CN112083498A - 一种基于深度神经网络的多波地震油气储层预测方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的多波地震油气储层预测方法，该方法包括如下步骤：首先，针对从纵横波地震属性集获得的原始数据，采用粒子群优化的聚类分析方法和核主成分分析方法进行地震属性的优选优化，去除冗余信息，突出多波地震油气储层特征，以获得较好的深度神经网络样本数据；然后，通过深度神经网络模型对获得的样本数据进行学习并进行仿真预测，获得油气储层评价图；最后，对油气储层评价图进行图像增强处理，以提高图像的细节信息和边缘辨识度，从而增加图像的清晰度。在油气储层预测中，本发明方法能够提高地震油气储层的刻画精度，为油气藏的识别与预测提供了一种新的途径。

Description

一种基于深度神经网络的多波地震油气储层预测方法

技术领域

本发明属于油气储层预测技术领域，特别涉及一种基于深度神经网络的多波地震油气储层预测方法。

背景技术

地震油气储层预测一直是油气田勘探开发的热点和难点。地震数据包含丰富的地质体构造、含油气物性特征以及地下岩层等信息，因此，利用地震数据获得与油气相关的岩性、物性的信息是一种有效的预测方法。目前，常用的地震油气储层预测技术主要有地震属性分析技术、AVO技术、地震裂缝预测技术、岩石物理分析技术、正演模拟以及多波地震油气检测等。地震属性分析技术利用地震属性携带的丰富的油气储层地质信息，进行储层预测及流体识别，在油气勘探领域得到了广泛的应用。然而随着数学与计算机技术的发展，可获得的地震属性多达数百种，但过多的地震属性提取将存在大量数据赘余，出现提取的属性与地质意义对应不明确等问题，同时计算量也大大增加，因此，如何对多种属性进行优选优化，以提高生产效率，降低勘探成本是现阶段急需要面临的问题。机器学习由于具有强鲁棒性、特征提取明显、效率高等优点，在图像处理、信号识别等方面应用较为广泛，目前主要方法有聚类分析、遗传算法、模糊理论、神经网络以及深度学习等。近年来，随着大数据和人工智能的快速发展，加速了人工智能技术在地球物理学中的应用，推动了地球物理学向机器智能化方向发展，在解决地震属性冗余、油气藏识别与预测问题等都有展现出很好的应用效果。

发明内容

本发明的目的在于提出一种基于深度神经网络的多波地震油气储层预测方法，通过对地震属性优选优化，并通过深度神经网络进行学习，以提高地震油气储层预测的精度。

本发明为了实现上述目的，采用如下技术方案：

一种基于深度神经网络的多波地震油气储层预测方法，包括如下步骤：

I.对地震属性进行优选优化获得样本数据；

I.1.首先基于莱因达准则剔除地震属性中的异常值；

定义纵横波地震属性集E＝{c₁₁,c₁₂,…,c_1N,c₂₁,c₂₂,…,c_MN}，M为crossline方向的道数，N为inline方向的道数；利用公式(1)和(2)分别计算得到地震属性的平均值

和剩余误差Δc_ij；

随后通过贝塞尔法求取均方根误差σ：

对纵横波地震属性集E中的每个地震属性c_ij逐一进行判断，当地震属性c_ij的剩余误差Δc_ij＞3σ时，则地震属性c_ij为异常点，应予以剔除；

对经过异常值剔除后的纵横波地震属性集E进行标准化处理；

I.2.基于粒子群优化的聚类分析法从纵横波地震属性集E中优选地震属性；

①确定聚类划分；

对于每一个地震属性c_ij，根据评价函数J来计算地震属性c_ij与聚类中心o_p的距离，并确定该地震属性c_ij的聚类划分；评价函数J表示形式为：

其中，K表示已知的聚类数目，ω_j表示ω＝{ω₁,ω₂,…,ω_j}中某一聚类划分；p＝1,2,……,K；dist(c_ij,o_p)表示地震属性c_ij到对应的聚类中心o_p的欧式度量距离；

