基於地震數據深度學習的儲層檢測方法與流程
2023-09-19 09:04:45 2
本發明涉及石油地球物理勘探技術領域，尤其涉及一種基於深度學習的儲層檢測方法。
背景技術：
地球物理勘探的目標日漸深部化、微小化，勘探環境更趨複雜化，一些在淺層條件下效用顯著的含氣性檢測方法技術，如「亮點」技術、AVO效應、高頻陰影等無法滿足勘探要求。儲層的含油氣性預測其本質是巖石孔隙流體屬性與飽和度的判識與評價，儲層孔隙流體的體積與質量只佔儲集層巖石的極小一部分，並且是填充在固態巖石骨架的孔隙中，地震響應非常微弱。地震記錄如果對巖石孔隙流體變化有響應，只可能反映在地震事件的細結構中。描述地震波傳播的波動方程是在一定假設條件下(如完全彈性介質等)獲得的近似方程，能很好地表徵波動的「主相」，但未必能反映孔隙流體響應的「微相」。因此，基于波動方程的油氣檢測缺乏嚴格的數理基礎。地震記錄是實際地質介質響應的客觀反映，不存在任何近似。如果巖石孔隙流體地震響應的幅度可觀測，那麼它一定存在於地震記錄中。問題的關鍵就轉換成了如何鑑識地震記錄上的孔隙流體「響應」。深度學習是大數據時代下發展起來的自動特徵提取方法，已經成功應用於語音識別、人臉檢測、目標追蹤、語義解析等。但目前深度學習還很少應用到地震勘探領域。
技術實現要素：
為解決上述技術問題，本發明的目的是提供一種基於地震數據深度學習的儲層檢測方法。深度學習是大數據時代下發展起來的自動特徵提取方法，表現為層級特徵提取；低層特徵屬於局部性特徵，高層特徵是低層特徵的非線性組合，屬於抽象的結構性特徵，高層特徵更具有區分性及類別指示性。本發明創新性地引入深度學習特徵提取方法提取儲層弱地震響應特徵，能夠更簡單高效地確定儲層特徵，提高地震勘探數據的烴類檢測精度。
本發明的目的通過以下的技術方案來實現：
基於地震數據深度學習儲層檢測方法，包括以下步驟：
利用測井、錄井和合成地震記錄標定目的層；
沿目標層位指定時窗寬度提取地震數據作為深度學習預訓練模型的訓練數據，其中單個訓練數據樣本為每道周圍道指定時窗數據連接形成，時窗移動距離一般取小於等於時窗長度；
利用限制玻爾茲曼機(RBM)或連續限制玻爾茲曼機(CRBM)預訓練深度學習模型參數；
通過實驗選擇最優模型深度、模型每層神經元節點數、神經元激活函數及稀疏限制；
沿目標層位指定時窗寬度提取井旁道地震數據作為深度學習微調模型的訓練數據，微調模型的類別包括氣和水；
利用批量隨機梯度下降算法微調深度學習模型參數；
計算深度學習模型每層基，提取目標層地震響應值，利用該樣本與基相關性確定深度學習目標特徵,這類特徵能夠反映地震信號的微弱變化，加強油氣地震響應特徵，加強儲層與非儲層的區別。
按訓練數據提取方法提取過井或連井地震數據，將過井或連井地震數據輸入到訓練好的深度學習模型得到目標特徵。根據井資料確定不同巖性、流體引起的地震深度學習特徵的差異，再將不同的巖性、流體引起的不同的地震深度學習特徵外推到無井區域，進而進行巖性、烴類檢測。
深度學習高層非線性特徵的計算可適用於二維及三維數據，計算方式靈活多樣，可以根據實際需求計算時間切片、沿層切片等。
附圖說明
為了更清楚說明本發明實施例或現有技術中的技術方案，以下將對實施例或現有技術描述中所需要使用的附圖作簡單介紹，顯而易見地，以下描述中的附圖僅僅是本發明的一些實施例。
圖1是基於地震數據深度學習儲層檢測方法流程圖；
圖2是數據提取示意圖；
圖3是深度學習得到的高層基；
圖4是W1井、W2井、W3井三井連井剖面；
圖5是利用本發明的實施例的方案得到的目標層位處的高層特徵1；
圖6是利用本發明的實施例的方案得到的目標層位下10ms處的高層特徵1；
圖7是利用本發明的實施例的方案得到的目標層位處至10ms高層特徵1聚類；
圖8是利用本發明的實施例的方案得到的W1井、W2井、W3井的連井高層特徵1剖面；
具體實施方式
為使本發明的目的、技術方案和優點更加清楚，下面結合實施例及附圖對本發明作進一步詳細的描述；
如圖1所示，為基於地震數據深度學習儲層檢測方法流程，所述方法包括如下步驟：
步驟10利用測井、錄井和合成地震記錄準確標定目的層；
步驟20沿目標層指定時窗寬度提取井旁道地震數據作為深度學習模型訓練數據，提取方式見圖2；
圖2中以某一點作為原點，由相鄰9道作為一個整體，每道開取時窗為20ms,按2ms的採樣間隔，一個訓練樣本為90採樣點。空間滑動距離為1個間隔，時窗移動距離一般取小於等於時窗長度，直到空間區域邊界及時間區域邊界。上述原點相鄰道數、滑動距離、時窗移動距離、空間區域邊界、時間區域邊界可按實際情況選定；
