基于深度网络与AVO分析相结合的叠前含气性预测方法技术

本发明专利技术涉及石油地球物理勘探领域，具体涉及一种基于深度网络与AVO分析相结合的叠前含气性预测方法，包括步骤S1，利用测井、地质和合成地震记录资料准确标定待预测目标层；S2，获取待预测叠前数据；S3，将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络，所述DNN神经网络输出预测结果为含气或不含气；所述DNN神经网络预先经过训练；训练DNN神经网络的步骤包括：S31，获取训练样本集，每条训练样本包含振幅随偏移距的变化特征和相应的标签，所述标签为含气或不含气；S32，将所述训练样本集输入所述DNN神经网络进行训练，当预测准确率达到预设阈值时，所述DNN神经网络训练完成。通过数据作为结果的驱动，减少了误差，提高预测准确度。提高预测准确度。提高预测准确度。

【技术实现步骤摘要】
基于深度网络与AVO分析相结合的叠前含气性预测方法


[0001]本专利技术涉及石油地球物理勘探领域，具体涉及一种基于深度网络与AVO分析相结合的叠前含气性预测方法。

技术介绍

[0002]随着勘探深度的加深和难度的加大，油气勘探目标发生了变化，从浅层转移到深层，从常规油气田到非常规油气田。直接从地震数据得到含气性是油气勘探领域一直研究的重点。以叠前和叠后数据为基础发展了许许多多的方法，因其叠前数据相对于叠后数据具有更多的信息如偏移距、方位角等，所以油气检测方法越来越趋向于叠前数据。在叠前数据的基础上发展了许许多多的油气检测方法，其中AVO分析从20世纪80年代提出以来一直占据着举足轻重的作用。Muskat和Meres(1940)指出当深度一定的时候，入射角和炮检距成正比关系为AVO含气性检测奠定了良好的理论基础，Shuey(1985)引入角度变量，给定了随角度变化的反射系数方程式，这个方程式明确了AVO异常与入射角之间的关系，将AVO特征识别从定性的阶段引入定量的阶段，给AVO含气性识别带来了一场革命性的改变，这也是目前运用最为广泛的近似方法，Batzle et al.(2006)在实验室模拟获得了速度与频率的定量关系，随后Wilson et al.(2009)推导建立了频散AVO流体识别算子，推进了AVO含气性预测的进程。但是不论从分频还是反演的角度出发都存在一定的累积误差，如分频方法对结果的影响等，预测准确度较低，直接建立地震数据与含气性之间的关系一直是研究的难点以及重点。
[0003]人工智能为许许多多的油气勘探问题提供了新的思路和方法，深度学习通过逐层组合低层特征形成更加抽象的高层属性类别或特征表征，因此能深度挖据数据的本质信息，在识别、分类等问题中显示出了其独有的优势和特点。目前深度学习在地震勘探中的主要应用有断层识别、初至拾取、噪声压制、速度模型构建等，均有着良好的效果。在含气性预测中，宋建国等(2016)等运用随机森林网络回归法对地震储层进行了预测，效果较好。Holdaway et al.(2016)通过将地震图像进行分块处理，结合监督与无监督学习的各自特点成功的运用到三维地震数据的碳氢化物识别中。总体来讲，深度学习目前在油气地震勘探领域的应用主要还是替换已有算法(如用卷积神经网络替换相干分析等)、替换人力，解决表观可以判别正误的问题(如对断层的识别的是否正确，直观就可以判断)，而在解决表观无法判识正误的问题方面，如从地震记录数据区分含气层与非气层响应的问题，运用较少。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中AVO含气性预测不论从分频还是反演的角度出发都存在一定的累积误差、预测准确度较低的问题，通过引入深度学习DNN算法搭建振幅随偏移距的特征与含气性之间的非线性映射关系，提供一种基于深度网络与AVO分析相结合的叠前含气性预测方法。
[0005]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0006]一种基于深度网络与AVO分析相结合的叠前含气性预测方法，包括以下步骤：
[0007]S1，利用测井、地质和合成地震记录资料准确标定待预测目标层；
[0008]S2，获取待预测叠前数据；
[0009]S3，将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络，所述DNN神经网络输出预测结果为含气或不含气；所述DNN神经网络预先经过训练。
[0010]进一步的，步骤S3中训练所述DNN神经网络的步骤包括：
[0011]S31，获取训练样本集，每条训练样本包含振幅随偏移距的变化特征和相应的标签，所述标签为含气或不含气；
[0012]S32，获取待训练的DNN神经网络的初始模型参数，其中初始模型参数包括网络深度，激活函数，以及初始训练数据；
[0013]S33，设置DNN神经网络层数、神经元数、脱落率和学习率的值，设置DNN神经网络的输入和输出；
[0014]S34，输入训练样本；
[0015]S35，DNN神经网络的每一层使用Relu激活函数；在获得DNN神经网络的输出概率值后，使用偏执函数计算预测准确率；
[0016]S36，利用AVO分析中的振幅随偏移距计算斜率和截距参数，对每一层输出进行过滤，再进入下一层计算；
[0017]S37，当预测准确率达到预设阈值时，所述DNN神经网络训练完成。
[0018]进一步的，步骤S31中获取训练样本集之前，先对每条训练样本包含的振幅随偏移距的变化特征与含气性之间的关系进行标定，具体方法为，对含气位置处的振幅变化的标签值设定为1，对不含气处的振幅变化的标签值设定为0。
[0019]优选的，步骤S32中所述预设阈值设置为95％。
[0020]进一步的，步骤S31中所述振幅随偏移距的变化特征，是先利用Marmousi2模型得到地质模型，然后通过Zoeppritz方程或Shuey近似式对所述地质模型进行正演模拟来获取。
[0021]进一步的，所述Zoeppritz方程为：
[0022][0023]其中，θ1代表纵波入射角，θ2代表纵波透射角，代表转换波反射角，代表转换波透射角，V
P1
代表上界面的纵波速度的大小，V
S1
代表上界面的横波速度的大小，ρ1代表上界面的密度的大小；V
P2
代表下界面的纵波速度的大小，V
S2
代表下界面的横波速度的大小，ρ2代
表下界面的密度的大小，R
PP
代表纵波反射系数的大小，R
PS
代表转换横波反射系数的大小，T
PP
代表纵波透射系数的大小，T
PS
代表转换横波透射系数的大小。
[0024]优选的，对正演模拟获取到的振幅随偏移距的变化特征增加信噪比为0.1的随机噪声和扰动。
[0025]进一步的，所述DNN神经网络的损失函数为0
‑
1损失函数，所述0
‑
1损失函数公式如下：
[0026][0027]其中，f(X)为预测值，Y为目标值。
[0028]优选的，所述DNN神经网络的神经元数设置为100，脱落率设置为0.2，层数设置为3，批量大小设置为40，epochs设置为1000，优化器为Adam优化算法，学习率Lr设置为0.0001。
[0029]基于本专利技术相同的构思，提出了一种基于深度网络与AVO分析相结合的叠前含气性预测装置，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；其中，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上述任一项所述的方法。
[0030]与现有技术相比，本专利技术的有益效果：
[0031]1、利用AVO特征作为样本，含气性直接作为标签。突破传统方法的局限性，直接从数据出发标定储层特征。通过数据作为结果的驱动，而并非是一定的公式和拟合，减少了由于拟合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，包括以下步骤：S1，利用测井、地质和合成地震记录资料准确标定待预测目标层；S2，获取待预测叠前数据；S3，将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络，所述DNN神经网络输出预测结果为含气或不含气；所述DNN神经网络预先经过训练。2.如权利要求1所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S3中训练所述DNN神经网络的步骤包括：S31，获取训练样本集，每条训练样本包含振幅随偏移距的变化特征和相应的标签，所述标签为含气或不含气；S32，获取待训练的DNN神经网络的初始模型参数，其中初始模型参数包括网络深度，激活函数，以及初始训练数据；S33，设置DNN神经网络层数、神经元数、脱落率和学习率的值，设置DNN神经网络的输入和输出；S34，输入训练样本；S35，DNN神经网络的每一层使用Relu激活函数；在获得DNN神经网络的输出概率值后，使用偏执函数计算预测准确率；S36，利用AVO分析中的振幅随偏移距计算斜率和截距参数，对每一层输出进行过滤，再进入下一层计算；S37，当预测准确率达到预设阈值时，所述DNN神经网络训练完成。3.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S31中获取训练样本集之前，先对每条训练样本包含的振幅随偏移距的变化特征与含气性之间的关系进行标定，具体方法为，对含气位置处的振幅变化的标签值设定为1，对不含气处的振幅变化的标签值设定为0。4.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S32中所述预设阈值设置为95％。5.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法，其特征在于，步骤S31中所述振幅随偏移距的变化特征，是先利用Marmousi2模型得到地质模型，然后通过Zoeppritz方程或Shuey近似式对所述地质模型进行正演模拟来获取。6.如权利要求5所述的一种基于深...

【专利技术属性】
技术研发人员：丁蔚楠，赵爽，詹国卫，吕其彪，喻勤，魏艳，马昭军，马如辉，刘兴艳，刘红爱，王鹏，赖未蓉，马增彪，
申请(专利权)人：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：