本發(fā)明涉及石油地球物理勘探技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的儲(chǔ)層檢測方法。

背景技術(shù)：

地球物理勘探的目標(biāo)日漸深部化、微小化，勘探環(huán)境更趨復(fù)雜化，一些在淺層條件下效用顯著的含氣性檢測方法技術(shù)，如“亮點(diǎn)”技術(shù)、AVO效應(yīng)、高頻陰影等無法滿足勘探要求。儲(chǔ)層的含油氣性預(yù)測其本質(zhì)是巖石孔隙流體屬性與飽和度的判識(shí)與評(píng)價(jià)，儲(chǔ)層孔隙流體的體積與質(zhì)量只占儲(chǔ)集層巖石的極小一部分，并且是填充在固態(tài)巖石骨架的孔隙中，地震響應(yīng)非常微弱。地震記錄如果對(duì)巖石孔隙流體變化有響應(yīng)，只可能反映在地震事件的細(xì)結(jié)構(gòu)中。描述地震波傳播的波動(dòng)方程是在一定假設(shè)條件下(如完全彈性介質(zhì)等)獲得的近似方程，能很好地表征波動(dòng)的“主相”，但未必能反映孔隙流體響應(yīng)的“微相”。因此，基于波動(dòng)方程的油氣檢測缺乏嚴(yán)格的數(shù)理基礎(chǔ)。地震記錄是實(shí)際地質(zhì)介質(zhì)響應(yīng)的客觀反映，不存在任何近似。如果巖石孔隙流體地震響應(yīng)的幅度可觀測，那么它一定存在于地震記錄中。問題的關(guān)鍵就轉(zhuǎn)換成了如何鑒識(shí)地震記錄上的孔隙流體“響應(yīng)”。深度學(xué)習(xí)是大數(shù)據(jù)時(shí)代下發(fā)展起來的自動(dòng)特征提取方法，已經(jīng)成功應(yīng)用于語音識(shí)別、人臉檢測、目標(biāo)追蹤、語義解析等。但目前深度學(xué)習(xí)還很少應(yīng)用到地震勘探領(lǐng)域。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明的目的是提供一種基于地震數(shù)據(jù)深度學(xué)習(xí)的儲(chǔ)層檢測方法。深度學(xué)習(xí)是大數(shù)據(jù)時(shí)代下發(fā)展起來的自動(dòng)特征提取方法，表現(xiàn)為層級(jí)特征提?。坏蛯犹卣鲗儆诰植啃蕴卣?，高層特征是低層特征的非線性組合，屬于抽象的結(jié)構(gòu)性特征，高層特征更具有區(qū)分性及類別指示性。本發(fā)明創(chuàng)新性地引入深度學(xué)習(xí)特征提取方法提取儲(chǔ)層弱地震響應(yīng)特征，能夠更簡單高效地確定儲(chǔ)層特征，提高地震勘探數(shù)據(jù)的烴類檢測精度。

本發(fā)明的目的通過以下的技術(shù)方案來實(shí)現(xiàn)：

基于地震數(shù)據(jù)深度學(xué)習(xí)儲(chǔ)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(biāo)定目的層；

沿目標(biāo)層位指定時(shí)窗寬度提取地震數(shù)據(jù)作為深度學(xué)習(xí)預(yù)訓(xùn)練模型的訓(xùn)練數(shù)據(jù)，其中單個(gè)訓(xùn)練數(shù)據(jù)樣本為每道周圍道指定時(shí)窗數(shù)據(jù)連接形成，時(shí)窗移動(dòng)距離一般取小于等于時(shí)窗長度；

利用限制玻爾茲曼機(jī)(RBM)或連續(xù)限制玻爾茲曼機(jī)(CRBM)預(yù)訓(xùn)練深度學(xué)習(xí)模型參數(shù)；

通過實(shí)驗(yàn)選擇最優(yōu)模型深度、模型每層神經(jīng)元節(jié)點(diǎn)數(shù)、神經(jīng)元激活函數(shù)及稀疏限制；

沿目標(biāo)層位指定時(shí)窗寬度提取井旁道地震數(shù)據(jù)作為深度學(xué)習(xí)微調(diào)模型的訓(xùn)練數(shù)據(jù)，微調(diào)模型的類別包括氣和水；

利用批量隨機(jī)梯度下降算法微調(diào)深度學(xué)習(xí)模型參數(shù)；

計(jì)算深度學(xué)習(xí)模型每層基，提取目標(biāo)層地震響應(yīng)值，利用該樣本與基相關(guān)性確定深度學(xué)習(xí)目標(biāo)特征,這類特征能夠反映地震信號(hào)的微弱變化，加強(qiáng)油氣地震響應(yīng)特征，加強(qiáng)儲(chǔ)層與非儲(chǔ)層的區(qū)別。

按訓(xùn)練數(shù)據(jù)提取方法提取過井或連井地震數(shù)據(jù)，將過井或連井地震數(shù)據(jù)輸入到訓(xùn)練好的深度學(xué)習(xí)模型得到目標(biāo)特征。根據(jù)井資料確定不同巖性、流體引起的地震深度學(xué)習(xí)特征的差異，再將不同的巖性、流體引起的不同的地震深度學(xué)習(xí)特征外推到無井區(qū)域，進(jìn)而進(jìn)行巖性、烴類檢測。

