CN107678059B - 一种储层含气识别的方法、装置及系统 - Google Patents
一种储层含气识别的方法、装置及系统 Download PDFInfo
- Publication number
- CN107678059B CN107678059B CN201710790338.5A CN201710790338A CN107678059B CN 107678059 B CN107678059 B CN 107678059B CN 201710790338 A CN201710790338 A CN 201710790338A CN 107678059 B CN107678059 B CN 107678059B
- Authority
- CN
- China
- Prior art keywords
- gassiness
- seismic profile
- window
- reservoir
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 17
- 238000003475 lamination Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 230000000994 depressogenic effect Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/665—Subsurface modeling using geostatistical modeling
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请实施例公开了一种储层含气识别的方法、装置及系统，所述方法包括获取待测储层的原始地震剖面；将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，提高含气性预测的精确度。
Description
技术领域
本发明涉及地质勘探技术领域，特别地，涉及一种储层含气识别的方法、装置及系统。
背景技术
随着油气勘探对象逐渐面向构造复杂、介质复杂、地表复杂、深层的非常规油气藏，勘探难度越来越大，取得的油气勘探“亮点”越来越少，在深层非常规油气藏中寻找油气已经成为现阶段石油工业保持稳产或提高产量的主要研究方向之一，也对保障我国石油工业可持续发展和能源安全具有重要的现实意义。
传统的含气性检测技术基于气藏在地震资料上形成的反射特征，通过找“亮点”进行含气性检测，但是，如深层致密砂岩非常规油气藏在地层中同样会形成“亮点”，容易被误判为含气。近年来，有一些通过地震属性来进行含气性检测的技术，如利用地震资料中的频变特性进行含气性检测。但深层非常规油气储层具有较强的非均质性、各向异性，使得储层地质与测井响应及地震预测结果呈现更加复杂的非线性关系，与常规油气预测相比其多解性更强，通过单一的地震属性进行含气性识别效果较差。因此，业内需要一种更加准确的深层非常规油气藏含气性识别技术。
发明内容
本申请实施例的目的在于提供一种储层含气识别的方法、装置及系统，可以充分利用原始地震数据蕴含的信息，提高含气性预测的精确度。
本申请提供的一种储层含气识别的方法、装置及系统是通过包括以下方式实现的：
一种储层含气识别的方法，所述方法包括：
获取待测储层的原始地震剖面；
将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
本申请实施例的储层含气识别的方法，所述深度学习初始模型包括深度卷积神经网络模型。
本申请实施例的储层含气识别的方法，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：
对所述原始地震剖面进行预处理；
所述预处理包括：对所述原始地震剖面中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述原始地震剖面中的像素点对应的第一时窗，对所述第一时窗进行升维扩展；
相应的，将预处理后的原始地震剖面输入预先构建的含气识别模型中进行处理。
本申请实施例的储层含气识别的方法，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：
对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；
当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；
当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；
当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；
所述第一阈值大于第二阈值。
本申请实施例的储层含气识别的方法，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：
计算所述第一时窗对应的输出数据；
计算所述输出数据相对预设的含气结果的误差值，将所述误差值确定为所述含气识别模型的输出结果。
本申请实施例的储层含气识别的方法，所述根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果，包括：
判断所述误差值是否小于预设阈值，确定所述误差值小于预设阈值的第一时窗的中心像素点含气；
整合所述原始地震剖面中所有第一时窗的含气结果获得所述原始地震剖面的含气结果；
根据所述原始地震剖面的含气结果确定所述待测储层的含气识别结果。
一种储层含气识别的方法，所述方法包括：
