一种基于深度学习的井震联合初始岩性模型构建方法技术

本发明专利技术公开一种基于深度学习的井震联合初始岩性模型构建方法，应用于三维地质建模领域，针对现有技术中存在的测井数据由于滤波导致频率太低，损失了很多高频有效信息，插值过程中地震数据无法有效控制的问题；本发明专利技术利用卷积神经网络提取数据中包含的长短周期即高低频率的特征，对不同的特征采用长短时间记忆网络进行分类学习，进而准确地学习地震数据和测井数据之间的关系，达到岩石属性的准确预测，从而进行岩性初始模型的构建，为岩性参数的反演提供基础，从而指导油气的勘探开发和油气藏储层描述。

【技术实现步骤摘要】
一种基于深度学习的井震联合初始岩性模型构建方法
本专利技术属于三维地质建模领域，特别涉及一种初始岩性模型构建技术。
技术介绍
三维地质建模是近年来从油气藏储层研究中兴起的一门新技术，是由计算机科学、数学、地质学、地球物理学等多种学科与技术交汇融合的产物。自20世纪90年代该技术提出以来，三维地质建模技术已经被广泛应用于油气勘探开发、矿产开采、水文地质等诸多领域，并且取得了良好的应用效果。目前，在油气勘探开发过程中，主要是通过现有的地质、地球物理、钻探等资料，借助相关的算法，来构建初始岩性模型，为后续反演提供初始模型，从而揭示地下介质的地质构造和相关岩性。由于现有勘探手段的局限性，目前并不能直接识别出油气藏的位置与储量的大小，因此需要建地下地层的岩石属性模型，进而用于推断油气可能富集的区块，并推断油气储量的大小。岩性建模的基础模型一般为地震属性模型，包括纵横波速度模型、纵横波阻抗模型和密度模型等。在20世纪60年代，Mathern系统的总结了Krige等人的研究成果，提出了区域化变量理论，开创了地质统计学。随着油藏描述技术兴起，进入到20本文档来自技高网...

【技术保护点】
1.一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，包括：/nS1、井震标定，对测井数据和地震数据进行重采样，使其采样频率相同，并且处于同一目标层段；/nS2、提取地震数据长短周期特征，利用卷积神经网络对地震数据进行高低频率特征提取；/nS3、对特征进行特征选择，针对卷积神经网络学习的不同频率特征，采用多个LSTM网络对不同频率的特征进行学习；/nS4、序列特征融合，对于不同类别的序列特征，采用一层LSTM进行融合然后输出预测序列；/nS5、采用真实测井序列与预测序列的均方误差作为损失函数进行网络反向传播，进而训练网络，更新网络参数，直到网络的损失函数收敛；得到训练完成的网络模型。...

【技术特征摘要】
1.一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，包括：
S1、井震标定，对测井数据和地震数据进行重采样，使其采样频率相同，并且处于同一目标层段；
S2、提取地震数据长短周期特征，利用卷积神经网络对地震数据进行高低频率特征提取；
S3、对特征进行特征选择，针对卷积神经网络学习的不同频率特征，采用多个LSTM网络对不同频率的特征进行学习；
S4、序列特征融合，对于不同类别的序列特征，采用一层LSTM进行融合然后输出预测序列；
S5、采用真实测井序列与预测序列的均方误差作为损失函数进行网络反向传播，进而训练网络，更新网络参数，直到网络的损失函数收敛；得到训练完成的网络模型。


2.根据权利要求1所述的一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，步骤S2提取的特征具体为：地震数据中包含长短周期变化规律的特征。


3.根据权利要求1所述的一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，步骤S3通过对步骤S2提取的特征进行选择，然后对每一类别的特征采用一个LSTM网络进行学习。


4.根据权利要求1所述的一种基于...

【专利技术属性】
技术研发人员：陈豪，鲁才，罗艳阳，亓康富，唐元培，胡光岷，梁兼栋，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51