[发明专利]一种面向深度学习的储层预测样本扩充方法

权利要求书

1.一种面向深度学习的储层预测样本扩充方法，其特征在于：该方法通过井震结合，抽取得到井旁地震数据，并将地震数据转换为能够反映储层分布的字符串形式；通过时深转换建立井震储层对应关系，然后根据井上储层分布建立地震字符串匹配模式；将这一字符串模式与井周围一定范围内的地震道进行字符串匹配，记录相匹配地震道对应的时间点，将该点对应的地震采样点作为符合对应储层的样本标记；依次记录这些标记点得到能够反映不同储层类型并符合地质特点的样本标签。

2.如权利要求1所述的面向深度学习的储层预测样本扩充方法，其特征在于该方法包括下列步骤：

A：通过井坐标转换，将井坐标转换为地震线道号，通过线道号寻找到井旁地震道数据；

B；抽取井旁地震道数据，并将地震数据转换为字符串；

C：根据录井或/和测井数据确定井上储层分布；

D：将储层分布与地震字符串建立一一对应关系，并记录每一种类型储层的字符串特征；

E:根据每一种储层对应的地震字符串特征，在井周围按照设定的范围自动寻找特征一致的地震波形特征，记录相应的时间值，将该时间值对应的地震采样点作为该类型储层的样本数据；

F：针对每一口井，重复A-E步骤，最终得到所有井的储层样本扩充数据。

3.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于上述步骤B包括下列步骤：

B1：在地震数据体中找出振幅最大值和最小值，根据最大值、最小值将地震数据归一化到[-1,1]范围内；

B2：选择字符串个数，每个字符串对应一个值域范围；

B3:根据地震归一化后的数值将地震数据转换为字符，将整道地震数据按照上述规则依次转换为字符形成字符串。

4.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于上述步骤D的储层字符串特征建立方法包括如下步骤：

D1：通过时深转换将井上不同位置的储层对应到地震时间；

D2：根据一定的地震时窗，选择对应的字符串；

D3：根据不同储层对应的字符串，建立字符串特征模式。

5.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于上述步骤E的自动追踪方法包括如下步骤：

E1：根据储层对应的地震字符串模式，调整字符串匹配参数；

E2：以井旁地震道为中心，设定一个追踪的半径，半径的大小需要能够保证范围内的地震道特征能够代表井上的储层；

E3：按照上述设定的范围，依次抽取地震道并转换为字符串，在储层对应的时窗范围内寻找能够与设定模式匹配的点；

E4：将工区内的每口井依次寻找并保存这些点，最终得到不同储层对应的井外围样本数据。

6.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于：

上述步骤B包括下列步骤：

B1：在地震数据体中找出振幅最大值和最小值，根据最大值、最小值将地震数据归一化到[-1,1]范围内；

B2：选择字符串个数，每个字符串对应一个值域范围；

B3:根据地震归一化后的数值将地震数据转换为字符，将整道地震数据按照上述规则依次转换为字符形成字符串；

上述步骤D的储层字符串特征建立方法包括如下步骤：

D1：通过时深转换将井上不同位置的储层对应到地震时间；

D2：根据一定的地震时窗，选择对应的字符串；

D3：根据不同储层对应的字符串，建立字符串特征模式；

上述步骤E的自动追踪方法包括如下步骤：

E1：根据储层对应的地震字符串模式，调整字符串匹配参数；

E2：以井旁地震道为中心，设定一个追踪的半径，半径的大小需要能够保证范围内的地震道特征能够代表井上的储层；

E3：按照上述设定的范围，依次抽取地震道并转换为字符串，在储层对应的时窗范围内寻找能够与设定模式匹配的点；

E4：将工区内的每口井依次寻找并保存这些点，最终得到不同储层对应的井外围样本数据。