对待测储层的原始地震剖面进行处理，获取所述原始地震剖面的多种原始含气敏感属性剖面；
将所述多种原始含气敏感属性剖面分别输入预先构建的多种敏感属性含气识别模型中进行处理，所述含气识别模型包括：通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练得到；
将多种敏感属性含气识别模型的输出结果进行线性叠加，根据叠加结果确定所述待测储层的含气识别结果。
另一方面，本申请实施例还提供一种储层含气识别装置，包括：
数据获取模块，用于获取待测储层的原始地震剖面；
含气识别模块，用于将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
确定含气识别结果模块，用于根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
本申请实施例的一种储层含气识装置，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取待测储层的原始地震剖面；
将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
另一方面，本申请实施例还提供一种储层含气识别系统，包括上述储层含气识别装置。
本说明书一个或多个实施例提供的一种储层含气识别的方法、装置及系统，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书提供的一种储层含气识别的方法实施例的流程示意图；
图2为本说明书提供的一个实施例中深度卷积神经网络的结构图；
图3为本说明书提供的另一个实施例中原始地震数据的连井剖面图；
图4为本说明书提供的另一个实施例中地震数据的瞬时振幅连井剖面图；
图5为本说明书提供的另一个实施例中地震数据的瞬时频率连井剖面图；
图6为本说明书提供的另一个实施例中地震数据的瞬时相位连井剖面图；
图7为本说明书提供的另一个实施例中原始地震数据连井剖面的含气性预测结果示意图；
图8为本说明书提供的另一个实施例中地震数据的瞬时振幅连井剖面的含气性预测结果示意图；
图9为本说明书提供的一种储层含气识别的装置实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例方案保护的范围。
图1是本说明书提供的所述一种储层含气识别的方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
本说明书的一个或者多个实施例中，储层的含气识别可以通过将待测储层的原始地震剖面作为待处理对象，输入到预先构建的含气识别模型中进行处理获得输出结果，所述含气识别模型可以通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；然后，可以根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。从而可以利用原始地震数据蕴含的信息，提高含气识别的精确度。具体的一个实施例如图1所示，本说明书提供的一种储层含气识别的方法的一个实施例中，所述方法可以包括：
S102、获取待测储层的原始地震剖面；
S104、将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
S106、根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
本实施例中，所述采集的地震剖面样本数据可以包括已知含气结果的地震剖面样本，所述样本数据可以包括多种地质类型的样本，以保证模型训练的精确度。本说明书的一个实施例中，所述已知含气结果的地震剖面样本可以包括通过含气测井实际测得的数据确定的地震剖面，从而保证样本数据的精确性。
本说明书的另一个实施例中，可以获取地震样本数据以及待测储层的原始地震数据，对所述地震样本数据以及原始地震数据分别进行叠加处理，获得地震剖面样本数据以及原始地震剖面。其中，所述地震样本数据可以包括地震勘探中获取的已确定含气结果的地震数据；所述原始地震数据可以包括地震勘探中获取的实际待测储层的原始地震数据。
本说明书的一些实施例中，所述深度学习初始速度模型可以包括深度卷积神经网络模型，当然，在本说明书的另一些实施例中，所述深度学习初始模型也可以采用如循环神经网络、递归神经网络等深度学习算法初始模型。
本说明书的一个实施例中，可以基于地震剖面样本数据对深度卷积神经网络模型进行训练，获得含气识别模型。深度卷积神经网络模型可以进行多次自动提取特征，对高畸变的输入样本有一定容忍度，并且每一层都由多个独立神经元组成，因此，深度卷积神经网络模型相对于其他网络具有结构简单、网络参数较少、鲁棒性较好、训练速度较快的优点。
本说明书的一个实施例中，所述深度卷积神经网络模型可以是一个多层的神经网络结构，可以包括输入层、卷积层、池化层、全连接层以及输出层。本说明书的一个或者多个实施例中，卷积层和池化层的个数可以为多个，卷积层与池化层进行交替连接。如图2所示。本说明书的一个实施例中，深度卷积神经网络的计算过程可以包括前馈传导计算和反向传输计算，其中，前馈传导计算根据输入层的数据获得输出层的输出数据，反向传输计算可以用来调整网络的权重和偏置。本说明书的一个或多个实施例中，可以基于深度卷积神经网络对多个样本进行自动学习，使得提取的特征更具有代表性，使得最终得到的识别结果更为准确。
本说明书的一个实施例中，基于所述地震剖面样本数据对深度卷积神经网络模型进行训练，获得含气识别模型，可以包括：
首先，对深度卷积神经网络模型进行网络初始化，所述网络初始化可以包括：预先设定网络的层数、卷积核大小等网络结构，并对各部分涉及的权值随机赋值，偏置赋0。
