储层检测方法及装置制造方法及图纸

本发明专利技术实施例提供的一种储层检测方法及装置，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预设参考位置的储层特征；基于所述预设参考位置的储层特征，确定所述目标层位上与所述预设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。

【技术实现步骤摘要】

本专利技术涉及石油地球物理勘探
，具体而言，涉及一种储层检测方法及装置。
技术介绍
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，会造成较大的误差。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种储层检测方法及装置，以解决在复杂勘探环境下，现有技术无法检测其储层特征如含油气性的问题。第一方面，本专利技术实施例提供了一种储层检测方法，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预设参考位置的储层特征；基于所述预设参考位置的储层特征，确定所述目标层位上与所述预设参考位置的高层特征相同的区域的储层特征。第二方面，本专利技术实施例提供了一种储层检测装置，所述装置包括：提取地震数据单元，用于根据标定的目标层位，提取井旁地震道数据；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；获取预设位置储层特征单元，用于获取所述目标层位上的预设参考位置的储层特征；确定目标层位储层特征单元，用于基于所述预设参考位置的储层特征，确定所述目标层位上与所述预设参考位置的高层特征相同的区域的储层特征；本专利技术实施例提供的一种储层检测方法及装置，通过目标层位提取的井旁地震道数据和深度学习方法，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。本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。通过附图所示，本专利技术的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本专利技术的主旨。图1为一种可应用于本本专利技术实施例中的电子设备的结构框图；图2为本专利技术第一实施例提供的储层检测方法的流程图；图3为本专利技术第一实施例提供的井旁地震道数据提取示意图；图4为本专利技术第一实施例提供的储层检测深度学习模型流程图；图5为本专利技术第一实施例提供的储层检测深度学习模型的高层基函数的示意图；图6为本专利技术第一实施例提供的W1井、W2井及W3井的连井剖面图；图7为本专利技术第一实施例提供的储层检测方法的高层特征1的示意图；图8为本专利技术第一实施例提供的储层检测方法的高层特征2的示意图；图9为本专利技术第二实施例提供的储层检测方法的流程图；图10为本专利技术第三实施例提供的储层检测装置的结构框图；图11为本专利技术第四实施例提供的储层检测装置的结构框图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。请参阅图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。该电子设备100可以作为用户终端、计算机或服务器，如图1所示，电子设备100可以包括存储器110、存储控制器111、处理器112和储层检测装置。存储器110、存储控制器111、处理器112、储层检测装置各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。所述储层检测方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器110中的软件功能模块，例如所述储层检测装置包括的软件功能模块或计算机程序。存储器110可以存储各种软件程序以及模块，如本申请实施例提供的储层检测方法及装置对应的程序指令/模块。处理器112通过运行存储在存储器110中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的储层检测方法。存储器110可以包括但不限于随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。处理器112可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。第一实施例请参阅图2，本专利技术实施例提供了一种储层检测方法，本实施例描述的是针对于已获取的井旁地震道数据的处理流程，所述方法包括：步骤S210：根据标定的目标层位，获取与所述目标层位对应的井旁地道数据；步骤S220：基于所述井旁地震道数据，建立储层检测深度学习模型；步骤S230：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本文档来自技高网...

【技术保护点】
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，获得所述目标层位学习的高层特征；获取所述目标层位上的预设参考位置的储层特征；基于所述预设参考位置的储层特征，确定所述目标层位上与所述预设参考位置的高层特征相同的区域的储层特征。

【技术特征摘要】
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，获得所述目标层位学习的高层特征；获取所述目标层位上的预设参考位置的储层特征；基于所述预设参考位置的储层特征，确定所述目标层位上与所述预设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：将所述井旁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，所述将所述井旁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：将所述井旁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，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...

【专利技术属性】
技术研发人员：曹俊兴，吴施楷，何晓燕，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川;51