CN111736217A - 地震属性融合方法及装置 - Google Patents

地震属性融合方法及装置 Download PDF

Info

Publication number
CN111736217A
CN111736217A CN202010459269.1A CN202010459269A CN111736217A CN 111736217 A CN111736217 A CN 111736217A CN 202010459269 A CN202010459269 A CN 202010459269A CN 111736217 A CN111736217 A CN 111736217A
Authority
CN
China
Prior art keywords
seismic
sample block
sample
target
post
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.)
Granted
Application number
CN202010459269.1A
Other languages
English (en)
Other versions
CN111736217B (zh
Inventor
李磊
万忠宏
熊伟
崔京彬
高慧欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Petroleum Corp
BGP Inc
Original Assignee
China National Petroleum Corp
BGP Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China National Petroleum Corp, BGP Inc filed Critical China National Petroleum Corp
Priority to CN202010459269.1A priority Critical patent/CN111736217B/zh
Publication of CN111736217A publication Critical patent/CN111736217A/zh
Application granted granted Critical
Publication of CN111736217B publication Critical patent/CN111736217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase

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

本发明公开了一种地震属性融合方法及装置，该地震属性融合方法包括：获取目标储层区域的样本集；提取样本集中每个目标储层样本块的多尺度地震属性集；将每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，识别目标储层区域样本集的融合地震属性；通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数。本发明通过循环迭代删除自适应函数神经网络权重矩阵的权系数的方式，不断更新训练自适应函数神经网络，使得通过训练后的自适应函数神经网络识别得到的融合地震属性包含的信息最大化，突出了目标储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。

