[發明專利]一種基于殘差網絡的巖性預測方法

有效

• 申請號: 201811281728.0
• 申請日: 2018-10-31
• 公開（公告）號: CN109613623B
• 公開（公告）日: 2020-05-01
• 發明（設計）人: 李克文;蘇兆鑫;劉文英;周廣悅
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G01V11/00
• 分類號: G01V11/00;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于殘差網絡的巖性預測方法，解決了巖性定性分析問題，利用殘差網絡可構建更深層卷積網絡的特點挖掘地震屬性與巖性之間的內在關系，在訓練好預測模型后，能夠根據地震屬性形成的特征圖得出其相對應的巖性類別，根據數據中巖性類別的種類個數決定輸出標簽的個數，即輸出層神經元個數，每個神經元的輸出值代表這組數據屬于對應巖性類別的概率，可以更精確的表示它的巖性特征。

技術領域

本發明屬于地球物理勘探領域和深度學習領域，具體涉及到殘差神經網絡在巖性預測中的研究與應用。

背景技術

尋找巖性油氣藏是一個重要的研究課題,巖性預測對發現巖性油氣藏具有重要的意義。盡管巖性預測方法很多,但由于各個地區的地質條件不同,各種方法都只是在特定地區及特定條件下方能取得較好的應用效果。

測井數據與地震數據是最常用的數據，依靠地質學家們通過經驗建立的數學模型或反演技術是對未知區域的巖性進行定性預測的常用技術。經驗公式或建立地質模型對于一般地質儲層參數的獲取有一定的指導意義，但對于解決復雜地質問題還是有很大的局限性。并且不同位置的預測精度大小受到井的數量與位置分布的影響。

深度學習是大數據時代下發展起來的自動特征提取方法與預測方法，已經成功應用于圖像識別、語音識別與人臉識別等領域，但在石油勘探領域的應用仍較少。

發明內容

巖性預測問題與大多數的分類問題類似，為克服現有預測問題上的不足，本發明提供了一種應用于巖性預測問題的殘差網絡模型建立方法。相對于傳統的地質建模方法，深度學習可以通過組合低層特征形成更加抽象的高層特征，高層特征是低層特征的非線性組合，更具有區分性及類別指示性。本發明將深度學習引入地質勘探領域，能夠有效地解決巖性識別分類問題并提高識別精度。并且以地震數據為主要數據，在橫向預測上有更高的準確度。

為實現上述目的，本發明的技術方案是：

首先準備訓練模型所需要的數據，將一個工區內由井數據中得到的巖性數據，經過現有的時深轉換方法轉換到時間域，與地震數據尺度對齊。然后解析工區內地震數據，將井位置處對應的地震屬性數據作為訓練數據，已有的巖性數據作為標記數據。

下一步把得到的訓練數據輸入殘差網絡中，建立一個應用于巖性預測方面的殘差網絡模型。將地震屬性排列成一個矩陣，根據地震屬性的數量，設計輸入矩陣的大小、卷積核的大小與殘差塊的大小。根據標記類別的數量確定輸出層神經元的個數，若只有泥巖和砂巖，則有兩個神經元。卷積層激活函數采用ReLU函數。輸出層各個神經元輸出只能無限接近1和0，而不能達到1和0，代表屬于該類別的概率。

本發明的有益效果是：將深度學習方法引入了巖性預測中，相對于傳統的采用公式建模的方式能在已有的屬性中發現更多隱藏的信息，解決了巖性預測定性分析問題，在預測模型訓練好后，能夠根據工區內的地震屬性得出其相對應位置的巖性概率，巖性標簽是多個在[0,1]范圍內的浮點型數據，大小表示其屬于該巖性類別的隸屬程度，可以更精確地表示它的巖性特征。

附圖說明

附圖1是基于殘差網絡的巖性預測方法的流程圖

附圖2是本發明的網絡模型期望輸出形式

附圖3是ResNet殘差網絡模型結構圖

附圖4是殘差塊模型結構圖

具體實施方式

下面將結合本發明說明書附圖，對本發明的具體實施方式中的方案進行詳細描述：

圖1是基于殘差網絡的巖性預測方法的流程圖，本預測方法分為四個階段，具體包括：

A.輸入特征圖形成11：殘差網絡在進行訓練之前將井上位置對應的地震網格處的地震屬性經過篩選組成N*N大小的矩陣，形成單通道特征圖，作為網絡的輸入,井上巖性標記作為輸出標簽。