然后，将地震剖面样本数据作为输入层的数据，进行前馈传导计算获得输出层的输出数据。
本说明书的一个实施例中，可以先对所述地震剖面样本数据进行预处理，将预处理后的地震剖面样本数据作为深度卷积神经网络的输入层数据。
所述预处理可以包括，基于预设的窗口对地震剖面样本进行划分，具体实施时，可以对地震剖面样本中的像素点在时间-空间域开辟相同大小的窗口，获得对应于所述像素点的第二时窗，然后对所述第二时窗进行升维扩展，将升维扩展后的第二时窗作为深度卷积神经网络的输入层数据，以使得输入数据适用于深度学习网络。
本说明书的一个实施例中，所述前馈传导计算可以包括：
将输入层的数据通过预先设置的多个卷积核进行卷积，分别通过相应的激活函数得到输出特征，其中，每一个输出特征可以是组合卷积多个输入的值。
本说明书的一个实施例中，卷积层对输入数据进行卷积的计算公式可以表示为：
其中，Mj是输入层的神经元节点的集合，卷积后的每个输出特征需要加一个额外的偏置b。为第L卷积层中第j个神经元节点的输出值，为第L-1层中第j个神经元节点的输出值，为第L卷积层中第j个神经元的权值矩阵。
本说明书的一个实施例中，可以结合地震数据、含气性预测原理、运算速度及存储内存等因素确定卷积核大小，以保证可以提取到有效的局部特征。优选的，可以采用大小为3*3或5*5的卷积核。
通常的，每个卷积层L都会连接一个池化层L+1，池化层可以对其输入数据进行压缩，所述池化层L+1的输入数据即为其上一卷积层L的输出数据。池化层一方面可以对其输入的特征图进行压缩，简化网络计算复杂度，同时还可以对其输入的特征矩阵进行压缩，提取特征矩阵中的高级特征。所述池化层对输入数据进行压缩采用的方法可以包括平均池化和最大池化。本说明书的一个实施例中，对输入数据进行压缩时可以取大小为2或3的缩放因子。
本说明书的另一个实施例中，可以根据输入的地震剖面的特征，通过判断第二时窗的大小，选择每两个卷积层之间是否使用池化层，以保证运算的效率和精确性。本说明书的一个或者多个实施例中，当所述第二时窗的大小大于第一预设阈值时，可以在所述深度卷积神经网络中采用每个卷积层之间均使用池化层，从而提取高级特征，减少参数，提高运算的效率；当所述第二时窗的大小大于第二阈值小于第二阈值时，可以在所述深度卷积神经网络中采用部分卷积层之间不使用池化层；当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层。本实施例中，根据输入的地震剖面的特征来选择卷积层之间是否使用池化层，保证每层的输出数据可以较好的反映非常规油藏复杂的含气性特征，以保证运算的效率和精确性。所述第一阈值大于第二阈值，所述第一阈值以及第二阈值大小可以根据实际操作中不同地震剖面的特征进行预先设定。
全连接层与最后一个卷积或池化层相连，全连接层可以用于将经过卷积或池化处理后的各个卷积层结果展开为一维数组，所述一维数组中的每个值通过权值与每个神经元连接，从而，通过全连接层可以整合原始地震数据中提取出的高级特征。
可以根据全连接层数据确定输出层数据。本说明书的一个实施例中，某一时窗的含气性预测结果有两种：含气或者不含气，因此，输出层数据可以为2*1矩阵。本说明书的一个或者多个实施例中，可以用[0,1]表示某一时窗“不含气”，[1,0]表示某一时窗“含气”。
本说明书的一个实施例中，深度卷积神经网络模型的反向传输过程中可以利用最小化残差来调整权重和偏置。对于样本数据中的某个样例(x,y)，可以首先根据上述实施例中的前馈传导计算获得网络中各层的输出值，包括输出层的输出值，然后，针对中间第L层的每一个节点，计算其残差，第L层的每一个节点的残差表明了该节点对输出层的输出值的残差产生了多少影响。深度卷积神经网络模型的输出层的残差与中间层的残差计算方式不同，输出层的残差是输出值与类标值的误差值，本说明书一个实施例中，所述类标值可以包括预设的含气结果[1,0]。而中间卷积层或者池化层的残差为下一层的残差的加权和。
本说明书的一个实施例中，可以通过梯度下降法进行最小化残差，具体的，对某个样例(x,y)，对应的代价函数可以表示为：
其中，hW,b(x)为输出层的输出数据。
本实施例中，所述梯度下降法的目标是通过更新参数W和b来获得最小的代价函数值。
通过下述迭代步骤更新网络的权重和偏置参数，具体如下：
根据公式(3)计算输出层(第nl层)的残差：
δ(nl)＝-(y-a(nl))*f′(z(nl)) (3)
其中，a(nl)为L＝nl层的输入值。
根据公式(4)计算中间各层L＝nl-1，nl-1，nl-1，…，2的残差：
δ(L)＝[(W(L))Tδ(L+1)]*f′(z(L)) (4)
根据公式(5)和(6)计算权重W和偏置b的偏导数值：
将上一次获得的权重和偏置分别对应加上本次获得的权重W和偏置b的偏导数值，获得本次的权重和偏置。
重复上述迭代步骤，直到收敛到最小代价函数值，从而获得最优的网络权重和偏置参数数据。
本实施例中，通过样本数据对深度卷积神经网络进行不断训练，使卷积神经网络模型根据训练数据不断更新，从而获得最优网络参数的深度卷积神经网络模型，将所述训练后得到的最优网络参数的深度卷积神经网络模型作为含气识别模型。
本说明书的一个实施例中，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果，可以包括：
本说明书的一个或者多个实施例中，可以先对所述原始地震剖面进行预处理，所述预处理的方法可以参照上述实例中所述，对所述原始地震剖面中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述原始地震剖面中的像素点对应的第一时窗，对所述第一时窗进行升维扩展；将升维扩展后的第一时窗作为含气识别模型的输入数据，以使得输入数据适用于含气识别模型的网络结构。
