[發明專利]一種基于深度神經網絡的多波地震油氣儲層預測方法

有效

• 申請號: 202011106590.8
• 申請日: 2020-10-16
• 公開（公告）號: CN112083498B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 楊久強;林年添;張凱;張沖;田高鵬;湯健健;付超;金志瑋;李桂花;支鵬遙;宋翠玉;李建平
• 申請（專利權）人: 山東科技大學
• 主分類號: G01V1/50
• 分類號: G01V1/50
• 代理公司: 青島錦佳專利代理事務所(普通合伙) 37283
• 代理人: 朱玉建

1.一種基于深度神經網絡的多波地震油氣儲層預測方法，其特征在于，包括如下步驟：

I.對地震屬性進行優選優化獲得深度神經網絡的樣本數據；

I.1.首先基于萊因達準則剔除地震屬性中的異常值；

定義縱橫波地震屬性集E＝{c₁₁,c₁₂,…,c_1N,c₂₁,c₂₂,…,c_MN}，M為crossline方向的道數，N為inline方向的道數；利用公式(1)和(2)分別計算得到地震屬性的平均值和剩余誤差Δc_ij；

隨后通過貝塞爾法求取均方根誤差σ：

對縱橫波地震屬性集E中的每個地震屬性c_ij逐一進行判斷，當地震屬性c_ij的剩余誤差Δc_ij＞3σ時，則地震屬性c_ij為異常點，應予以剔除；

對經過異常值剔除后的縱橫波地震屬性集E進行標準化處理；

I.2.基于粒子群優化的聚類分析法從縱橫波地震屬性集E中優選地震屬性；

①確定聚類劃分；

對于每一個地震屬性c_ij，根據評價函數J來計算地震屬性c_ij與聚類中心o_p的距離，并確定該地震屬性c_ij的聚類劃分；評價函數J表示形式為：

其中，K表示已知的聚類數目，ω_j表示ω＝{ω₁,ω₂,…,ω_j}中某一聚類劃分，p＝1,2,……,K；dist(c_ij,o_p)表示地震屬性c_ij到對應的聚類中心o_p的歐式度量距離；

當聚類中心確定時，由最近鄰法則決定聚類的劃分，即對某一地震屬性c_ij,若滿足c_ij與對應的聚類中心o_p的距離是所有地震屬性與聚類中心的最小值，如公式(5)所示：

則地震屬性c_ij屬于聚類ω_j；

其中，d(c_ij,o_p)表示地震屬性c_ij到對應的聚類中心o_p的歐式距離的最小值；按照地震屬性聚類劃分的類別重新計算聚類中心o_p，以下列方式更新粒子的適應度函數f(c)；

其中，ζ為常數；

用粒子新的適應度值s_hd和它先前的個體極值pbest_hd進行比較，若f(s_hd)f(pbest_hd)，則更新粒子的個體極值pbest_hd，令pbest_hd＝s_hd；否則不更新；

用粒子新的個體極值pbest_hd和全體極值pbest_gd進行比較，若f(pbest_hd)f(pbest_gd)，則更新全體極值pbest_gd，令pbest_gd＝pbest_hd；否則不更新；

②更新粒子適應度；

通過公式(7)和式(8)對粒子狀態進行更新，使誤差不斷下降，獲得較好的聚類劃分；

基本粒子群的速度更新方程為：

v_hd(t+1)＝θv_hd(t)+a₁r₁(pbest_hd-s_hd(t))+a₂r₂(pbest_gd-s_hd(t)) (7)

基本粒子群的位置更新方程為：

s_hd(t+1)＝s_hd(t)+v_hd(t+1),h＝1,2,…,n；d＝1,2,…,D (8)

其中，a₁和a₂為加速常數，即學習因子；a₁和a₂分別用來表示個體和群體最好位置對粒子運動速度的影響；r₁和r₂表示在0到1開區間內的隨機數；

n表示粒子維數，D表示空間維數；

t為粒子群算法的迭代次數；v_hd(t)表示第h個粒子在第t次迭代中第d維上的速度；s_hd(t)表示第h個粒子在t次迭代時d維上的位置；θ是粒子的權重系數，其計算公式如下：

其中，θ_max為初始慣性權重值，θ_min為終止慣性權重值，T_max為最大迭代次數；

若當前迭代次數達到最大迭代次數T_max或適應度值趨于零，則停止迭代，并輸出最優聚類結果，基于粒子群優化的聚類分析法結束；通過聚類結果得到聚類譜系圖；

對各類地震屬性進行分析優選，獲得經過聚類分析后的地震屬性；

I.3.對基于粒子群優化的聚類分析法處理后得到的地震屬性進行復合運算；

以α_ij表示在縱橫波地震屬性集中提取的目標層面的縱波類屬性PP，如式(10)所示：

以β_ij表示在縱橫波地震屬性集中提取的目的層的轉換橫波屬性PS，如(11)式所示：

其中，1≤i≤M，1≤j≤N，M為crossline方向的道數，N為inline方向的道數；

利用公式(12)和公式(13)給出的多波復合計算方法，對基于粒子群優化的聚類分析法優選后的地震屬性進行復合運算，得到各類復合地震屬性；

當一種地震屬性集敏感，且另一種地震屬性集不敏感，或者兩種地震屬性均對油氣敏感，且其中一種地震屬性的敏感程度與油氣表征值呈負相關時，使用比值屬性和差值屬性來突出敏感區；比值屬性和差值屬性的計算公式如公式(12)所示；

