ZHANG DONG (CN)
ZHANG KAI (CN)
FU CHAO (CN)
WANG SHOUJIN (CN)
ZHANG JIANBIN (CN)
DING RENWEI (CN)
ZHANG CHONG (CN)
CN108629072A | 2018-10-09 | |||
CN106971230A | 2017-07-21 | |||
CN105700016A | 2016-06-22 | |||
CN106886043A | 2017-06-23 | |||
CN105651966A | 2016-06-08 |
权利要求书 [权利要求 i] 面向地震油气储层分布的卷积神经网络学习与预测方法, 其特征在于 , 包括如下步骤: si.首先以原始地震数据为基础, 提取能够表征油气特征的地震属性 s2.设计卷积神经网络模型, 将优选的振幅、 频率、 相位地震属性作 为网络的输入层, 提取井位处的振幅、 频率、 相位地震属性值; 以井位处的孔隙度、 渗透率、 含油性作为训练样本, 通过 BP神经网 络反向传播不断修改网络结构中的卷积核、 权值 W和偏置 b参数, 直到模型训练完成; s3.随后输入无井区的振幅、 频率、 相位地震属性的数据进行测试, 利用训练完成的模型实现由有井区到无井区储层的横向预测; 在获取多种储层参数后, 结合研究区的地质条件, 对油气储层做出综 合预测。 |
[0001] 本发明涉及一种面向地震油气储层分布的卷积 神经网络学习与预测方法。
背景技术
[0002] 自 Hinton等人于 2006年提出的深度学习概念以来, 深度学习越来越受到人们的 关注。 其中以卷积神经网络为代表的深度学习算法在 语音识别、 图像处理等领 域均取得了良好的应用效果。 在过去的几十年间人工神经网络、 支持向量机等 算法在地震储层预测方面进行了大量研究, 然而神经网络的感受野与权值共享 机制不理想, 训练样本维度没有得到改善, 使得训练效率变低。 由此可见, 现 有技术需要进一步改进。
发明概述
技术问题
问题的解决方案
技术解决方案
[0003] 本发明的目的在于提出一种面向地震油气储层 分布的卷积神经网络学习与预测 方法, 该方法直接在油气敏感的属性体上进行卷积神 经网络深度学习, 能够实 现同区块, 甚至跨区域的未知地震储集体地震信息特征的 横向预测。
[0004] 本发明为了实现上述目的, 采用如下技术方案:
[0005] 面向地震油气储层分布的卷积神经网络学习与 预测方法, 包括如下步骤:
[0006] si.首先以原始地震数据为基础, 提取能够表征油气特征的地震属性;
[0007] s2.设计卷积神经网络模型, 将优选的振幅、 频率、 相位地震属性作为网络的 输入层, 提取井位处的振幅、 频率、 相位地震属性值;
[0008] 以井位处的孔隙度、 渗透率、 含油性作为训练样本, 通过 BP神经网络反向传播 不断修改网络结构中的卷积核、 权值 W和偏置 b参数, 直到模型训练完成;
[0009] s3.随后输入无井区的振幅、 频率、 相位地震属性的数据进行测试, 利用训练 完成的模型实现由有井区到无井区储层的横向 预测; [0010] 在获取多种储层参数后, 结合研究区的地质条件, 对油气储层做出综合预测。 发明的有益效果
有益效果
[0011] 本发明具有如下优点:
[0012] 本发明方法与传统的地震储层预测方法相比, 直接在对油气敏感的属性体上进 行卷积神经网络深度学习, 能够实现同区块, 甚至跨区域的未知地震储集体地 震信息特征的横向预测, 为研究区进一步的地震储层, 甚至油气储层的分布预 测提供科学依据, 降低勘探风险。
对附图的简要说明
附图说明
[0013] 图 1为本发明中面向地震油气储层分布的卷积神 网络学习与预测方法的流程 图。
发明实施例
本发明的实施方式
[0014] 下面结合附图以及具体实施方式对本发明作进 一步详细说明:
[0015] 结合图 1所示, 面向地震油气储层分布的卷积神经网络学习与 预测方法, 包括 如下步骤:
[0016] si.首先以原始地震数据为基础, 提取能够表征油气特征的地震属性。
[0017] 在此, 以提取瞬时振幅、 瞬时相位、 瞬时频率为例进行说明:
[0018] 首先将地震道
/_
看成是解析信号, 也可作为复地震信号
Fffl
的实部, 即: [0019] 瞬时振幅公式:
[0020]
[0021] 瞬时相位公式如下:
[0022]
[0023] 瞬时频率公式如下:
[0024]
[0025] s2.设计卷积神经网络模型, 将优选的振幅、 频率、 相位地震属性作为网络的 输入层, 提取振幅、 频率、 相位井位处的地震属性值。
[0026] 以井位处的孔隙度、 渗透率、 含油性作为训练样本, 通过 BP神经网络反向传播 不断修改网络结构中的卷积核、 权值 W和偏置 b参数, 直到模型训练完成。
[0027] 本发明中卷积神经网络模型的设计过程如下:
[0028] 将网络结构中的卷积核、 权值 W和偏置 b置成 [0, 1]的随机值, 并初始化参数 与学习率, 对输入井位处地震属性与一个可学习的核进行 卷积后加偏置进行输 出, 从而获的能够表征地震油气储层特征的卷积层 Cl、 C2、 C3 , C4, 卷积计算 如下式所示:
[0029]
[0030] 其中, 为
层选择集合区域的卷积和,
为层数;
[0031] fell示卷积核, 表示所获取的地震属性, 表示偏置。
[0032] 通过卷积计算后, 将卷积层进行激活处理, 再此选择 Sigmoid函数进行激活 [0033]
5i.gmoid(K)
(6)
[0034] 通过 Sigmoid函数激活后, 能够凸显表征地震油气储层特征, 压制异常干扰。
[0035] 卷积后预测结果与输入样本之间计算全局误差
[0036] 在通过 BP神经网络进行反向传播, 不断修改卷积核、 权值 W和偏置 b等参数
[0037] 为了获得最小的全局误差 £, 选用累计误差的 BP全局算法来对
进行调整。
[0038] 调整的具体方法见下式 :
[0039]
[0040] 其中, 符号
W 表示的是神经网络的学习率。
[0041] 此外, 将过程中的误差信号进行以下定义:
[0042]
[0043] 上式中: [0044]
do)
[0045] 以及
[0046]
[0047] 是对输出层传递函数进行的偏微分计算。
[0048] 这样, 式 (9) 就可以写成:
[0049]
[0050] 然后, 依据链定理, 上式就变成:
[0051]
[0052] 最终, 将隐层的各个神经元的权重改进公式为:
[0053]
(14^ [0054] 通过多次迭代, 在满足所设计误差允许的范围内, 停止运算, 训练结束。
[0055] s3.随后输入无井区的振幅、 频率、 相位地震属性的数据进行测试, 利用训练 完成的模型实现由有井区到无井区储层的横向 预测;
[0056] 在获取多种储层参数后, 结合研究区的地质条件, 对油气储层做出综合预测。
[0057] 当然, 以上说明仅仅为本发明的较佳实施例, 本发明并不限于列举上述实施例 , 应当说明的是, 任何熟悉本领域的技术人员在本说明书的教导 下, 所做出的 所有等同替代、 明显变形形式, 均落在本说明书的实质范围之内, 理应受到本 发明的保护。