【技术实现步骤摘要】
本专利技术涉及石油开发，尤其涉及一种地震数据的岩性分析方法及装置。
技术介绍
1、本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、岩相信息能够反映储层岩性及流体特征，在地震储层预测中具有重要作用。常规地震波阻抗反演是进行岩性特征识别的常用方法，但是，随着勘探与开发的目标越来越精细，常规波阻抗反演方法已经不能完全满足生产需求。
3、近年来，深度学习在各个场景的应用促进了智能地震反演的发展，如深度学习建立地震与岩性以及物性之间的联系，这些方法都取得了一定的效果。但是，现有技术一般都是利用垂直井段测井数据与地震数据进行深度学习，在对空间展布特征复杂的储层进行岩性分析时，会出现分析结果不连续、岩性生成的精度较低的问题，不能满足油藏精细开发的需求。
技术实现思路
1、本专利技术实施例提供一种地震数据的岩性分析方法，用以避免岩性分析时出现分析结果不连续的问题，提高岩性生成的精度，满足油藏精细开发的需求，该方法包括：
2、在井震标定后，获取标定层位的岩性数据和地震数据；所述标定层位的岩性数据为直井段的岩性数据；
3、根据直井段的岩性数据和地震数据，训练第一深度学习模型，得到岩性生成模型；
4、将地震数据输入训练后的岩性生成模型，获取地震数据对应的岩性预测数据；
5、利用岩性预测数据和直井段的岩性数据，训练第二深度学习模型，得到岩性生成模型的判别模型；>
6、根据岩性生成模型的网络参数和判别模型的网络参数，构建岩性分析模型；
7、利用岩性预测数据和预先获取的水平井段的岩性数据，对岩性分析模型中的网络参数进行优化；
8、将待分析的地震数据输入优化后的岩性分析模型，得到待分析的地震数据的岩性分析结果，所述岩性分析结果包括：待分析的地震数据的纵向岩性序列、待分析的地震数据的横向岩性序列和待分析的地震数据的纵向岩性序列的判别结果信息。
9、本专利技术实施例还提供一种地震数据的岩性分析装置，用以避免岩性分析时出现分析结果不连续的问题，提高岩性生成的精度，满足油藏精细开发的需求，该装置包括：
10、数据获取模块，用于在井震标定后，获取标定层位的岩性数据和地震数据；所述标定层位的岩性数据为直井段的岩性数据；
11、第一模型训练模块，用于根据直井段的岩性数据和地震数据，训练第一深度学习模型，得到岩性生成模型；
12、预测数据获取模块，用于将地震数据输入训练后的岩性生成模型，获取地震数据对应的岩性预测数据；
13、第二模型训练模块，用于利用岩性预测数据和直井段的岩性数据，训练第二深度学习模型，得到岩性生成模型的判别模型；
14、模型构建模块，用于根据岩性生成模型的网络参数和判别模型的网络参数，构建岩性分析模型；
15、模型优化模块，用于利用岩性预测数据和预先获取的水平井段的岩性数据，对岩性分析模型中的网络参数进行优化；
16、岩性分析模块，用于将待分析的地震数据输入优化后的岩性分析模型，得到待分析的地震数据的岩性分析结果，所述岩性分析结果包括：待分析的地震数据的纵向岩性序列、待分析的地震数据的横向岩性序列和待分析的地震数据的纵向岩性序列的判别结果信息。
17、本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地震数据的岩性分析方法。
18、本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述地震数据的岩性分析方法。
19、本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述地震数据的岩性分析方法。
20、本专利技术实施例中，在井震标定后，获取标定层位的岩性数据和地震数据；所述标定层位的岩性数据为直井段的岩性数据；根据直井段的岩性数据和地震数据，训练第一深度学习模型，得到岩性生成模型；将地震数据输入训练后的岩性生成模型，获取地震数据对应的岩性预测数据；利用岩性预测数据和直井段的岩性数据，训练第二深度学习模型，得到岩性生成模型的判别模型；根据岩性生成模型的网络参数和判别模型的网络参数，构建岩性分析模型；利用岩性预测数据和预先获取的水平井段的岩性数据，对岩性分析模型中的网络参数进行优化；将待分析的地震数据输入优化后的岩性分析模型，得到待分析的地震数据的岩性分析结果，所述岩性分析结果包括：待分析的地震数据的纵向岩性序列、待分析的地震数据的横向岩性序列和待分析的地震数据的纵向岩性序列的判别结果信息。与现有技术中利用垂直井段测井数据与地震数据进行深度学习的技术方案相比，在训练得到岩性生成模型和对应的判别模型之后，根据岩性生成模型的网络参数和判别模型的网络参数，构建岩性分析模型，并利用预先获取的水平井段的岩性数据，对岩性分析模型中的网络参数进行优化，可以避免岩性分析时出现分析结果不连续的问题，提高岩性生成的精度，满足油藏精细开发的需求。
