CN108629072A - 面向地震油气储层分布的卷积神经网络学习与预测方法 - Google Patents

Abstract

本发明公开了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；然后设计卷积神经网络模型，将优选的几种地震属性作为网络的输入层，提取井位处的地震属性值，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等参数，直到模型训练完成。随后对无井区的数据进行测试，实现由有井区到无井区储层的横向预测。本发明方法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。

Description

面向地震油气储层分布的卷积神经网络学习与预测方法

技术领域

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

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。

发明内容

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。

本发明为了实现上述目的，采用如下技术方案：

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：

s1.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。

本发明具有如下优点：

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。

附图说明

图1为本发明中面向地震油气储层分布的卷积神经网络学习与预测方法的流程图。

具体实施方式

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：

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：

s1.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。

在此，以提取瞬时振幅、瞬时相位、瞬时频率为例进行说明：

首先将地震道f(t)看成是解析信号，也可作为复地震信号F(t)的实部，即：

F(t)＝f(t)+if^*(t) (1)

瞬时振幅公式：

瞬时相位公式如下：

θ(t)＝tan^-1[f^*(t)/f(t)] (3)

瞬时频率公式如下：

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。

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。

本发明中卷积神经网络模型的设计过程如下：

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C1、C2、C3，C4，卷积计算如下式所示：

其中，为l层选择集合区域的卷积和，l为层数；

k表示卷积核，表示所获取的地震属性，表示偏置。

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

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。

卷积后预测结果与输入样本之间计算全局误差E：

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。

为了获得最小的全局误差E，选用累计误差的BP全局算法来对w_jk进行调整。

调整的具体方法见下式：

其中，符号η表示的是神经网络的学习率。

此外，将过程中的误差信号进行以下定义：

上式中：

以及

是对输出层传递函数进行的偏微分计算。

这样，式(9)就可以写成：

然后，依据链定理，上式就变成：

最终，将隐层的各个神经元的权重改进公式为：

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。

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。

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。

Claims (1)

1.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：

s1.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。