一种基于多属性CNN井震联合反演方法、系统、介质及应用技术方案

本发明专利技术属于地震与测井联合反演技术领域，公开了一种基于多属性CNN井震联合反演方法、系统、介质及应用，利用逐步回归思想对初选的典型属性进行自动优化；优选出最好的属性及其组合；将最佳的属性及其组合作为输入。本发明专利技术采用逐步回归思想对人工初步筛选出的一些典型属性进行自动优化，优选出最好的属性及其组合。然后将最佳的属性及其组合作为输入，以降低多解性。实例应用表明，最好的属性及其组合可以增强输入与输出之间的相关性，将最佳的属性及其组合作为输入，能够降低多解性，更有助于卷积神经网络寻找从输入到输出的反演映射算子，提高泛化能力。

【技术实现步骤摘要】
一种基于多属性CNN井震联合反演方法、系统、介质及应用
本专利技术属于地震与测井联合反演
，尤其涉及一种基于多属性CNN井震联合反演方法、系统、介质及应用。
技术介绍
目前，最接近的现有技术：当代油气藏精细描述对地球物理学提出了更高的要求，地质、测井、地震、油藏工程等多学科之间的相互渗透和有机融合已经成为必然。地球物理参数(如速度和密度)是研究油气藏内部结构和储层流体特征的重要信息，这些信息既可以通过测井直接测量获得，也可以通过地震反演间接得到。测井数据的特点是纵向分辨率高、横向稀疏；地震数据的特点是纵向分辨率低、横向密集。地震与测井联合反演就是将两者的优势结合起，取长补短。然而，传统的地震与测井联合反演方法是模型驱动的，都假设地球物理参数与地球物理响应之间具有先验的确定性映射算子(如褶积算子和波动方程算子)。这些只有在理想条件下才成立的映射算子往往难于满足实际情况，特别是像薄互层、各向异性、多相介质这样的复杂地质情况，而且有些地球物理参数(如孔隙度、渗透率和饱和度)却很难用数学建模的方法建立起地球物理参数与地球物理响应之间的映射关系。近年，随着深度神经网络(DeepNeuralNetworks，DNN)的复兴，在很多科学领域利用数据驱动的方法解反问题已经成为一种趋势。根据通用近似定理，当隐藏层有足够多的神经元时，DNN理论上可以逼近任何连续函数。基于DNN的机器学习通常称为深度学习。由定义可知，卷积神经网络(ConvolutionalNeuralNetworks，CNN)是一种特殊的DNN，具有局部连接和权值共享两大特点。由于在图像处理和语音识别中的重大突破，CNN被广泛关注并成功应用于农业、医学、交通等领域。在地球物理领域，CNN普遍应用于分类，如断层解释、初至拾取、地震相识别、地震道编辑等。CNN通过深度学习可以自动搜索并逐渐逼近从地球物理响应到地球物理参数的映射算子，不需要任何先验的确定性映射算子。也就是说，CNN是纯数据驱动的，而不是模型驱动的。此外，CNN还是完全非线性的。虽然训练时间较长，但是一旦完成学习任务，CNN便可快速输出预测结果，大幅度降低计算成本。于是，有些学者将CNN应用于反演。反演属于监督学习的另一种应用类型，即回归。基于CNN的地震反演通常是以地震数据为输入、待反演参数为输出。例如：将法线入射的合成地震记录作为输入、声阻抗作为输出；把合成的叠前多炮地震道映射为速度模型；先将二维多炮合成地震记录编码成一个特征向量，再把这个特征向量解码成二维速度模型。解决上述技术问题的难度：实际的工作中，高昂成本使得输入的测井数据十分有限，拟合非线性映射关系时，模型的泛化能力将变差，反演结果的多解性变强；利用地震原始信息进行反演，将导致输入与输出之间的相关性较差，难以获得良好的识别效果。解决上述技术问题的意义：实现测井资料与地震资料的优势互补，有效降低反演结果多解性，获得良好的识别效果，满足社会生产对高精度储层勘探的需求，进一步强化产学研深度融合的技术创新体系建设。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于多属性CNN井震联合反演方法、系统、介质及应用。本专利技术是这样实现的，一种基于多属性CNN井震联合反演方法，所述基于多属性CNN井震联合反演方法包括以下步骤：第一步，利用逐步回归思想对初选的典型属性进行自动优化；第二步，优选出最好的属性及其组合；第三步，将最佳的属性及其组合作为输入。进一步，所述基于多属性CNN井震联合反演方法的地震属性提取包括：(1)频率属性1)全谱平均频率2)全谱均方根频率3)振幅谱主频，是振幅谱极大值所对应的频率；(2)瞬时属性设是原始地震记录x(t)的Hilbert变换，通过复地震道分析技术，得到三瞬属性：1)瞬时振幅2)瞬时相位瞬时相位表示所选样点上各道的相位值，用度或弧度表示；3)瞬时频率瞬时频率定义为瞬时相位对时间的导数，用度/ms或弧度/ms表示；(3)道微分道微分就是将本采样点与前一个采样点的差作为该采样点的属性，道微分的计算公式为：x[i]＝x[i]-x[i-1]；(4)线积分，将时窗内地震波包络线的长度作为一种属性，线积分的计算公式为：S的大小体现了地震剖面上振幅和频率的变化，反映岩相、岩性和衰减的特征；通常较大的S值对应着高水位期的细岩性，而较小的S值对应着低水位期的粗岩性。剥蚀面或断层面通常对应着较高的S值；(5)能量半时，在给定的分析时窗内，计算能量达到1/2时的相对时间位置；能量半时可用来测定时窗内能量累积的速度，指示岩相和岩性的变化。具体公式为T＝100·P/N，其中P由式得到：式中，从能量半时剖面指示岩相和岩性的变化；(6)均方根振幅比，利用5点式多道空间组合模式和滑动时窗的方法，按式分别计算相邻时窗内的均方根振幅值，再求比值，形成均方根振幅比的属性体；均方根振幅比的沿层切片反映了特定时窗内地震波振幅的平均变化水平，其数值大小与储层性质、岩石成分有关，还反映地层的平均吸收特性；(7)视极性为实际地震道在反射强度波峰处的极性；视极性等于反射强度与sign之积，sign为反射系数的正负符号；提取了视极性、瞬时振幅、瞬时频率、瞬时相位、平均频率、优势频率、导数、积分、时间、X坐标和Y坐标11个典型属性。进一步，所述基于多属性CNN井震联合反演方法采用逐步回归思想对提取的11个典型属性进行自动优化，具体方法包括：第一步，找到最好的单属性，将提取的11个属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的单属性，命名为A1；第二步，找到最好的双属性，将属性A1与剩下的10个属性分别组合成的双属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的双属性，命名为A2；第三步，找到最好的三属性，将属性A1、A2与剩下的9个属性分别组合成的三属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的三属性，命名为A3。本专利技术的另一目的在于提供一种实施所述基于多属性CNN井震联合反演方法的基于多属性CNN井震联合反演系统，所述基于多属性CNN井震联合反演系统含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层；3种卷积核，卷积核的规模分别为5×1、15×1和25×1；第一卷积层与输入层之间的连接为局部连接、第二卷积层与第一卷积层之间的连接也为局部连接、输出层与第二卷积层之间的连接为全部连接；卷积层之间的局部连接采用Toeplitz连接。本专利技术的另一目的在于提供一种所述基于多属性CNN井震联合反演方法在地震与测井联合反演中的应用。综上所述，本专利技术的优点及积极效果为：地震属性(SeismicAttribute)是通过一系列分析手段或计算方本文档来自技高网...

