[发明专利]一种基于深度学习的碳酸盐岩储层预测方法、系统及设备

权利要求书

1.一种基于深度学习的碳酸盐岩储层预测方法，包括

获取地震属性数据；

将所述地震属性数据输入训练好的深度学习模型，生成波阻抗数据；

所述深度学习模型为包含输入层、隐藏层和输出层的残差神经网络。

2.根据权利要求1所述的基于深度学习的碳酸盐岩储层预测方法，其特征在于，所述深度学习模型的训练方法包括：

获取地震道的地震属性数据集；

获取测井位置的测井波阻抗数据集；

推演所述测井位置的地震属性数据，生成测井位置对应的地震属性数据集和波阻抗数据集；

将所述测井位置对应的地震属性数据集输入深度学习模型，生成预测的波阻抗数据，基于预测结果生成损失函数，优化深度学习模型，得到训练好的深度学习模型。

3.根据权利要求1或2所述的基于深度学习的碳酸盐岩储层预测方法，其特征在于，所述方法还包括选取地震属性数据集中的地震属性，可选的，所述地震属性包括下列中的一种或几种：时间、地震波速度、地震振幅、主频率、瞬时频率、瞬时相位、相对振幅、均方根振幅、14Hz、30Hz和/或50Hz的地震波；

可选的，所述地震属性为经权重因子加权的地震属性，所述权重因子的计算方式为λ＝(1+v)，其中λ为权重因子，v为地震波速度，所述将时间、地震波速度和其他经权重因子加权的地震属性输入深度学习模型。

4.根据权利要求2所述的基于深度学习的碳酸盐岩储层预测方法，其特征在于，采用三维插值技术推演所述测井位置的地震属性数据；可选的，所述三维插值过程包括：以平面x,y为坐标轴，根据地震道和测井的相对位置关系，选取K个临近的地震道属性值，利用空间插值的方法计算测井位置的地震属性，以时间t为坐标轴，选取地震属性数据点临近的L个测井波阻抗值，利用一维三次插值方法，获取地震属性数据点的波阻抗数据，所述K、L为自然数整数。

5.根据权利要求2所述的基于深度学习的碳酸盐岩储层预测方法，其特征在于，所述方法还包括对所述测井位置对应的地震属性数据集进行数据切割，得到固定维度的地震属性数据集；优选的，首先，设定两个参数，第一个参数是数据切割的长度，即对应卷积神经网络对应的高度；第二个参数是每次数据切割后数据起始点向后移动的步数，对所述测井位置对应的地震属性数据按照第一个参数进行第一次切割，形成对应卷积神经网络对应的高度的数据，按照第二个参数将指针向后移，进行第二次数据分割。

6.根据权利要求1所述的基于深度学习的碳酸盐岩储层预测方法，其特征在于，所述隐藏层由第一残差网络模块、通道注意力模块、第二残差网络模块、空间注意力模块、第三残差网络模块构成，地震属性数据依次经隐藏层的模块处理后，输出预测的波阻抗数据；可选的，所述通道注意力模块分别使用最大池化和平均池化提取经第一残差网络模块处理后的特征图中长度为R的特征向量，并使用相同的共享网络，压缩所述特征图的空间维数，逐元素求和后产生通道注意力图；

可选的，所述空间注意力模块将输入的经第二残差网络模块处理后的特征图采用功率池化的方法，累计每个池化窗口的特征分布，再通过输出通道为R的一维卷积模块和激活函数，得到空间注意力图，所述R为自然数整数；

可选的，所述第二残差网络模块包括1-3个串联的残差网络模块；所述第三残差网络模块包括1-2个串联的残差网络模块。