[发明专利]基于深度学习利用地震数据进行流体预测的方法及装置

说明书

本发明公开了一种基于深度学习利用地震数据进行流体预测的方法，其能够终输出油气特征的概率分布，提高预测油气空间分布的准确性，为井位部署提供重要支撑。该方法包括：输入指定区块范围内所有地震数据，并进行预处理；利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合；利用第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，以获得第二流体特征模型；通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据。

技术领域

本发明涉及地震数据处理与流体预测技术领域，尤其涉及一种基于深度学习利用地震数据进行流体预测的方法及装置。

背景技术

油气勘探开发目标大多受构造、岩性等多种地质因素影响。利用钻井、测井、地质等资料可以较准确地获得井孔附近小范围内某一层段的含油气信息，但难以描述井间和其他区域的储层、油气情况。而地震数据资料包含十分丰富的储层物性信息，在横向上具有较好的连续性，因此地震勘探技术是储层及油气藏横向预测的有效手段。在地震油气勘探中，总是希望能直接利用地震资料发现油气所在的位置，并为此产生了以油气检测为目的的若干特殊处理与解释技术。

地震数据属性分析技术，是对地震数据进行多种信号变换，从中找出隐含的岩性、含油气性、物性信息，为含油气储层预测提供技术支持。地震的属性主要包含地震的振幅、频率、相位、分频以及相干这五种基本属性，这些属性主要反应的是反射系数的界面，主要受储层和围岩的影响，如含波阻抗，速度和密度等这样的岩性参数主要是通过反演得到的地震属性，这些参数的特点能够反应出储层的岩性和流体特征，能够和测井的结果进行直接的对比。一般来说，可以利用地震多种属性来进行流体预测，根据采用不同的地震属性对应了有不同流体预测方法，例如：低频频率共振LFR方法、子波分解方法、物相体含气预测方法、振幅随炮检距变化AVO流体预测方法等。

但是在地震勘探中，由于炸药产生的地震波并不是一个标准的地震信号，又由于地层的非均匀性，检波器接收到信号受多方面因素影响，需要将所有的干扰去除而不丧失有效信号是非常困难的，在处理过程中由于处理环节多，地震波速度难以准确得到，造成处理结果的多解性。这就造成在利用地震属性进行流体预测的过程中，存在两个问题，一是信号源是非理想规则信号，导致预测准确性较低，二是解释存在多解性，这使得流体预测的应用存在较大的局限性。

发明内容

本发明的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种基于深度学习利用地震数据进行流体预测的方法及装置，能够终输出油气特征的概率分布，提高预测油气空间分布的准确性，为井位部署提供重要支撑。

为了实现上述目的，本发明采用的技术方案包括以下各方面。

一种基于深度学习利用地震数据进行流体预测的方法，其包括：

输入指定区块范围内所有地震数据，并进行预处理以符合第一套深度学习网络要求；利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合，以提取地震数据的线性特征；

利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；

利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，以获得第二流体特征模型；

通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据。

优选的，所述预处理包括对地震数据进行去噪处理以凸显出有效信号，以及对去噪之后的地震数据进行级别量化处理。

优选的，所述利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合包括：