本说明书的另一个实施例中，可以根据所述含气识别模型对预处理后的原始地震剖面进行处理，计算第一时窗对应的输出层的输出数据；然后，计算第一时窗对应的输出数据相对预设的含气结果的误差值，则将所述误差值确定为所述含气识别模型的输出结果。本说明书的一个实施例中，所述预设的含气结果可以包括[1,0]。本说明书的一个实施例中，可以通过判断所述误差值是否小于预设阈值获得含气结果，确定所述误差值小于预设阈值的第一时窗的中心像素点含气。
本说明书的另一个实施例中，可以利用误差求和的方法，获取输出层中每个第一时窗对应的输出数据。计算所述第一时窗对应的输出数据相对预设的含气结果[1,0]的误差值，例如，获取的输出数据为[0.9,0.1]，则该第一时窗的输出数据相对于[1,0]的误差值为0.2。判断所述误差值是否小于所述预设阈值，如果是，则确定该第一时窗的中心像素点含气。所述预设阈值的大小可以根据实际情况进行适应性的设置。
本说明书的一个实施例中，整合所述原始地震剖面中所有第一时窗的含气结果获得所述原始地震剖面的含气结果；然后，根据原始地震剖面的含气结果确定待测储层的含气识别结果。
本说明书实施例提供的上述方法，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。
本说明书的另一个实施例中，还可以获取地震剖面的多种含气敏感属性剖面，将多种含气敏感属性剖面结合进行含气识别。具体可以包括：
S202、对待测储层的原始地震剖面进行处理，获取所述原始地震剖面的多种原始含气敏感属性剖面；
S204、将所述多种原始含气敏感属性剖面分别输入预先构建的多种敏感属性含气识别模型中进行处理，所述含气识别模型包括：通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练得到；
S206、将多种敏感属性含气识别模型的输出结果进行线性叠加，根据叠加结果确定所述待测储层的含气识别结果。
本说明书的一个实施例中，可以对地震剖面进行处理，获得多种含气敏感属性剖面，具体的处理过程可以参照现有技术中的方法，这里不做累述。本说明书的一个或者多个实施例中，所述多种含气敏感属性剖面可以包括振幅剖面、频率剖面、或者相位剖面等多种类型的剖面。
本说明书的一个实施例中，可以基于振幅剖面样本数据对深度学习初始模型进行训练，获得第一敏感属性含气识别模型；基于频率剖面样本数据对深度学习初始模型进行训练，获得第二敏感属性含气识别模型；基于相位剖面样本数据对深度学习初始模型进行训练，获得第三敏感属性含气识别模型；其中，训练所使用的深度学习初始模型的网络结构相同。
然后，获取待测储层的原始地震剖面的振幅剖面、频率剖面、或者相位剖面等多种含气敏感属性剖面，根据第一敏感属性含气识别模型对所述原始地震剖面的振幅剖面进行含气识别，获得第一输出结果；根据第二敏感属性含气识别模型对所述原始地震剖面的频率剖面进行含气识别，获得第二输出结果；根据第三敏感属性含气识别模型对所述原始地震剖面的相位剖面进行含气识别，获得第三输出结果；将所述第一输出结果、第二输出结果、以及第三输出结果进行线性叠加，获得原始地震剖面中的每个第一时窗对应的叠加结果，判断叠加结果是否小于预设阈值，如果是，则该第一时窗的中心像素点含气，从而确定所述待测储层的含气识别结果。
例如，可以对于某待测储层的原始地震剖面、获取该原始地震剖面的振幅剖面、频率剖面、相位剖面中某第一时窗的输出数据分别为[0.9,0.2]、[0.8,0.2]、[0.9,0.1]，根据误差求和的方法获得三个数据相对预设的含气结果[0,1]的误差值，分别为：0.3、0.4、0.2；将上述三个数据进行线性叠加，可以设置叠加系数相同，均为1/3，则线性叠加后的该第一时窗的叠加结果为0.3。判断所述叠加结果是否小于预设阈值，如果小于，则确定该第一时窗的中心像素点含气。整合所述原始地震剖面中所有第一时窗的含气结果获得所述原始地震剖面的含气结果；然后，根据原始地震剖面的含气结果确定待测储层的含气识别结果。线性叠加的系数可以根据实际操作进行设置，这里不做限定。
其中，对预置的深度学习初始模型训练、以及对原始地震数据进行含气识别的具体方法和步骤参照上述实施例，这里不再累述。
本说明书上述实施例提供的方法，可以通过获取原始地震剖面的多种含气敏感属性地震剖面，将多种含气敏感属性地震剖面结合进行含气识别，可以更加充分的利用原始地震数据中的信息，提高含气识别的精确度。
本申请的一个具体的实例中，某一待测区域的原始地震数据的连井剖面图如图3所示。为了更好的分析本说明书上述方法获得的结果，该实例中同时获取了待测区域的井数据，将井数据与原始地震数据进行预处理，并进行井震标定，获得图3所示的该待测区域的原始地震数据的连井剖面图。其中，序号well(井)1—8为井轨迹所在位置，每口井轨迹上黑色空心圆点为该井的试气结果，有黑色圆点处为“含气”，其他地方为不含气。序号Ⅰ、Ⅱ和Ⅲ为解释层位，其覆盖范围为主要储层段。
图4-6为瞬时属性连井剖面图。其中，图4为瞬时振幅连井剖面图；图4为瞬时频率连井剖面图；图4为瞬时相位连井剖面图。同时在剖面上标注了井所在位置、试气结果以及解释层位。
图7-8为利用本说明书提供的上述方法获得的含气性预测结果示意图，其中，图7为图3所示的连井剖面图的含气性预测结果示意图；图8为图4所示的连井剖面图的含气性预测结果示意图。其中，图中黑色的线或者点表示含气，白色的部分表示不含气。
