CN106886043A - 基于地震数据深度学习的储层检测方法 - Google Patents

Abstract

本发明实施例提供的一种储层检测方法，属于石油地球物理勘探技术领域，所述方法包括：根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据；基于所述井旁地震道数据，建立储层检测深度学习模型；基于所述储层检测深度学习模型及所述目标层位，获得所述目标层位的高层特征；获取所述目标层位上的指定参考位置的储层特征；基于所述参考位置的储层特征，确定所述目标层位上与所述参考位置的高层特征相同的区域的储层特征。本方法通过建立储层特征检测深度学习模型提取储层弱地震响应特征，能够更简单高效地确定储层特征，提高地震勘探数据的储层如油气、烃类检测精度。

Description

基于地震数据深度学习的储层检测方法

技术领域

本发明涉及石油地球物理勘探技术领域，尤其涉及一种基于深度学习的储层检测方法。

背景技术

地球物理勘探的目标日渐深部化、微小化，勘探环境更趋复杂化，一些在浅层条件下效用显著的含气性检测方法技术，如“亮点”技术、AVO效应、高频阴影等无法满足勘探要求。储层的含油气性预测其本质是岩石孔隙流体属性与饱和度的判识与评价，储层孔隙流体的体积与质量只占储集层岩石的极小一部分，并且是填充在固态岩石骨架的孔隙中，地震响应非常微弱。地震记录如果对岩石孔隙流体变化有响应，只可能反映在地震事件的细结构中。描述地震波传播的波动方程是在一定假设条件下(如完全弹性介质等)获得的近似方程，能很好地表征波动的“主相”，但未必能反映孔隙流体响应的“微相”。因此，基于波动方程的油气检测缺乏严格的数理基础。地震记录是实际地质介质响应的客观反映，不存在任何近似。如果岩石孔隙流体地震响应的幅度可观测，那么它一定存在于地震记录中。问题的关键就转换成了如何鉴识地震记录上的孔隙流体“响应”。深度学习是大数据时代下发展起来的自动特征提取方法，已经成功应用于语音识别、人脸检测、目标追踪、语义解析等。但目前深度学习还很少应用到地震勘探领域。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于地震数据深度学习的储层检测方法。深度学习是大数据时代下发展起来的自动特征提取方法，表现为层级特征提取；低层特征属于局部性特征，高层特征是低层特征的非线性组合，属于抽象的结构性特征，高层特征更具有区分性及类别指示性。本发明创新性地引入深度学习特征提取方法提取储层弱地震响应特征，能够更简单高效地确定储层特征，提高地震勘探数据的烃类检测精度。

本发明的目的通过以下的技术方案来实现：

基于地震数据深度学习储层检测方法，包括以下步骤：

利用测井、录井和合成地震记录标定目的层；

沿目标层位指定时窗宽度提取地震数据作为深度学习预训练模型的训练数据，其中单个训练数据样本为每道周围道指定时窗数据连接形成，时窗移动距离一般取小于等于时窗长度；

利用限制玻尔兹曼机(RBM)或连续限制玻尔兹曼机(CRBM)预训练深度学习模型参数；

通过实验选择最优模型深度、模型每层神经元节点数、神经元激活函数及稀疏限制；

沿目标层位指定时窗宽度提取井旁道地震数据作为深度学习微调模型的训练数据，微调模型的类别包括气和水；

利用批量随机梯度下降算法微调深度学习模型参数；

计算深度学习模型每层基，提取目标层地震响应值，利用该样本与基相关性确定深度学习目标特征,这类特征能够反映地震信号的微弱变化，加强油气地震响应特征，加强储层与非储层的区别。

按训练数据提取方法提取过井或连井地震数据，将过井或连井地震数据输入到训练好的深度学习模型得到目标特征。根据井资料确定不同岩性、流体引起的地震深度学习特征的差异，再将不同的岩性、流体引起的不同的地震深度学习特征外推到无井区域，进而进行岩性、烃类检测。

深度学习高层非线性特征的计算可适用于二维及三维数据，计算方式灵活多样，可以根据实际需求计算时间切片、沿层切片等。

附图说明

为了更清楚说明本发明实施例或现有技术中的技术方案，以下将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，以下描述中的附图仅仅是本发明的一些实施例。

图1是基于地震数据深度学习储层检测方法流程图；

图2是数据提取示意图；

图3是深度学习得到的高层基；

图4是W1井、W2井、W3井三井连井剖面；

图5是利用本发明的实施例的方案得到的目标层位处的高层特征1；

图6是利用本发明的实施例的方案得到的目标层位下10ms处的高层特征1；

图7是利用本发明的实施例的方案得到的目标层位处至10ms高层特征1聚类；

图8是利用本发明的实施例的方案得到的W1井、W2井、W3井的连井高层特征1剖面；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施例及附图对本发明作进一步详细的描述；

