[发明专利]一种基于残差网络的岩性预测方法

说明书

本发明公开了一种基于残差网络的岩性预测方法，解决了岩性定性分析问题，利用残差网络可构建更深层卷积网络的特点挖掘地震属性与岩性之间的内在关系，在训练好预测模型后，能够根据地震属性形成的特征图得出其相对应的岩性类别，根据数据中岩性类别的种类个数决定输出标签的个数，即输出层神经元个数，每个神经元的输出值代表这组数据属于对应岩性类别的概率，可以更精确的表示它的岩性特征。

技术领域

本发明属于地球物理勘探领域和深度学习领域，具体涉及到残差神经网络在岩性预测中的研究与应用。

背景技术

寻找岩性油气藏是一个重要的研究课题,岩性预测对发现岩性油气藏具有重要的意义。尽管岩性预测方法很多,但由于各个地区的地质条件不同,各种方法都只是在特定地区及特定条件下方能取得较好的应用效果。

测井数据与地震数据是最常用的数据，依靠地质学家们通过经验建立的数学模型或反演技术是对未知区域的岩性进行定性预测的常用技术。经验公式或建立地质模型对于一般地质储层参数的获取有一定的指导意义，但对于解决复杂地质问题还是有很大的局限性。并且不同位置的预测精度大小受到井的数量与位置分布的影响。

深度学习是大数据时代下发展起来的自动特征提取方法与预测方法，已经成功应用于图像识别、语音识别与人脸识别等领域，但在石油勘探领域的应用仍较少。

发明内容

岩性预测问题与大多数的分类问题类似，为克服现有预测问题上的不足，本发明提供了一种应用于岩性预测问题的残差网络模型建立方法。相对于传统的地质建模方法，深度学习可以通过组合低层特征形成更加抽象的高层特征，高层特征是低层特征的非线性组合，更具有区分性及类别指示性。本发明将深度学习引入地质勘探领域，能够有效地解决岩性识别分类问题并提高识别精度。并且以地震数据为主要数据，在横向预测上有更高的准确度。

为实现上述目的，本发明的技术方案是：

首先准备训练模型所需要的数据，将一个工区内由井数据中得到的岩性数据，经过现有的时深转换方法转换到时间域，与地震数据尺度对齐。然后解析工区内地震数据，将井位置处对应的地震属性数据作为训练数据，已有的岩性数据作为标记数据。

下一步把得到的训练数据输入残差网络中，建立一个应用于岩性预测方面的残差网络模型。将地震属性排列成一个矩阵，根据地震属性的数量，设计输入矩阵的大小、卷积核的大小与残差块的大小。根据标记类别的数量确定输出层神经元的个数，若只有泥岩和砂岩，则有两个神经元。卷积层激活函数采用ReLU函数。输出层各个神经元输出只能无限接近1和0，而不能达到1和0，代表属于该类别的概率。

本发明的有益效果是：将深度学习方法引入了岩性预测中，相对于传统的采用公式建模的方式能在已有的属性中发现更多隐藏的信息，解决了岩性预测定性分析问题，在预测模型训练好后，能够根据工区内的地震属性得出其相对应位置的岩性概率，岩性标签是多个在[0,1]范围内的浮点型数据，大小表示其属于该岩性类别的隶属程度，可以更精确地表示它的岩性特征。

附图说明

附图1是基于残差网络的岩性预测方法的流程图

附图2是本发明的网络模型期望输出形式

附图3是ResNet残差网络模型结构图

附图4是残差块模型结构图

具体实施方式

下面将结合本发明说明书附图，对本发明的具体实施方式中的方案进行详细描述：

图1是基于残差网络的岩性预测方法的流程图，本预测方法分为四个阶段，具体包括：

A.输入特征图形成11：残差网络在进行训练之前将井上位置对应的地震网格处的地震属性经过筛选组成N*N大小的矩阵，形成单通道特征图，作为网络的输入,井上岩性标记作为输出标签。