深度學(xué)習(xí)高層非線性特征的計(jì)算可適用于二維及三維數(shù)據(jù)，計(jì)算方式靈活多樣，可以根據(jù)實(shí)際需求計(jì)算時(shí)間切片、沿層切片等。

附圖說明

為了更清楚說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，以下將對(duì)實(shí)施例或現(xiàn)有技術(shù)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(fā)明的一些實(shí)施例。

圖1是基于地震數(shù)據(jù)深度學(xué)習(xí)儲(chǔ)層檢測方法流程圖；

圖2是數(shù)據(jù)提取示意圖；

圖3是深度學(xué)習(xí)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(fā)明的實(shí)施例的方案得到的目標(biāo)層位處的高層特征1；

圖6是利用本發(fā)明的實(shí)施例的方案得到的目標(biāo)層位下10ms處的高層特征1；

圖7是利用本發(fā)明的實(shí)施例的方案得到的目標(biāo)層位處至10ms高層特征1聚類；

圖8是利用本發(fā)明的實(shí)施例的方案得到的W1井、W2井、W3井的連井高層特征1剖面；

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述；

如圖1所示，為基于地震數(shù)據(jù)深度學(xué)習(xí)儲(chǔ)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(zhǔn)確標(biāo)定目的層；

步驟20沿目標(biāo)層指定時(shí)窗寬度提取井旁道地震數(shù)據(jù)作為深度學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)，提取方式見圖2；

圖2中以某一點(diǎn)作為原點(diǎn)，由相鄰9道作為一個(gè)整體，每道開取時(shí)窗為20ms,按2ms的采樣間隔，一個(gè)訓(xùn)練樣本為90采樣點(diǎn)。空間滑動(dòng)距離為1個(gè)間隔，時(shí)窗移動(dòng)距離一般取小于等于時(shí)窗長度，直到空間區(qū)域邊界及時(shí)間區(qū)域邊界。上述原點(diǎn)相鄰道數(shù)、滑動(dòng)距離、時(shí)窗移動(dòng)距離、空間區(qū)域邊界、時(shí)間區(qū)域邊界可按實(shí)際情況選定；

步驟30是利用訓(xùn)練數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，具體分為兩部分：深度學(xué)習(xí)模型預(yù)訓(xùn)練、深度學(xué)習(xí)模型微調(diào)。深度學(xué)習(xí)模型預(yù)訓(xùn)練階段可采用限制玻爾茲曼機(jī)或連續(xù)限制玻爾茲曼機(jī)預(yù)訓(xùn)練參數(shù)，最后堆疊構(gòu)成深度置信網(wǎng)絡(luò)(Deep Belief Networks)；

限制玻爾茲曼機(jī)根植于統(tǒng)計(jì)力學(xué)，能量函數(shù)是描述整個(gè)系統(tǒng)狀態(tài)的測度，系統(tǒng)有序或概率分布越集中，整個(gè)系統(tǒng)的能量就越小。訓(xùn)練RBM參數(shù)主要是使下面的能量函數(shù)最小，假設(shè)RBM包含n個(gè)輸入層單元和m個(gè)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(tài)那么RBM的能量函數(shù)定義如下(單個(gè)樣本)：

θ＝{w_ij,a_i,b_j}是RBM的參數(shù)。其中，w_ij是可視單元i與隱單元j之間的連接權(quán)重，a_i表示可視層單元i的偏置，b_j表示隱層單元j的偏置。利用Hinton提出的對(duì)比散度算法可得到權(quán)值的更新，

其中，

Hinton指出當(dāng)使用訓(xùn)練數(shù)據(jù)初始化v⁽⁰⁾時(shí)，我們僅需要采樣k步就可以得到足夠好的近似，也就是說，Gibbs采樣k步后，RBM生成模型將越來越接近原始數(shù)據(jù)的分布；

為了模擬連續(xù)數(shù)據(jù)，CRBM在可視層sigmoid函數(shù)中加入一個(gè)方差為σ²、均值為0的高斯單元，常數(shù)σ和N_j(0,1)共同產(chǎn)生了高斯輸入分量n_j＝σN_j(0,1)，其概率分布為

因此，隱藏層狀態(tài)h_j由可視層狀態(tài)v_i表示為

其中，函數(shù)的表達(dá)式如下：

θ_L和θ_H分別為sigmoid函數(shù)的下漸近線和上漸近線，參數(shù)a_j是控制sigmoid函數(shù)斜率的變量，當(dāng)a_j由小變大時(shí)，單元就可以從無噪聲的確定性狀態(tài)到二進(jìn)制隨機(jī)狀態(tài)平滑過渡；

如果a_j在噪音范圍內(nèi)使sigmoid函數(shù)變?yōu)榫€性，那么h_j將會(huì)服從均值為方差為σ²的高斯分布。權(quán)值更新公式為