对图7和8分析可知，通过本说明书实施例提供的方法获得的单一瞬时属性剖面、以及原始地震数据的连井剖面在井轨迹位置的含气识别结果与通过井测得的含气结果基本相符，说明通过本说明书实施例提供的方法识别精确度相对较高。但是，基于单一瞬时属性的预测结果都是分布密集的散点，没有一些分布连续的油气特征，并且地层的浅部和深部的预测结果没有差异，这与真实的油气分布不相符。而基于原始数据的预测结果中，油气的分布特征连续成条带状，并且多集中在钻井附近，深层和浅层的分布特征也存在差异，与油气的真实分布比较相符。因此，本说明书实施例提供的方法可以很好的利用原始地震数据中蕴含的信息，从而使得最终获得的含气预测结果更为精确。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的一种储层含气识别的方法，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。
基于上述所述的储层含气识别的方法，本说明书一个或多个实施例还提供一种储层含气识别装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图9是本说明书提供的一种储层含气识别装置实施例的模块结构示意图，如图9所示，所述装置可以包括：
数据获取模块302，可以用于获取待测储层的原始地震剖面；
含气识别模块304，可以用于将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
确定含气识别结果模块306，可以用于根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，例如还可以包括对原始地震剖面进行预处理获得时窗的实施方式，或者对深度学习初始模型训练时根据输入的地震剖面的特征选择是否使用池化层的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书一个或多个实施例提供的一种储层含气识别装置，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。因此，本说明书还提供一种储层含气识别装置，包括处理器及存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取待测储层的原始地震剖面；
将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，例如还可以包括对原始地震剖面进行预处理获得时窗的实施方式，或者对深度学习初始模型训练时根据输入的地震剖面的特征选择是否使用池化层的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
上述实施例提供的一种储层含气识别装置，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书还提供一种储层含气识别系统，所述系统可以为单独的储层含气识别的系统，也可以应用在多种类型的油气预测业务的系统中。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述储层含气识别系统可以包括上述实施例中所述的储层含气识别装置。
需要说明的，上述所述的系统根据方法或者装置实施例的描述还可以包括其他的实施方式，例如还可以包括对原始地震剖面进行预处理获得时窗的实施方式，或者对深度学习初始模型训练时根据输入的地震剖面的特征选择是否使用池化层的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
上述实施例提供的一种储层含气识别系统，可以通过对原始地震剖面基于预先构建的含气识别模型进行含气识别，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。利用本申请各个实施例，可以充分利用原始地震数据蕴含的信息，克服复杂非常规油气储层的多解析问题，提高含气性预测的精确度。
需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种储层含气识别的方法，其特征在于，包括：
获取待测储层的原始地震剖面；
将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果；
其中，所述深度学习初始模型包括深度卷积神经网络模型，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：
对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；
当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；
当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；
当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；
所述第一阈值大于第二阈值。
2.根据权利要求1所述的储层含气识别的方法，其特征在于，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：
对所述原始地震剖面进行预处理；
所述预处理包括：对所述原始地震剖面中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述原始地震剖面中的像素点对应的第一时窗，对所述第一时窗进行升维扩展；
相应的，将预处理后的原始地震剖面输入预先构建的含气识别模型中进行处理。
3.根据权利要求2所述的储层含气识别的方法，其特征在于，所述将所述原始地震剖面输入预先构建的含气识别模型中进行处理，包括：
