[發明專利]一種基于深度學習的三維動態建模層位自動追蹤方法

有效

• 申請號: 202011033590.X
• 申請日: 2020-09-27
• 公開（公告）號: CN112130201B
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 畢建軍;曹佳佳;劉俊;楊輝;邱小斌;萬義千
• 申請（專利權）人: 北京中恒利華石油技術研究所
• 主分類號: G01V1/28
• 分類號: G01V1/28;G06N3/08;G06N3/04
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述層位自動追蹤方法包括如下步驟：

手動解釋過井點處線方向、道方向以及連井線方向的地層，作為三維自動追蹤的種子點；

將種子點的地震地層分類標簽轉為連續層位追蹤概率標簽，同時提取種子點地震道的波峰位置作為關鍵點，根據關鍵點對地震道進行特征波形劃分，特征波形中心關鍵點所對應的層位追蹤概率作為概率標簽；

建立種子點地震特征波形與層位追蹤概率的深度神經網絡模型，采用5個隱層的層間全連接，層內無連接的深度神經網絡建立地震特征波形與層位追蹤概率的回歸映射模型；

隨機選取一個種子點的一個鄰域點地震特征波形進行地震層位追蹤概率預測，取概率最大特征波形中心關鍵點對應的采樣位置為該鄰域點自動追蹤的最大概率層位，根據種子點層位與鄰域點的最大概率層位時間差判斷追蹤結果的有效性，并將該鄰域點作為新的種子點對網絡進行訓練；

按照三維遞歸追蹤遍歷全區種子點。

2.如權利要求1所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述地震地層分類標簽轉為連續層位追蹤概率標簽是通過：根據初始分類層位標簽P卷積歸一化的高斯窗函數獲得層位概率標簽取中間波峰點對應的層位標簽概率作為層位追蹤概率標簽，其中，初始分類層位標簽P為：式中P是層位標簽，m是地震長度，t是地震序列的序號，o是層位所在的時間樣點位置，高斯窗函數為：w是高斯窗，h表示高斯窗半峰寬度，e是自然數；高斯窗優化后的層位概率標簽為：*表示褶積運算。

3.如權利要求1所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述深度神經網絡模型的網絡構成包括輸入層、無監督預訓練層、隱藏層和輸出層。

4.如權利要求3所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述輸入層的輸入數據為歸一化的地震特征波形，并在網絡訓練前對特征波形的長度進行充零處理，調整所有樣本波形長度。

5.如權利要求3所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述無監督預訓練層通過限制玻爾茲曼機，利用輸出數據對輸入數據進行重構，通過向前和向后學習對輸入數據進行初始特征提取和初始化網絡權值。

6.如權利要求3所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述隱藏層通過層內全連接BP神經網絡建立有監督的回歸學習模型，并利用交叉驗證求取最優學習率參數。

7.如權利要求1所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述根據種子點層位與鄰域點的最大概率層位時間差判斷追蹤結果的有效性包括如下判斷步驟：

若種子點層位與追蹤點最大概率層位時間差滿足門檻值約束，則追蹤點的最大概率層位作為該點的層位自動追蹤結果值，則該鄰域點可作為新的種子點，其追蹤層位對應特征波形與層位追蹤概率標簽可作為新樣本數據訓練模型；

若種子點層位與追蹤點最大概率層位時間差不滿足門檻值約束，則將最大概率層位所在特征波形的概率標簽值置為0，該特征波形與對應標簽可作為新樣本數據訓練模型。

8.如權利要求7所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述門檻值約束采用3個采樣點作為相鄰兩道之間的門檻值，時間差小于3個采樣點則滿足條件，大于3個采樣點則不滿足條件。

9.如權利要求1所述的一種基于深度學習的三維動態建模層位自動追蹤方法，其特征在于，所述按照三維遞歸追蹤遍歷全區種子點時，對無法追蹤的點采用其多個鄰域種子點分別追蹤的最大概率層位進行擬合，求最大概率對應的時間作為追蹤結果。