一种储层含气识别的方法、装置及系统制造方法及图纸

本申请实施例公开了一种储层含气识别的方法、装置及系统，所述方法包括获取待测储层的原始地震剖面；将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，提高含气性预测的精确度。

【技术实现步骤摘要】
一种储层含气识别的方法、装置及系统
本专利技术涉及地质勘探
，特别地，涉及一种储层含气识别的方法、装置及系统。
技术介绍
随着油气勘探对象逐渐面向构造复杂、介质复杂、地表复杂、深层的非常规油气藏，勘探难度越来越大，取得的油气勘探“亮点”越来越少，在深层非常规油气藏中寻找油气已经成为现阶段石油工业保持稳产或提高产量的主要研究方向之一，也对保障我国石油工业可持续发展和能源安全具有重要的现实意义。传统的含气性检测技术基于气藏在地震资料上形成的反射特征，通过找“亮点”进行含气性检测，但是，如深层致密砂岩非常规油气藏在地层中同样会形成“亮点”，容易被误判为含气。近年来，有一些通过地震属性来进行含气性检测的技术，如利用地震资料中的频变特性进行含气性检测。但深层非常规油气储层具有较强的非均质性、各向异性，使得储层地质与测井响应及地震预测结果呈现更加复杂的非线性关系，与常规油气预测相比其多解性更强，通过单一的地震属性进行含气性识别效果较差。因此，业内需要一种更加准确的深层非常规油气藏含气性识别技术。
技术实现思路
本申请实施例的目的在于提供一种储层含气识别的方法、装置及系统，可以充分利用原始地震数据蕴含的信息，提高含气性预测的精确度。本申请提供的一种储层含气识别的方法、装置及系统是通过包括以下方式实现的：一种储层含气识别的方法，所述方法包括：获取待测储层的原始地震剖面；将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。本申请实施例的储层含气识别的方法，所述深度学习初始模型包括深度卷积神经网络模型。本申请实施例的储层含气识别的方法，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：对所述原始地震剖面进行预处理；所述预处理包括：对所述原始地震剖面中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述原始地震剖面中的像素点对应的第一时窗，对所述第一时窗进行升维扩展；相应的，将预处理后的原始地震剖面输入预先构建的含气识别模型中进行处理。本申请实施例的储层含气识别的方法，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；所述第一阈值大于第二阈值。本申请实施例的储层含气识别的方法，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：计算所述第一时窗对应的输出数据；计算所述输出数据相对预设的含气结果的误差值，将所述误差值确定为所述含气识别模型的输出结果。本申请实施例的储层含气识别的方法，所述根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果，包括：判断所述误差值是否小于预设阈值，确定所述误差值小于预设阈值的第一时窗的中心像素点含气；整合所述原始地震剖面中所有第一时窗的含气结果获得所述原始地震剖面的含气结果；根据所述原始地震剖面的含气结果确定所述待测储层的含气识别结果。一种储层含气识别的方法，所述方法包括：对待测储层的原始地震剖面进行处理，获取所述原始地震剖面的多种原始含气敏感属性剖面；将所述多种原始含气敏感属性剖面分别输入预先构建的多种敏感属性含气识别模型中进行处理，所述含气识别模型包括：通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练得到；将多种敏感属性含气识别模型的输出结果进行线性叠加，根据叠加结果确定所述待测储层的含气识别结果。另一方面，本申请实施例还提供一种储层含气识别装置，包括：数据获取模块，用于获取待测储层的原始地震剖面；含气识别模块，用于将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；确定含气识别结果模块，用于根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。本申请实施例的一种储层含气识装置，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：获取待测储层的原始地震剖面；将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。另一方面，本申请实施例还提供一种储层含气识别系统，包括上述储层含气识别装置。本说明书一个或多个实施例提供的一种储层含气识别的方法、装置及系统，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本说明书提供的一种储层含气识别的方法实施例的流程示意图；图2为本说明书提供的一个实施例中深度卷积神经网络的结构图；图3为本说明书提供的另一个实施例中原始地震数据的连井剖面图；图4为本说明书提供的另一个实施例中地震数据的瞬时振幅连井剖面图；图5为本说明书提供的另一个实施例中地震数据的瞬时频率连井剖面图；图6为本说明书提供的另一个实施例中地震数据的瞬时相位连井剖面图；图7为本说明书提供的另一个实施例中原始地震数据连井剖面的含气性预测结果示意图；图8为本说明书提供的另一个实施例中地震数据的瞬时振幅连井剖面的含气性预测结果示意图；图9为本说明书提供的一种储层含气识别的装置实施例的模块结构示意图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例方案保护的范围。图1是本说明书提供的所述一种储层含气识别的方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或本文档来自技高网...

【技术保护点】
一种储层含气识别的方法，其特征在于，包括：获取待测储层的原始地震剖面；将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。

【技术特征摘要】
1.一种储层含气识别的方法，其特征在于，包括：获取待测储层的原始地震剖面；将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。2.根据权利要求1所述的储层含气识别的方法，其特征在于，所述深度学习初始模型包括深度卷积神经网络模型。3.根据权利要求2所述的储层含气识别的方法，其特征在于，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：对所述原始地震剖面进行预处理；所述预处理包括：对所述原始地震剖面中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述原始地震剖面中的像素点对应的第一时窗，对所述第一时窗进行升维扩展；相应的，将预处理后的原始地震剖面输入预先构建的含气识别模型中进行处理。4.根据权利要求3所述的储层含气识别的方法，其特征在于，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；所述第一阈值大于第二阈值。5.根据权利要求3所述的储层含气识别的方法，其特征在于，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：计算所述第一时窗对应的输出数据；计算所述输出数据相对预设的含气结果的误差值，将所述误差值确定为所述含气识别模...

【专利技术属性】
技术研发人员：袁三一，王铁一，刘继伟，宋朝辉，刘颖，王尚旭，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：北京,11