[发明专利]基于分尺度多输入卷积网络的含薄层岩性地震预测方法

说明书

本发明涉及一种基于分尺度多输入卷积网络的含薄层岩性地震预测方法，包括以下步骤：1)建立包含井位处的岩性标签以及对应叠前和叠后地震记录数据的学习样本；2)对叠前和叠后地震记录数据进行提取、反演和时频分析，得到卷积神经网络模型的输入数据，包括属性集、叠前地震记录数据以及分频属性数据；3)构建分尺度多输入的卷积神经网络模型并进行训练；4)采用训练好的卷积神经网络模型进行含薄层岩性地震预测。与现有技术相比，本发明具有实现含薄层岩性的准确有效预测、数据维度小等优点。

技术领域

本发明涉及地震预测领域，尤其是涉及一种在深度学习框架下基于分尺度多输入卷积网络的含薄层岩性地震预测方法。

背景技术

传统的基于模型驱动的叠前反演和叠后地震储层预测技术受限于地震分辨率很难对薄层进行有效预测，而现有的分频地震技术只能对薄层进行定性和半定量描述，并且缺乏和叠前地震道集和多地震属性的联合使用。此外，这些方法大多依赖于物理模型，对于复杂隐蔽储层，含煤层干扰储层等情况很难进行有效识别。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分尺度多输入卷积网络的含薄层岩性地震预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于分尺度多输入卷积网络的含薄层岩性地震预测方法，包括以下步骤：

1)建立包含井位处的岩性标签以及对应叠前和叠后地震记录数据的学习样本；

2)对叠前和叠后地震记录数据进行提取、反演和时频分析，得到卷积神经网络模型的输入数据，包括属性集、叠前地震记录数据以及分频属性数据；

3)构建分尺度多输入的卷积神经网络模型并进行训练；

4)采用训练好的卷积神经网络模型进行含薄层岩性地震预测。

所述的步骤1)中，岩性标签包括泥岩、砂岩和煤层。

所述的步骤2)中，属性集具体包括AVO截距、AVO梯度属性、纵波阻抗、纵横波速度比和瞬时地震属性。

所述的瞬时地震属性包括瞬时振幅，瞬时相位和瞬时频率。

所述的AVO截距和AVO梯度属性根据叠前地震记录数据提取得到，所述的纵波阻抗和纵横波速度比通过叠前地震记录数据进行反演得到，所述的瞬时地震属性根据叠后地震记录数据提取得到。

所述的分频属性数据通过对叠后地震记录数据进行时频分析结果提取获得。

所述的步骤3)中，以属性集、叠前地震记录数据以及分频属性数据分别作为卷积神经网络模型的三个输入，其中，属性集和叠前地震记录数据采用一维卷积结构，分频属性数据采用二维卷积结构，以防止过拟合。

所述的步骤3)中，根据学习样本中验证集的准确率调整模型学习率，并以此判断是否停止训练来防止过拟合。

根据学习样本中验证集的准确率调整模型学习率具体为：

当验证集的准确率validation accuracy在patience_lr个轮次的训练内没有提高时，则降低学习率：

learning rate_new＝learning rate_old×factor

其中，learning rate_new为调整后的学习率，learning rate_old为调整前的学习率，factor为学习因子。