步驟30是利用訓練數據訓練深度學習模型，具體分為兩部分：深度學習模型預訓練、深度學習模型微調。深度學習模型預訓練階段可採用限制玻爾茲曼機或連續限制玻爾茲曼機預訓練參數，最後堆疊構成深度置信網絡(Deep Belief Networks)；
限制玻爾茲曼機根植於統計力學，能量函數是描述整個系統狀態的測度，系統有序或概率分布越集中，整個系統的能量就越小。訓練RBM參數主要是使下面的能量函數最小，假設RBM包含n個輸入層單元和m個隱層單元，用向量v和h別表示可視層單元的及隱層單元
的狀態那麼RBM的能量函數定義如下(單個樣本)：
θ＝{wij,ai,bj}是RBM的參數。其中，wij是可視單元i與隱單元j之間的連接權重，ai表示可視層單元i的偏置，bj表示隱層單元j的偏置。利用Hinton提出的對比散度算法可得到權值的更新，
其中，
Hinton指出當使用訓練數據初始化v(0)時，我們僅需要採樣k步就可以得到足夠好的近似，也就是說，Gibbs採樣k步後，RBM生成模型將越來越接近原始數據的分布；
為了模擬連續數據，CRBM在可視層sigmoid函數中加入一個方差為σ2、均值為0的高斯單元，常數σ和Nj(0,1)共同產生了高斯輸入分量nj＝σNj(0,1)，其概率分布為
因此，隱藏層狀態hj由可視層狀態vi表示為
其中，函數的表達式如下：
θL和θH分別為sigmoid函數的下漸近線和上漸近線，參數aj是控制sigmoid函數斜率的變量，當aj由小變大時，單元就可以從無噪聲的確定性狀態到二進位隨機狀態平滑過渡；
如果aj在噪音範圍內使sigmoid函數變為線性，那麼hj將會服從均值為方差為σ2的高斯分布。權值更新公式為
稀疏RBM的目標函數如下
深度學習微調，假設有樣本集{(x(1),y(1)),...(x(m),y(m))}，共m個樣本，x指輸入向量，y是目標向量，使用批量隨機梯度下降求解展開後的多層神經網絡。整個數據集上的代價函數為：
L代表整個神經網絡的層深，包括輸入層、隱藏層、輸出層。Nl表示第l層的神經元個數，Nl+1表示l+1的神經元個數；
儲層檢測深度學習模型建立後，只取儲層檢測深度學習模型的編碼層部分用於提取特徵。指定區域數據提取過程：先確定層位，然後提取出層位數據，確定目標區域，將目標區域數據拉成一維向量輸入訓練好的深度學習模型；
步驟40是深度學習特徵選擇，深度學習模型中每層神經元激活值可作為原始數據的新的特徵表達，並不是所有的特徵都適合於描述儲層特徵；
按照深度學習理論，低層特徵檢測原始數據的局部信息，高層特徵是低層特徵的組合，是原始數據的抽象表示，高層特徵對原始數據的突發變化有更強的魯棒性；
為了確定適合於描述儲層特徵的高層深度學習特徵，需要計算深度學習模型每層基，第一層基是深度學習模型第一層的權值，後面各層的基是第一層到該層權值的累乘；
提取目標地震響應值，利用該樣本與基相關性確定深度學習目標特徵。具體任務中，一般選取一定範圍的相關係數，按特徵區分度確定最終目標特徵。
圖3是目標樣本以及與該目標樣本相關係數為0.9007的高層基。同時，高層基函數更為平滑，對原始數據的突發變化有更強的魯棒性。
步驟50是利用優選的特徵確定目標層位的儲層特徵。圖4是W1井、W2井、W3井三口井的連井剖面，紅色橢圓標記的是目標層位處，其中W1井含水，W2井含氣，W3井含氣量少。從連井剖面上看出含水層與含氣層處地震記錄(橢圓位置)表現差異微小，幾乎無法區別，因而需要根據本發明的方案進一步處理。
圖5和圖6分別是圖3中高層基對應的高層神經元激活值，即新特徵表達。在圖5和圖6的實施例中，橫坐標是連井CDP，縱坐標是深度學習高層特徵值。如圖所示，含水層和含氣層的深度學習特徵差異明顯，能夠較易區別出含水層和含氣層，說明含水層和含氣層之間的地質參數的微小區別能夠從深度學習高層特徵反映出來。
圖7是圖3中高層基對應的高層神經元激活值在目標層位處至10ms的聚類，能夠看出W1井、W2井、W3井屬於不同類別，W2與W3更接近。而且在空間位置上類別分布較連續。
圖8是圖3中高層基對應的高層神經元激活值在W1井、W2井、W3井的連井剖面，能較好識別出水和氣，並且可以將其他無關信息弱化。
實際應用表明：本發明中採用的深度學習高層特徵對地震信號的特徵的敏感度很高，能夠區分出不同巖性、流體等引起的地震信號微弱變化，適合進行巖性、油氣儲層等檢測。
雖然本發明所揭露的實施方式如上，但所述的內容只是為了便於理解本發明而採用的實施方式，並非用以限定本發明。任何本發明所屬技術領域內的技術人員，在不脫離本發明所揭露的精神和範圍的前提下，可以在實施的形式上及細節上作任何的修改與變化，但本發明的專利保護範圍，仍須以所附的權利要求書所界定的範圍為準。