当聚类中心确定时，由最近邻法则决定聚类的划分，即对某一地震属性c_ij,若满足c_ij与对应的聚类中心o_p的距离是所有地震属性与聚类中心的最小值，如公式(5)所示：

则地震属性c_ij属于聚类ω_j；

其中，d(c_ij,o_p)表示地震属性c_ij到对应的聚类中心o_p的欧式距离的最小值；

按照地震属性的聚类划分，重新计算聚类中心o_p，以下列方式更新粒子的适应度函数f(c)；

其中，ζ为常数；

用粒子新的适应度值s_hd和它先前的个体极值pbest_hd进行比较，若f(s_hd)>f(pbest_hd)，则更新粒子的个体极值pbest_hd，令pbest_hd＝s_hd；否则不更新；

用粒子新的个体极值pbest_hd和全体极值pbest_gd进行比较，若f(pbest_hd)>f(pbest_gd)，则更新全体极值pbest_gd，令pbest_gd＝pbest_hd；否则不更新；

②更新粒子适应度；

通过公式(7)和式(8)对粒子状态进行更新，使误差不断下降，获得较好的聚类划分；

基本粒子群的速度更新方程为：

v_hd(t+1)＝θv_hd(t)+a₁r₁(pbest_hd-s_hd(t))+a₂r₂(pbest_gd-s_hd(t)) (7)

基本粒子群的位置更新方程为：

s_hd(t+1)＝s_hd(t)+v_hd(t+1),h＝1,2,…,n；d＝1,2,…,D (8)

其中，a₁和a₂为加速常数，即学习因子；a₁和a₂分别用来表示个体和群体最好位置对粒子运动速度的影响；r₁和r₂表示在0到1开区间内的随机数；

n表示粒子维数，D表示空间维数；

t为粒子群算法的迭代次数；v_hd(t)表示第h个粒子在第t次迭代中第d维上的速度；s_hd(t)表示第h个粒子在t次迭代时d维上的位置；θ是粒子的权重系数，其计算公式如下：

其中，θ_max为初始惯性权重值，θ_min为终止惯性权重值，T_max为最大迭代次数；

若当前迭代次数达到最大迭代次数T_max或适应度值趋于零，则停止迭代，并输出最优聚类结果，基于粒子群优化的聚类分析法结束；通过聚类结果得到聚类谱系图；

对各类地震属性进行分析优选，获得经过聚类分析后的地震属性；

I.3.对基于粒子群优化的聚类分析法处理后得到的地震属性进行复合运算；

以α_ij表示在纵横波地震属性集中提取的目标层面的纵波类属性PP，如式(10)所示：

以β_ij表示在纵横波地震属性集中提取的目的层的转换横波属性PS，如(11)式所示：

其中，1≤i≤M，1≤j≤N，M为crossline方向的道数，N为inline方向的道数；

利用公式(12)和公式(13)给出的多波复合计算方法，对基于粒子群优化的聚类分析法优选后的地震属性进行复合运算，得到各类复合地震属性；

当一种地震属性集敏感，且另一种地震属性集不敏感，或者两种地震属性均对油气敏感，且其中一种地震属性的敏感程度与油气表征值呈负相关时，使用比值属性和差值属性来突出敏感区；比值类属性和差值类属性的计算公式如公式(12)所示；

其中，A_ij表示差值属性，B_ij表示比值属性，1≤i≤M，1≤j≤N；

当两种地震属性集均对油气敏感，且敏感程度与油气表征值呈正相关时，使用乘积属性和叠合属性突出敏感区域压制非敏感区域；乘积属性和叠合属性的计算公式如式(13)所示；

其中，C_ij表示叠合属性，D_ij表示乘积属性，1≤i≤M，1≤j≤N；

基于粒子群优化的聚类分析法优选后的地震属性进行复合运算，得到各类复合地震属性；

I.4.利用核主成分分析方法优化复合地震属性；首先采用标准差标准化方法对步骤I.3中获得的多波复合地震属性进行预处理；然后，在高斯径向核函数的作用下，求取复合地震属性的协方差矩阵，并通过特征值分解获得特征值和特征向量；最后，计算主成分贡献率与累计贡献率，按贡献率由大到小的顺序对主成分进行排序，选择与最大特征值对应的特征向量与输入地震属性计算，得出主成分信息；