Description

地震属性融合方法及装置
技术领域
本发明涉及油气勘探开发技术领域，尤其涉及地震属性融合方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
地震属性数据的激增有利于地震解释，但同时也带来了新的挑战。一方面单一地震属性的多解性问题一直困扰着解释人员，另一方面多种地震属性间往往存在不一致与矛盾的情况。为了解决多种地震属性间的矛盾问题，同时提高地震解释的可信度，地球物理学家们提出了利用地震属性融合技术进行地震资料的解释。进行地震多属性融合主要包括三大步骤：地震属性标准化处理；地震属性变换；以及地震属性融合的实现。为了更有效的获取属性的有用信息，建立多种地震属性的相关关系，从而提高地震解释的可靠性和精度。
地震多属性融合的主要目的是消除多解性，突出目标地质特征，从而提高地震解释的精度。因此不能进行盲目的进行多属性融合，需要从地震属性集合中进行优选。地震属性优选要求选出的地震属性所包含的信息最大化，能够和地质目标建立起相关关系。如何进行多属性地震融合，从而提高地震解释的可靠性和精度，是目前国内外学者正在研究的重点工作。
发明内容
本发明实施例提供一种地震属性融合方法，用以提高地震解释的可靠性和精度，该地震属性融合方法包括：
获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块；
提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集；
将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；
其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
本发明实施例还提供一种地震属性融合装置，用以提高地震解释的可靠性和精度，该地震属性融合装置包括：
目标样本获取模块，用于获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块；
目标样本提取模块，用于提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集；
目标样本识别模块，用于将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；
其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环次数时停止，获得训练后的自适应函数神经网络。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地震属性融合方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述地震属性融合方法的计算机程序。
本发明实施例中，首先获取目标储层区域的样本集，进而提取样本集中每个目标储层样本块的多尺度地震属性集，从而将每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，通过训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性。鉴于本发明通过循环迭代删除自适应函数神经网络权重矩阵的权系数的方式，不断更新训练自适应函数神经网络，使得通过训练后的自适应函数神经网络识别得到的融合地震属性包含的信息最大化，突出了目标储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例提供的地震属性融合方法的实现流程图；
图2为本发明实施例提供的地震属性融合方法中步骤102的实现流程图；
图3为本发明实施例提供的地震属性融合方法中步骤201的实现流程图；
图4为本发明实施例提供的地震属性融合方法中步骤202的实现流程图；
图5为本发明实施例提供的地震属性融合方法中步骤203的实现流程图；
图6为本发明实施例提供的地震属性融合方法中训练自适应函数神经网络的实现流程图；
图7为本发明实施例提供的地震属性融合方法中步骤602的实现流程图；
图8为本发明实施例提供的地震属性融合方法中步骤701的实现流程图；
图9为本发明实施例提供的地震属性融合方法中步骤702的实现流程图；
图10为本发明实施例提供的地震属性融合方法中步骤703的实现流程图；
图11为本发明实施例提供的地震属性融合装置的功能模块图；
图12为本发明实施例提供的地震属性融合装置中目标样本提取模块1102的结构框图；
图13为本发明实施例提供的地震属性融合装置中目标样本叠加单元1201的结构框图；
图14为本发明实施例提供的地震属性融合装置中目标样本确定单元1202的结构框图；
图15为本发明实施例提供的地震属性融合装置中目标样本分解单元1203的结构框图；
图16为本发明实施例提供的地震属性融合装置中训练自适应函数神经网络的结构框图；
图17为本发明实施例提供的地震属性融合装置中已知样本提取模块1602的结构框图；
图18为本发明实施例提供的地震属性融合装置中已知样本叠加单元1701的结构框图；
图19为本发明实施例提供的地震属性融合装置中已知样本确定单元1702的结构框图；
图20为本发明实施例提供的地震属性融合装置中已知样本分解单元1703的结构框图；
图21为本发明实施例提供的采用现有的地震属性融合方法得到的某实际储层区域的融合地震属性示意图；
图22为本发明实施例提供的采用本发明提供的中地震属性融合方法得到的某实际储层区域的融合地震属性示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1示出了本发明实施例提供的地震属性融合方法的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，地震属性融合方法，其包括：
步骤101，获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块；
步骤102，提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集；
步骤103，将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；
其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
目标储层区域为待研究的储层区域，通过样本标注的方式获取目标储层区域的样本集。其中，目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块，每个目标储层样本块均为样本集中的一个样本，且每个目标储层样本块都是大小等同的。本领域技术人员可以理解的是，该预设规则形状的目标储层样本块可以是正方体形状的样本块，还可以是除上述正方体形状的样本块之外的其它规则形状的样本块，例如长方体形状的样本块，本领域技术人员对此不作特别的限制。
在得到由目标储层样本块组成的目标储层区域样本集后，提取样本集中每个目标储层样本块的多尺度地震属性。多尺度地震属性为不同地震属性的集合，本领域技术人员可以理解的是，可以采用现有技术中常用的地震属性提取方法，提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性。
在提取到目标储层区域样本集中每个目标储层样本块的多尺度地震属性后，将样本集中每个目标储层样本块的多尺度地震属性作为训练后的自适应函数神经网络的输入，输入至训练后的自适应函数神经网络，通过训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性。训练后的自适应函数神经网络，能够对输入的目标储层样本块的多尺度地震属性进行处理，从而识别出目标储层区域样本集中每个目标储层样本块融合地震属性。
在本发明实施例中，自适应函数神经网络为三层神经网络，包括输入层、隐单元层和输出层，自适应函数神经网络各层节点之间以全连接的方式连接，采用sigmod函数作为激活函数。与现有的神经网络不同的是，本发明实施例中的自适应函数神经网络，在训练过程稳定后，即满足训练中止的条件后，例如自适应函数神经网络的迭代次数满足预先设置的迭代次数阈值(例如可以是5000等、1万等或者10万次等)时，统计自适应函数神经网络的输入层与隐单元层之间权重矩阵的权系数，将输入层与隐单元层之间权重矩阵的权系数的模值按照从小到大的顺序进行排列，并从中剔除一定比例的(例如5％或者10％等等)、模值较小的权系数，以此更新自适应函数神经网络的网络参数，从而形成新的自适应函数神经网络。
为进行描述上的区分，我们把本发明实施例中自适应函数神经网络的训练过程中与现有神经网络训练过程相同的部分称为迭代，迭代训练过程的结束称为训练中止；将不同的地方(以循环多次删除权系数的方式更新网络参数)的过程称为循环，将循环训练过程的结束称为循环终止。
至此在获得新的自适应函数神经网络后，将训练数据重新输入新的自适应函数神经网络进行训练，在训练稳定达到训练中止的条件后，继续删除一定比例的、模值较小的输入层与隐单元层之间权重矩阵的权系数，以更新自适应函数神经网络的网络参数，形成新的自适应函数神经网络，依次循环直至满足预设循环停止条件时，获得训练后的自适应函数神经网络。此时，训练得到的自适应函数神经网络，识别出的融合地震属性包含的信息是最大化，突出了储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
在本发明实施例中，训练中止的条件可以包括迭代次满足预设的迭代次数阈值，本领域技术人员可以理解的是，预设的迭代次数阈值可以是5000次，还可以是除上述5000次之外的其它值，例如1万次或者10万次等。
预设循环停止条件可以包括循环次数满足预设循环次数阈值，该预设循环次数阈值例如可以是4次，本领域技术人员可以理解的是，还可以是除上述4次之外的其他值，例如8次或者20次等，本发明实施例对此不作特别的限制。
另外，预设循环停止条件还可以包括除上述循环次数满足预设循环次数阈值之外的其它循环停止条件，例如自适应函数神经网络的识别准确率不小于预设准确率。本领域技术人员可以理解的是，预设准确率可以是98％，也可以是除上述98％之外的其它数值，例如95％或者99.5％等，本发明实施例对此也不作特别的限制。
在本发明实施例中，首先获取目标储层区域的样本集，进而提取样本集中每个目标储层样本块的多尺度地震属性集，从而将每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，通过训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性。鉴于本发明通过循环迭代删除自适应函数神经网络权重矩阵的权系数的方式，不断更新训练自适应函数神经网络，使得通过训练后的自适应函数神经网络识别得到的融合地震属性包含的信息最大化，突出了目标储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
图2示出了本发明实施例提供的地震属性融合方法中步骤102的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高提取多尺度地震属性集的准确性，如图2所示，步骤102，提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集，包括：
步骤201，对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体；
步骤202，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息；
步骤203，对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
在本发明实施例中，对样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，是指定义不同的方位角及偏移距的组合，然后以方位角及偏移距的组合为参数，对目标储层样本块的叠前地震数据体进行叠加，从而得到每个目标储层样本块的叠后地震数据体。本领域技术人员可以理解的是，该叠前地震数据体为包括方位角和偏移距的五维地震数据体，该叠后地震数据体为三维地震数据体。
在得到每个目标储层样本块的叠后地震数据体后，可以通过计算差异系数的方式确定叠后地震数据体中每个地震道的裂缝特征信息，进而将叠后地震数据体中所有地震道的裂缝特征信息汇总形成叠后地震数据体的裂缝特征信息。
在确定叠后地震数据体的裂缝特征信息后，对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，从而得到每个目标储层样本块的多尺度地震属性集。多尺度分解是指按照不同的尺度对地震属性进行分解，从而得到多尺度地震属性。
在本发明实施例中，对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，进而确定每个目标储层样本块的叠后地震数据体的裂缝特征信息，最后对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，能够提高提取多尺度地震属性集的准确性。
图3示出了本发明实施例提供的地震属性融合方法中步骤201的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高获取叠后地震数据体的准确性，如图3所示，步骤201，对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体，包括：
步骤301，将每个目标储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；
步骤302，将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；
步骤303，将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；
