一种低幅度构造成图方法、设备及存储设备技术

本发明专利技术公开了一种低幅度构造成图方法、设备及存储设备，方法基于常规时间和深度偏移地震资料，地震偏移速度场、钻井分层数据，结合地震属性分析选取的能反映区域横向速度变化规律的地震属性，以钻井分层深度数据为标签，以井分层对应的时间和深度域地震解释层位网格、沿层地震速度、地震属性为特征属性，建立样本数据集；为弥补勘探开发实践中钻井数量有限，样本数据不足的缺陷，在井点四周临近位置构建虚拟样本点补充样本数据集。然后通过构建深度卷积神经网络模型对样本数据集进行训练，进而将训练好的模型应用到目标区进行深度构造预测及构造成图。本发明专利技术有益效果是：有效地提高低幅度构造成图精度。低幅度构造成图精度。低幅度构造成图精度。

【技术实现步骤摘要】
一种低幅度构造成图方法、设备及存储设备


[0001]本专利技术涉及油气勘探开发领域，尤其涉及一种低幅度构造成图方法、设备及存储设备。

技术介绍

[0002]准确的构造成图是油气勘探开发井位部署、资源量评价、投资决策等的先决条件，是油气勘探开发过程中不可或缺的重要环节。低幅度构造是指构造幅度几米到几十米的一类构造，受地震勘探分辨率的制约，准确落实其构造形态难度较大，当存在较大的横向速度变化时，还会进一步增加构造落实难度。
[0003]目前工业界针对低幅度构造落实难题，主要有两种技术途径，一是井、震资料结合建立精度更高的速度场，开展针对目标区的三维地震资料叠前深度偏移处理得到深度域地震资料，再基于深度域地震资料解释得到深度构造图，该方法费用较高，且受地震偏移速度场精度制约，在实际应用中精度提升空间有限；二是基于常规时间域地震资料，在油田开发阶段通过拟合多井沿层平均速度对时间域地震资料构造解释成果进行时深转换得到深度构造，该方法能一定程度上提高构造成图精度，但对钻井分布要求较高，且井点之外可靠性不高，不能解决横向速度突变导致的构造畸变。本申请提出了一种基于常规井、震资料及深度卷积神经网络算法的低幅度构造成图方法，与常规方法相比能明显提高低幅度构造成图精度。

技术实现思路

[0004]为了解决现有技术针对低幅度构造成图精度不高的难题，本专利技术提供了一种低幅度构造成图方法、设备及存储设备，方法包括以下步骤：
[0005]S1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；
[0006]S2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；
[0007]S3：将样本集中数据进行归一化处理，并分成测试集和训练集；
[0008]S4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层，特征提取模块包括：卷积层、正则化层和池化层；
[0009]S5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；
[0010]S6：利用测试集测试所述训练好的模型，得到最终模型；
[0011]S7：将目标区低幅度构造数据输入至最终模型，得到预测的目标区深度构造数据并进行成图。
[0012]一种存储设备，所述存储设备存储指令及数据用于实现所述的一种低幅度构造成图方法。
[0013]一种低幅度构造成图设备，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现一种低幅度构造成图方法。
[0014]本专利技术提供的有益效果是：提出了一种基于深度卷积神经网络的低幅度构造成图方法，采用该方法能够有效地提高低幅度构造成图精度。
附图说明
[0015]图1是本专利技术方法流程图；
[0016]图2是某南部工区钻井周边临近部位构建虚拟井点示意图；
[0017]图3是本专利技术网络模型结构示意图；
[0018]图4是某南部工区低幅度构造成图对比示意图，其中(a)为本申请方法的构造成图；(b)基于针对目标处理的叠前深度偏移地震资料构造成图；(c)基于时间域地震资料采用多井沿层平均速度时深转换构造成图；
[0019]图5是本申请方法和常规方法构造成图钻井误差对比分析图；
[0020]图6是本专利技术实施例中硬件设备工作的示意图。
具体实施方式
[0021]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0022]请参考图1，图1是本专利技术方法流程图。本专利技术提供了一种低幅度构造成图方法，包括以下步骤：
[0023]S1：S1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；
[0024]需要说明的是，步骤S1具体为：
[0025]S11、基于地震综合解释平台(如GeoEast、GeoFrame等)完成目标区井震标定，以及钻井分层对应的时间域和深度域地震层位解释，形成时间构造网格和深度构造网格，得到钻井分层对应的时间和深度构造网格数据。
[0026]S12、基于时间构造网格，以海底到时间网格为时窗，提取反映地层横向速度变化的平面地震属性；
[0027]S13、基于地震偏移速度场转换得到的平均速度场，沿时间构造网格提取沿层平均速度。
[0028]S2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；
[0029]需要说明的是，建立样本集的步骤如下：
[0030]建立真实样本数据集：将钻井分层深度数据作为样本标签，将钻井分层对应的时间和深度构造网格数据、沿层平均速度、平面地震属性作为样本特征属性。
[0031]建立虚拟样本数据集：为弥补勘探开发实践中钻井数量有限，样本数据不足的缺陷，通过构建虚拟样本点补充样本数据集。
[0032]以井点分层深度数据为输入，以时间构造网格数据作为趋势约束，通过平面插值建立趋势深度构造网格，接着以井点为中心，以25m为间隔在井点四周50m范围内构建虚拟
井点(参考图2，图2是某南部工区钻井周边临近部位构建虚拟井点示意图)，然后提取虚拟井点处的趋势深度构造网格值作为虚拟样本标签，提取虚拟井点处的时间和深度构造网格数据、沿层平均速度、平面地震属性数据作为虚拟样本特征属性，建立虚拟样本数据集。
[0033]S3：将样本集中数据进行归一化处理，并分成测试集和训练集；
[0034]需要说明的是，本专利技术中，将样本集中的样本特征属性进行最大值最小值归一化处理，将数据转换到[0,1]的范围，将样本集数据排列顺序随机打乱，并将样本集按8：2的比例划分为训练集和测试集，当然，在一些其它实施例中，也可自主调整其比例关系。
[0035]S4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层，特征提取模块包括：卷积层、正则化层和池化层；
[0036]S5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；
[0037]S6：利用测试集测试所述训练好的模型，得到最终模型；
[0038]请参考图3，图3是本专利技术网络模型结构示意图。本专利技术中特征提取模块包括依次连接的卷积层、正则化层和池化层，采用Batch Normalization正则化，采用Max Pooling进行池化。使用
‘
relu
’
激活函数，使用
‘
adam
’
优化器，使用'mean_squared_error'(均方误差)作为损失函数。
[0039]将预处理后的样本集输入深度卷积神经网络模型进行训练，通过多次训练实验观察损失函数的变化，以确定合适的神经元数量、学习率、batchsize、epoc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低幅度构造成图方法，其特征在于：包括以下步骤：S1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；S2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；S3：将样本集中数据进行归一化处理，并分成测试集和训练集；S4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层；S5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；S6：利用测试集测试所述训练好的模型，得到最终模型；S7：将目标区低幅度构造数据输入至最终模型，得到预测的目标区深度构造数据并进行成图。2.如权利要求1所述的一种低幅度构造成图方法，其特征在于：步骤S1具体为：S11、完成目标区井震标定，完成钻井分层对应的时间域和深度域地震层位解释，得到钻井分层深度数据，并形成时间构造网格和深度构造网格；S12、基于时间构造网格，以海底到时间网格为时窗，提取反映地层横向速度变化的平面地震属...

【专利技术属性】
技术研发人员：彭光荣，宋亚民，肖张波，吴琼玲，张志伟，黄鑫，刘强虎，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：