[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

说明书

本发明公开了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，该方法首先使用散射变换逐级从原信号中提取具有局部形变稳定性以及平移不变性的多尺度特征属性，然后利用Res‑UNet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，从而可以实现基于地震数据的优质储层识别。本发明通过合成地震数据充分说明了该方法的有效。

技术领域

本发明属于地震勘探技术领域，具体涉及一种基于散射变换和神经网络的优质储层方法、装置、设备及存储介质。

背景技术

准确地震储层岩性预测是石油开发的重要环节，也是储层特征研究、储量计算以及地质建模的基础。若不能较为准确识别优储层位置，后续打井、开采等工作无法正常进行。因此，识别优质储层位置等信息对于指导石油开发具有重要意义。

常用的优质储层识别方法主要包括两大类：基于测井数据的储层岩性预测法以及基于地震技术的储层岩性预测法。两种方法分别需要建立测井数据与储层岩性或者地震数据与储层岩性之间的非线性关系。由于地下介质存在很大的不确定性，因此使用传统物理模型方法直接构建地震数据或测井数据与储层岩性之间的非线性模型十分困难，且所得到的物理模型往往泛化性较差。近年来，机器学习在许多领域都得到了应用与快速发展，由于机器学习有很强的非线性映射能力，因此许多相关学者尝试直接利用机器学习建立测井数据或地震数据与储层岩性之间的非线性关系，从而可以根据通过测井数据或者地震数据得到储层岩性，实现优质储层识别。基于测井数据的储层岩性预测方法即需要建立测井数据与储层岩性之间的非线性模型，从而可以根据测井数据识别优质储层。 A.Al-Anaziet.al.(2010)提出一种使用支持向量机根据测井数据进行储层岩性预测的方法。HainingLiu et.al.(2020)针对不同井之间数据存在数据漂移的问题提出了一种数据漂移联合适应极端学习的迁移学习方法，用于建立测井数据与储层岩性之间的非线性模型。当测井数据准确且数据量足够时，这一类方法能够取得较好的效果。但测井数据量往往较小，通常需要通过使用合适的反演方法从地震数据中反演得到测井数据，在此过程中也会引入一定的误差。基于地震数据的储层岩性预测方法主要是通过建立叠后地震数据与储层岩性之间的非线性模型来实现优质储层识别。由于地震信号是复杂的非平稳信号，而时频分析可以用来刻画信号的局部特征，提取信号幅值、相位等信息，因此可以先利用时频变换从地震数据中提取特征信息，然后建立特征信息与储层岩性之间的非线性关系。Guoyin Zhang et.al.(2018)提出一种基于小波变换与机器学习相结合的优质储层识别方法，并证明该方法优于仅使用机器学习的优质储层识别方法。Jian Zhang et.al.(2021)提出一种基于逆谱分解和一维卷积神经网络的地震储层识别方法。这类方法虽然也可以得到较好的预测结果，但是所使用的时频变换不具有局部形变稳定性，即小的时间翘曲会造成信号时频表示发生较大的改变，从而造成信号类属容易因噪声等条件的干扰而判别错误，且其所提取的信息不具备多尺度特征，这对于优质储层识别问题是非常不利的。

以上技术存在如下缺点：

(1)基于测井数据的优质储层预测方法通常存在测井数据不足及易受测井技术影响的问题，因此需要使用合适的反演方法从地震数据中提取需要的测井数据，这一过程也会引入一定的误差。

(2)基于地震数据的优质储层预测方法在使用传统的时频变换方法进行特征信息提取时，提取到的特征信息往往不具备局部形变稳定性与多尺度特征，当原信号存在翘曲或者时移时会造成所提取到的特征信息发生较大改变，从而容易造成信号类属判别错误。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于散射变换和神经网络的优质储层方法、装置、设备及存储介质，该方法利用散射变换逐级从地震信号中提取具有局部形变稳定性、平移不变性以及多尺度特征的属性信息，然后利用一维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，从而实现基于地震数据识别优质储层。

为了达到上述目的，本发明采用以下技术方案予以实现：