[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。