选择主成分具体数目主要遵循以下两个原则：

②主成分的累计贡献率Q值设置为85％；②得到的各主成分特征值需要大于1；

利用公式(14)计算出累计贡献Q值的大小，计算出前m个主成分的贡献值，从而得到累计贡献率大于或等于85％的前m个主成分；

其中，L为主成分的数量，k＝1,2,…L，λ_k为特征值；

步骤I.3中的复合地震属性经核主成分分析后得到的主成分信息F_m由公式(15)表示为：

F_m＝γ_m1X₁+γ_m2X₂+…+γ_mnX_n (15)

其中，γ_m1,γ_m2,……,γ_mn为特征向量，X₁,X₂,……,X_n为标准化后的复合地震属性数据；

通过核主成分分析得到主成分数据，将这些数据作为深度神经网络的样本数据；

Ⅱ.基于深度神经网络进行多波地震油气储层的预测；

Ⅱ.1.构建深度神经网络模型；其中，深度神经网络某一神经元的输出为：

式中，

为深度神经网络中第k层的第j个神经元的输出；

f为深度神经网络的激活函数；

为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；

表示为输入的地震属性样本x^k的第i个分量；

为深度神经网络模型第k层第j个神经元的偏置项；

Ⅱ.2.深度神经网络模型训练；

在步骤I.4中获得的样本数据中，提取已知井位周围的主成分数据作为深度神经网络模型的训练样本数据；其中，已知井位包括气井和干井；

将训练样本数据输入到深度神经网络模型中，并对深度神经网络模型进行训练；

将深度神经网络的预测输出与期望输出进行比较；若深度神经网络的预测输出与期望输出之间出现偏差，则进行误差反向传播过程。

在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，其误差e_k计算公式为：

式中，d_i为期望输出，y_i为深度神经网络的预测输出；

深度神经网络在误差反向传播过程中，通过参数优化方法，不断更新各层的权值和偏置，使得深度神经网络的预测输出结果趋近于期望输出；

其中，对深度神经网络的权值和偏置的具体调整过程如下：

深度神经网络隐含层的第i个神经元到输出层的第j个神经元的连接权重w_ij和偏置b_j，其从第l个取值到第l+1个取值的更新方式为：

w_ij(l+1)＝w_ij(l)+Δw (18)

b_j(l+1)＝b_j(l)+Δb (19)

Δw和Δb分别代表权值和偏置的增量，Δw和Δb的表达式如公式(20)和(21)所示：

Δw＝[J^T(w)J(w)+δI]^-1J^T(w)e_k (20)

Δb＝[J^T(b)J(b)+δI]^-1J^T(b)e_k (21)

其中，J(w)，J(b)代表雅可比矩阵，δ为学习率，I为单位矩阵；

在深度神经网络训练刚开始时，误差e_k较大，学习率δ较大；随着深度神经网络训练的不断进行，误差e_k越来越小，学习率δ逐渐变小；

在预测输出结果趋近于期望输出时，学习率δ趋于0，此时，公式(20)和(21)变为：

Δw＝[J^T(w)J(w)]^-1J^T(w)e_k (22)

Δb＝[J^T(b)J(b)]^-1J^T(b)e_k (23)