计算所述第一时窗对应的输出数据；
计算所述输出数据相对预设的含气结果的误差值，将所述误差值确定为所述含气识别模型的输出结果。
4.根据权利要求3所述的储层含气识别的方法，其特征在于，所述根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果，包括：
判断所述误差值是否小于预设阈值，确定所述误差值小于预设阈值的第一时窗的中心像素点含气；
整合所述原始地震剖面中所有第一时窗的含气结果获得所述原始地震剖面的含气结果；
根据所述原始地震剖面的含气结果确定所述待测储层的含气识别结果。
5.一种储层含气识别的方法，其特征在于，包括：
对待测储层的原始地震剖面进行处理，获取所述原始地震剖面的多种原始含气敏感属性剖面；
将所述多种原始含气敏感属性剖面分别输入预先构建的多种敏感属性含气识别模型中进行处理，所述含气识别模型包括：通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练得到；
将多种敏感属性含气识别模型的输出结果进行线性叠加，根据叠加结果确定所述待测储层的含气识别结果；
其中，所述深度学习初始模型包括深度卷积神经网络模型，所述通过采集的多种地震含气性敏感属性剖面样本数据对选择的深度学习初始模型进行训练，包括：
对地震含气性敏感属性剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震含气性敏感属性剖面样本数据中的像素点对应的第二时窗；
当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；
当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；
当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；
所述第一阈值大于第二阈值。
6.一种储层含气识别装置，其特征在于，包括：
数据获取模块，用于获取待测储层的原始地震剖面；
含气识别模块，用于将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到，其中，所述深度学习初始模型包括深度卷积神经网络模型，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：
对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；
当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；
当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；
当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；
所述第一阈值大于第二阈值；
确定含气识别结果模块，用于根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果。
7.一种储层含气识别装置，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取待测储层的原始地震剖面；
将所述原始地震剖面输入预先构建的含气识别模型中进行处理，所述含气识别模型包括：通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练得到；
根据所述含气识别模型的输出结果确定所述待测储层的含气识别结果；
其中，所述深度学习初始模型包括深度卷积神经网络模型，所述通过采集的地震剖面样本数据对选择的深度学习初始模型进行训练，包括：
对所述地震剖面样本数据中的像素点在时间-空间域开辟相同大小的预设窗口，获得所述地震剖面样本数据中的像素点对应的第二时窗；
当所述第二时窗的大小大于第一预设阈值时，在所述深度卷积神经网络中采用每个卷积层之间均使用池化层；
当所第二时窗的大小大于第二阈值小于第一阈值时，在所述深度卷积神经网络中采用部分卷积层之间使用池化层；
当所述第二时窗的大小小于第二阈值时，在所述深度卷积神经网络中采用每个卷积层之间均不使用池化层；
所述第一阈值大于第二阈值。
8.一种储层含气识别系统，其特征在于，包括权利要求6所述的储层含气识别装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710790338.5A CN107678059B (zh) | 2017-09-05 | 2017-09-05 | 一种储层含气识别的方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710790338.5A CN107678059B (zh) | 2017-09-05 | 2017-09-05 | 一种储层含气识别的方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107678059A CN107678059A (zh) | 2018-02-09 |
| CN107678059B true CN107678059B (zh) | 2019-06-28 |
Family