如图1所示，为基于地震数据深度学习储层检测方法流程，所述方法包括如下步骤：

步骤10利用测井、录井和合成地震记录准确标定目的层；

步骤20沿目标层指定时窗宽度提取井旁道地震数据作为深度学习模型训练数据，提取方式见图2；

图2中以某一点作为原点，由相邻9道作为一个整体，每道开取时窗为20ms,按2ms的采样间隔，一个训练样本为90采样点。空间滑动距离为1个间隔，时窗移动距离一般取小于等于时窗长度，直到空间区域边界及时间区域边界。上述原点相邻道数、滑动距离、时窗移动距离、空间区域边界、时间区域边界可按实际情况选定；

步骤30是利用训练数据训练深度学习模型，具体分为两部分：深度学习模型预训练、深度学习模型微调。深度学习模型预训练阶段可采用限制玻尔兹曼机或连续限制玻尔兹曼机预训练参数，最后堆叠构成深度置信网络(Deep Belief Networks)；

限制玻尔兹曼机根植于统计力学，能量函数是描述整个***状态的测度，***有序或概率分布越集中，整个***的能量就越小。训练RBM参数主要是使下面的能量函数最小，假设RBM包含n个输入层单元和m个隐层单元，用向量v和h别表示可视层单元的及隐层单元

的状态那么RBM的能量函数定义如下(单个样本)：

θ＝{w_ij,a_i,b_j}是RBM的参数。其中，w_ij是可视单元i与隐单元j之间的连接权重，a_i表示可视层单元i的偏置，b_j表示隐层单元j的偏置。利用Hinton提出的对比散度算法可得到权值的更新，

其中，

Hinton指出当使用训练数据初始化v⁽⁰⁾时，我们仅需要采样k步就可以得到足够好的近似，也就是说，Gibbs采样k步后，RBM生成模型将越来越接近原始数据的分布；

为了模拟连续数据，CRBM在可视层sigmoid函数中加入一个方差为σ²、均值为0的高斯单元，常数σ和N_j(0,1)共同产生了高斯输入分量n_j＝σN_j(0,1)，其概率分布为

因此，隐藏层状态h_j由可视层状态v_i表示为

其中，函数的表达式如下：

θ_L和θ_H分别为sigmoid函数的下渐近线和上渐近线，参数a_j是控制sigmoid函数斜率的变量，当a_j由小变大时，单元就可以从无噪声的确定性状态到二进制随机状态平滑过渡；

如果a_j在噪音范围内使sigmoid函数变为线性，那么h_j将会服从均值为方差为σ²的高斯分布。权值更新公式为

稀疏RBM的目标函数如下

深度学习微调，假设有样本集{(x⁽¹⁾,y⁽¹⁾),...(x^(m),y^(m))}，共m个样本，x指输入向量，y是目标向量，使用批量随机梯度下降求解展开后的多层神经网络。整个数据集上的代价函数为：

L代表整个神经网络的层深，包括输入层、隐藏层、输出层。N_l表示第l层的神经元个数，N_l+1表示l+1的神经元个数；

储层检测深度学习模型建立后，只取储层检测深度学习模型的编码层部分用于提取特征。指定区域数据提取过程：先确定层位，然后提取出层位数据，确定目标区域，将目标区域数据拉成一维向量输入训练好的深度学习模型；

步骤40是深度学习特征选择，深度学习模型中每层神经元激活值可作为原始数据的新的特征表达，并不是所有的特征都适合于描述储层特征；

按照深度学习理论，低层特征检测原始数据的局部信息，高层特征是低层特征的组合，是原始数据的抽象表示，高层特征对原始数据的突发变化有更强的鲁棒性；

为了确定适合于描述储层特征的高层深度学习特征，需要计算深度学习模型每层基，第一层基是深度学习模型第一层的权值，后面各层的基是第一层到该层权值的累乘；

提取目标地震响应值，利用该样本与基相关性确定深度学习目标特征。具体任务中，一般选取一定范围的相关系数，按特征区分度确定最终目标特征。

图3是目标样本以及与该目标样本相关系数为0.9007的高层基。同时，高层基函数更为平滑，对原始数据的突发变化有更强的鲁棒性。

步骤50是利用优选的特征确定目标层位的储层特征。图4是W1井、W2井、W3井三口井的连井剖面，红色椭圆标记的是目标层位处，其中W1井含水，W2井含气，W3井含气量少。从连井剖面上看出含水层与含气层处地震记录(椭圆位置)表现差异微小，几乎无法区别，因而需要根据本发明的方案进一步处理。