本文档来自技高网...【技术保护点】
1.一种地震数据的岩性分析方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，在井震标定后，获取标定层位的岩性数据和地震数据之后，还包括：
3.如权利要求1所述的方法，其特征在于，利用岩性预测数据和预先获取的水平井段的岩性数据，对岩性分析模型中的网络参数进行优化，包括：
4.如权利要求1所述的方法，其特征在于，所述岩性分析模型的损失函数包括纵向岩性序列损失函数和横向岩性序列损失函数。
5.如权利要求1所述的方法，其特征在于，所述第一深度学习模型包括12个卷积层，前10个卷积层分为5组，每组为2个卷积层，在前4组中每组后连接一个最大池化层，所述最大池化层用于对数据进行下采样；第11个卷积层用于压缩数据维度；第12个卷积层是连接在解码器之后的卷积层和softmax激活层。
6.如权利要求1所述的方法，其特征在于，所述第二深度学习模型包括7个卷积层，前5个卷积层的数据输入和数据输出数据维度相同；第6个卷积层为全连接网络，用于对前5个卷积层的数据维度进行调整；第7个卷积层为全连接网络；第7个卷积层的激活函数为sof
7.一种地震数据的岩性分析装置，其特征在于，包括：
8.如权利要求7所述的装置，其特征在于，还包括预处理模块，用于在数据获取模块在井震标定后，获取标定层位的岩性数据和地震数据之后：
9.如权利要求7所述的装置，其特征在于，模型优化模块，具体用于：
10.如权利要求7所述的装置，其特征在于，所述岩性分析模型的损失函数包括纵向岩性序列损失函数和横向岩性序列损失函数。
11.如权利要求7所述的装置，其特征在于，所述第一深度学习模型包括12个卷积层，前10个卷积层分为5组，每组为2个卷积层，在前4组中每组后连接一个最大池化层，所述最大池化层用于对数据进行下采样；第11个卷积层用于压缩数据维度；第12个卷积层是连接在解码器之后的卷积层和softmax激活层。
12.如权利要求7所述的装置，其特征在于，所述第二深度学习模型包括7个卷积层，前5个卷积层的数据输入和数据输出数据维度相同；第6个卷积层为全连接网络，用于对前5个卷积层的数据维度进行调整；第7个卷积层为全连接网络；第7个卷积层的激活函数为softmax函数；第1至6卷积层的激活函数为relu函数。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
...【技术特征摘要】
1.一种地震数据的岩性分析方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，在井震标定后，获取标定层位的岩性数据和地震数据之后，还包括：
3.如权利要求1所述的方法，其特征在于，利用岩性预测数据和预先获取的水平井段的岩性数据，对岩性分析模型中的网络参数进行优化，包括：
4.如权利要求1所述的方法，其特征在于，所述岩性分析模型的损失函数包括纵向岩性序列损失函数和横向岩性序列损失函数。
5.如权利要求1所述的方法，其特征在于，所述第一深度学习模型包括12个卷积层，前10个卷积层分为5组，每组为2个卷积层，在前4组中每组后连接一个最大池化层，所述最大池化层用于对数据进行下采样；第11个卷积层用于压缩数据维度；第12个卷积层是连接在解码器之后的卷积层和softmax激活层。
6.如权利要求1所述的方法，其特征在于，所述第二深度学习模型包括7个卷积层，前5个卷积层的数据输入和数据输出数据维度相同；第6个卷积层为全连接网络，用于对前5个卷积层的数据维度进行调整；第7个卷积层为全连接网络；第7个卷积层的激活函数为softmax函数；第1至6卷积层的激活函数为relu函数。
7.一种地震数据的岩性分析装置，其特征在于，包括：
8.如权利要求7所述的装置，其特征在于，还包括预处理模块，用于在数据获取模块在井震标定后，获取标定层位的岩性数据和地震数据之后：
9.如权利...
【专利技术属性】
技术研发人员：张超前，郭松伟，徐芳，孟征，王玉生，武军昌，
申请(专利权)人：中国石油天然气股份有限公司，
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。