当深度神经网络训练的均方误差满足小于0.001的精度要求时，停止更新并输出训练所得到的权值和偏置；此时，获得训练好的深度神经网络模型；

Ⅱ.3.油气储层预测；

将步骤I.4得到的所有主成分数据作为预测样本输入到经过步骤II.2训练好的深度神经网络模型中，进行仿真预测，进而得到地震油气储层评价图；

Ⅲ.油气储层评价图增强处理；

将步骤Ⅱ中获得的地震油气储层评价图进行图像增强处理；

具体过程如下：首先将图像由RGB空间转换到HSV空间进行图像的增强处理，然后将增强后的图像由HSV空间转换回RGB空间，即可得到该地区的油气储层评价图。

本发明具有如下优点：

如上所述，本发明针对多波地震属性在油气储层敏感度上存在的差异，设计了一种多机器学习方法混合模型。首先，本发明方法通过对原始地震数据进行聚类分析、复合运算、核主成分分析等处理后，实现了对地震属性的优选优化，去除了冗余信息，可以使样本数据输入到深度神经网络进行训练时能够更加精确；然后使用优化后的深度神经网络进行预测，以解决传统的神经网络易陷入局部最优及收敛速度慢等问题，从而提高地震油气储层的刻画精度；最后通过将得到的地震油气储层评价图由RGB空间转换到HSV空间，并在HSV空间进行油气储层评价图像的增强，以提高图像的细节信息和边缘辨识度，增加了图像的清晰度。本发明通过以上方法的组合，明显提高了地震油气储层预测的精度。

附图说明

图1为本发明实施例中基于深度神经网络的多波地震油气储层预测方法的流程示意图。

图2为本发明实施例中用于储层预测的深度神经网络的结构示意图。

图3为本发明实施例中深度神经网络的训练过程示意图。

图4为本发明实施例中图像增强的流程示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

实施例

本实施例述及了一种基于深度神经网络的多波地震油气储层预测方法。如图1所示，该基于深度神经网络的多波地震油气储层预测方法包括如下步骤：

I.对地震属性进行优选优化获得样本数据。

从地震数据体中提取的大量的纵波与转换横波地震属性。地震属性的增多虽能提供丰富的地下信息，增加对地下油气储层特征的解释，但过多的地震属性会带来信息重叠，出现大量地震属性数据赘余现象，对精确探索地下油气储层的分布带来干扰信息。

因此，需要对大量的地震属性进行优选优化处理，避免过多的赘余地震属性造成预测结果精度降低，本发明实施例以聚类分析技术为载体，结合人工经验方法，对地震属性进行优选处理，聚类分析方法能够突出地震属性所包含的油气特征，将其与专家经验相结合，能够降低冗余信息，同时提高深度神经网络的准确性。该步骤I具体包括如下步骤：

I.1.首先基于莱因达准则剔除地震属性中的异常值。

从地震数据体中提取的大量的纵波与转换横波地震属性，由于受到个别地段信噪比低的影响和噪音的干扰，会存在过大或过小的异常值，导致油气储层的预测结果不准确，因此，必须对这些异常值进行剔除。本发明采用莱因达准则进行地震属性异常值剔除。

定义纵横波地震属性集E＝{c₁₁,c₁₂,…,c_1N,c₂₁,c₂₂,…,c_MN}，M为crossline方向的道数，N为inline方向的道数；利用公式(1)和(2)分别计算得到地震属性的平均值

和剩余误差Δc_ij。

随后通过贝塞尔法求取均方根误差σ：

对纵横波地震属性集E中的每个地震属性c_ij逐一进行判断，当地震属性c_ij的剩余误差Δc_ij＞3σ时，则地震属性c_ij为异常点，应予以剔除；对经过异常值剔除后的纵横波地震属性集E进行标准化处理，使不同地震属性具有相同的变化范围，以方便进行后续处理。

I.2.基于粒子群优化(PSO)的聚类分析法从纵横波地震属性集E中优选地震属性。

为了避免传统的K-均值(K-means)聚类算法，容易受最初簇中心的影响，存在易收敛到局部最优解等缺点，本发明实施例通过利用PSO良好的全局搜索功能，将PSO运用到聚类分析算法中。PSO聚类分析算法中，每代种群中的粒子能根据自身和周围的位置和速度信息，不断趋于全局最优，从而能够在相对较少的迭代次数内找到最优解。

基于PSO对地震属性数据集进行分类的具体步骤如下：

将地震属性集E中的地震属性任意归类，作为最开始的聚类划分。对于每个粒子s_h，初始化粒子的位置和速度向量，即聚类中心o_p的位置信息作为粒子s_h的位置，设置粒子s_h的初始速度为0，粒子的适应度即为聚类中心的适应函数f(c)，以此得到n个初始粒子。当前粒子的最好位置设为初始个体极值pbest_hd，所有粒子的全局最好位置设为全局极值pbest_gd。

