[发明专利]一种基于散射变换和神经网络的优质储层识别方法、装置、设备及存储介质

权利要求书

1.一种基于散射变换和神经网络的优质储层识别方法，其特征在于，使用散射网络从地震数据中提取具有平移不变性和局部稳定性的多尺度特征信息，使用卷积神经网络建立特征属性与储层岩性之间的非线性关系，由散射网络和卷积神经网路构成的混合网络结构能够根据叠后地震记录识别优质储层位置及厚度信息；

具体包括以下步骤：

1)获得叠后二维观测数据和若干道已知岩性地震数据，并对叠后二维观测数据进行预处理；

2)基于散射变换对预处理后的叠后二维观测数据提取特征信息；

3)搭建构造特征属性与岩性之间非线性映射模型的卷积神经网络；

4)对卷积神经网络的输出数据进行反分块处理，获得地震数据对应的岩性分布剖面，即能够得到优质储层识别结果。

2.根据权利要求1所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，步骤1)具体操作包括：

获取叠后二维观测数据与若干道已知岩性地震数据，分别记为Y∈R^N×M与Y_train∈R^N×L，其中L＜＜M且Y_train∈Y，M为二维数据中总地震道数，L为已知岩性地震数据的道数，N为每道数据的时间采样点数；

选择矩形窗函数及合适的窗长度K沿时间方向对叠后二维观测数据及若干道已知岩性地震数据中的每道数据进行划分，使得每个时间采样点的岩性对应K个时间采样点的地震数据，将划分后的数据按照地震数据采样点×每个地震数据采样点岩性对应的K个地震数据形式重新分配为一个二维数据形式，则得到处理后的二维数据以及已知岩性地震数据分别为Y_new∈R^MN×K与Y_newtrain＝R^LN×K，MN指总数据中待测岩性采样点的总个数，LN指已知岩性地震数据中采样点的个数，K为每个岩性采样点对应的地震数据长度。

3.根据权利要求1所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，步骤2)中，散射变换是以具有平移不变性与局部形变稳定性的Mel谱为基础，首先构造Mel谱计算模型，将其近似定义为：

Mf＝(f*φ(t),|f*ψ_λ(t)|)_{t∈R,λ∈Λ}                    (1)

其中，f为待分析的输入信号，φ(t)为低通滤波器，ψ_λ(t)为以λ为中心频率的带通滤波器，Λ为所有λ的集合，*表示卷积运算，(，)表示两个信号相加；

其次，根据Mel谱构造散射变换模型，通过逐级小波卷积、非线性取模操作从地震信号中提取具有局部形变稳定性与时移不变性的特征信息；

散射变换的第m层低频成分S_m-1f为具有局部形变稳定性的散射系数，其在散射变换中逐层输出；高频成分U_mf为小波模系数，其被传递至下一层重复低通、带通滤波操作；

第0级散射系数为：

S₀f＝f*φ(t)                              (2)

第1级小波模系数为：

将小波模系数传递到散射变换第2层继续分别与低通滤波器φ(t)与第2层的带通滤波器组进行卷积、非线性取模操作得到第1级散射系数S₁f(t,λ₁)以及第2级小波模系数U₂f(t,λ₁,λ₂)：

重复以上小波卷积、非线性取模过程，逐级迭代得到不同尺度的散射系数与小波模系数，在散射变换的第m层，其中，m≥1，得到第m-1级散射系数与第m级小波模系数为：

其中，Λ_m为散射变换第m层带通滤波器组中心频率λ_m构成的集合；

最后，根据实际应用场景设置最大层数J，保留信号的主要能量成分，将前J层输出的散射系数组合成一维特征信息作为第i个岩性点对应的特征属性。