[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡的井震結合裂縫預測方法及裝置

在審

• 申請?zhí)枺?/td>: 202011326444.6
• 申請日: 2020-11-24
• 公開（公告）號: CN114547958A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設計）人: 鄢高韓;楊午陽;楊慶;王恩利;魏新建;謝春輝
• 申請（專利權）人: 中國石油天然氣股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京三友知識產(chǎn)權代理有限公司 11127
• 代理人: 薛平;周曉飛

本發(fā)明提供一種基于深度神經(jīng)網(wǎng)絡的井震結合裂縫預測方法及裝置，包括以下步驟：獲取測井曲線數(shù)據(jù)，將所述測井曲線數(shù)據(jù)作為輸出數(shù)據(jù)，所述測井曲線數(shù)據(jù)用于表征裂縫參數(shù)；獲取原始地震數(shù)據(jù)，根據(jù)所述原始地震數(shù)據(jù)確定與相同位置的裂縫相關的地震屬性，將所述地震屬性作為輸入數(shù)據(jù)；將所述輸入數(shù)據(jù)和所述輸出數(shù)據(jù)組成訓練數(shù)據(jù)；采用卷積神經(jīng)網(wǎng)絡對所述訓練數(shù)據(jù)集進行迭代訓練，當滿足預設迭代條件時，訓練結束，獲得已訓練的卷積神經(jīng)網(wǎng)絡；根據(jù)獲取的實際地震數(shù)據(jù)確定與裂縫相關的地震屬性，根據(jù)相關地震屬性，利用已訓練的卷積神經(jīng)網(wǎng)絡確定對應的裂縫參數(shù)。本發(fā)明采用卷積神經(jīng)網(wǎng)絡進行迭代訓練，設定預設迭代條件，可以獲得準確的預測結果。

技術領域

本發(fā)明涉及石油勘探技術領域，特別涉及一種基于深度神經(jīng)網(wǎng)絡的井震結合裂縫預測方法及裝置。

背景技術

裂縫型油氣藏的產(chǎn)量占全世界石油天然氣總產(chǎn)量的一半以上，在國內(nèi)的油氣勘探中，裂縫型油氣藏是一個重要的勘探領域，如塔里木盆地奧陶系碳酸鹽巖裂縫型油氣藏，四川致密砂巖裂縫型油氣藏。裂縫既是油、氣、水等地下流體的運移通道，也是流體的儲集空間，裂縫能極大地提升儲層的滲透率。裂縫型儲層描述包括預測裂縫分布特征和識別裂隙充填物，也就是探測開啟并充填流體的有效裂縫。

利用數(shù)學方法從地震數(shù)據(jù)中獲取更多的地質(zhì)信息一直是地球物理學家的研究熱點，其中一種有效的方法便是利用神經(jīng)網(wǎng)絡從地震數(shù)據(jù)中提取地質(zhì)目標或是巖石屬性，神經(jīng)網(wǎng)絡是一種良好的地震解釋強化分析方法。地震的單一屬性在刻畫地質(zhì)目標時往往不具備唯一性和完備性，也就是說，幾乎沒有一種完美的屬性能夠準確的反映某個地質(zhì)目標，所以，通過屬性的重組來準確刻畫地質(zhì)目標就變得尤為重要，重組的屬性，通常稱之為“元屬性”，元屬性的來源常常有很多種，例如交會圖方法、線型回歸法、非線性回歸法、神經(jīng)網(wǎng)絡法、支持向量機、模糊邏輯法等等，其中神經(jīng)網(wǎng)絡是獲得元屬性的一種較為復雜的方式，這種方法能夠構建精確的元屬性，易于擴展，且不需要太多的人為因素干涉。對于那些需要組合多種屬性去精確預測一種地質(zhì)目標的情況，神經(jīng)網(wǎng)絡方法是不二之選。

傳統(tǒng)的神經(jīng)網(wǎng)絡模型通常被稱為多層感知器(MLP)，MLP是傳統(tǒng)意義上應用范圍最廣和最通用的神經(jīng)網(wǎng)絡模型。在MLP模型中，最基本的構造單元是感知器，感知器用來模擬。

人腦中的神經(jīng)元，神經(jīng)元的功能可以用一個數(shù)學表達式(公式1)來表示為一個激勵函數(shù)A(W)，其中W為權重函數(shù)，定義為W(y)(公式2)，其中y為神經(jīng)網(wǎng)絡的輸入向量，w為權重向量。

在MLP模型中，激勵函數(shù)A(W)通常被替換為一個連續(xù)函數(shù)，使用最廣的激勵函數(shù)是sigmoid函數(shù)(公式3)，在MLP模型中，感知器以層的方式組織，在最簡單的形式中，一個MLP包含3層，即輸入層、隱藏層、輸出層，且同一層中各個感知器沒有連接，MLP模型通過采用反向傳播的算法來迭代訓練一組代表性的數(shù)據(jù)，從而抽取數(shù)據(jù)中隱藏的模式，訓練好的模型被拿來識別未知數(shù)據(jù)中的模式從而達到預測的目的。

傳統(tǒng)的神經(jīng)網(wǎng)絡模型的缺點是：

1、對于某些特定的輸入和輸出，由于其內(nèi)在的非關聯(lián)性特征，神經(jīng)網(wǎng)絡方法難以確定它們之間的關系。

2、和大部分反演方法類似，神經(jīng)網(wǎng)絡方法可能會陷入局部最優(yōu)，從而難以找到全局最優(yōu)。

3、傳統(tǒng)的神經(jīng)網(wǎng)絡模型容易有“過擬合”現(xiàn)象，即其對于訓練數(shù)據(jù)可以獲得很好的結果，但是對于非訓練數(shù)據(jù)，其預測能力受限。

4、傳統(tǒng)的網(wǎng)絡層數(shù)一般較少，這是因為網(wǎng)絡層數(shù)的增多會導致網(wǎng)絡參數(shù)太多，很難訓練。

發(fā)明內(nèi)容

本發(fā)明實施例提供了一種基于深度神經(jīng)網(wǎng)絡的井震結合裂縫預測方法及裝置，解決了傳統(tǒng)的神經(jīng)網(wǎng)絡存在“過擬合”、預測不準確的問題。