步骤304，根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体。
在本发明实施例中，在对目标储层样本块的叠前地震数据体进行分方位叠加时，首先将目标储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间，本领域技术人员可以理解的是，例如该预设范围为0°到180°的方位角区间等。然后将目标储层样本块的叠前地震数据体中地震道的偏移距按照大小范围分成N个偏移距区间，该N个偏移距区间可以是区间间隔等同的N个偏移距区间。
本领域技术人员可以理解的是，M和N为预先预先设定的正整数数值，例如，本领域技术人人员可以预先设定M为6，N为5，还可以预先设定除上述M为6，N为5之外的其它数值，例如预先设定M为6，N为8，或者M为8，N为5，或者M为8，N为8等等，本发明实施例对此不作特别的限制。具体的，例如将叠前地震数据体中地震道的方位角从0°到180°的范围分成6份，将地震道的偏移距按照大小范围分成5份等。
在将每个目标储层样本块的叠前地震数据体中地震道的方位角分成M个方位角区间，将偏移距分成N个偏移距区间后，将该M个方位角区间与N个偏移距区间进行排列组合，以此形成M×N个方位角偏移距组合。同样以上述为例，可形成6×5个方位角偏移距组合。至此，以每个方位角偏移距组合为参数，对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，据此形成每个目标储层样本块的叠后地震数据体。
在本发明实施例中，将每个目标储层样本块的叠前地震数据体中地震道的方位角分成M个方位角区间，同时将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间，然后将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合，最后根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体，能够提高获取叠后地震数据体的准确性。
图4示出了本发明实施例提供的地震属性融合方法中步骤202的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定叠后地震数据体裂缝特征信息的准确性，如图4所示，步骤202，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息，包括：
步骤401，根据每个目标储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；
步骤402，根据每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；
步骤403，根据每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；
步骤404，根据目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息。
在本发明实施例中，对于每个目标储层样本块的叠后地震数据体中当前地震道ui的裂缝特征信息，可以根据当前地震道ui以及与当前地震道ui相差预设数量个样点的另一地震道uj求得。具体的，通过当前地震道ui以及另一地震道uj确定每个目标储层样本块的叠后地震数据体中当前地震道ui的基础差异系数。
其中，预设数量个样点为预先定义数量个样点，例如可以该预设数量个样点可以表示为m个样点，该m的取值本领域技术人员可以根据实际情况和具体需求，以及经验等预先定义，本发明实施例对此不作特别的限制。
对于每个目标储层样本块的叠后地震数据体中当前地震道上ui的时间点t，地震道平面坐标在A(xi,yi)处的当前地震道ui，以及地震道平面坐标在B(xi,yi)处的、与当前地震道ui相差预设数量个样点的另一地震道uj，当前地震道ui的基础差异系数定义为：
Figure BDA0002510419030000091
且ms＜m＜me；
其中，
Figure BDA0002510419030000092
表示当前地震道ui的基础差异系数，xi及yi分别表示当前地震道ui地震数据的横坐标索引和纵坐标索引，xj和yj分别表示另一地震道uj地震数据的横坐标索引和纵坐标索引，t表示当前地震道上ui的时间点，m表示当前地震道ui与另一地震道uj相差的样点个数，τ表示卷积运算中的临时变量，无实际含义，ui表示当前地震道，ω表示预先设定的临时变量的取值边界，ms表示当前地震道ui与另一地震道uj相差样点个数的下边界，me表示当前地震道ui与另一地震道uj相差样点个数的上边界，其中，ms及me可以根据实际情况和具体需求预先设置。
至此，得到当前地震道ui的基础差异系数
Figure BDA0002510419030000093
以此为基础分别得到当前地震道ui的预设多个差异系数
Figure BDA0002510419030000094
Figure BDA0002510419030000095
然后，可以通过如下公式确定当前地震道ui的裂缝特征信息：
Figure BDA0002510419030000096
且ms＜m＜me
其中，
Figure BDA0002510419030000097
表示当前地震道ui的裂缝特征信息。
据此，可以依据上述方法得到每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，进而将每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息进行汇总组合，得到每个目标储层样本块的叠后地震数据体的裂缝特征信息。
在本发明实施例中，通过目标储层样本块的叠后地震数据体中每个地震道及另一地震道，确定叠后地震数据体中每个地震道的基础差异系数，进而确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，根据每个地震道的预设多个差异系数，确定目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，最终得到每个目标储层样本块的叠后地震数据体的裂缝特征信息，能够提高确定叠后地震数据体裂缝特征信息的准确性。
图5示出了本发明实施例提供的地震属性融合方法中步骤203的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定多尺度地震属性集的准确性，如图5所示，步骤203，对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集，包括：
步骤501，对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；
步骤502，利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
在本发明实施例中，假设得到的叠后地震数据体的裂缝特征信息在inline(x)和crossline(y)方向上的分布是彼此统计独立的，在这样的假定条件下定义连续多尺度分解模板的表达式如下：
Figure BDA0002510419030000101
其中，f(x,y)表示连续多尺度分解模板，x和y表示函数的自变量，f(x)和f(y)分别表示一维的高斯函数，x及y分别表示函数f(x)及f(y)的自变量，σx表示x方向上分析窗口的长度，σy表示y方向上分析窗口的长度，ux表示x方向上分析窗口的中心，uy表示y方向上分析窗口的中心。
在进行多尺度分解时，首先对上述连续多尺度分解模板进行离散化，得到近似的离散多尺度分解模板如下：
Figure BDA0002510419030000102
离散化得到离散多尺度分解模板后，利用该离散多尺度分解模板M对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，即利用该离散多尺度分解模板M对叠后地震数据体的裂缝特征信息做逐点卷积，得到不同尺度的多尺度地震属性集。例如，假设得到的不同尺度的多尺度地震属性集为Gij(x,y)，1≤i≤30且1≤j≤4。其中，下标i和j分别表示不同地震属性和不同尺度的索引。一般情况下，离散多尺度分解模板M滤波之后得到的后一层的地震属性是前一层地震属性低通滤波得到的较大尺度的结果。
在本发明实施例中，通过对连续多尺度分解模板进行离散化，确定离散多尺度分解模板，进而利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集，能够提高确定多尺度地震属性集的准确性。
图6示出了本发明实施例提供的地震属性融合方法中训练自适应函数神经网络的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高自适应函数神经网络对融合地震属性的识别准确性，如图6所示，训练自适应函数神经网络的步骤包括：
步骤601，对已知储层区域进行样本标注，建立已知储层区域的有监督样本集；有监督样本集包括多个大小等同的、预设规则形状的已知储层样本块；
步骤602，提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性；
步骤603，将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数；
步骤604，迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络；
步骤605，将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
在本发明实施例中，利用已知储层区域训练自适应函数神经网络时，首先通过对已知储层区域进行样本标注，建立已知储层区域的有监督样本集。该已知储层区域的有监督样本集中包括多个大小等同的、预设规则形状的已知储层样本块。本领域技术人员可以理解的是，该预设规则形状的已知储层样本块可以是正方体形状的样本块，还可以是除上述正方体形状的样本块之外的其它规则形状的样本块，例如长方体形状的样本块，本领域技术人员对此不作特别的限制。此处已知储层样本块和目标储层样本块为大小等同、形状一直的样本块，仅是为了进行描述上的区分，分别采用目标储层样本块及已知储层样本块的描述。
在得到由已知储层样本块组成的已知储层区域样本集后，提取样本集中每个已知储层样本块的多尺度地震属性。多尺度地震属性为不同地震属性的集合，本领域技术人员可以理解的是，可以采用现有技术中常用的地震属性提取方法，提取已知储层区域样本集中每个已知储层样本块的多尺度地震属性。
此时，将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性输入至自适应函数神经网络，训练并更新自适应函数神经网络的网络参数。
在本发明实施例中，自适应函数神经网络为三层神经网络，包括输入层、隐单元层和输出层，自适应函数神经网络各层节点之间以全连接的方式连接，采用sigmod函数作为激活函数。对自适应函数神经网络进行迭代训练(此处与现有神经网络的迭代训练过程一致)，与现有的神经网络不同的是，本发明实施例中的自适应函数神经网络，在训练过程稳定后，即满足迭代训练中止的条件后，统计自适应函数神经网络的输入层与隐单元层之间权重矩阵的权系数，将输入层与隐单元层之间权重矩阵的权系数的模值按照从小到大的顺序进行排列，并从中剔除预设比例的(例如5％或者10％等等)、模值较小的权系数，以此更新自适应函数神经网络的网络参数，从而形成新的自适应函数神经网络。
至此在获得新的自适应函数神经网络后，将训练数据重新输入新的自适应函数神经网络进行训练，重新执行步骤604，即迭代训练自适应函数神经网络，在训练稳定达到迭代训练中止的条件后，继续删除一定比例的、模值较小的输入层与隐单元层之间权重矩阵的权系数，以更新自适应函数神经网络的网络参数，形成新的自适应函数神经网络，依次循环直至满足预设循环停止条件时，获得训练后的自适应函数神经网络。此时，训练得到的自适应函数神经网络，识别出的融合地震属性包含的信息是最大化，突出了储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
在本发明实施例中，对已知储层区域进行样本标注，建立已知储层区域的有监督样本集，提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性，将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数，迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络，将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络，训练后的自适应函数神经网络，识别出的融合地震属性包含的信息是最大化，突出了储层区域的地质特征，能够提高自适应函数神经网络对融合地震属性的识别准确性，进而提高地震解释的可靠性和地震解释的精度。
图7示出了本发明实施例提供的地震属性融合方法中步骤602的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高提取多尺度地震属性集的准确性，如图7所示，步骤602，提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性，包括：
步骤701，对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个已知储层样本块的叠后地震数据体；
步骤702，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息；
步骤703，对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
在本发明实施例中，对样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，是指定义不同的方位角及偏移距的组合，然后以方位角及偏移距的组合为参数，对已知储层样本块的叠前地震数据体进行叠加，从而得到每个已知储层样本块的叠后地震数据体。本领域技术人员可以理解的是，该叠前地震数据体为包括方位角和偏移距的五维地震数据体，该叠后地震数据体为三维地震数据体。
