【技术实现步骤摘要】
本专利技术涉及油气勘探地球物理，特别是涉及到一种基于深度学习地震多属性空间分析方法。
技术介绍
1、地震属性是一种成熟的地震数据分析方法，用于突出地震数据中的细微特征，以提高定量分析的可解释性和适用性。地震属性是地震数据的数学函数，利用地质或地球物理原理，提供有关地下地质体的有地质意义的某种信息。但是由于地震属性种类繁多，构成了一种高维的地震属性空间，所以高维的地震属性可能会给完成简单任务带来很大困难。
2、目前大多数地震属性空间降维的工作都集中在空间学习上。空间降维背后的含义是，尽管属性空间本身是高维的，但大多数相关的地质信息往往位于低维、隐藏或潜在空间中。目前经常使用主成分分析(pca)来实现地震属性空间的降维。这种方法简单，通常有效，并且在大量软件平台中广泛可用。但是，主成分分析经常受到其线性性质以及正态分布的假设而失败。
3、自组织映射(som)也是一种常用的降维方法，传统上认为是一种聚类算法，som是一种潜在空间学习方法，其中节点网格变形，形成一个低维流形，在高维空间中近似输入数据。事实证明，这是一种处理多个属性的强大方法。然而，som缺乏拟合优度的度量或其他量化方法来评估结果。此外，由于必须建模的节点数量随着低维空间的维数呈指数增长，计算限制往往会将投影空间限制为不超过两个维度。
4、此外，还有许多其他的方法可以进行潜在空间学习。生成地形图(gtm)方法将潜在空间建模为高斯项的网格，并使用期望最大化(em)算法优化拟合。em产生了一个生成概率模型。然而，我们不知道有任何利用这一事实
5、在申请号：cn201980059951.7的中国专利申请中，涉及到基于机器学习的地震属性分析，其包括：基于储层数据生成与针对伪井的储层性质相对应的储层性质简档；为伪井生成地震属性；以及通过将储层性质简档与地震属性进行比较来训练机器学习模型。以这种方式，机器学习模型可以被用来预测被用于地下区域上方的地震勘探的储层性质，该地下区域包含有助于碳氢化合物的存在、迁移或聚集的结构或地层特征。
6、在申请号：cn201910818535.2的中国专利申请中，涉及到一种基于深度学习的地震数据分辨率提高方法，包括：s 10：获取地震及测井数据；s20：建立面向地震数据分辨率增强的深度网络训练模型；s30：利用所述深度网络训练模型对地震及测井数据进行深度学习训练，获取高分辨率的地震及测井数据。该申请利用深度学习方法和井震联合实现了对地面地震数据的自动增强，对地震及测井数据进行训练，提高了地震及测井数据的分辨率，为地震及测井数据分析提供了依据，从而为地震勘探技术的发展提供数据支撑。
7、在申请号：cn201810193231.7的中国专利申请中，涉及到一种基于粗糙集理论与色相法的多波油气地震响应表征方法，该方法利用粗糙集理论，结合专家经验优选出对地震储层响应敏感属性，去除冗余信息，以优选出的对地震储层敏感的属性为基础，综合纵横波对油气刻画的精度差异及岩石物理基础，形成三类对油气异常敏感的复合属性映射到色彩空间，进行rgb多属性融合，融合后的结果能够充分展现纵波和转换横波所蕴含的地下介质丰富的岩性与构造信息，克服了单一属性显示不足和单属性不能准确刻画油气储层边界精度的缺点，降低了反演结果的多解性，使图像显示的地震储层特征更加明显，提高了油气藏预测精度。
8、以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的基于深度学习地震多属性空间分析方法。
技术实现思路
1、本专利技术的目的是提供一种在尽可能保留独立信息的同时，去除了由于相关性而重复的信息的基于深度学习地震多属性空间分析方法。
2、本专利技术的目的可通过如下技术措施来实现：基于深度学习地震多属性空间分析方法，该基于深度学习地震多属性空间分析方法包括：
3、步骤1，输入地震数据和构造解释成果；
4、步骤2，利用解释成果提取多种沿层地震属性，构建属性空间；
5、步骤3，构建3节点自编码器，命名为红、绿、蓝节点，实现属性空间自编码；
6、步骤4，基于深度学习自编码方法对输入的多个地震属性学习完成后，在学习过程中的命名为红、绿、蓝的三节点则为最终的属性空间分析结果，利用颜色空间开展最终属性结果的分析。
7、本专利技术的目的还可通过如下技术措施来实现：
8、在步骤1中，输入的地震数据包括叠后振幅数据及由其得到的各种地震属性，可以是时间域或深度域数据，但是须规则采样。
9、在步骤1中，输入的地震构造解释成果，须是与地震网格匹配的层位解释数据，为时间域或深度域。
10、在步骤2中，对地震数据或地震属性体数据，利用步骤1中加载的解释层位数据，提取相对应的沿层地震属性，当提取多个沿层属性后，该多个沿层的地震属性就可以构成一个多维的属性空间。
11、在步骤2中，沿层地震属性提取可以直接从地震数据中提取，也可以利用先前的提取好的地震体属性，包括振幅类、频率类、相位类、几何类、结构类这些地震属性。
12、在步骤2中，对于瞬时相位属性：
13、φ(t)＝arctan(dh,d)
14、其中φ(t)为瞬时相位，dh为虚地震道，d为地震道。
15、在步骤3中，对提取完成后的多个沿层地震属性按照地震网格构建多维属性空间，每一个网格点(i,j)处，提取了n个沿层地震属性，则按照如下公式构建三维地震属性空间：
16、a(i,j)＝{t1,t2,t3,l,tk}
17、其中a(i,j)为多维属性构建后的(i,j)网格点，其由k个提取好的单地震属性tk构成。
