[发明专利]一种井周裂缝密度估算的方法及设备

权利要求书

1.一种井周裂缝密度估算的方法，其特征在于，所述方法包括：

S1、获取已完钻井储层成像测井数据资料与裂缝密度解释结论，对获取的数据进行预处理；

所述对获取的数据进行预处理包括：选取完钻井井周三维叠后地震数据体，进行基础的拓频及噪声压制处理；

S2、提取出目标井沿设计井轨迹一维地震属性分布情况，将成像测井数据进行网格化处理，将一维地震属性分布进行同样的网格化处理，获得与裂缝密度相关性好的若干类地震属性；步骤S2具体包括：

提取出目标井沿设计井轨迹一维地震属性分布情况；

将成像测井数据按预定深度间隔分段网格化采样，将一维地震属性分布进行同样的网格化处理，网格间距按照成像测井数据网格间距选取；

利用如下公式获取各网格地震属性与裂缝密度的相关系数，

其中，K代表地震属性，D代表裂缝密度；

根据所述公式得出的结论选择出与裂缝密度相关性好的若干类地震属性；

S3、将裂缝密度解释结论进行数字化处理，形成统一的数据集文本格式，将所述数据集划分为训练集和测试集；

所述统一的数据集文本格式中，包括多列数据，其中前面n列为由优取后的n种地震属性，其中每一个数值大小为某种地震属性在成像测井样本深度域的平均值，最后一列为成像测井裂缝密度解释结论；

S4、建立多地震属性融合裂缝密度估算的深度学习模型，利用所述训练集训练深度学习模型以进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；步骤S4具体包括：

采用深度前反馈深度学习神经网络建立地震属性与裂缝密度的映射关系，建立多地震属性融合裂缝密度估算的深度学习模型；

以训练集中的n维地震属性[x₁,x₂,x₃,...,x_n]作为输入训练样本，每个神经元采用非线性Sigmoid逻辑函数构成，优选最佳隐层数量，通过梯度下降法反复迭代收敛目标函数，训练具有多个隐层的深度学习模型进行裂缝密度估算，并通过所述测试集验证训练后的模型效果；

S5、提取新钻井的沿井轨迹一维地震属性分布情况，带入深度学习模型中进行裂缝密度的估算。

2.根据权利要求1所述的井周裂缝密度估算的方法，其特征在于，所述地震属性包括下述中的至少一种：

相干体、地层倾角、最大曲率、蚂蚁体、瞬时振幅、瞬时频率、均方根振幅、混沌体、瞬时相位、瞬时带宽、边缘检测和方差体。

3.根据权利要求1所述的井周裂缝密度估算的方法，其特征在于，所述与裂缝密度相关性好的若干类地震属性中，相关系数r(K,D)的数值不低于0.35。

4.根据权利要求1所述的井周裂缝密度估算的方法，其特征在于，所述隐层数量为3层，神经元的数量分别为3、2、1。

5.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述的井周裂缝密度估算的方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述井周裂缝密度估算的方法的计算机程序。