在得到每个已知储层样本块的叠后地震数据体后，可以通过计算差异系数的方式确定叠后地震数据体中每个地震道的裂缝特征信息，进而将叠后地震数据体中所有地震道的裂缝特征信息汇总形成叠后地震数据体的裂缝特征信息。
在确定叠后地震数据体的裂缝特征信息后，对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，从而得到每个已知储层样本块的多尺度地震属性集。多尺度分解是指按照不同的尺度对地震属性进行分解，从而得到多尺度地震属性。
在本发明实施例中，对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，进而确定每个已知储层样本块的叠后地震数据体的裂缝特征信息，最后对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，能够提高提取多尺度地震属性集的准确性。
图8示出了本发明实施例提供的地震属性融合方法中步骤701的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高获取叠后地震数据体的准确性，如图8所示，步骤701，对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个已知储层样本块的叠后地震数据体，包括：
步骤801，将每个已知储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；
步骤802，将每个已知储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；
步骤803，将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；
步骤804，根据每个方位角偏移距组合对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，得到每个已知储层样本块的叠后地震数据体。
在本发明实施例中，在对已知储层样本块的叠前地震数据体进行分方位叠加时，首先将已知储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间，本领域技术人员可以理解的是，例如该预设范围为0°到180°的方位角区间等。然后将已知储层样本块的叠前地震数据体中地震道的偏移距按照大小范围分成N个偏移距区间，该N个偏移距区间可以是区间间隔等同的N个偏移距区间。
本领域技术人员可以理解的是，M和N为预先预先设定的正整数数值，例如，本领域技术人人员可以预先设定M为6，N为5，还可以预先设定除上述M为6，N为5之外的其它数值，例如预先设定M为6，N为8，或者M为8，N为5，或者M为8，N为8等等，本发明实施例对此不作特别的限制。具体的，例如将叠前地震数据体中地震道的方位角从0°到180°的范围分成6份，将地震道的偏移距按照大小范围分成5份等。
在将每个已知储层样本块的叠前地震数据体中地震道的方位角分成M个方位角区间，将偏移距分成N个偏移距区间后，将该M个方位角区间与N个偏移距区间进行排列组合，以此形成M×N个方位角偏移距组合。同样以上述为例，可形成6×5个方位角偏移距组合。至此，以每个方位角偏移距组合为参数，对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，据此形成每个已知储层样本块的叠后地震数据体。
在本发明实施例中，将每个已知储层样本块的叠前地震数据体中地震道的方位角分成M个方位角区间，同时将每个已知储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间，然后将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合，最后根据每个方位角偏移距组合对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，得到每个已知储层样本块的叠后地震数据体，能够提高获取叠后地震数据体的准确性。
图9示出了本发明实施例提供的地震属性融合方法中步骤702的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定叠后地震数据体裂缝特征信息的准确性，如图9所示，步骤702，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息，包括：
步骤901，根据每个已知储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；
步骤902，根据每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；
步骤903，根据每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；
步骤904，根据已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息。
本发明实施例中，确定已知储层样本块的叠后地震数据体的裂缝特征信息的过程，与图4及图4对应实施例所述的确定目标储层样本块的叠后地震数据体的裂缝特征信息的过程是类似的，具体请参见上述图4及图4对应实施例所述的，确定目标储层样本块的叠后地震数据体的裂缝特征信息的过程，本发明实施例对此不再详细赘述。
在本发明实施例中，通过已知储层样本块的叠后地震数据体中每个地震道及另一地震道，确定叠后地震数据体中每个地震道的基础差异系数，进而确定每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，根据每个地震道的预设多个差异系数，确定已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，最终得到每个已知储层样本块的叠后地震数据体的裂缝特征信息，能够提高确定叠后地震数据体裂缝特征信息的准确性。
图10示出了本发明实施例提供的地震属性融合方法中步骤703的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定多尺度地震属性集的准确性，如图10所示，步骤703，对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集，包括：
步骤501，对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；
步骤1001，利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
在本发明实施例中，对连续多尺度分解模板进行离散化，确定离散多尺度分解模板，具体请参见图5及图5对应实施例中的描述。另外，步骤1001，利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集，与图5及图5对应实施例中步骤502，利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集，具体请参见上述图5及图5对应实施例部分的描述，此处不再详细赘述。
在本发明实施例中，通过对连续多尺度分解模板进行离散化，确定离散多尺度分解模板，进而利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集，能够提高确定多尺度地震属性集的准确性。
本发明实施例中还提供了一种地震属性融合装置，如下面的实施例所述。由于这些装置解决问题的原理与地震属性融合方法相似，因此这些装置的实施可以参见方法的实施，重复之处不再赘述。
图11示出了本发明实施例提供的地震属性融合装置的功能模块，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图11，所述地震属性融合装置所包含的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述地震属性融合装置包括目标样本获取模块1101、目标样本提取模块1102及目标样本识别模块1103。
目标样本获取模块1101，用于获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块。
目标样本提取模块1102，用于提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集。
目标样本识别模块1103，用于将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；
其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环次数时停止，获得训练后的自适应函数神经网络。
在本发明实施例中，首先目标样本获取模块1101获取目标储层区域的样本集，进而目标样本提取模块1102提取样本集中每个目标储层样本块的多尺度地震属性集，从而目标样本识别模块1103将每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，通过训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性。鉴于本发明通过循环迭代删除自适应函数神经网络权重矩阵的权系数的方式，不断更新训练自适应函数神经网络，使得通过训练后的自适应函数神经网络识别得到的融合地震属性包含的信息最大化，突出了目标储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
图12示出了本发明实施例提供的地震属性融合装置中目标样本提取模块1102的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高提取多尺度地震属性集的准确性，参考图12，所述目标样本提取模块1102所包含的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述目标样本提取模块1102包括目标样本叠加单元1201、目标样本确定单元1202及目标样本分解单元1203。
目标样本叠加单元1201，用于对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体。
目标样本确定单元1202，用于确定每个目标储层样本块的叠后地震数据体的裂缝特征信息。
目标样本分解单元1203，用于对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
在本发明实施例中，目标样本叠加单元1201对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，进而目标样本确定单元1202确定每个目标储层样本块的叠后地震数据体的裂缝特征信息，最后目标样本分解单元1203对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，能够提高提取多尺度地震属性集的准确性。
图13示出了本发明实施例提供的地震属性融合装置中目标样本叠加单元1201的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高获取叠后地震数据体的准确性，参考图13，所述目标样本叠加单元1201所包含的各个单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述目标样本叠加单元1201包括目标样本方位角分解子单元1301、目标样本偏移距分解子单元1302、目标样本组合子单元1303及目标样本叠加子单元1304。
目标样本方位角分解子单元1301，用于将每个目标储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间。
目标样本偏移距分解子单元1302，用于将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间。
目标样本组合子单元1303，用于将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合。
目标样本叠加子单元1304，用于根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体。
在本发明实施例中，目标样本方位角分解子单元1301将每个目标储层样本块的叠前地震数据体中地震道的方位角分成M个方位角区间，同时目标样本偏移距分解子单元1302将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间，然后目标样本组合子单元1303将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合，最后目标样本叠加子单元1304根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体，能够提高获取叠后地震数据体的准确性。
图14示出了本发明实施例提供的地震属性融合装置中目标样本确定单元1202的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定叠后地震数据体裂缝特征信息的准确性，参考图14，所述目标样本确定单元1202所包含的各个单元用于执行图4对应实施例中的各个步骤，具体请参阅图4以及图4对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述目标样本确定单元1202包括目标样本基础差异系数确定子单元1401、目标样本多个差异系数确定子单元1402、目标样本地震道裂缝特征确定子单元1403及目标样本裂缝特征确定子单元1404。
目标样本基础差异系数确定子单元1401，用于根据每个目标储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点。
