基于深度学习利用地震数据进行流体预测的方法及装置制造方法及图纸

技术编号:23603537 阅读:35 留言:0更新日期:2020-03-28 04:57
本发明专利技术公开了一种基于深度学习利用地震数据进行流体预测的方法,其能够终输出油气特征的概率分布,提高预测油气空间分布的准确性,为井位部署提供重要支撑。该方法包括:输入指定区块范围内所有地震数据,并进行预处理;利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合;利用第二套深度学习网络对大量地震数据的线性特征进行分类,以建立第一流体特征模型;利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正,以获得第二流体特征模型;通过第二流体特征模型和激活函数,对待预测区块内的地震数据进行矩阵集合计算,获得待预测区块内的流体特征的概率分布数据。

Method and device of fluid prediction based on deep learning using seismic data

【技术实现步骤摘要】
基于深度学习利用地震数据进行流体预测的方法及装置
本专利技术涉及地震数据处理与流体预测
,尤其涉及一种基于深度学习利用地震数据进行流体预测的方法及装置。
技术介绍
油气勘探开发目标大多受构造、岩性等多种地质因素影响。利用钻井、测井、地质等资料可以较准确地获得井孔附近小范围内某一层段的含油气信息,但难以描述井间和其他区域的储层、油气情况。而地震数据资料包含十分丰富的储层物性信息,在横向上具有较好的连续性,因此地震勘探技术是储层及油气藏横向预测的有效手段。在地震油气勘探中,总是希望能直接利用地震资料发现油气所在的位置,并为此产生了以油气检测为目的的若干特殊处理与解释技术。地震数据属性分析技术,是对地震数据进行多种信号变换,从中找出隐含的岩性、含油气性、物性信息,为含油气储层预测提供技术支持。地震的属性主要包含地震的振幅、频率、相位、分频以及相干这五种基本属性,这些属性主要反应的是反射系数的界面,主要受储层和围岩的影响,如含波阻抗,速度和密度等这样的岩性参数主要是通过反演得到的地震属性,这些参数的特点能够反应出储层的岩性和流体特征,能够和测井的结果进行直接的对比。一般来说,可以利用地震多种属性来进行流体预测,根据采用不同的地震属性对应了有不同流体预测方法,例如:低频频率共振LFR方法、子波分解方法、物相体含气预测方法、振幅随炮检距变化AVO流体预测方法等。但是在地震勘探中,由于炸药产生的地震波并不是一个标准的地震信号,又由于地层的非均匀性,检波器接收到信号受多方面因素影响,需要将所有的干扰去除而不丧失有效信号是非常困难的,在处理过程中由于处理环节多,地震波速度难以准确得到,造成处理结果的多解性。这就造成在利用地震属性进行流体预测的过程中,存在两个问题,一是信号源是非理想规则信号,导致预测准确性较低,二是解释存在多解性,这使得流体预测的应用存在较大的局限性。
技术实现思路
本专利技术的目的之一至少在于,针对如何克服上述现有技术存在的问题,提供一种基于深度学习利用地震数据进行流体预测的方法及装置,能够终输出油气特征的概率分布,提高预测油气空间分布的准确性,为井位部署提供重要支撑。为了实现上述目的,本专利技术采用的技术方案包括以下各方面。一种基于深度学习利用地震数据进行流体预测的方法,其包括:输入指定区块范围内所有地震数据,并进行预处理以符合第一套深度学习网络要求;利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合,以提取地震数据的线性特征;利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类,以建立第一流体特征模型;利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正,以获得第二流体特征模型;通过第二流体特征模型和激活函数,对待预测区块内的地震数据进行矩阵集合计算,获得待预测区块内的流体特征的概率分布数据。优选的,所述预处理包括对地震数据进行去噪处理以凸显出有效信号,以及对去噪之后的地震数据进行级别量化处理。优选的,所述利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合包括:首先通过卷积神经网络CNN将地震数据进行维度变换和卷积处理,然后通过循环神经网络RNN中的长短期记忆LSTM网络进行全局的线性特征寻优。优选的,所述第二套深度学习网络采用双向的门控循环单元GRU神经网络。优选的,所述迭代和校正重复进行多次,以获得多个相应的第二流体特征模型。优选的,所述校正采用基于残差回馈校正的方法进行。优选的,所述方法进一步包括:采用前向和后向差分寻优,根据误差收敛曲线来选取误差最小且最稳定的第二流体特征模型。优选的,所述第一套深度学习网络和第二套深度学习网络基于卷积神经网络框架Caffe来构建,并采用Python编程语言来进行网络控制。优选的,所述地震数据采用叠前地震数据或者叠后地震数据。一种基于深度学习利用地震数据进行流体预测的装置,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行任一前述方法。综上所述,由于采用了上述技术方案,本专利技术至少具有以下有益效果:1、通过指定区域层系地震数据的训练,可以得出相应的流体预测模型,可以基于以往该地区的油气分布规律,预测出未探明区域的油气分布;2、通过深度学习网络,可以将地震数据特征抽象出来,在几万种特征中找出最合适的一种特征进行流体预测;3、深度学习方法可以提高流体预测的准确度,为井位部署提供重要支撑。附图说明图1是根据本专利技术示例性实施例的基于深度学习利用地震数据进行流体预测的方法的流程图。图2是根据本专利技术示例性实施例的方法中进行迭代和校正过程的误差收敛曲线。图3是根据本专利技术示例性实施例的基于深度学习利用地震数据进行流体预测的装置结构示意图。具体实施方式下面结合附图及实施例,对本专利技术进行进一步详细说明,以使本专利技术的目的、技术方案及优点更加清楚明白。应当理解,此处所描述的具体实施例仅用以解释本专利技术,并不用于限定本专利技术。本专利技术各具体实施方式所提供的示例性的基于深度学习利用地震数据进行流体预测的方法及装置,通过对目标层的地震数据进行学习,能够从油气储层中的几万种表征特性找到不同,因此不同于以往从单独的某种方法和某种特征的角度来进行游离气识别,是一种非线性的求解方法。其中,深度学习网络主要采用两套循环卷积网络连接而成,第一套网络主要提取地震数据的特征进行拟合,第二套网络主要对于特征进行进一步学习和分类,对目的层数据进行非线性的寻优和拟合,通过流体特征建立模型。再利用学习生成的地震数据流体特征模型,针对新的地震数据进行矩阵集合的计算,最终输出油气特征的概率分布,从而准确预测油气的空间分布。图1示出了根据本专利技术示例性实施例的基于深度学习利用地震数据进行流体预测的方法。该实施例的方法主要包括以下步骤:步骤101:输入指定区块范围内所有地震数据,并进行预处理以符合第一套深度学习网络要求例如,可以根据第一套深度学习网络的数据格式和数据长度要求,对输入的地震数据进行格式转换以及分割处理。其中,地震数据可以采用叠前或者叠后地震数据(即叠加之前或叠加之后进行偏移归位处理的地震数据)。并且,预处理还可以进一步包括对地震数据进行去噪处理以凸显出有效信号,以及对去噪之后的地震数据进行级别量化处理leveling。步骤102:利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合,以提取地震数据的线性特征具体地,可以首先通过卷积神经网络CNN将地震数据进行维度变换和卷积处理,然后通过循环神经网络RNN中的长短期记忆LSTM网络进行全局的线性特征寻优,从而提取出震数据的线性特征。但是,不同于现有的特征提取方式,本专利技术采用LSTM网络从油气储层中的几万种表征特本文档来自技高网
...

