基于聲波測井資料的波動方程走時層析反演速度建模

李卿卿,符力耘*,杜啟振,冉亞楠,胡勇

1 深層油氣全國重點實驗室(中國石油大學(華東)),山東青島 266580 2 山東省油藏地質重點實驗室,中國石油大學(華東),山東青島 266580 3 青島海洋科學與技術國家實驗室海洋礦產資源評價與探測技術功能實驗室,山東青島 266071 4 中國礦業大學資源與地球科學學院,江蘇徐州 221116

0 引言

地震層析反演方法由于主要利用地震波的走時信息,其非線性較全波形反演弱,因此常用于建立運動學偏移速度模型或為全波形反演提供初始參數模型.地震層析反演方法主要分為射線與波動方程兩類.

目前,工業上主要采用基于射線的層析反演方法,該類方法主要分為兩種:一種是將角道集(CIG道集)的剩余時差(RMO)轉換為走時差(Stork,1992),通過射線追蹤計算射線路徑并構造相應的層析線性方程組,而層析線性方程組的求解過程可以解釋為將剩余時差反投影到模型空間實現速度反演(Meng et al.,2004; Woodward et al.,2008; Jones,2010);第二種是利用程函方程(井西利等,2007;劉玉柱等,2009,2011;張新彥等,2017;蔡杰雄等,2017;張兵和王華忠,2019;董良國等,2021),通過求取初至波走時差信息,實現初至波層析反演.然而,射線走時層析技術基于高頻近似假設,而地震波是一種包含多頻率成分的信號.因此,射線路徑往往只在高速區域產生優勢采樣,而其他區域反演精度不足.此外,射線層析方法無法處理多路徑問題,導致層析剖面存在焦散、陰影區等問題(Luo and Schuster,1991).綜上所述,雖然基于射線理論的層析方法計算效率高且操作靈活,但對于較為復雜的介質該類方法往往難以獲得令人滿意的反演效果.

針對傳統走時層析方法高頻假設存在的問題,Luo和Schuster(1991)提出了波動方程層析成像方法,即以波路徑替代傳統走時層析成像中的射線路徑.由于波動方程走時層析成像方法不存在高頻近似假設,且能夠處理多路徑問題.因此,基于波動方程走時層析成像方法在處理復雜介質時層析精度遠優于基于射線理論的層析反演方法.根據所用地震波的類型,波動方程走時層析反演可分為初至波和反射波兩類.

Luo 和 Schuster (1991)最早提出了初至波波動方程走時層析反演方法,該方法通過計算觀測數據與模擬數據互相關的最大值來獲取走時差(de Hoop and van der Hilst,2005),然后利用走時差伴隨場計算目標函數的梯度(Tarantola,1987),避免了射線追蹤和Fréchet導數的計算.由于僅利用初至波走時信息,初至波走時層析反演方法穩定性高,可實現淺地表、中深層大尺度或井間速度建模.然而,初至波走時層析反演方法僅利用了地震記錄中的初至波信息,往往反演精度較低,無法對地下中深層實現較高精度速度建模.

反射波走時層析反演由于其對中深層速度進行準確建模能力而受到廣泛關注.該方法也基本分為兩類,即數據域反射波走時層析和成像域反射波走時層析反演.在數據域,由于反射波走時差沿時間方向變化,且反射波層析反演初始速度模型通常為均勻模型,無法直接從實際模擬地震數據中提取走時信息,繼而無法獲得走時層析反演最為重要的走時差伴隨場.因此,數據域反射波走時層析反演往往將Born一階近似的反偏移記錄作為模擬地震反射波信息,繼而利用Gaussian窗函數或者動態編碼方法(DIW)獲得走時差伴隨場(Hale,2013; Ma and Hale,2013),最優化更新速度信息,實現反射波層析反演速度建模.在成像域,則需在成像過程中提取角道集(CIG),并依據CIG中同相軸曲率計算走時差伴隨場 (Jin and Beydoun,2000; Meng et al.,2004; Zhang et al.,2011,2015a,b; Yang and Sava,2013; Alkhalifah and Choi,2014; Chi et al.,2015),再通過計算目標函數的梯度,實現成像域反射波層析反演速度建模.

