[發明專利]一種基于集成深度學習的地震巖性識別方法

在審

• 申請號: 202110556296.5
• 申請日: 2021-05-21
• 公開（公告）號: CN113325480A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 王俊;曹俊興;何曉燕
• 申請（專利權）人: 成都理工大學
• 主分類號: G01V1/50
• 分類號: G01V1/50;G01V1/30;G01V1/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于集成深度學習的地震巖性識別方法，其特征在于，所述方法包括：

根據標定的目標層位，獲取與所述目標層位對應的巖性數據以及井旁道地震數據；

基于所述井旁地震道數據和井上的巖性數據，以井旁道地震數據為輸入數據，井上的巖性數據為目標數據，建立地震巖性識別集成深度學習模型；

其中，所述基于井旁地震道數據和井上的巖性數據，建立地震巖性識別集成深度學習模型，包括：

基于所述井旁地震道數據和井上的巖性數據，采取集成深度神經網絡模型進行訓練，井旁道地震數據為輸入數據，井上的巖性數據為目標數據的學習模型，迭代計算使其達到收斂，從而建立地震巖性識別集成深度學習模型。

基于所述地震巖性識別集成深度學習模型，輸入待預測區域實際地震數據，即得到預測巖性。

2.根據權利要求1所述的方法，其特征在于，所述集成深度學習模型通過集成卷積神經網絡與長短期記憶神經網絡的優勢的進行儲層孔隙流體地震響應信號的識別或信息提取，以準確建立地震響應與巖性數據之間的復雜非線性關系，實現地震巖性預測。

3.根據權利要求1所述的方法，其特征在于，所述將訓練井的井旁地震道數據和巖性數據作為訓練數據，訓練地震巖性識別集成深度學習模型，直到完成地震巖性識別集成深度學習模型的訓練，其中，所述配置參數包括模型深度、模型每層神經元節點數等。

4.根據權利要求1所述的方法，其特征在于，該方法結合地震數據變化特點，將地震數據信息看作是縱向上具有聯系的序列數據，按時間滑動窗口構造特征圖作為輸入。先利用卷積神經網絡提取特征圖中的有效信息，構造特征向量。再將特征向量作為長短期記憶神經網絡的輸入，采用長短期記憶神經網絡學習卷積神經網絡輸出的時序特征，最后通過全連接網絡輸出預測結果。

5.根據權利要求1所述的方法，其特征在于，所述基于井旁地震道數據及對應的目標巖性數據，迭代計算使其達到收斂，從而建立地震巖性識別集成深度學習模型。

6.根據權利要求1所述的方法，其特征在于，所述的集成深度學習模型由輸入層、卷積神經網絡層、長短期記憶神經網絡層、全連接層和輸出層構成，損失函數選擇均方誤差損失函數，優化器選擇Adam優化器。