【技术保护点】
1.一种基于深度学习利用地震数据进行流体预测的方法,其特征在于,所述方法包括:/n输入指定区块范围内所有地震数据,并进行预处理以符合第一套深度学习网络要求;利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合,以提取地震数据的线性特征;/n利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类,以建立第一流体特征模型;/n利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正,以获得第二流体特征模型;/n通过第二流体特征模型和激活函数,对待预测区块内的地震数据进行矩阵集合计算,获得待预测区块内的流体特征的概率分布数据。/n

【技术特征摘要】
1.一种基于深度学习利用地震数据进行流体预测的方法,其特征在于,所述方法包括:
输入指定区块范围内所有地震数据,并进行预处理以符合第一套深度学习网络要求;利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合,以提取地震数据的线性特征;
利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类,以建立第一流体特征模型;
利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正,以获得第二流体特征模型;
通过第二流体特征模型和激活函数,对待预测区块内的地震数据进行矩阵集合计算,获得待预测区块内的流体特征的概率分布数据。


2.根据权利要求1所述的方法,其特征在于,所述预处理包括对地震数据进行去噪处理以凸显出有效信号,以及对去噪之后的地震数据进行级别量化处理。


3.根据权利要求1所述的方法,其特征在于,所述利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合包括:
首先通过卷积神经网络CNN将地震数据进行维度变换和卷积处理,然后通过循环神经网络RNN中的长短期记忆LSTM网络进行全局的线性特征寻优。


4.根据权利要求1所述的方法,其特征在...

【专利技术属性】
技术研发人员:喻勤李书兵徐天吉张虹唐建明马昭军王斌
申请(专利权)人:中国石油化工股份有限公司中国石油化工股份有限公司西南油气分公司
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1