[发明专利]基于地震多属性深度学习的薄互层储层预测方法

权利要求书

1.基于地震多属性深度学习的薄互层储层预测方法，其特征在于，该基于地震多属性深度学习的薄互层储层预测方法包括：

步骤1、根据研究层段的解释层位计算目的层段的多种地震属性,提取已钻井的砂岩厚度与岩相分类信息；

步骤2、利用井点的砂岩厚度与岩相分类数据，以及提取的各种地震属性数据训练基于监督的机器学习模型；

步骤3、将训练好的机器学习模型用于无井区域的砂岩厚度预测和岩相分类预测。

2.根据权利要求1所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，步骤1包括：

S11、利用地震解释的层位进行约束，提取目的层段的地震多属性，包括振幅、频率、相位这些统计类地震属性；

S12、根据地震与钻井的对应关系，应用自然伽马和自然电位测井曲线资料统计目的层段的砂岩厚度与岩相分类；

S13、建立地震属性与砂岩厚度与岩相分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置砂岩厚度和岩相分类与各种地震属性的数据库。

3.根据权利要求1所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，步骤2包括：

S21、统计井点的统计数据包括砂岩厚度与岩相分类以及各种地震属性，对数据进行按比例划分；

S22、选择深度学习模式；

S23、构架多层深度的学习模型的深度参数即模型学习与误差传递的次数与层级；

S24、设定模型训练的结束阀值。

4.根据权利要求3所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，在步骤S21中，一部分数据用于训练机器学习模型，一部分数据验证训练模型的精度，一部分数据用于测试训练模型的精度。

5.根据权利要求3所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，在步骤S22中，基于多个受限玻尔兹曼机堆叠而成深度置信网络，受限玻尔兹曼机作为一种特殊的特征提取器，编码地震多属性数据和井点的砂岩厚度与岩相分布类，经过学习，将结果用于有监督学习的分类或回归。

6.根据权利要求3所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，在步骤S23中，设定从输入层到输出层的最长路径，模型经过一层学习得到一次知识，学习的深度为原始数据被逐层学习的次数。

7.根据权利要求3所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，在步骤S24中，定义模型学习误差达到多少即满足预测的要求，模型停止训练并可预测无监督数据；应用井点的实际岩相分类数据和砂岩厚度数据与预测的数据进行误差分析，减小模型预测的误差，把误差控制在要求的精度之内，设定预测的精度要求并把模型得以应用。

8.根据权利要求1所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，在步骤3包括：

S31，根据第二步选择深度学习模型训练时间短，预测精度高的模型预测无井区域的砂岩厚度与岩相分类，优选预测精度高的训练模型对无井区域进行岩相分类预测和砂岩厚度分布预测。