目标样本多个差异系数确定子单元1402，用于根据每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数。
目标样本地震道裂缝特征确定子单元1403，用于根据每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息。
目标样本裂缝特征确定子单元1404，用于根据目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息。
在本发明实施例中，目标样本基础差异系数确定子单元1401通过目标储层样本块的叠后地震数据体中每个地震道及另一地震道，目标样本多个差异系数确定子单元1402确定叠后地震数据体中每个地震道的基础差异系数，进而确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，目标样本地震道裂缝特征确定子单元1403根据每个地震道的预设多个差异系数，确定目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，最终目标样本裂缝特征确定子单元1404得到每个目标储层样本块的叠后地震数据体的裂缝特征信息，能够提高确定叠后地震数据体裂缝特征信息的准确性。
图15示出了本发明实施例提供的地震属性融合装置中目标样本分解单元1203的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定多尺度地震属性集的准确性，参考图15，所述目标样本分解单元1203所包含的各个单元用于执行图5对应实施例中的各个步骤，具体请参阅图5以及图5对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述目标样本分解单元1203包括离散化子单元1501及目标样本分解子单元1502。
离散化子单元1501，用于对连续多尺度分解模板进行离散化，确定离散多尺度分解模板。
目标样本分解子单元1502，用于利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
在本发明实施例中，离散化子单元1501通过对连续多尺度分解模板进行离散化，确定离散多尺度分解模板，进而目标样本分解子单元1502利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集，能够提高确定多尺度地震属性集的准确性。
图16示出了本发明实施例提供的地震属性融合装置中训练自适应函数神经网络的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高自适应函数神经网络对融合地震属性的识别准确性，参考图16，训练自适应函数神经网络所包含的各个单元用于执行图6对应实施例中的各个步骤，具体请参阅图6以及图6对应实施例中的相关描述，此处不再赘述。本发明实施例中，训练自适应函数神经网络包括已知样本获取模块1601、已知样本提取模块1602、已知样本训练模块1603、已知样本迭代删除模块1604及已知样本循环训练模块1605。
已知样本获取模块1601，用于对已知储层区域进行样本标注，建立已知储层区域的有监督样本集；有监督样本集包括多个大小等同的、预设规则形状的已知储层样本块。
已知样本提取模块1602，用于提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性。
已知样本训练模块1603，用于将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数。
已知样本迭代删除模块1604，用于迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络。
已知样本循环训练模块1605，用于将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
在本发明实施例中，已知样本获取模块1601对已知储层区域进行样本标注，建立已知储层区域的有监督样本集，已知样本提取模块1602提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性，已知样本训练模块1603将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数，已知样本迭代删除模块1604迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络，已知样本循环训练模块1605将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络，训练后的自适应函数神经网络，识别出的融合地震属性包含的信息是最大化，突出了储层区域的地质特征，能够提高自适应函数神经网络对融合地震属性的识别准确性，进而提高地震解释的可靠性和地震解释的精度。
图17示出了本发明实施例提供的地震属性融合装置中已知样本提取模块1602的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高提取多尺度地震属性集的准确性，参考图17，所述已知样本提取模块1602所包含的各个单元用于执行图7对应实施例中的各个步骤，具体请参阅图7以及图7对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述已知样本提取模块1602包括已知样本叠加单元1701、已知样本确定单元1702及已知样本分解单元1703。
已知样本叠加单元1701，用于对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个已知储层样本块的叠后地震数据体。
已知样本确定单元1702，用于确定每个已知储层样本块的叠后地震数据体的裂缝特征信息。
已知样本分解单元1703，用于对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
在本发明实施例中，已知样本叠加单元1701对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，进而已知样本确定单元1702确定每个已知储层样本块的叠后地震数据体的裂缝特征信息，最后已知样本分解单元1703对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，能够提高提取多尺度地震属性集的准确性。
图18示出了本发明实施例提供的地震属性融合装置中已知样本叠加单元1701的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高获取叠后地震数据体的准确性，参考图18，所述已知样本叠加单元1701所包含的各个单元用于执行图8对应实施例中的各个步骤，具体请参阅图8以及图8对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述已知样本叠加单元1701包括已知样本方位角分解子单元1801、已知样本偏移距分解子单元1802、已知样本组合子单元1803及已知样本叠加子单元1804。
已知样本方位角分解子单元1801，用于将每个已知储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间。
已知样本偏移距分解子单元1802，用于将每个已知储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间。
已知样本组合子单元1803，用于将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合。
已知样本叠加子单元1804，用于根据每个方位角偏移距组合对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，得到每个已知储层样本块的叠后地震数据体。
在本发明实施例中，已知样本方位角分解子单元1801将每个已知储层样本块的叠前地震数据体中地震道的方位角分成M个方位角区间，同时已知样本偏移距分解子单元1802将每个已知储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间，然后已知样本组合子单元1803将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合，最后已知样本叠加子单元1804根据每个方位角偏移距组合对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，得到每个已知储层样本块的叠后地震数据体，能够提高获取叠后地震数据体的准确性。
图19示出了本发明实施例提供的地震属性融合装置中已知样本确定单元1702的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定叠后地震数据体裂缝特征信息的准确性，参考图19，所述已知样本确定单元1702所包含的各个单元用于执行图9对应实施例中的各个步骤，具体请参阅图9以及图9对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述已知样本确定单元1702包括已知样本基础差异系数确定子单元1901、已知样本多个差异系数确定子单元1902、已知样本地震道裂缝特征确定子单元1903及已知样本裂缝特征确定子单元1904。
已知样本基础差异系数确定子单元1901，用于根据每个已知储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点。
已知样本多个差异系数确定子单元1902，用于根据每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数。
已知样本地震道裂缝特征确定子单元1903，用于根据每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息。
已知样本裂缝特征确定子单元1904，用于根据已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息。
在本发明实施例中，已知样本基础差异系数确定子单元1901通过已知储层样本块的叠后地震数据体中每个地震道及另一地震道，确定叠后地震数据体中每个地震道的基础差异系数，进而已知样本多个差异系数确定子单元1902确定每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，已知样本地震道裂缝特征确定子单元1903根据每个地震道的预设多个差异系数，确定已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，最终已知样本裂缝特征确定子单元1904得到每个已知储层样本块的叠后地震数据体的裂缝特征信息，能够提高确定叠后地震数据体裂缝特征信息的准确性。
图20示出了本发明实施例提供的地震属性融合装置中已知样本分解单元1703的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了提高确定多尺度地震属性集的准确性，参考图20，所述已知样本分解单元1703所包含的各个单元用于执行图10对应实施例中的各个步骤，具体请参阅图10以及图10对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述已知样本分解单元1703包括离散化子单元1501及已知样本分解子单元2001。
离散化子单元1501，用于对连续多尺度分解模板进行离散化，确定离散多尺度分解模板。
已知样本分解子单元2001，用于利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
在本发明实施例中，离散化子单元1501通过对连续多尺度分解模板进行离散化，确定离散多尺度分解模板，进而已知样本分解子单元2001利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集，能够提高确定多尺度地震属性集的准确性。
图21示出了本发明实施例提供的采用现有的地震属性融合方法得到的某实际储层区域的融合地震属性示意，图22示出了本发明实施例提供的采用本发明提供的地震属性融合方法得到的某实际储层区域的融合地震属性示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图21所示，采用现有的地震属性融合方法得到的某实际储层区域的融合地震属性，地震属性不够清晰，细节也不够丰富。
如图22所示，采用本发明提供的地震属性融合方法得到的某实际储层区域的融合地震属性，地震属性(断层)更加清晰，细节更加丰富。
由此可见，本发明实施例提供的地震属性融合方法得到的融合地震属性包含更加丰富的细节信息，突出了目标储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地震属性融合方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述地震属性融合方法的计算机程序。
综上所述，本发明实施例，首先获取目标储层区域的样本集，进而提取样本集中每个目标储层样本块的多尺度地震属性集，从而将每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，通过训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性。鉴于本发明通过循环迭代删除自适应函数神经网络权重矩阵的权系数的方式，不断更新训练自适应函数神经网络，使得通过训练后的自适应函数神经网络识别得到的融合地震属性包含的信息最大化，突出了目标储层区域的地质特征，能够提高地震解释的可靠性和地震解释的精度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (22)