層析反演已是一種較為成熟的速度建模方法.然而,傳統初至波走時層析反演方法對地下介質分辨能力有限,無法獲得準確的中深層速度信息.相比之下,反射波層析反演方法能明顯提高中深層速度建模的精度,但數據域反射波層析反演速度建模需利用反偏移模擬數據,這無疑大大增加了計算量,降低了計算效率;同時,基于Born近似的反偏移過程是一種線性近似,其模擬數據與實際地震資料也存在一定差距.此外,基于成像域反射波層析反演速度建模方法需從CIG中提取走時差信息,也同樣面臨計算量較大、實用性較差等問題.為此,一些學者提出了融合初至波與反射波的走時層析反演方法(張兵和王華忠,2019),但如何確定兩者之間的權重也是一個不可忽視的難題.

聲波測井資料是地球物理勘探中最為重要且精確的數據之一,其含有豐富的低頻與高頻成分,具有垂向分辨率高的特點.將測井信息引入初始速度模型建立可以在一定程度上彌補地震頻帶缺失、反射數據精度低、信噪比低的不足.由于聲波測井資料具有高精度的速度及可靠的低頻信息,可從目標泛函約束的角度引入先驗模型信息,但該過程的操作難度較大,常用于AVO反演.吳國忱和田軍(2014)通過在AVO反演過程中加入尺度約束項,提高了反演的穩定性及可靠性.馮國峰等(2003)針對二維波動方程,將大范圍收斂的同倫攝動方法引入到算子參數識別過程,并利用聲波測井資料進行約束反演.Han等(2007)和傅紅筍等(2012)研究了測井約束下地震波形反演的同倫攝動求解方法.Asnaashari等(2013)提出通過測井、地質解釋建立先驗模型,并使用正則化項和先驗模型項擴展反演目標函數,將先驗模型用于反演優化過程,以此約束最小化目標泛函,該方法是將約束條件引入全波形反演中的經典性代表.杜澤源等(2017)研究了基于測井約束的全波形反演方法,對反演過程進行約束,提高了反演精度.然而,在反演過程中引入聲波測井資料約束項的方法存在兩個缺陷:測井項梯度與主梯度更新方向不一致,導致反演錯誤;聲波測井資料約束項的權重系數無法由理論確定,而往往采用經驗的做法.

本文區別于將傳統聲波測井資料作為目標函數約束項的方法,提出了一種基于聲波測井資料的三步法波動方程全波走時層析反演速度建模方法,旨在高效地實現淺層及中深層速度建模.本文架構如下:首先,利用波動方程早至波走時層析反演方法獲得初始低波數速度模型,并通過一次偏移成像獲得初始成像剖面.其次,采用平面波分解從一次成像剖面中提取構造角度,并結合聲波測井信息沿構造角度進行稀疏反演,建立更高精度的中波數速度剖面.最后,通過求取全波走時差,采用最優化方法更新速度,實現全波高波數層析反演速度建模.Marmousi模型數值結果表明,本文提出的層析反演速度建模方法能夠有效提高淺層及中深層速度建模精度.

1 方法原理

1.1 波動方程早至波走時層析反演速度建模方法簡介

波動方程早至波走時層析與射線走時層析的原理類似,均基于速度擾動僅對地震波走時產生影響,而不影響其振幅的假設.因此,在波動方程早至波走時層析中可定義基于走時信息的目標函數:

(1)

其中,Δτ為觀測地震數據與模擬地震數據中早至波走時差;s,r分別表示炮和檢波點.作為走時層析反演方法中關鍵步驟,走時差的求取可通過觀測與模擬地震數據早至波的互相關運算獲得,即

(2)

其中,x表示空間位置,τ為觀測與模擬地震數據的時移量,pobs和pcal分別代表觀測與模擬波場.當式(2)取得最大值時,即可得到兩種地震記錄的走時差:

Δτ=argmax(f(x,τ)),τ∈[-T,T],

(3)

其中,T為最大走時差.此時,式(2)中互相關函數f(x,τ)對時移差τ的一階偏導數應為零,即:

(4)

由公式(1)可知,目標函數J的求取是一個最小二乘問題,可通過梯度法來進行迭代求解(本文中采用共軛梯度法).基于梯度法求解最小二乘問題的關鍵在于如何計算目標函數梯度,即目標函數J對速度的一階導數:

(5)

其中,

(6)

將式(4)代入式(6),可得:

(7)

根據Tarantola(1987),式(7)中模擬波場對速度的一階導數可表示為

(8)

(9)

將公式(9)代入公式(5)中,可得波動方程早至波層析反演的梯度與伴隨源表達式:

(10)

其中,δ(x,t)為走時差伴隨源.通過最優化方法,可實現波動方程初至波層析反演速度建模.