图5和图6分别是图3中高层基对应的高层神经元激活值，即新特征表达。在图5和图6的实施例中，横坐标是连井CDP，纵坐标是深度学习高层特征值。如图所示，含水层和含气层的深度学习特征差异明显，能够较易区别出含水层和含气层，说明含水层和含气层之间的地质参数的微小区别能够从深度学习高层特征反映出来。

图7是图3中高层基对应的高层神经元激活值在目标层位处至10ms的聚类，能够看出W1井、W2井、W3井属于不同类别，W2与W3更接近。而且在空间位置上类别分布较连续。

图8是图3中高层基对应的高层神经元激活值在W1井、W2井、W3井的连井剖面，能较好识别出水和气，并且可以将其他无关信息弱化。

实际应用表明：本发明中采用的深度学习高层特征对地震信号的特征的敏感度很高，能够区分出不同岩性、流体等引起的地震信号微弱变化，适合进行岩性、油气储层等检测。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种储层检测方法，其特征在于，所述方法包括：

根据标定的目标层位，获取与所述目标层位对应的地震道数据，基于所述地震道数据，建立储层检测深度学习无监督预训练模型；

根据测井、录井资料，获取与所述目标层位对应的井旁地震道数据，建立储层检测深度学习监督特征提取模型；

基于所述储层检测深度学习模型及所述目标层位，获得所述目标层位学习的高层特征；

获取所述目标层位上的指定参考位置的储层特征；

基于所述指定参考位置的储层特征，确定所述目标层位上与所述参考位置的高层特征相同的区域的储层特征。

2.根据权利要求1所述的方法，其特征在于，所述基于所述井旁地震道数据，建立储层检测深度学习模型，包括：

将所述目标层位地震道数据作为训练数据，预训练储层检测深度学习模型的配置参数；

基于所述井旁地震道数据及与所述井旁地震道数据对应的目标数据，调整预训练完成的储层检测深度学习模型，从而建立储层检测深度学习模型。

3.根据权利要求2所述的方法，其特征在于，所述将所述目标层位地震道数据作为训练数据，预训练储层检测深度学习模型的配置参数，包括：

将所述目标层位地震数据作为训练数据，利用受限玻尔兹曼机或连续受限玻尔兹曼机，预训练储层检测深度学习模型的配置参数；更新所述配置参数，直到完成包含多层受限玻尔兹曼机或连续受限玻尔兹曼机的储层检测深度学习模型的深度置信网络，其中，所述配置参数包括模型深度、模型每层神经元节点数、神经元激活函数及稀疏目标函数。

4.根据权利要求3所述的方法，其特征在于，所述基于井旁地震道数据及与所述井旁地震道数据对应的目标数据，调整预训练完成的储层检测深度学习模型，从而建立储层检测深度学习模型，包括：

基于所述井旁地震道数据及与所述井旁地震道数据对应的目标数据，基于反向传播算法，利用批量随机梯度下降算法求解所述多层受限玻尔兹曼机或连续受限玻尔兹曼机的储层检测深度学习模型的深度置信网络，调整预训练完成的储层检测深度学习模型参数，直至满足预设条件，从而建立储层检测深度学习模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述储层检测深度学习模型及所述目标层位，获得所述目标层位的高层特征，包括：

计算所述储层检测深度学习模型的每层基，所述每层基包括高层基；

基于所述目标层位与所述高层基的相关系数，确定所述目标层位的高层特征。

6.根据权利要求1所述的方法，其特征在于，所述储层特征包括含水、含气、含气量少、岩性及烃类中至少一种。

7.根据权利要求1所述的方法，其特征在于，所述根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据，包括：

沿标定的目标层位，以预先设定的时窗宽度提取井道旁地震数据。

8.根据权利要求1所述的方法，其特征在于，在根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据步骤之前，所述方法还包括：

利用测井、录井和合成地震记录标定所述目标层位。

9.提取地震数据单元，用于根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据；

建立储层检测深度学习单元，用于将基于所述井旁地震道数据，建立储层检测深度学习模型；

获得高层特征单元，用于基于所述储层检测深度学习模型及所述目标层位，获得所述目标层位的高层特征；

获取指定位置储层特征单元，用于获取所述目标层位上的指定参考位置的储层特征；

确定目标层位储层特征单元，用于基于所述指定参考位置的储层特征，确定所述目标层位上与所述指定参考位置的高层特征相同的区域的储层特征。