[发明专利]基于深度网络与AVO分析相结合的叠前含气性预测方法

权利要求书

1.一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，包括以下步骤：

S1，利用测井、地质和合成地震记录资料准确标定待预测目标层；

S2，获取待预测叠前数据；

S3，将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络，所述DNN神经网络输出预测结果为含气或不含气；所述DNN神经网络预先经过训练。

2.如权利要求1所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S3中训练所述DNN神经网络的步骤包括：

S31，获取训练样本集，每条训练样本包含振幅随偏移距的变化特征和相应的标签，所述标签为含气或不含气；

S32，获取待训练的DNN神经网络的初始模型参数，其中初始模型参数包括网络深度，激活函数，以及初始训练数据；

S33，设置DNN神经网络层数、神经元数、脱落率和学习率的值，设置DNN神经网络的输入和输出；

S34，输入训练样本；

S35，DNN神经网络的每一层使用Relu激活函数；在获得DNN神经网络的输出概率值后，使用偏执函数计算预测准确率；

S36，利用AVO分析中的振幅随偏移距计算斜率和截距参数，对每一层输出进行过滤，再进入下一层计算；

S37，当预测准确率达到预设阈值时，所述DNN神经网络训练完成。

3.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S31中获取训练样本集之前，先对每条训练样本包含的振幅随偏移距的变化特征与含气性之间的关系进行标定，具体方法为，对含气位置处的振幅变化的标签值设定为1，对不含气处的振幅变化的标签值设定为0。

4.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S32中所述预设阈值设置为95％。

5.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S31中所述振幅随偏移距的变化特征，是先利用Marmousi2模型得到地质模型，然后通过Zoeppritz方程或Shuey近似式对所述地质模型进行正演模拟来获取。

6.如权利要求5所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，所述Zoeppritz方程为：

其中，θ₁代表纵波入射角，θ₂代表纵波透射角，代表转换波反射角，代表转换波透射角，V_P1代表上界面的纵波速度的大小，V_S1上界面的横波速度的大小，ρ₁代表上界面的密度的大小；V_P2代表下界面的纵波速度的大小，V_S2代表下界面的横波速度的大小，ρ₂代表下界面的密度的大小，R_PP代表纵波反射系数的大小，R_PS代表转换横波反射系数的大小，T_PP代表纵波透射系数的大小，T_PS代表转换横波透射系数的大小。

7.如权利要求5所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，对正演模拟获取到的振幅随偏移距的变化特征增加信噪比为0.1的随机噪声和扰动。

8.如权利要求1～7任一项所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，所述DNN神经网络的损失函数为0-1损失函数，所述0-1损失函数公式如下：

其中，f(X)为预测值，Y为目标值。