1.2 基于聲波測井數據稀疏反演速度建模方法

平面波分解(PWD)是一種獲取地下構造信息的有效手段,該方法類似于預測誤差濾波器,即:

rix,ix+1=dix+1-Fix,ix+1(α)dix,

(11)

其中,rix,ix+1代表地震道dix+1與預測地震道dix之間的剩余誤差.Fix,ix+1(α)表示與地下構造傾角α相關的預測算子.以早至波層析反演結果為偏移速度對其實施逆時偏移可獲得初步成像剖面.通過對成像剖面進行平面波分解,可獲得相應地下構造的傾角剖面α.由于地下傾角剖面是源自于成像剖面,因此,該傾角剖面較早至波層析反演速度結果能夠更好地反映地下構造信息.

速度剖面是一種全網格數據體,而聲波測井數據是一種稀疏數據.在不考慮速度頻散效應的前提下,聲波測井數據可以看作為一種速度剖面的抽樣表達,即:

w=Mv,

(12)

其中,w和v分別表示聲波測井數據和地下速度剖面,M表示采樣矩陣.由于公式(12)中采樣矩陣M具有不確定性,因而無法直接利用矩陣變換求取速度場v.可將公式(12)轉化為最小二乘最優化問題進行求解:

(13)

式中速度場v為待求速度場.為了在速度場反演中引入平面波分解所得傾角信息,速度場可變換為

v=Sq,

(14)

其中,S是與構造角度相關的平滑算子,q為反演系數基(如傅里葉或小波分解系數).將公式(14)代入公式(13)可得:

(15)

式中ε為正則化因子.通過最優化方法(如共軛梯度)迭代求解公式(15),可得基于聲波測井數據的速度場:

(16)

1.3 波動方程全波層析反演速度建模

波動方程層析反演速度建模方法往往僅利用早至波或反射波信息,而無法利用全波信息,究其原因主要在于:地震波類型越全,反演非線性越強;層析反演速度建模初始模型往往為均勻或光滑速度模型,無法提取模擬地震數據與觀測地震數據之間的走時差.而本文提出的利用早至波走時層析結合聲波測井數據稀疏反演進行初始速度建模方法能夠較好地解決初始模型建立問題,因此可利用全波信息進行層析反演速度建模.

全波層析速度反演速度建模方法最重要的是走時差的計算.本文利用局部域互相關方法計算模擬數據與觀測數據的全波時變走時差.利用高斯窗函數將模擬及觀測地震記錄由數據域轉換為局部數據域:

(17)

其中,Dobs(x,k,t)與Dcal(x,k,t)分別代表局部數據域的觀測與模擬地震數據,k為高斯窗函數的長度.對Dobs(x,k,t)與Dcal(x,k,t)進行互相關運算:

(18)

并搜索互相關函數C(x,τ,t)的最大值,可獲得局部數據域觀測地震數據Dobs(x,k,t)與模擬地震數據Dcal(x,k,t)的走時差:

(19)

值得說明的是,局部域互相關算法中高斯窗函數長度的選擇影響著走時差的準確性,本文采用最優化方法反演獲得高斯窗函數長度,即:

(20)

由式(20)可知,當?Δτ(x,k,t)/?k=0時,可獲得最佳高斯窗長度.

由于全波走時層析反演方法的初始速度模型采用的是1.1—1.2節中反演的速度結果,其對應的模擬數據已包含各種類型地震波信息.因此,無需利用反偏移算法獲得模擬地震記錄,避免了傳統Born反偏移所導致的計算量大問題.基于此,全波走時層析反演伴隨源與梯度僅需將初至波走時層析速度層析反演中初至波走時差改為全波走時差,即:

(21)

1.4 反演步驟及策略

如圖1所示,以聲波測井數據及地震記錄為出發點,以一維線性速度模型為初始模型,通過利用地震波全波走時及聲波測井信息,提出了一種基于聲波測井數據的全波走時層析反演速度建模方法,具體反演步驟及策略為:

圖1 基于聲波測井數據全波走時層析反演速度建模技術流程圖

(1) 利用互相關方法,計算模擬數據與觀測數據的早至波走時差,并利用公式(10)更新初始線性速度模型,獲得初至波層析反演速度模型v1;

(2) 基于步驟(1)所得速度模型及地震記錄,通過逆時偏移算法得到初始成像剖面,并采用平面波分解方法獲得地下構造傾角剖面α;

(3) 利用地下構造傾角剖面及聲波測井數據,通過公式(15)進行稀疏速度反演,獲得精細速度模型v2.考慮到聲波測井速度通常為非全井段數據,因此,在該步驟中需利用步驟(1)中建立的速度模型v1對其進行補全,即公式(12)中測井數據可表示為

(22)

式中void表示空缺.

(4) 以步驟(3)所得速度模型v2為初始速度模型,利用公式(18)—(20)反演獲得高斯窗函數的長度及走時差伴隨場,通過共軛梯度法更新速度模型,最終獲得基于聲波測井數據的波動方程全波走時層析反演速度模型.

2 數值模擬

在本節中,將選用較為復雜的Marmousi模型對本文方法的有效性進行驗證.首先,利用早至波波動方程層析反演獲得速度模型v1;其次,以速度v1為初始速度模型,基于聲波測井速度稀疏反演更新獲得速度模型v2;最后,以速度模型v2為初始模型,利用波動方程全波層析反演方法獲得最終偏移速度模型v3.

如圖2a所示為Marmousi速度模型,該模型網格大小為663×234,空間采樣間隔為10 m.設置炮點均勻分布于地表,共40炮,采用全排列接收,最大偏移距為6.63 km.震源為主頻15 Hz的雷克子波,其時間采樣間隔為0.5 ms,共模擬7000個時間步長.為使本文方法更能符合野外實際情況,所有地震記錄均濾除了5 Hz以下的頻率信號.

圖2 Marmousi速度模型

2.1 早至波波動方程層析反演速度建模

采用如圖2b所示一維線性速度模型作為初始速度模型,其速度范圍介于1.95～4.7 km·s-1之間.圖3a為濾除5 Hz以下低頻且去除直達波后單炮地震記錄,炮點位于(3300.0 m,0.0 m).由于早至波波動方程層析速度反演方法僅利用地震記錄中的早至波信息,因此,本文采用圖3a地震記錄中直達波以下200 ms內的地震數據作為早至波地震記錄(如圖3b).利用公式(2)互相關算法,可獲得如圖4a所示模擬早至波與觀測早至波地震記錄的走時差場,繼而根據公式(10)中走時差伴隨源算法,可得早至波波動方程層析反演速度建模走時差伴隨源(圖4b).

圖3 Marmousi模型地震記錄

圖4 Marmousi模型

根據圖4b所示走時差伴隨源及公式(10),采用共軛梯度法,通過30次迭代更新初始速度模型(圖2b),獲得如圖5所示早至波波動方程層析反演速度剖面.從反演結果可以看出,早至波波動方程層析反演速度建模方法能較好的刻畫淺層及大尺度速度信息,而對中深層及小尺度速度信息的反演效果有限.而從圖6所示逆時偏移成像剖面中也可進一步看出,淺層及小傾角地層能夠進行較好的成像,而深層及大角度細節構造產生了偏移假象.圖7所示為x=1500 m、x=3500 m及x=5500 m處角道集剖面,其中左側與右側分別為早至波層析反演速度及真實速度結果,從圖中對比可清晰看出角道集同向軸無法拉平.由此可知,僅依靠早至波波動方程層析反演速度建模方法,無法滿足目前對中深層及陡傾角等細節信息的成像需求.

圖5 早至波波動方程層析反演速度模型(迭代30次)

圖6 基于圖5速度的成像剖面

圖7 Marmousi模型角道集

2.2 基于聲波測井數據稀疏反演速度建模方法

由2.1節可以看出,傳統早至波層析反演速度建模方法僅能實現淺層或大尺度速度建模,而無法實現小尺度及中深層速度建模.事實上,目前僅有全波形反演方法(FWI)能夠實現中深層及小尺度復雜構造速度建模.對比圖5及圖6可知,成像剖面相比于速度剖面更能體現地下的小尺度及細節信息.因此,基于圖6所示Marmousi模型成像剖面,采用平面波分解方法提取包含地下更多細節信息的傾角信息.事實上,從成像剖面中提取角度信息類似于通過反偏移提取一次反射波地震記錄的思路,均利用了成像剖面的高分辨率特性.然而,在平面波分解求取地下構造傾角信息過程中存在奇點影響.本文采用滑動窗口平滑方法提取地下傾角信息,以避免成像剖面存在的奇點影響.從圖8所示傾角剖面可以看出,Marmousi模型的陡傾角及中深層傾角信息均可正確體現.