①确定聚类划分；

对于每一个地震属性c_ij，根据评价函数J来计算地震属性c_ij与聚类中心o_p的距离，并确定该地震属性c_ij的聚类划分；评价函数J表示形式为：

其中，K表示已知的聚类数目，ω_j表示ω＝{ω₁,ω₂,…,ω_j}中某一聚类划分；p＝1,2,……,K；dist(c_ij,o_p)表示地震属性c_ij到对应的聚类中心o_p的欧式度量距离。

当聚类中心确定时，由最近邻法则决定聚类的划分，即对某一地震属性c_ij,若满足c_ij与对应的聚类中心o_p的距离是所有地震属性与聚类中心的最小值，如公式(5)所示：

则地震属性c_ij属于聚类ω_j；

其中，d(c_ij,o_p)表示地震属性c_ij到对应的聚类中心o_p的欧式距离的最小值。

按照地震属性的聚类划分，重新计算聚类中心o_p，以下列方式更新粒子的适应度函数f(c)；

其中，ζ为常数。

用粒子新的适应度值s_hd和它先前的个体极值pbest_hd进行比较，若f(s_hd)>f(pbest_hd)，则更新粒子的个体极值pbest_hd，令pbest_hd＝s_hd；否则不更新；

用粒子新的个体极值pbest_hd和全体极值pbest_gd进行比较，若f(pbest_hd)>f(pbest_gd)，则更新全体极值pbest_gd，令pbest_gd＝pbest_hd；否则不更新。

②更新粒子适应度；

通过公式(7)和式(8)对粒子状态进行更新，使误差不断下降，获得较好的聚类划分。

基本粒子群的速度更新方程为：

v_hd(t+1)＝θv_hd(t)+a₁r₁(pbest_hd-s_hd(t))+a₂r₂(pbest_gd-s_hd(t)) (7)

基本粒子群的位置更新方程为：

s_hd(t+1)＝s_hd(t)+v_hd(t+1),h＝1,2,…,n；d＝1,2,…,D (8)

其中，a₁和a₂为加速常数，即学习因子；a₁和a₂分别用来表示个体和群体最好位置对粒子运动速度的影响；r₁和r₂表示在0到1开区间内的随机数。

n表示粒子维数，d表示数据维数，D表示空间维数。

t为粒子群算法的迭代次数；v_hd(t)表示第h个粒子在第t次迭代中第d维上的速度；s_hd(t)表示第h个粒子在t次迭代时d维上的位置。

θ是粒子的权重系数。θ的大小对粒子的局部和全局搜索方向有决定性的影响作用，随着θ增大，粒子的全局搜索能力越来越强；反之，则粒子的局部搜索能力越来越强。

θ的计算公式如下：

其中，θ_max为初始惯性权重值，θ_min为终止惯性权重值，T_max为最大迭代次数；

若当前迭代次数达到最大迭代次数T_max或适应度值趋于零，则停止迭代，并输出最优聚类结果，基于粒子群优化的聚类分析法结束；

通过聚类结果得到聚类谱系图；对各类地震属性进行优选优化，但这仅仅只代表着数学意义下的优化属性，实际优选优化结果具体还要结合人为经验以及地震属性所表征的地质意义。两者方法相结合，能够获得经过聚类分析后的地震属性。

I.3.对基于粒子群优化的聚类分析法处理后得到的地震属性进行复合运算。

大多数复合地震属性方法是建立在单一纵波基础上的，而在地震勘探中，横波也能提供丰富的地下信息，对探明地下油气储层分布具有重要的意义。通过利用纵波和转换横波的信息构建复合地震属性，可以获得更加丰富的岩性与流体信息，从而突出油气信息特征，以降低传统纵波地震属性分析存在的多解性与不确定性。通过利用纵横波对油气储层相应的差异性与相似性，构建了叠合类、乘积类、差值类和比值类四类复合地震属性。