18、在步骤3中，对步骤2中构建的多维属性空间，构建一3节点自编码神经网络，自编码器由两部分构成，分编为编码器和解码器，编码器和解码器分别都有两层神经网络，中间部分为节点数据，也可以理解为多维属性空间降维后的数据；并利用输入的属性空间作为学习目标，对多维地震属性进行训练，直至输入的属性空间与输出属性空间残差最小作为学习过程结束条件。
19、在步骤3中，学习目标本身即为输入属性空间，为保证学习质量，定义一函数，衡量输入与输出之间的残差，此函数命名为损失函数，具体定义如下：
20、loss(x；w)＝||wh-x||2+λ||h||1
21、输入数据为x，h为中间节点数据，w为投影矩阵，λ为稀疏因子。
22、在步骤4中，深度学习自编码学习完成后，学习过程中的命名为红、绿、蓝的三节点则为最终的属性空间分析结果，可以本文档来自技高网...
【技术保护点】
1.基于深度学习地震多属性空间分析方法，其特征在于，该基于深度学习地震多属性空间分析方法包括：
2.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤1中，输入的地震数据包括叠后振幅数据及由其得到的各种地震属性，可以是时间域或深度域数据，但是须规则采样。
3.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤1中，输入的地震构造解释成果，须是与地震网格匹配的层位解释数据，为时间域或深度域。
4.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤2中，对地震数据或地震属性体数据，利用步骤1中加载的解释层位数据，提取相对应的沿层地震属性，当提取多个沿层属性后，该多个沿层的地震属性就可以构成一个多维的属性空间。
5.根据权利要求4所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤2中，沿层地震属性提取可以直接从地震数据中提取，也可以利用先前的提取好的地震体属性，包括振幅类、频率类、相位类、几何类、结构类这些地震属性。
6.根据权利要求5所述的基于
7.根据权利要求4所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤3中，对提取完成后的多个沿层地震属性按照地震网格构建多维属性空间，每一个网格点(i,j)处，提取了n个沿层地震属性，则按照如下公式构建三维地震属性空间：
8.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤3中，对步骤2中构建的多维属性空间，构建一3节点自编码神经网络，自编码器由两部分构成，分编为编码器和解码器，编码器和解码器分别都有两层神经网络，中间部分为节点数据，也可以理解为多维属性空间降维后的数据；并利用输入的属性空间作为学习目标，对多维地震属性进行训练，直至输入的属性空间与输出属性空间残差最小作为学习过程结束条件。
9.根据权利要求8所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤3中，学习目标本身即为输入属性空间，为保证学习质量，定义一函数，衡量输入与输出之间的残差，此函数命名为损失函数，具体定义如下：
10.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤4中，深度学习自编码学习完成后，学习过程中的命名为红、绿、蓝的三节点则为最终的属性空间分析结果，可以利用颜色空间开展最终属性结果的分析；对自编码神经网络学习完成后的3节点中间结果提取出来，作为最终的属性空间分析结果，并利用颜色空间的三原色，构建一种新的地震属性，即为最终多属性空间分析结果。
...【技术特征摘要】
1.基于深度学习地震多属性空间分析方法，其特征在于，该基于深度学习地震多属性空间分析方法包括：
2.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤1中，输入的地震数据包括叠后振幅数据及由其得到的各种地震属性，可以是时间域或深度域数据，但是须规则采样。
3.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤1中，输入的地震构造解释成果，须是与地震网格匹配的层位解释数据，为时间域或深度域。
4.根据权利要求1所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤2中，对地震数据或地震属性体数据，利用步骤1中加载的解释层位数据，提取相对应的沿层地震属性，当提取多个沿层属性后，该多个沿层的地震属性就可以构成一个多维的属性空间。
5.根据权利要求4所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤2中，沿层地震属性提取可以直接从地震数据中提取，也可以利用先前的提取好的地震体属性，包括振幅类、频率类、相位类、几何类、结构类这些地震属性。
6.根据权利要求5所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤2中，对于瞬时相位属性：
7.根据权利要求4所述的基于深度学习地震多属性空间分析方法，其特征在于，在步骤3中...
【专利技术属性】
技术研发人员：张景涛，杨培杰，罗红梅，徐仁，王守军，穆星，贾玉茹，邹文勇，张宇，亓雪静，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。