圖8 圖6提取的傾角信息

圖9所示為假定的測井數據,共5口井,分別位于x=1300 m,x=2300 m,x=3300 m,x=4300 m,x=5300 m.由于實際測井數據往往僅包含目的層段,且井位置具有空間隨機性.因此,為符合實際測井數據,本文所假定5口井數據均缺失一定地層段的測井數據.基于圖8所示地下構造傾角信息,并結合公式(15)—(16)所示稀疏反演方法,可獲得基于聲波測井數據稀疏反演速度(圖10).通過圖10與波動方程早至波層析反演速度剖面(圖5)對比可以看出,該方法能夠較為準確獲得地下大尺度速度信息,尤其是深層速度信息.然而,基于聲波測井數據稀疏反演方法的實質是聲波測井速度在滑動窗口內沿傾角方向進行橫向插值,雖然可反演得到大尺度及深層速度信息,但其速度值可能偏離真實速度,且在插值過程中存在奇點.因此,利用聲波測井速度稀疏反演速度剖面無法直接用于地震成像,需通過層析反演方法對速度剖面進行進一步修正.

圖9 Marmousi模型聲波測井數據(5口井)

圖10 基于圖9所示聲波測井數據稀疏反演速度剖面

2.3 波動方程全波層析反演速度建模

圖10所示速度模型已包含較為豐富的淺層及中深層速度信息,因此以圖10所示速度模型作為初始速度模型,可獲得地震波數較為豐富的模擬地震數據,而無需額外利用反偏移算法獲得對中深層速度建模更為重要的反射波信息.由1.3節可知,波動方程全波層析反演速度建模方法的關鍵在于獲取準確的全波走時差Δτ(x,t),而在全波走時差計算過程中選擇合適的高斯窗長度是個難題.圖11所示為僅含單個地震子波走時差隨高斯窗大小變化曲線,從圖中可以看出,該曲線隨時窗長度的增加呈現先減小后增大的趨勢;當走時曲線取最小值時,可得到最佳走時差.

圖11 走時差隨高斯窗大小變化曲線

如圖12a所示,為驗證公式(18)—(20)高斯窗大小選取方法的有效性,本文采用包含多子波的單道地震數據來進行驗證,其中紅色與藍色曲線分別代表模擬與觀測地震道.圖12b—e分別代表采用高斯窗長度為240 ms、636 ms、700 ms及1000 ms時獲得的走時差曲線,其中實線與虛線分別代表計算與真實走時差.從圖中可以看出,選擇較短或較長的高斯窗長度均無法得到準確走時差.而由公式(18)—(20)求取的走時差曲線圖12c可知,其計算走時差(實線)與真實走時差(虛線)高度吻合,證實了本文提出的動態計算高斯窗的長度的可行性,繼而在高斯窗內求取走時差的方法是有效可行的.

圖12 (a) 單道模擬與觀測地震記錄; (b)—(e) 不同高斯窗大小走時差信息,其中(b) 240 ms,(c) 636 ms,(d) 700 ms,(e) 1000 ms

本節以圖10所示速度模型為初始速度模型,因而模擬地震數據(圖13a)中已包含豐富的地震波信息.利用公式(18)—(20)獲得走時差(圖13b)及走時差伴隨源(圖13c),采用共軛梯度法對該初始速度模型進行更新.圖14展示了經過30次迭代后的層析反演結果,對比圖5可知,本文方法的反演精度明顯優于傳統早至波層析反演方法,能夠有效地獲得中深層及小尺度地下速度信息.

圖13 Marmousi 模型

圖14 全波走時層析反演速度剖面

以圖14所示速度模型為成像速度,經逆時偏移得到成像剖面(圖15),從成像剖面可以看出,高陡構造與深層構造均能夠實現高分辨率成像,且與真實模型高度吻合.為更直觀體現本文方法有效性,相同地提取了x=1500 m、x=3500 m及x=5500 m處角道集剖面(圖16),其中左側與右側分別為本文層析反演速度及真實速度結果.從圖中可以看出,深層角道集同向軸能夠較好的拉平,且與真實速度模型角道集吻合度較高.因此,本文提出的利用聲波測井資料進行層析速度建模的方法是有效可行的.