1.一种地震属性融合方法，其特征在于，包括：
获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块；
提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集；
将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；
其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
2.如权利要求1所述的地震属性融合方法，其特征在于，提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集，包括：
对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体；
确定每个目标储层样本块的叠后地震数据体的裂缝特征信息；
对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
3.如权利要求2所述的地震属性融合方法，其特征在于，对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体，包括：
将每个目标储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；
将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；
将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；
根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体。
4.如权利要求2所述的地震属性融合方法，其特征在于，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息，包括：
根据每个目标储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；
根据每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；
根据每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；
根据目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息。
5.如权利要求2所述的地震属性融合方法，其特征在于，对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集，包括：
对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；
利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
6.如权利要求1所述的地震属性融合方法，其特征在于，训练自适应函数神经网络的步骤包括：
对已知储层区域进行样本标注，建立已知储层区域的有监督样本集；有监督样本集包括多个大小等同的、预设规则形状的已知储层样本块；
提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性；
将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数；
迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络；
将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
7.如权利要求6所述的地震属性融合方法，其特征在于，提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性，包括：
对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个已知储层样本块的叠后地震数据体；
确定每个已知储层样本块的叠后地震数据体的裂缝特征信息；
对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
8.如权利要求7所述的地震属性融合方法，其特征在于，对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个已知储层样本块的叠后地震数据体，包括：
将每个已知储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；
将每个已知储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；
将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；
根据每个方位角偏移距组合对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，得到每个已知储层样本块的叠后地震数据体。
9.如权利要求7所述的地震属性融合方法，其特征在于，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息，包括：
根据每个已知储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；
根据每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；
根据每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；
根据已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息。
10.如权利要求7所述的地震属性融合方法，其特征在于，对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集，包括：
对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；
利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
11.一种地震属性融合装置，其特征在于，包括：
目标样本获取模块，用于获取目标储层区域的样本集；目标储层区域的样本集包括多个大小等同的、预设规则形状的目标储层样本块；
目标样本提取模块，用于提取目标储层区域样本集中每个目标储层样本块的多尺度地震属性集；
目标样本识别模块，用于将目标储层区域样本集中每个目标储层样本块的多尺度地震属性集输入至训练后的自适应函数神经网络，利用训练后的自适应函数神经网络识别目标储层区域样本集的融合地震属性；
其中，通过循环迭代删除自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的方式更新网络参数，在满足预设循环次数时停止，获得训练后的自适应函数神经网络。
12.如权利要求11所述的地震属性融合装置，其特征在于，目标样本提取模块包括：
目标样本叠加单元，用于对目标储层区域样本集中每个目标储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个目标储层样本块的叠后地震数据体；
目标样本确定单元，用于确定每个目标储层样本块的叠后地震数据体的裂缝特征信息；
目标样本分解单元，用于对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
13.如权利要求12所述的地震属性融合装置，其特征在于，目标样本叠加单元包括：
目标样本方位角分解子单元，用于将每个目标储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；
目标样本偏移距分解子单元，用于将每个目标储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；
目标样本组合子单元，用于将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；
目标样本叠加子单元，用于根据每个方位角偏移距组合对每个目标储层样本块的叠前地震数据体中的地震道进行叠加，得到每个目标储层样本块的叠后地震数据体。
14.如权利要求12所述的地震属性融合装置，其特征在于，目标样本确定单元包括：
目标样本基础差异系数确定子单元，用于根据每个目标储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；
目标样本多个差异系数确定子单元，用于根据每个目标储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；
目标样本地震道裂缝特征确定子单元，用于根据每个目标储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；
目标样本裂缝特征确定子单元，用于根据目标储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个目标储层样本块的叠后地震数据体的裂缝特征信息。
15.如权利要求12所述的地震属性融合装置，其特征在于，目标样本分解单元包括：
离散化子单元，用于对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；
目标样本分解子单元，用于利用离散多尺度分解模板对每个目标储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个目标储层样本块的多尺度地震属性集。
16.如权利要求11所述的地震属性融合装置，其特征在于，训练自适应函数神经网络包括：
已知样本获取模块，用于对已知储层区域进行样本标注，建立已知储层区域的有监督样本集；有监督样本集包括多个大小等同的、预设规则形状的已知储层样本块；
已知样本提取模块，用于提取已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性；
已知样本训练模块，用于将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性作为输入，训练自适应函数神经网络的网络参数；
已知样本迭代删除模块，用于迭代训练自适应函数神经网络，当满足迭代训练中止的条件时，按照自适应函数神经网络输入层与隐单元层之间权重矩阵的权系数的模值大小，删除预设比例的、模值较小的权系数，形成新的自适应函数神经网络；
已知样本循环训练模块，用于将已知储层区域有监督样本集中每个已知储层样本块的多尺度地震属性重新输入新的自适应函数神经网络，循环执行上述迭代训练自适应函数神经网络的过程，在满足预设循环停止条件时，获得训练后的自适应函数神经网络。
17.如权利要求16所述的地震属性融合装置，其特征在于，已知样本提取模块包括：
已知样本叠加单元，用于对已知储层区域样本集中每个已知储层样本块的叠前地震数据体进行自适应分方位叠加，获得每个已知储层样本块的叠后地震数据体；
已知样本确定单元，用于确定每个已知储层样本块的叠后地震数据体的裂缝特征信息；
已知样本分解单元，用于对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
18.如权利要求17所述的地震属性融合装置，其特征在于，已知样本叠加单元包括：
已知样本方位角分解子单元，用于将每个已知储层样本块的叠前地震数据体中地震道的方位角在预设范围内分成M个方位角区间；
已知样本偏移距分解子单元，用于将每个已知储层样本块的叠前地震数据体中地震道的偏移距分成N个偏移距区间；
已知样本组合子单元，用于将M个方位角区间与N个偏移距区间进行排列组合，形成M×N个方位角偏移距组合；
已知样本叠加子单元，用于根据每个方位角偏移距组合对每个已知储层样本块的叠前地震数据体中的地震道进行叠加，得到每个已知储层样本块的叠后地震数据体。
19.如权利要求17所述的地震属性融合装置，其特征在于，已知样本确定单元包括：
已知样本基础差异系数确定子单元，用于根据每个已知储层样本块的叠后地震数据体中每个地震道及另一地震道，确定每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数；其中，另一地震道与所述每个地震道相差预设数量个样点；
已知样本多个差异系数确定子单元，用于根据每个已知储层样本块的叠后地震数据体中每个地震道的基础差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数；
已知样本地震道裂缝特征确定子单元，用于根据每个已知储层样本块的叠后地震数据体中每个地震道的预设多个差异系数，确定每个已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息；
已知样本裂缝特征确定子单元，用于根据已知储层样本块的叠后地震数据体中每个地震道的裂缝特征信息，确定每个已知储层样本块的叠后地震数据体的裂缝特征信息。
20.如权利要求17所述的地震属性融合装置，其特征在于，已知样本分解单元包括：
离散化子单元，用于对连续多尺度分解模板进行离散化，确定离散多尺度分解模板；
已知样本分解子单元，用于利用离散多尺度分解模板对每个已知储层样本块的叠后地震数据体的裂缝特征信息进行多尺度分解，确定每个已知储层样本块的多尺度地震属性集。
21.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10任一所述地震属性融合方法。
22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至10任一所述地震属性融合方法的计算机程序。
CN202010459269.1A 2020-05-27 2020-05-27 地震属性融合方法及装置 Active CN111736217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010459269.1A CN111736217B (zh) 2020-05-27 2020-05-27 地震属性融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010459269.1A CN111736217B (zh) 2020-05-27 2020-05-27 地震属性融合方法及装置