ID=61135715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710790338.5A Active CN107678059B (zh) | 2017-09-05 | 2017-09-05 | 一种储层含气识别的方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107678059B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629072B (zh) * | 2018-03-12 | 2019-07-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
| CN108921022A (zh) * | 2018-05-30 | 2018-11-30 | 腾讯科技（深圳）有限公司 | 一种人体属性识别方法、装置、设备及介质 |
| CN108830421B (zh) * | 2018-06-21 | 2022-05-06 | 中国石油大学(北京) | 致密砂岩储层的含气性预测方法及装置 |
| CN110927791B (zh) * | 2018-09-20 | 2022-01-25 | 中国石油化工股份有限公司 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
| CN109188536B (zh) * | 2018-09-20 | 2020-06-05 | 成都理工大学 | 基于深度学习的时频电磁与大地电磁联合反演方法 |
| CN109740636B (zh) * | 2018-12-12 | 2021-05-18 | 华北电力大学 | 基于AdaBoost结合GRU的地层油水层识别方法 |
| CN109597129B (zh) * | 2019-01-07 | 2019-12-17 | 中国地质大学（武汉） | 基于目标检测的缝洞型油藏串珠状反射特征识别方法 |
| CN110188456B (zh) * | 2019-05-28 | 2020-10-16 | 中国科学院遥感与数字地球研究所 | 一种地震伤亡sdg指标的优化计算方法 |
| CN110619353B (zh) * | 2019-08-22 | 2022-03-29 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
| CN111507048B (zh) * | 2020-04-23 | 2022-11-08 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
| CN111751878B (zh) * | 2020-05-21 | 2023-05-30 | 中国石油天然气股份有限公司 | 横波速度的预测方法和装置 |
| CN117607956B (zh) * | 2023-12-20 | 2024-07-16 | 东北石油大学 | 一种地震相识别方法、装置、电子设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205015889U (zh) * | 2015-09-23 | 2016-02-03 | 北京科技大学 | 一种基于卷积神经元网络的中医舌诊模型的确定系统 |
| CN105868689A (zh) * | 2016-02-16 | 2016-08-17 | 杭州景联文科技有限公司 | 一种基于级联卷积神经网络的人脸遮挡检测方法 |
| CN106291701A (zh) * | 2016-10-13 | 2017-01-04 | 成都理工大学 | 储层检测方法及装置 |
| CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
| CN106446514A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油大学(华东) | 一种基于模糊理论和神经网络的测井相识别方法 |
| CN106780546A (zh) * | 2016-12-06 | 2017-05-31 | 南京航空航天大学 | 基于卷积神经网络的运动模糊编码点的身份识别方法 |
| CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10012748B2 (en) * | 2013-07-31 | 2018-07-03 | Schlumberger Technology Corporation | Resource production forecasting |
-
2017
- 2017-09-05 CN CN201710790338.5A patent/CN107678059B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205015889U (zh) * | 2015-09-23 | 2016-02-03 | 北京科技大学 | 一种基于卷积神经元网络的中医舌诊模型的确定系统 |
| CN105868689A (zh) * | 2016-02-16 | 2016-08-17 | 杭州景联文科技有限公司 | 一种基于级联卷积神经网络的人脸遮挡检测方法 |
| CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
| CN106446514A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油大学(华东) | 一种基于模糊理论和神经网络的测井相识别方法 |
| CN106291701A (zh) * | 2016-10-13 | 2017-01-04 | 成都理工大学 | 储层检测方法及装置 |
