT和DEN进行拟合

---

Week3 & Week4

参考: Tschannen V, Ghanim A, Ettrich N. Partial automation of the seismic to well tie with deep learning and Bayesian optimization[J]. Computers & Geosciences, 2022, 164: 105120.

• 01_Data_Import.ipynb: 加载数据并将其存储到 wtie 的内部格式中

• 02_Introduction_to_wtie.ipynb: 超参数未经过贝叶斯优化的井震标定

• 03_Auto_Well_Tie.ipynb: 超参数经过贝叶斯优化的井震标定

---

Week5

• wtie_import_logs.ipynb: 尝试加载测井曲线数据并将其存储到 wtie 的内部格式中

• wtie_import_seismic.ipynb: 尝试加载井旁道地震数据并将其存储到 wtie 的内部格式中

• wtie_grid_time_depth_md_version_test.ipynb: 尝试修改原代码的时深关系表数据结构，以支持导入md

• well_log_sampling_rate_check.ipynb: （DONE）检查测井曲线的采样间隔是否一致

• wtie_import_time_depth_table.ipynb: 尝试加载时深关系表数据并将其存储到 wtie 的内部格式中，顺便测试已有的时深转换

---

Week6

• 做两个最坏假设:

  1. 初始的时深不准且偏移较大
  2. 深度学习提取的子波完全无法使用

• wtie_02_first_try.ipynb: 尝试复刻 02_Introduction_to_wtie.ipynb

  • 结果: PH1、PH4不可用，PH3能对上（但振幅对不上，相关性不高），PH2、PH5的时深数据报错，疑似TWT没有递增
  • 分析1: PH3的声波和密度曲线的尖峰明显少于PH1、PH4
  • 分析2: 对PH2、PH5的时深数据进行修正后，也能对上（但振幅对不上，相关性不高）
  • 分析3：总体来说，PH5对得最好（除了下部由于扩径导致的明显异常），PH3的曲线最好（扩径较少）

• series_increase_check.ipynb: 检查序列是否严格递增，并自动修正不严重的情况

• wtie_03_first_try.ipynb: 尝试复刻 03_Auto_Well_Tie.ipynb

  • 结果：PH3最终的子波的相位不是很美好，PH2和PH5还可以

---

工具函数

Week1

• visualize.plotter: 可视化相关
  • plot_well_log: 可视化测井曲线以及解释层位

Week2

• utils.statistics: 剔除测井曲线的先验异常值和统计异常值

Week3 & Week4

• wtie.*: 参考上述论文，加入对应开源库（开源协议: GPL3）

Week5

• wtie.processing.grid: 定义数据结构和坐标系统，为地球物理中的一维信号（如测井曲线、地震道、子波）提供了统一的抽象类，并处理这些数据在不同域（时间域 TWT、深度域 TVDSS/MD）之间的转换、重采样和对齐

  • A. 核心数据容器类

    • BaseTrace: 所有一维数据的基类。
      • 功能: 封装了 values (数值) 和 basis (坐标轴，如时间或深度)。它继承自 pd.Series 的概念，支持切片、加减乘除运算，并强制检查采样率是否均匀。
    • Log: 继承自 BaseTrace，专门表示测井曲线（如声波 Vp, 密度 Rho）。
    • Seismic / Reflectivity / Wavelet: 分别表示地震道、反射系数序列和子波。
    • BasePrestackTrace & 子类: 用于处理叠前数据（Pre-stack），即包含不同角度（Angle Gathers）的道集数据。
    • LogSet:
      • 功能: 一个容器，用于存放属于同一口井的一组测井曲线（必须包含 Vp 和 Rho）。
      • 特性: 自动计算 AI (波阻抗) 和 Vp/Vs 比。

  • B. 几何与坐标转换类

    • (UPDATE)TimeDepthTable (时深关系表):
      • 功能: 管理双程走时 (TWT) 与 垂直深度 (TVDSS) 之间的映射关系。
      • 关键方法: temporal_interpolation (插值到均匀时间采样), slope_velocity_twt (计算层速度)。
    • WellPath (井轨迹):
      • 功能: 管理测量深度 (MD) 与 垂直深度 (TVDSS) 的关系，处理井的造斜/偏差。
      • 关键方法: md_interpolation, get_tvdkb_from_inclination (从井斜角计算垂直深度)。