Publications (2)

Publication Number Publication Date
CN111736217A true CN111736217A (zh) 2020-10-02
CN111736217B CN111736217B (zh) 2023-12-26

Family

ID=72648185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010459269.1A Active CN111736217B (zh) 2020-05-27 2020-05-27 地震属性融合方法及装置

Country Status (1)

Country Link
CN (1) CN111736217B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112083498A (zh) * 2020-10-16 2020-12-15 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN114624767A (zh) * 2020-12-08 2022-06-14 中国石油天然气集团有限公司 地震属性融合方法及装置
CN117991370A (zh) * 2024-03-08 2024-05-07 成都星辉科瑞科技有限责任公司 一种页岩气多尺度裂缝小断层叠前智能增强检测方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5940778A (en) * 1997-07-31 1999-08-17 Bp Amoco Corporation Method of seismic attribute generation and seismic exploration
US20030046006A1 (en) * 2001-08-31 2003-03-06 Exxonmobil Upstream Research Company Method for classifying AVO data using an interpreter-trained neural network
CN102928876A (zh) * 2012-11-14 2013-02-13 中国石油集团川庆钻探工程有限公司地球物理勘探公司 基于脉冲耦合神经网络的地震属性融合方法
US20130096898A1 (en) * 2010-07-29 2013-04-18 Exxonmobile Upstream Research Company Methods and Systems For Machine - Learning Based Simulation of Flow
CN103576191A (zh) * 2012-08-02 2014-02-12 中国石油天然气集团公司 一种采用地震属性识别断层的方法
CN104570083A (zh) * 2013-10-29 2015-04-29 中国石油天然气集团公司 基于多维地震属性的地质体自动识别方法
CN105277979A (zh) * 2015-10-16 2016-01-27 中国石油天然气集团公司 一种地震属性的优化方法和装置
CN106610508A (zh) * 2016-11-15 2017-05-03 中国石油天然气股份有限公司 一种裂缝的地震属性判识系统及方法
CN106873033A (zh) * 2017-03-13 2017-06-20 中国海洋石油总公司 一种基于神经网络的多属性地震信息融合裂缝预测的方法
CN107356958A (zh) * 2017-07-21 2017-11-17 西南石油大学 一种基于地质信息约束的河流相储层分步地震相预测方法
CN108897066A (zh) * 2018-08-23 2018-11-27 中国石油天然气股份有限公司 碳酸盐岩裂缝密度定量预测方法及装置
CN109709612A (zh) * 2018-11-07 2019-05-03 中国石油大学(北京) 砂体分布预测方法、装置、设备及可读存储介质
CN109709603A (zh) * 2018-11-23 2019-05-03 中国石油天然气股份有限公司 地震层位识别与追踪方法、系统
CN109839663A (zh) * 2019-03-20 2019-06-04 山西山地物探技术有限公司 一种隐伏陷落柱的地震识别方法和装置
CN110609320A (zh) * 2019-08-28 2019-12-24 电子科技大学 一种基于多尺度特征融合的叠前地震反射模式识别方法
US20200088897A1 (en) * 2018-09-14 2020-03-19 Bp Corporation North America Inc. Machine Learning-Based Analysis of Seismic Attributes

