[发明专利]地震属性融合方法及装置

权利要求书

1.一种地震属性融合方法，其特征在于，包括：

获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块；

提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集；

将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；

其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。

2.如权利要求1所述的地震属性融合方法，其特征在于，提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集，包括：

对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体；

确定每个目标储层样本块的叠后地震数据体的裂缝特征信息；

对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。

3.如权利要求2所述的地震属性融合方法，其特征在于，对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体，包括：

将每个目标储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；

将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；

将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；

根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体。

4.如权利要求2所述的地震属性融合方法，其特征在于，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息，包括：

根据每个目标储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；

根据每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；

根据每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；

根据目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息。

5.如权利要求2所述的地震属性融合方法，其特征在于，对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集，包括：

对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；

利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。

6.如权利要求1所述的地震属性融合方法，其特征在于，训练自适应函数神经网络的步骤包括：

对已知储层区域进行样本标注，建立已知储层区域的有监督样本集；有监督样本集包括多个大小等同的、预设规则形状的已知储层样本块；

提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性；

将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数；

迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络；

将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。