[发明专利]一种储层含气识别的方法、装置及系统

权利要求书

1.一种储层含气识别的方法，其特征在于，包括：

获取待测储层的原始地震剖面；

将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；

根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果；

其中，所述深度学习初始模型包括深度卷积神经网络模型，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：

对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；

当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；

当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；

当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；

所述第一阈值大于第二阈值。

2.根据权利要求1所述的储层含气识别的方法，其特征在于，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：

对所述原始地震剖面进行预处理；

所述预处理包括：对所述原始地震剖面中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述原始地震剖面中的像素点对应的第一时窗，对所述第一时窗进行升维扩展；

相应的，将预处理后的原始地震剖面输入预先构建的含气识别模型中进行处理。

3.根据权利要求2所述的储层含气识别的方法，其特征在于，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：

计算所述第一时窗对应的输出数据；

计算所述输出数据相对预设的含气结果的误差值，将所述误差值确定为所述含气识别模型的输出结果。

4.根据权利要求3所述的储层含气识别的方法，其特征在于，所述根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果，包括：

判断所述误差值是否小于预设阈值，确定所述误差值小于预设阈值的第一时窗的中心像素点含气；

整合所述原始地震剖面中所有第一时窗的含气结果获得所述原始地震剖面的含气结果；

根据所述原始地震剖面的含气结果确定所述待测储层的含气识别结果。

5.一种储层含气识别的方法，其特征在于，包括：

对待测储层的原始地震剖面进行处理，获取所述原始地震剖面的多种原始含气敏感属性剖面；

将所述多种原始含气敏感属性剖面分别输入预先构建的多种敏感属性含气识别模型中进行处理，所述含气识别模型包括：通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练得到；

将多种敏感属性含气识别模型的输出结果进行线性叠加，根据叠加结果确定所述待测储层的含气识别结果；

其中，所述深度学习初始模型包括深度卷积神经网络模型，所述通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练，包括：

对地震含气性敏感属性剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震含气性敏感属性剖面样本数据中的像素点对应的第二时窗；

当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；

当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；

当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；

所述第一阈值大于第二阈值。