其中，A_ij表示差值屬性，B_ij表示比值屬性，1≤i≤M，1≤j≤N；

當兩種地震屬性集均對油氣敏感，且敏感程度與油氣表征值呈正相關時，使用乘積屬性和疊合屬性突出敏感區域壓制非敏感區域；乘積屬性和疊合屬性的計算公式如式(13)所示；

其中，C_ij表示疊合屬性，D_ij表示乘積屬性，1≤i≤M，1≤j≤N；

基于粒子群優化的聚類分析法優選后的地震屬性進行復合運算，得到各類復合地震屬性；

I.4.利用核主成分分析方法優化復合地震屬性；

首先采用標準差標準化方法對步驟I.3中獲得的多波復合地震屬性進行預處理；然后，在高斯徑向核函數的作用下，求取復合地震屬性的協方差矩陣，并通過特征值分解獲得特征值和特征向量；最后，計算主成分貢獻率與累計貢獻率，按貢獻率由大到小的順序對主成分進行排序，選擇與最大特征值對應的特征向量與輸入地震屬性計算，得出主成分信息；

選擇主成分具體數目主要遵循以下兩個原則：

①主成分的累計貢獻率Q值設置為85％；②得到的各主成分特征值需要大于1；

利用公式(14)計算出累計貢獻率Q值的大小，計算出前m個主成分的貢獻值，從而得到累計貢獻率大于或等于85％的前m個主成分；

其中，L為主成分的數量，k＝1,2,…L，λ_k為特征值；

步驟I.3中的復合地震屬性經核主成分分析后得到的主成分信息F_m由公式(15)表示為：

F_m＝γ_m1X₁+γ_m2X₂+…+γ_mnX_n (15)

其中，γ_m1,γ_m2,……,γ_mn為特征向量，X₁,X₂,……,X_n為標準化后的復合地震屬性數據；

通過核主成分分析得到主成分數據，將這些數據作為深度神經網絡的樣本數據；

Ⅱ.基于深度神經網絡進行多波地震油氣儲層的預測；

Ⅱ.1.首先構建深度神經網絡模型；其中，深度神經網絡某一神經元的輸出為：

式中，為深度神經網絡中第k層的第j個神經元的輸出；

f為深度神經網絡的激活函數；

為第k-1層的第i個神經元到第k層的第j個神經元的連接權重；表示為輸入的地震屬性樣本x^k的第i個分量；為深度神經網絡模型第k層第j個神經元的偏置項；

Ⅱ.2.深度神經網絡模型訓練；

在步驟I.4中獲得的樣本數據中，提取已知井位周圍的主成分數據作為深度神經網絡模型的訓練樣本數據；其中，已知井位包括氣井和干井；

將訓練樣本數據輸入到深度神經網絡模型中，并對深度神經網絡模型進行訓練；

將深度神經網絡的預測輸出與期望輸出進行比較；若深度神經網絡的預測輸出與期望輸出之間出現偏差，則進行誤差反向傳播過程；

在誤差反向傳播中，需要對深度神經網絡的預測輸出和期望輸出進行計算，得到深度神經網絡的預測輸出和期望輸出之間的誤差，其誤差e_k計算公式為：

式中，d_i為期望輸出，y_i為深度神經網絡的預測輸出；

深度神經網絡在誤差反向傳播過程中，通過參數優化方法，不斷更新各層的權值和偏置，使得深度神經網絡的預測輸出結果趨近于期望輸出；

其中，對深度神經網絡的權值和偏置的具體調整過程如下：

深度神經網絡隱含層的第i個神經元到輸出層的第j個神經元的連接權重w_ij和偏置b_j，其從第l個取值到第l+1個取值的更新方式為：

w_ij(l+1)＝w_ij(l)+Δw (18)

b_j(l+1)＝b_j(l)+Δb (19)

Δw和Δb分別代表權值和偏置的增量，Δw和Δb的表達式如公式(20)和(21)所示：

Δw＝[J^T(w)J(w)+δI]^-1J^T(w)e_k (20)

Δb＝[J^T(b)J(b)+δI]^-1J^T(b)e_k (21)

其中，J(w)，J(b)代表雅可比矩陣，δ為學習率，I為單位矩陣；

在深度神經網絡訓練剛開始時，誤差e_k較大，學習率δ較大；隨著深度神經網絡訓練的不斷進行，誤差e_k越來越小，學習率δ逐漸變小；

在預測輸出結果趨近于期望輸出時，學習率δ趨于0，此時，公式(20)和(21)變為：

Δw＝[J^T(w)J(w)]^-1J^T(w)e_k (22)

Δb＝[J^T(b)J(b)]^-1J^T(b)e_k (23)

當深度神經網絡訓練的均方誤差滿足小于0.001的精度要求時，停止更新并輸出訓練所得到的權值和偏置；此時，獲得訓練好的深度神經網絡模型；

Ⅱ.3.油氣儲層預測；

將步驟I.4得到的所有主成分數據作為預測樣本輸入到經過步驟II.2訓練好的深度神經網絡模型中，進行仿真預測，進而得到地震油氣儲層評價圖；

Ⅲ.油氣儲層評價圖增強處理；

將步驟Ⅱ中獲得的地震油氣儲層評價圖進行圖像增強處理；

具體過程如下：首先將圖像由RGB空間轉換到HSV空間進行圖像的增強處理，然后將增強后的圖像由HSV空間轉換回RGB空間，即可得到地區的油氣儲層評價圖。