稀疏RBM的目標(biāo)函數(shù)如下

深度學(xué)習(xí)微調(diào)，假設(shè)有樣本集{(x⁽¹⁾,y⁽¹⁾),...(x^(m),y^(m))}，共m個(gè)樣本，x指輸入向量，y是目標(biāo)向量，使用批量隨機(jī)梯度下降求解展開后的多層神經(jīng)網(wǎng)絡(luò)。整個(gè)數(shù)據(jù)集上的代價(jià)函數(shù)為：

L代表整個(gè)神經(jīng)網(wǎng)絡(luò)的層深，包括輸入層、隱藏層、輸出層。N_l表示第l層的神經(jīng)元個(gè)數(shù)，N_l+1表示l+1的神經(jīng)元個(gè)數(shù)；

儲(chǔ)層檢測深度學(xué)習(xí)模型建立后，只取儲(chǔ)層檢測深度學(xué)習(xí)模型的編碼層部分用于提取特征。指定區(qū)域數(shù)據(jù)提取過程：先確定層位，然后提取出層位數(shù)據(jù)，確定目標(biāo)區(qū)域，將目標(biāo)區(qū)域數(shù)據(jù)拉成一維向量輸入訓(xùn)練好的深度學(xué)習(xí)模型；

步驟40是深度學(xué)習(xí)特征選擇，深度學(xué)習(xí)模型中每層神經(jīng)元激活值可作為原始數(shù)據(jù)的新的特征表達(dá)，并不是所有的特征都適合于描述儲(chǔ)層特征；

按照深度學(xué)習(xí)理論，低層特征檢測原始數(shù)據(jù)的局部信息，高層特征是低層特征的組合，是原始數(shù)據(jù)的抽象表示，高層特征對(duì)原始數(shù)據(jù)的突發(fā)變化有更強(qiáng)的魯棒性；

為了確定適合于描述儲(chǔ)層特征的高層深度學(xué)習(xí)特征，需要計(jì)算深度學(xué)習(xí)模型每層基，第一層基是深度學(xué)習(xí)模型第一層的權(quán)值，后面各層的基是第一層到該層權(quán)值的累乘；

提取目標(biāo)地震響應(yīng)值，利用該樣本與基相關(guān)性確定深度學(xué)習(xí)目標(biāo)特征。具體任務(wù)中，一般選取一定范圍的相關(guān)系數(shù)，按特征區(qū)分度確定最終目標(biāo)特征。

圖3是目標(biāo)樣本以及與該目標(biāo)樣本相關(guān)系數(shù)為0.9007的高層基。同時(shí)，高層基函數(shù)更為平滑，對(duì)原始數(shù)據(jù)的突發(fā)變化有更強(qiáng)的魯棒性。

步驟50是利用優(yōu)選的特征確定目標(biāo)層位的儲(chǔ)層特征。圖4是W1井、W2井、W3井三口井的連井剖面，紅色橢圓標(biāo)記的是目標(biāo)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(xiàn)差異微小，幾乎無法區(qū)別，因而需要根據(jù)本發(fā)明的方案進(jìn)一步處理。

圖5和圖6分別是圖3中高層基對(duì)應(yīng)的高層神經(jīng)元激活值，即新特征表達(dá)。在圖5和圖6的實(shí)施例中，橫坐標(biāo)是連井CDP，縱坐標(biāo)是深度學(xué)習(xí)高層特征值。如圖所示，含水層和含氣層的深度學(xué)習(xí)特征差異明顯，能夠較易區(qū)別出含水層和含氣層，說明含水層和含氣層之間的地質(zhì)參數(shù)的微小區(qū)別能夠從深度學(xué)習(xí)高層特征反映出來。

圖7是圖3中高層基對(duì)應(yīng)的高層神經(jīng)元激活值在目標(biāo)層位處至10ms的聚類，能夠看出W1井、W2井、W3井屬于不同類別，W2與W3更接近。而且在空間位置上類別分布較連續(xù)。

圖8是圖3中高層基對(duì)應(yīng)的高層神經(jīng)元激活值在W1井、W2井、W3井的連井剖面，能較好識(shí)別出水和氣，并且可以將其他無關(guān)信息弱化。

實(shí)際應(yīng)用表明：本發(fā)明中采用的深度學(xué)習(xí)高層特征對(duì)地震信號(hào)的特征的敏感度很高，能夠區(qū)分出不同巖性、流體等引起的地震信號(hào)微弱變化，適合進(jìn)行巖性、油氣儲(chǔ)層等檢測。

雖然本發(fā)明所揭露的實(shí)施方式如上，但所述的內(nèi)容只是為了便于理解本發(fā)明而采用的實(shí)施方式，并非用以限定本發(fā)明。任何本發(fā)明所屬技術(shù)領(lǐng)域內(nèi)的技術(shù)人員，在不脫離本發(fā)明所揭露的精神和范圍的前提下，可以在實(shí)施的形式上及細(xì)節(jié)上作任何的修改與變化，但本發(fā)明的專利保護(hù)范圍，仍須以所附的權(quán)利要求書所界定的范圍為準(zhǔn)。