以α_ij表示在纵横波地震属性集中提取的目标层面的纵波类属性PP，如式(10)所示：

以β_ij表示在纵横波地震属性集中提取的目的层的转换横波属性PS，如(11)式所示：

其中，1≤i≤M，1≤j≤N，M为crossline方向的道数，N为inline方向的道数。

利用公式(12)和公式(13)给出的多波复合计算方法，对基于粒子群优化的聚类分析法优选后的地震属性进行复合运算，得到各类复合地震属性。

当一种地震属性集敏感，且另一种地震属性集不敏感，或者两种地震属性均对油气敏感，且其中一种地震属性的敏感程度与油气表征值呈负相关时，使用比值属性和差值属性来突出敏感区；比值类属性和差值类属性的计算公式如公式(12)所示。

其中，A_ij表示差值属性，B_ij表示比值属性，1≤i≤M，1≤j≤N。

当两种地震属性集均对油气敏感，且敏感程度与油气表征值呈正相关时，使用乘积属性和叠合属性突出敏感区域压制非敏感区域；乘积属性和叠合属性的计算公式如式(13)所示。

其中，C_ij表示叠合属性，D_ij表示乘积属性，1≤i≤M，1≤j≤N。

基于粒子群优化的聚类分析法优选后的地震属性进行复合运算，得到各类复合地震属性。

复合后的地震属性综合了地震属性对油气异常敏感的信息，比原始地震属性效果明显，将单属性难以呈现的地下信息充分挖掘出来，有利于更加清晰的刻画油气储层边界。

I.4.利用核主成分分析(KPCA)方法优化复合地震属性。

经过步骤I.3中多波复合后的地震属性之间必然存在着冗余信息，因此有必要对地震属性空间进行压缩，优选出能够反映油气储层特征的、相互之间独立的复合地震属性。

常用的主成分分析(PCA)方法可以有效地处理变量间的线性关系,但复合地震属性间的关系往往是非线性的，使用该方法将导致各主成分的贡献率过于分散，从而不能确定具有全面综合能力的属性。因此，本发明实施例采用KPCA方法对步骤I.3中复合后的地震属性进行优化处理。KPCA方法的基本思想是利用映射函数将原始数据空间投影到特征空间，再进行线性计算。本发明利用KPCA算法对复合后的地震属性进行优化，有效降低了复合地震属性之间的关联性，同时，也最大程度上保证了地震属性携带油气信息的完整性。

首先采用标准差标准化方法对步骤I.3中获得的多波复合地震属性进行预处理；然后，在高斯径向核函数的作用下，求取复合地震属性的协方差矩阵，并通过特征值分解获得特征值和特征向量；最后，计算主成分贡献率与累计贡献率，按贡献率由大到小的顺序对主成分进行排序，选择与最大特征值对应的特征向量与输入地震属性计算，得出主成分信息。

在研究的过程中，怎么合理的选择主成分信息个数是个难题，过多或者过少的个数都会对结果产生重要影响，过多的选择主成分个数，虽然能够包含复合地震属性的全部或者绝大部分信息，但往往会造成地震属性所携带的油气信息的重叠，增加计算量；过少的选择主成分个数，虽能简化计算量，但会损失很多复合地震属性信息，造成数据的遗漏，导致计算结果出现错误。因此，选择主成分数目时要选取尽可能少的主成分个数，并且同时要满足不能遗漏复合地震属性中携带的油气特征信息的要求。选择主成分具体数目主要遵循以下两个原则：①主成分的累计贡献率Q值设置为85％；②得到的各主成分特征值需要大于1。

利用公式(14)计算出累计贡献Q值的大小，计算出前m个主成分的贡献值，从而得到累计贡献率大于或等于85％的前m个主成分；

其中，L为主成分的数量，k＝1,2,…L，λ_k为特征值；

步骤I.3中的复合地震属性经核主成分分析后得到的主成分信息F_m由公式(15)表示为：

F_m＝γ_m1X₁+γ_m2X₂+…+γ_mnX_n (15)

