[发明专利]砂体分布预测方法、装置、设备及可读存储介质

权利要求书

1.一种砂体分布预测方法，其特征在于，包括：

获取待测井点的不同频率的预设分频地震属性值；

将所述不同频率的预设分频地震属性值输入到训练后的融合模型中，计算砂体厚度值；

输出所述砂体厚度值；

其中，所述训练后的融合模型是反映已测井点的分频地震属性值与测井解释的砂体厚度值的映射关系的机器学习模型。

2.根据权利要求1所述的方法，其特征在于，所述获取待测井点的不同频率的预设分频地震属性值，具体包括：

获取所述待测井点的原始地震数据体；

从所述原始地震数据体中提取不同频率的分频数据体；

从每种频率的分频数据体中提取预设的分频地震属性；

获取所述预设的分频地震属性对应的分频地震属性值。

3.根据权利要求1所述的方法，其特征在于，所述获取待测井点的不同频率的预设分频地震属性值之前，还包括：

获取训练前的融合模型的训练样本集和目标数据集；其中，所述训练样本集中的每个训练样本为每个已测井点的预设的分频地震属性值，所述目标数据集中的每个目标数据为每个已测井点的测井解释的砂体厚度值；

将所述训练样本集和所述目标数据集输入到所述训练前的融合模型中，建立所述已测井点的分频地震属性值与测井解释的砂体厚度值的映射关系，以对所述训练前的融合模型进行训练，获得所述训练后的融合模型。

4.根据权利要求2所述的方法，其特征在于，所述从所述原始地震数据体中提取不同频率的分频数据体，具体包括：

对所述原始地震数据体进行分解，分别获取低频地震数据体、中频地震数据体和高频地震数据体；

所述从每种频率的分频数据体中提取预设的分频地震属性，具体包括：

从每种频率的分频数据体中提取均方根振幅属性及甜点属性。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述融合模型采用的算法包括：遗传算法、BP神经网络、支持向量机(SVM)算法以及深度学习算法。

6.一种砂体分布预测装置，其特征在于，包括：

获取模块，用于获取待测井点的不同频率的预设分频地震属性值；

计算模块，用于将所述不同频率的预设分频地震属性值输入到训练后的融合模型中，计算砂体厚度值；

输出模块，用于输出所述砂体厚度值；

其中，所述训练后的融合模型是反映已测井点的分频地震属性值与测井解释的砂体厚度值的映射关系的机器学习模型。

7.根据权利要求6所述的装置，其特征在于，所述获取模块，包括：

第一获取单元，用于获取所述待测井点的原始地震数据体；

第一提取单元，用于从所述原始地震数据体中提取不同频率的分频数据体；

第二提取单元，用于从每种频率的分频数据体中提取预设的分频地震属性；

第二获取单元，用于获取所述预设的分频地震属性对应的分频地震属性值。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：训练模块；

所述训练模块，用于在所述获取模块获取待测井点的不同频率的预设分频地震属性值之前，获取训练前的融合模型的训练样本集和目标数据集；其中，所述训练样本集中的每个训练样本为每个已测井点的预设的分频地震属性值，所述目标数据集中的每个目标数据为每个已测井点的测井解释的砂体厚度值；

所述训练模块，还用于将所述训练样本集和所述目标数据集输入到所述训练前的融合模型中，建立所述已测井点的分频地震属性值与测井解释的砂体厚度值的映射关系，以对所述训练前的融合模型进行训练，获得所述训练后的融合模型。

9.根据权利要求7所述的装置，其特征在于，

所述第一提取单元，具体用于对所述原始地震数据体进行分解，分别获取低频地震数据体、中频地震数据体和高频地震数据体；

所述第二提取单元，具体用于从每种频率的分频数据体中提取均方根振幅属性及甜点属性。