| CN106780546A (zh) * | 2016-12-06 | 2017-05-31 | 南京航空航天大学 | 基于卷积神经网络的运动模糊编码点的身份识别方法 |
| CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 卷积神经网络在储层预测中的应用研究;段友祥 等;《通信学报》;20161031;第37卷(第Z1期);摘要，第3.1节 |
| 卷积神经网络在地震多属性分析中的应用;卢溜 等;《中国地球科学联合学术年会2015》;20151231;第1460-1461页 |
| 地震属性的油气模式识别;席敏红 等;《海洋石油》;20011231(第总110期);摘要，第4-5节 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107678059A (zh) | 2018-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107678059B (zh) | 一种储层含气识别的方法、装置及系统 | |
| US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| Ye et al. | A new tool for electro-facies analysis: multi-resolution graph-based clustering | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| WO2021130512A1 (en) | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data | |
| Liu et al. | Deep classified autoencoder for lithofacies identification | |
| CN104101902B (zh) | 地震属性聚类方法及装置 | |
| Wei et al. | Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy | |
| Saporetti et al. | Extreme learning machine combined with a differential evolution algorithm for lithology identification | |
| CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
| Tian et al. | Deep learning assisted well log inversion for fracture identification | |
| CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
| Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
| Kim et al. | Selection of augmented data for overcoming the imbalance problem in facies classification | |
| Alfaleh et al. | Topological data analysis to solve big data problem in reservoir engineering: Application to inverted 4D seismic data | |
| CN112329804B (zh) | 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置 | |
| Bertoncello | Conditioning surface-based models to well and thickness data | |
| Chikhi et al. | Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province | |
| Hami-Eddine et al. | A growing machine learning approach to optimize use of prestack and poststack seismic data | |
| Emelyanova et al. | Unsupervised identification of electrofacies employing machine learning | |
| Carpenter | Applications of artificial neural networks for seismic facies classification | |
| CN108108512A (zh) | 一种储层岩相的表征方法及装置 | |
| de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
| CN114152979B (zh) | 一种变时窗框架下的地震波形分类方法及装置 | |
| EP3688623A1 (en) | Apparatus and methods for improved subsurface data processing systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |