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，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：