[发明专利]面向地震油气储层分布的卷积神经网络学习与预测方法

说明书

本发明公开了一种面向地震油气储层分布的卷积神经网络学习与预测方法。该方法首先以原始地震数据为基础，提取能够表征油气特征的地震属性；然后设计卷积神经网络模型，将优选的几种地震属性作为网络的输入层，提取井位处的地震属性值，以井位处的孔隙度、渗透率、含油性作为训练样本，通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b等参数，直到模型训练完成。随后对无井区的数据进行测试，实现由有井区到无井区储层的横向预测。本发明方法直接在对油气敏感的属性体上进行卷积神经网络深度学习，能够实现同区块，甚至跨区域的未知地震储集体地震信息特征的横向预测。

技术领域

本发明涉及一种面向地震油气储层分布的卷积神经网络学习与预测方法。

背景技术

自Hinton等人于2006年提出的深度学习概念以来，深度学习越来越受到人们的关注。其中以卷积神经网络为代表的深度学习算法在语音识别、图像处理等领域均取得了良好的应用效果。在过去的几十年间人工神经网络、支持向量机等算法在地震储层预测方面进行了大量研究，然而神经网络的感受野与权值共享机制不理想，训练样本维度没有得到改善，使得训练效率变低。由此可见，现有技术需要进一步改进。

发明内容

本发明的目的在于提出一种面向地震油气储层分布的卷积神经网络学习与预测方法，该方法直接在油气敏感的属性体上进行卷积神经网络深度学习，能够实现同区块，甚至跨区域的未知地震储集体地震信息特征的横向预测。

本发明为了实现上述目的，采用如下技术方案：

面向地震油气储层分布的卷积神经网络学习与预测方法，包括如下步骤：

s1.首先以原始地震数据为基础，提取能够表征油气特征的地震属性；

s2.设计卷积神经网络模型，将优选的振幅、频率、相位地震属性作为网络的输入层，提取井位处的振幅、频率、相位地震属性值；

以井位处的孔隙度、渗透率、含油性作为训练样本，通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b参数，直到模型训练完成；

s3.随后输入无井区的振幅、频率、相位地震属性的数据进行测试，利用训练完成的模型实现由有井区到无井区储层的横向预测；

在获取多种储层参数后，结合研究区的地质条件，对油气储层做出综合预测。

本发明具有如下优点：

本发明方法与传统的地震储层预测方法相比，直接在对油气敏感的属性体上进行卷积神经网络深度学习，能够实现同区块，甚至跨区域的未知地震储集体地震信息特征的横向预测，为研究区进一步的地震储层，甚至油气储层的分布预测提供科学依据，降低勘探风险。

附图说明

图1为本发明中面向地震油气储层分布的卷积神经网络学习与预测方法的流程图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

结合图1所示，面向地震油气储层分布的卷积神经网络学习与预测方法，包括如下步骤：

s1.首先以原始地震数据为基础，提取能够表征油气特征的地震属性。

在此，以提取瞬时振幅、瞬时相位、瞬时频率为例进行说明：

首先将地震道f(t)看成是解析信号，也可作为复地震信号F(t)的实部，即：

F(t)＝f(t)+if^*(t) (1)

瞬时振幅公式：