基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法技术

本发明专利技术提供一种基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，包括：步骤1：对地震资料进行预处理并获取用于训练的地震属性；步骤2：根据地震属性提取训练样本，标定每种属性的裂缝发育程度，构建训练集；步骤3：利用极限学习机得到初始的输出权值矩阵；步骤4：利用自适应差分进化算法对种群个体进行变异和交叉操作，更新输出权值，并根据最终权值得到裂缝发育程度的预测结果。该基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法解决了现有基于极限学习机的湖相碳酸盐岩裂缝预测方法中输入权值和隐层偏置为随机赋值造成的裂缝预测结果不稳定的问题，达到了提高裂缝预测精度的效果。

【技术实现步骤摘要】

本专利技术涉及油气勘探及地震解释，特别是涉及到一种基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法。

技术介绍

1、基于机器学习的湖相碳酸盐岩裂缝预测技术利用已知湖相碳酸盐岩工区的各种地震属性与裂缝发育程度之间的关系训练机器学习网络，并利用训练结果预测未知湖相碳酸盐岩区域的裂缝发育程度，是裂缝性储层预测的重要手段。

2、基于极限学习机的湖相碳酸盐岩裂缝预测方法是基于机器学习的湖相碳酸盐岩裂缝预测技术中的重要方法。该方法利用湖相碳酸盐岩的各种地震属性与裂缝发育程度之间的关系建立裂缝发育程度标签，利用极限学习机对样本标签进行学习，并根据学习结果对其他区域的裂缝发育程度进行预测。吴俊等人首次将极限学习机用于地震参数预测中，证明了该方法在地震储层参数预测中的正确性。陈芊澍等人将极限学习机用于地震裂缝预测中，并证明了该方法能够综合多种地震属性刻画大尺度裂缝带。然而极限学习机算法的输入权值和隐层偏置都是随机赋值的，导致预测结果不稳定，一定程度上降低了预测精度；因此需要一种改进的裂缝预测方法可以克服以上问题。

3、在申请号：cn202110599本文档来自技高网...

【技术保护点】

1.基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，该基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法包括：

2.根据权利要求1所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，步骤1包括：

3.根据权利要求1所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，步骤2包括：

4.根据权利要求3所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，在步骤2.2，t1表示裂缝发育，t2表示裂缝较发育，t3表示裂缝不发育；根据地震属性与裂缝发育程度的标定结果构建训练集S＝{(Ai,Ti)|i＝1,...

【技术特征摘要】

1.基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，该基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法包括：

2.根据权利要求1所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，步骤1包括：

3.根据权利要求1所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，步骤2包括：

4.根据权利要求3所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，在步骤2.2，t1表示裂缝发育，t2表示裂缝较发育，t3表示裂缝不发育；根据地震属性与裂缝发育程度的标定结果构建训练集s＝{(ai,ti)|i＝1,2,…,n}，其中ai＝[ai,bi,ci,di]表示第i个样本的四种地震属性，ai表示蚂蚁体属性，bi表示曲率属性，ci表示q值属性，di表示流度属性；其中表示第i个样本的四种地震属性对应的裂缝发育程度，表示蚂蚁体属性对应的裂缝发育程度，表示曲率属性对应的裂缝发育程度，表示q值属性对应的裂缝发育程度，表示流度属性对应的裂缝发育程度。

5.根据权利要求1所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，步骤3包括：

6.根据权利要求5所述的基于差分进化极限学习机的湖相碳酸盐岩裂缝预测方法，其特征在于，在步骤3.1，通过随机赋值构建l×np个输入权值向量wj,k|j＝1,2,…,l；k＝1,2,…,np，其中分别表示蚂蚁体属性、曲率属性、q值属性、流度属性对应输入权值；通过随机赋值构建l×np个偏差bj,k|j＝1,2,…,l；k＝1,2,…,np。<...

【专利技术属性】
技术研发人员：苏朝光，张明秀，巴素玉，刘升余，金春花，刘海宁，孟宪霞，
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：