[发明专利]基于地震数据深度学习的储层检测方法

说明书

本发明实施例提供的一种储层检测方法，属于石油地球物理勘探技术领域，所述方法包括：根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据；基于所述井旁地震道数据，建立储层检测深度学习模型；基于所述储层检测深度学习模型及所述目标层位，获得所述目标层位的高层特征；获取所述目标层位上的指定参考位置的储层特征；基于所述参考位置的储层特征，确定所述目标层位上与所述参考位置的高层特征相同的区域的储层特征。本方法通过建立储层特征检测深度学习模型提取储层弱地震响应特征，能够更简单高效地确定储层特征，提高地震勘探数据的储层如油气、烃类检测精度。

技术领域

本发明涉及石油地球物理勘探技术领域，尤其涉及一种基于深度学习的储层检测方法。

背景技术

地球物理勘探的目标日渐深部化、微小化，勘探环境更趋复杂化，一些在浅层条件下效用显著的含气性检测方法技术，如“亮点”技术、AVO效应、高频阴影等无法满足勘探要求。储层的含油气性预测其本质是岩石孔隙流体属性与饱和度的判识与评价，储层孔隙流体的体积与质量只占储集层岩石的极小一部分，并且是填充在固态岩石骨架的孔隙中，地震响应非常微弱。地震记录如果对岩石孔隙流体变化有响应，只可能反映在地震事件的细结构中。描述地震波传播的波动方程是在一定假设条件下(如完全弹性介质等)获得的近似方程，能很好地表征波动的“主相”，但未必能反映孔隙流体响应的“微相”。因此，基于波动方程的油气检测缺乏严格的数理基础。地震记录是实际地质介质响应的客观反映，不存在任何近似。如果岩石孔隙流体地震响应的幅度可观测，那么它一定存在于地震记录中。问题的关键就转换成了如何鉴识地震记录上的孔隙流体“响应”。深度学习是大数据时代下发展起来的自动特征提取方法，已经成功应用于语音识别、人脸检测、目标追踪、语义解析等。但目前深度学习还很少应用到地震勘探领域。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于地震数据深度学习的储层检测方法。深度学习是大数据时代下发展起来的自动特征提取方法，表现为层级特征提取；低层特征属于局部性特征，高层特征是低层特征的非线性组合，属于抽象的结构性特征，高层特征更具有区分性及类别指示性。本发明创新性地引入深度学习特征提取方法提取储层弱地震响应特征，能够更简单高效地确定储层特征，提高地震勘探数据的烃类检测精度。

本发明的目的通过以下的技术方案来实现：

基于地震数据深度学习储层检测方法，包括以下步骤：

利用测井、录井和合成地震记录标定目的层；

沿目标层位指定时窗宽度提取地震数据作为深度学习预训练模型的训练数据，其中单个训练数据样本为每道周围道指定时窗数据连接形成，时窗移动距离一般取小于等于时窗长度；

利用限制玻尔兹曼机(RBM)或连续限制玻尔兹曼机(CRBM)预训练深度学习模型参数；

通过实验选择最优模型深度、模型每层神经元节点数、神经元激活函数及稀疏限制；

沿目标层位指定时窗宽度提取井旁道地震数据作为深度学习微调模型的训练数据，微调模型的类别包括气和水；

利用批量随机梯度下降算法微调深度学习模型参数；

计算深度学习模型每层基，提取目标层地震响应值，利用该样本与基相关性确定深度学习目标特征,这类特征能够反映地震信号的微弱变化，加强油气地震响应特征，加强储层与非储层的区别。

按训练数据提取方法提取过井或连井地震数据，将过井或连井地震数据输入到训练好的深度学习模型得到目标特征。根据井资料确定不同岩性、流体引起的地震深度学习特征的差异，再将不同的岩性、流体引起的不同的地震深度学习特征外推到无井区域，进而进行岩性、烃类检测。

深度学习高层非线性特征的计算可适用于二维及三维数据，计算方式灵活多样，可以根据实际需求计算时间切片、沿层切片等。

附图说明