圖16 Marmousi模型角道集

在實際應用中,測井數據往往存在空間分布不均且數量較少問題.為進一步驗證本文提出的基于聲波測井數據的波動方程全波層析反演速度建模方法的有效性,如圖17所示,減少Marmousi模型中測井數量為3口井,其井位置分別位于x=1000 m,x=4000 m,x=5500 m,且均缺失一定地層段的測井數據.相同地,基于圖8所示地下構造傾角信息,利用本文中稀疏反演方法,可獲得如圖18所示速度剖面.通過對比圖18與圖10可以看出,當測井數量減少且分布不均時,仍可反演得到較為準確的地下大尺度及深層速度信息,充分證明了本文方法的穩定性和有效性.

圖17 Marmousi模型聲波測井數據(3口井)

圖18 基于圖17所示聲波測井數據稀疏反演速度

以圖18所示速度模型為初始速度模型,利用本文中全波層析反演速度建模方法,經過30次迭代(與包含5口井時相同迭代次數),得到如圖19所示速度反演結果.從圖19中可清晰看出,中深層及小尺度地下速度信息得到了較好的恢復,且反演結果與圖14所示反演剖面吻合度較高.因此,當模型中測井數量較少且分布不均時,本文方法依然具有較高的反演精度.

圖19 全波走時層析反演速度剖面

相同地,以圖19所示速度模型為成像速度,經逆時偏移得到成像剖面(圖20),從成像剖面可以看出,高陡構造與深層構造均能夠實現高分辨率成像,且從圖21所示角道集剖面(x=1500 m、x=3500 m及x=5500 m,其中左側與右側分別為僅含3口井時層析反演速度及真實速度結果)可以看出,利用本文反演方法獲得的角道集同向軸能夠較好的拉平,且與真實速度模型角道集吻合度較高,可以充分說明,當模型中僅包含3口聲波測井時,本文速度建模精度能夠滿足逆時偏移成像對速度精度的要求.綜上所述,本文提出的利用聲波測井資料進行層析速度建模的方法對測井數據的數量依賴性較小,具有較強的穩定性,能夠有效的提高中淺層及深層的速度建模精度.

圖20 基于圖19的成像剖面

3 討論

本文在走時僅受速度控制的假設下實現了中淺層及深層高分辨率速度建模,而未考慮其他介質參數對走時的影響.但當地下構造較為復雜時,走時將受其他多種地下介質參數影響,例如各向異性及衰減(Q)參數.

由于各向異性參數和衰減參數與速度均存在耦合關系,因而理論上需對速度、各向異性及衰減參數進行聯合層析,但由于各向異性參數和衰減參數對走時不敏感,導致聯合層析效果往往較差,且存在多參數反問題的串擾問題.因此,在實際層析反演中,往往采用先對速度進行層析建模,然后對其他參數進行層析建模的兩步法策略.由于聲波測井數據能提供準確的速度信息,因此,在多參數聯合層析中,可利用本文中提出的稀疏反演策略建立較為準確的初始速度模型,有望降低速度與其他參數的耦合性,可在一定程度上提高多參數反演的精度.

4 結論

本文針對中深層走時層析速度建模方法面臨的難題,提出了一種基于聲波測井資料的三步法波動方程全波走時層析反演速度建模方法.以一維線性速度模型為初始速度模型,采用早至波波動方程層析反演實現對地下大尺度及淺層構造低波數速度建模,繼而利用聲波測井速度及初始成像剖面結合稀疏反演獲得深層及較高分辨率的中波數速度場;以稀疏反演速度場為初始模型,利用波動方程全波層析反演方法獲得最終偏移速度場剖面.

Marmousi模型算例表明,本文所提出的速度建模方法不僅能夠實現對淺層及中深層的較高精度速度建模,而且計算效率較高,克服了傳統方法反演精度低或計算代價高的缺陷.但值得注意的是,本文所提出的層析反演方法及策略需利用聲波測井數據,如何有效避免聲波測井數據的空間分布及測井數據段對最終層析反演結果產生的影響有待進一步研究.