【技术保护点】
1.一种基于多属性CNN井震联合反演方法，其特征在于，所述基于多属性CNN井震联合反演方法包括以下步骤：/n第一步，利用逐步回归思想对初选的典型属性进行自动优化；/n第二步，优选出最好的属性及其组合；/n第三步，将最佳的属性及其组合作为输入。/n

【技术特征摘要】
1.一种基于多属性CNN井震联合反演方法，其特征在于，所述基于多属性CNN井震联合反演方法包括以下步骤：
第一步，利用逐步回归思想对初选的典型属性进行自动优化；
第二步，优选出最好的属性及其组合；
第三步，将最佳的属性及其组合作为输入。


2.如权利要求1所述的基于多属性CNN井震联合反演方法，其特征在于，所述基于多属性CNN井震联合反演方法的地震属性提取包括：
(1)频率属性
1)全谱平均频率



2)全谱均方根频率



3)振幅谱主频，是振幅谱极大值所对应的频率；
(2)瞬时属性
设是原始地震记录x(t)的Hilbert变换，通过复地震道分析技术，得到三瞬属性：
1)瞬时振幅



2)瞬时相位



瞬时相位表示所选样点上各道的相位值，用度或弧度表示；
3)瞬时频率



瞬时频率定义为瞬时相位对时间的导数，用度/ms或弧度/ms表示；
(3)道微分
道微分就是将本采样点与前一个采样点的差作为该采样点的属性，道微分的计算公式为：
x[i]＝x[i]-x[i-1]；
(4)线积分，将时窗内地震波包络线的长度作为一种属性，线积分的计算公式为：



S的大小体现了地震剖面上振幅和频率的变化，反映岩相、岩性和衰减的特征；通常较大的S值对应着高水位期的细岩性，而较小的S值对应着低水位期的粗岩性；剥蚀面或断层面通常对应着较高的S值；
(5)能量半时，在给定的分析时窗内，计算能量达到1/2时的相对时间位置；能量半时可用来测定时窗内能量累积的速度，指示岩相和岩性的变化，具体公式为T＝100·P/N，其中P由式得到：



式中，
从能量半时剖面指示岩相和岩性的变化；
(6)均方根振幅比，利用5点式多道空间组合模式和滑动时窗的方法，按式分别计算相邻时窗内的均方根振幅值，再求比值，形成均方根振幅比的属性体；



均方根振幅比的沿层切片反映了特定时窗内地震波振幅的平均变化水平，其数值大小与储层性质、岩石成分有关，还反映地层的平均吸收特性；
(7)视极性为实际地震道在反射强度波峰处的极性；视极性等于反射强度与sign之积，sign为反射系数的正负符号；提取了视极性、瞬时振幅、瞬时频率、瞬时相位、平均频率、优势频率、导数、积分、时间、X坐标和Y坐...

【专利技术属性】
技术研发人员：张进，安振芳，王林飞，邢磊，尹燕欣，彭阳阳，高俊杰，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37