  • C. 核心处理函数

    • (UPDATE)convert_log_from_md_to_tvdss_to_twt:
      • 功能: 利用井轨迹和时深关系表，将测井曲线从 测量深度 (MD) 域转换到 时间 (TWT) 域。
    • (UPDATE)convert_log_from_md_to_twt:
      • 功能: 仅利用时深关系表，将测井曲线从 测量深度 (MD) 域转换到 时间 (TWT) 域。
    • resample_trace / downsample_trace / upsample_trace:
      • 功能: 处理采样率变换（例如将测井的高频采样降采样到地震数据的 2ms 或 4ms）。
    • lowpass_filter_trace: 对数据应用低通滤波（Butterworth 滤波器）。
    • get_matching_traces: 截取两条曲线的公共部分，使它们在坐标轴上对齐，便于计算相关性。

• wtie.processing.logs: 预处理测井曲线，包括去除噪声尖峰、平滑数据、插值填充缺失值以及对数据进行块化处理

  • despike:

    • 功能: 去除数据中的尖峰噪声。
    • 原理: 它使用中值滤波（medfilt）作为基线，计算原始数据与基线的偏差。如果偏差超过设定的阈值，该点就被视为尖峰并替换为 NaN（非数字）。

  • interpolate_nans:

    • 功能: 填充数组中的 NaN 缺失值。
    • 原理: 利用 pandas 库的 interpolate 功能进行插值。通过执行一次正向插值和一次反向插值，以确保数组开头和结尾的 NaN 也能被有效填充。

  • smooth:

    • 功能: 对数据进行平滑处理。
    • 原理: 内部调用 scipy 的高斯滤波器（gaussian_filter1d）。它能智能处理含有 NaN 的数组，通过一种加权平均的方法在平滑时忽略 NaN 值的影响。

  • smoothly_interpolate_nans:

    • 功能: 一种更稳健的 NaN 插值方法。
    • 原理: 这是一个组合流程: 首先对数据进行去尖峰（despike）和平滑（smooth），然后在处理过的数据上进行插值，最后用插值得到的结果填补原始数据中的 NaN。

  • blocking:

    • 功能: 对数据进行“块化”或“分段”处理。
    • 原理: 该函数首先根据数据点的变化率阈值（threshold）和最大段长度（maximum_length）将连续的数据分割成若干段。然后，用每段数据的平均值（算术或调和平均）来替换该段内的所有原始值，从而生成阶梯状的“块状”曲线。@njit 装饰器表示它使用了 numba 库进行了即时编译优化，以提高计算速度。

---

Week6

• utils.load: 数据加载相关

  • query_well_info: 利用包含井点-层位-MD-TWT的excel表查询所需的信息
  • import_logs：导入测井曲线
  • import_seismic：导入井旁道地震
  • import_time_depth_table：导入时深关系表

• wtie.optimize.tie：提供一组高层级的实用函数，用于执行井震标定的各个关键步骤。作为“协调者”，将底层的测井处理（_logs）、子波提取（_wavelet）和相似性计算（_similarity）逻辑串联起来，向用户或上层应用提供简单清晰的接口，以完成从测井数据处理到合成记录生成的全过程

  • A.数据预处理与转换

    • resample_seismic(seismic, dt): 对地震数据进行重采样（通常使用 Sinc 插值）。
    • filter_md_logs(logset, **kwargs): 在测量深度（MD）域对测井曲线进行滤波处理（如去噪）。
    • convert_logs_from_md_to_twt(...): 核心步骤。利用时深关系表（Time-Depth Table）将测井曲线从深度域转换到双程走时（TWT）域，并进行重采样。

  • B.反射系数计算

    • compute_reflectivity(logset, angle_range): 计算反射系数序列。
      • 如果未提供角度范围，计算垂直入射反射系数（R0，声学）。
      • 如果提供了 angle_range，则计算叠前/随角度变化的反射系数（Rpp）。

  • C.数据对齐

    • match_seismic_and_reflectivity(seismic, reflectivity): 截取地震道和反射系数序列，使它们在时间轴上重叠/对齐，确保后续计算在有效范围内进行。

  • D.子波提取

    • compute_wavelet(...): 这是文件中最复杂的函数。它负责提取或估算地震子波。
      • 支持类型: 支持叠后（Post-stack）和叠前（Pre-stack）数据。
      • 提取策略:
        • expected_value=True: 计算期望子波（可能是基于贝叶斯或统计方法）。
        • expected_value=False: 使用网格搜索（Grid Search）寻找最佳子波。
      • 标定/缩放: 如果 scaling=True，它会计算子波的绝对缩放因子，使合成记录能量与实际地震匹配。

  • E.正演模拟

    • compute_synthetic_seismic(...): 利用提取的子波和反射系数，通过卷积模型生成合成地震记录（Synthetic Seismogram）。

