[发明专利]一种基于深度神经网络的多波地震油气储层预测方法

说明书

本发明公开了一种基于深度神经网络的多波地震油气储层预测方法，该方法包括如下步骤：首先，针对从纵横波地震属性集获得的原始数据，采用粒子群优化的聚类分析方法和核主成分分析方法进行地震属性的优选优化，去除冗余信息，突出多波地震油气储层特征，以获得较好的深度神经网络样本数据；然后，通过深度神经网络模型对获得的样本数据进行学习并进行仿真预测，获得油气储层评价图；最后，对油气储层评价图进行图像增强处理，以提高图像的细节信息和边缘辨识度，从而增加图像的清晰度。在油气储层预测中，本发明方法能够提高地震油气储层的刻画精度，为油气藏的识别与预测提供了一种新的途径。

技术领域

本发明属于油气储层预测技术领域，特别涉及一种基于深度神经网络的多波地震油气储层预测方法。

背景技术

地震油气储层预测一直是油气田勘探开发的热点和难点。地震数据包含丰富的地质体构造、含油气物性特征以及地下岩层等信息，因此，利用地震数据获得与油气相关的岩性、物性的信息是一种有效的预测方法。目前，常用的地震油气储层预测技术主要有地震属性分析技术、AVO技术、地震裂缝预测技术、岩石物理分析技术、正演模拟以及多波地震油气检测等。地震属性分析技术利用地震属性携带的丰富的油气储层地质信息，进行储层预测及流体识别，在油气勘探领域得到了广泛的应用。然而随着数学与计算机技术的发展，可获得的地震属性多达数百种，但过多的地震属性提取将存在大量数据赘余，出现提取的属性与地质意义对应不明确等问题，同时计算量也大大增加，因此，如何对多种属性进行优选优化，以提高生产效率，降低勘探成本是现阶段急需要面临的问题。机器学习由于具有强鲁棒性、特征提取明显、效率高等优点，在图像处理、信号识别等方面应用较为广泛，目前主要方法有聚类分析、遗传算法、模糊理论、神经网络以及深度学习等。近年来，随着大数据和人工智能的快速发展，加速了人工智能技术在地球物理学中的应用，推动了地球物理学向机器智能化方向发展，在解决地震属性冗余、油气藏识别与预测问题等都有展现出很好的应用效果。

发明内容

本发明的目的在于提出一种基于深度神经网络的多波地震油气储层预测方法，通过对地震属性优选优化，并通过深度神经网络进行学习，以提高地震油气储层预测的精度。

本发明为了实现上述目的，采用如下技术方案：

一种基于深度神经网络的多波地震油气储层预测方法，包括如下步骤：

I.对地震属性进行优选优化获得样本数据；

I.1.首先基于莱因达准则剔除地震属性中的异常值；

定义纵横波地震属性集E＝{c₁₁,c₁₂,…,c_1N,c₂₁,c₂₂,…,c_MN}，M为crossline方向的道数，N为inline方向的道数；利用公式(1)和(2)分别计算得到地震属性的平均值和剩余误差Δc_ij；

随后通过贝塞尔法求取均方根误差σ：

对纵横波地震属性集E中的每个地震属性c_ij逐一进行判断，当地震属性c_ij的剩余误差Δc_ij＞3σ时，则地震属性c_ij为异常点，应予以剔除；

对经过异常值剔除后的纵横波地震属性集E进行标准化处理；

I.2.基于粒子群优化的聚类分析法从纵横波地震属性集E中优选地震属性；

①确定聚类划分；