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5940778A (en) * 1997-07-31 1999-08-17 Bp Amoco Corporation Method of seismic attribute generation and seismic exploration
US20030046006A1 (en) * 2001-08-31 2003-03-06 Exxonmobil Upstream Research Company Method for classifying AVO data using an interpreter-trained neural network
US20130096898A1 (en) * 2010-07-29 2013-04-18 Exxonmobile Upstream Research Company Methods and Systems For Machine - Learning Based Simulation of Flow
CN103576191A (zh) * 2012-08-02 2014-02-12 中国石油天然气集团公司 一种采用地震属性识别断层的方法
CN102928876A (zh) * 2012-11-14 2013-02-13 中国石油集团川庆钻探工程有限公司地球物理勘探公司 基于脉冲耦合神经网络的地震属性融合方法
CN104570083A (zh) * 2013-10-29 2015-04-29 中国石油天然气集团公司 基于多维地震属性的地质体自动识别方法
CN105277979A (zh) * 2015-10-16 2016-01-27 中国石油天然气集团公司 一种地震属性的优化方法和装置
CN106610508A (zh) * 2016-11-15 2017-05-03 中国石油天然气股份有限公司 一种裂缝的地震属性判识系统及方法
CN106873033A (zh) * 2017-03-13 2017-06-20 中国海洋石油总公司 一种基于神经网络的多属性地震信息融合裂缝预测的方法
CN107356958A (zh) * 2017-07-21 2017-11-17 西南石油大学 一种基于地质信息约束的河流相储层分步地震相预测方法
CN108897066A (zh) * 2018-08-23 2018-11-27 中国石油天然气股份有限公司 碳酸盐岩裂缝密度定量预测方法及装置
US20200088897A1 (en) * 2018-09-14 2020-03-19 Bp Corporation North America Inc. Machine Learning-Based Analysis of Seismic Attributes
CN109709612A (zh) * 2018-11-07 2019-05-03 中国石油大学(北京) 砂体分布预测方法、装置、设备及可读存储介质
CN109709603A (zh) * 2018-11-23 2019-05-03 中国石油天然气股份有限公司 地震层位识别与追踪方法、系统
CN109839663A (zh) * 2019-03-20 2019-06-04 山西山地物探技术有限公司 一种隐伏陷落柱的地震识别方法和装置
CN110609320A (zh) * 2019-08-28 2019-12-24 电子科技大学 一种基于多尺度特征融合的叠前地震反射模式识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
廖林等: "薄互层泥云岩储层裂缝预测方法研究", 《中国矿业大学学报》 *
廖林等: "薄互层泥云岩储层裂缝预测方法研究", 《中国矿业大学学报》, 31 March 2016 (2016-03-31), pages 347 - 356 *
王世星等: "《中国石油大学出版社》", 31 December 2017, pages: 84 - 85 *
陈加林;张兴平;: "基于地震波形差异属性精细分析煤矿陷落柱边界及发育高度", 中国煤炭地质, no. 08 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112083498A (zh) * 2020-10-16 2020-12-15 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN114624767A (zh) * 2020-12-08 2022-06-14 中国石油天然气集团有限公司 地震属性融合方法及装置
CN117991370A (zh) * 2024-03-08 2024-05-07 成都星辉科瑞科技有限责任公司 一种页岩气多尺度裂缝小断层叠前智能增强检测方法

Also Published As

Publication number Publication date
CN111736217B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN111736217A (zh) 地震属性融合方法及装置
JP5650353B2 (ja) 地震イベントパラメータの推定を取得する方法及びそのシステム、地震イベント探索エンジン
US9279905B2 (en) Method for extracting a thumbnail image from a training image so as to constrain the multipoint geostatistical modeling of the subsoil
CN102981182B (zh) 基于无监督分类的二维地震数据全层位自动追踪方法
US11169287B2 (en) Method and system for automated velocity model updating using machine learning
KR101764615B1 (ko) 공간 지식 추출기 및 추출 방법
CN110097069A (zh) 一种基于深度多核学习的支持向量机岩相识别方法及装置
US20130346394A1 (en) Virtual tree
CN110927793B (zh) 一种基于序贯随机模糊模拟的储层预测方法及系统
CN112990320A (zh) 一种岩性的分类方法、装置、电子设备及存储介质
CN105700016A (zh) 生物滩储层地震预测的方法
Zhang et al. Microseismic search engine for real-time estimation of source location and focal mechanism
US20230141334A1 (en) Systems and methods of modeling geological facies for well development
NO20151288A1 (en) Method for modeling and subsurface volume
CN113052968B (zh) 三维构造地质模型的知识图谱构建方法
CN116027454A (zh) 一种砂岩厚度等值线图的成图方法及智能绘制装置
Siddiquee et al. SeiSMo: Semi-supervised time series motif discovery for seismic signal detection
Ren et al. BTRPP: A rapid PGA prediction model based on machine learning
CN111751882B (zh) 生成敏感岩石物理参数的方法和装置
CN111553981B (zh) 一种基于建模区域分类的三维地质建模方法及系统
Emelyanova et al. Unsupervised identification of electrofacies employing machine learning
US20200334404A1 (en) Computer implemented method for manipulating a numerical model of a 3d domain
CN114063169B (zh) 一种波阻抗反演方法、系统、设备和存储介质
CN112860820B (zh) 一种通用地球物理数据存储方法及装置
CN107730586A (zh) 一种地层建模的方法和系统

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