• wtie.optimize.logs：处理测井曲线、时深关系以及生成合成地震记录的相关函数，包含了数据清洗、时深转换、扰动分析（用于不确定性分析）以及正演模拟的封装

  • A. 测井曲线处理 (Logs Processing)

    • filter_logs / filter_log:
      • 功能: 对测井曲线进行去野值（despike）、插值（interpolate）和平滑（smooth）。
      • 作用: 提高数据质量，去除高频噪声，为合成记录制作做准备。
    • block_logs:
      • 功能: 对测井曲线进行“分块化”或“粗化”处理（Backus Averaging 的一种形式）。
      • 作用: 将高分辨率的测井数据转换为层状模型，常用于地震反演前的模型构建。
    • update_log_values: 辅助函数，用于更新 Log 对象中的数值数组。

  • B. 时深关系与扰动 (Time-Depth Tables & Perturbation)

    • get_tdt_from_vp:
      • 功能: 根据速度曲线（Vp）积分计算时深关系表（TDT）。
      • 作用: 建立深度域（MD/TVD）与时间域（TWT）的桥梁。
    • OLDget_perturbed_time_depth_tables / OLD_get_pertubed_tdt_from_vp:
      • 功能: 生成一系列“扰动”后的时深关系表。通过对多项式系数添加随机噪声来实现。
      • 作用: 用于蒙特卡洛模拟或不确定性分析，探索不同的时深关系对井震标定的影响。（注：OLD 前缀暗示这可能是旧版或实验性实现）。
    • old_temporal_strech_squeeze: 对时深表进行拉伸或压缩，用于手动调整井震匹配。

  • C. 正演模拟与合成记录 (Forward Modeling)

    • compute_acoustic_relfectiviy:
      • 功能: 计算垂直入射的声波反射系数（基于 Vp 和 Rho）。
    • compute_prestack_reflectivity:
      • 功能: 计算叠前（不同角度）的反射系数（基于 Vp, Vs, Rho）。
    • compute_synthetic_seismic:
      • 功能: 将子波（Wavelet）与反射系数进行卷积，生成叠后合成地震记录。
    • compute_synthetic_prestack_seismic:
      • 功能: 生成叠前合成地震道集（AVO 分析）。

  • D. 域转换 (Domain Conversion)

    • convert_logs_from_md_to_tvdss: 将测井曲线从测量深度（MD）转换为垂深（TVDSS）。
    • convert_logs_from_md_to_twt: 将测井曲线从深度域转换为双程旅行时（TWT）域。

• wtie.optimize.wavelet: 在已知反射系数和地震数据的情况下，利用深度学习模型、贝叶斯优化等方法估计、搜索并优化地震子波

  • A. 子波预测与生成 (基于深度学习模型)

    • compute_expected_wavelet(...):
      • 利用 evaluator（深度学习评估器）根据输入的地震和反射系数预测一个“期望子波”。
      • 支持计算子波的不确定性（通过多次采样 sample_n_times 计算均值和方差）。
      • 支持极性反转和零相位化。
    • compute_expected_prestack_wavelet(...):
      • 针对叠前数据（不同角度/偏移距），对每个角度分别调用上述函数生成子波集合。

  • B. 子波搜索与择优 (Grid Search)

    • grid_search_best_wavelet(...):
      • 暴力搜索策略：从模型中采样 num_wavelets 个子波。
      • 正演模拟：将每个子波与反射系数卷积生成合成地震记录。
      • 匹配度评分：计算合成记录与实际地震记录的相似度（如互相关）。
      • 相位约束：在相似度高的子波中，倾向于选择相位较小（更接近零相位）的子波。
    • grid_search_best_prestack_wavelet(...):
      • 对叠前数据的每个角度道集执行上述网格搜索。

  • C. 子波优化与缩放 (Bayesian Optimization)

    • scale_wavelet(...):
      • 核心优化逻辑：使用 AxClient（贝叶斯优化）寻找一个最佳标量（Scaler）。
      • 目标：最小化合成地震记录能量与实际地震记录能量之间的差异。
      • 混合策略：结合了 Sobol 序列（随机探索）和 BoTorch（贝叶斯利用）。
    • scale_prestack_wavelet(...):
      • 对叠前数据的每个角度分别进行能量标定优化。

  • D. 辅助与正演工具

    • compute_synthetic_seismic(...): 执行卷积操作（正演），生成合成地震记录。
    • zero_phasing_wavelet(...): 将子波转换为零相位子波。
    • get_spectrum(...) / get_phase(...): 计算子波的频谱和相位谱。
    • _preprocess_...: 数据归一化和张量形状调整，适配神经网络输入。