其中，γ_m1,γ_m2,……,γ_mn为特征向量，X₁,X₂,……,X_n为标准化后的复合地震属性数据；

通过核主成分分析得到主成分数据，将这些数据作为深度神经网络的样本数据。

复合地震属性经过KPCA优化处理后，能够进一步减小地震复合属性数据间的冗余信息，从而突出油气特征信息，同时提高深度神经网络的效率。

将经过KPCA优化处理后得到的主成分数据作为深度神经网络的样本数据。

Ⅱ.基于深度神经网络(DNN)进行多波地震油气储层的预测。

Ⅱ.1.构建深度神经网络模型。

传统的单层神经网络(BP神经网络)在储层预测中存在着收敛速度较慢、网络不收敛等问题，支持向量机(SVM)在进行大规模训练样本时会耗费大量的机器内存和运算时间。

因此，本发明实施例构建了适用于储层预测的DNN模型。其中，DNN含有多个隐含层，弥补了单层神经网络的不足，并且DNN具有非常强大的自主学习能力，在大规模地震属性样本训练中，经过不断学习取得的特征更能体现数据的本质。

具体的，DNN包括信号前向传播过程和误差反向传播过程。在前向传播过程中，地震属性数据信息进入到输入层，经过隐含层进行激活等处理后，输出到输出层，每一层的神经元只与下一层有联系。其中，深度神经网络某一神经元的输出为：

式中，

为深度神经网络中第k层的第j个神经元的输出；

f为深度神经网络的激活函数；

为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；

表示为输入的地震属性样本x^k的第i个分量；

为深度神经网络模型第k层第j个神经元的偏置项。

DNN模型设计。本发明实施例结合步骤I中算法原理及地震属性数据特点，对DNN模型中输入层、隐藏层、输出层中的神经元个数进行设定。

输入层设计：由步骤I.4中通过KPCA得到的主成分信息作为本次深度神经网络的输入，因此输入层是KPCA优化后的主成分数据，故设定输入神经元数为3。

隐藏层设计：隐含层节点数的确定是一个相对复杂的过程，如果隐含层的节点数过多会使神经网络进入漫长的学习过程，耗费大量的时间，从而导致模型的泛学习能力下降，如果隐含层的节点数过少会使神经网络的学习时间过短，导致模型的容错能力降低，两者均会使神经网络的预测结果不准确。为了确定最佳的隐含层节点数，需要对同一数据集设置不同数目的节点进行神经网络的训练，从而找到能够使神经网络的误差降到最低的隐含层节点数目。

输出层设计：输出层代表着神经网络的最后一层，同时也表征着网络运行的结束，因此，网络的输出即为满足自己实际所需。由于本发明是利用KPCA优化后的地震属性作为DNN的输入，其目的是预测含油气全区的分布范围，通过已知数据地区对未知地区进行精确判断与预测。故本发明设计的DNN模型输出具有唯一值，设定输出神经元数为1。

由于DNN含有多个隐含层，具有非常强大的非线性拟合能力，并且具有很强的鲁棒性、记忆能力及强大的自学习能力，因此，在油气储层预测中，能够映射地震属性间复杂的非线性关系，使预测结果包含丰富的油气特征信息，从而提高地震油气储层的刻画精度。

Ⅱ.2.深度神经网络模型训练；

在步骤I.4中获得的样本数据中，提取已知井位周围的主成分数据作为深度神经网络模型的训练样本数据，其中，已知井位包括气井和干井。

将训练样本数据输入到深度神经网络模型中，并对深度神经网络模型进行训练；

将深度神经网络的预测输出与期望输出进行比较；若深度神经网络的实际输出与期望输出之间出现偏差，则进行误差反向传播过程；

在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，其误差e_k计算公式为：

式中，d_i为期望输出，y_i为深度神经网络的预测输出；

深度神经网络在误差反向传播过程中，通过参数优化方法，不断更新各层的权值和偏置，从而使深度神经网络的预测输出结果趋近于期望输出。

为了解决神经网络易陷入局部最优解的问题，本发明对DNN调整权值和偏置的方法进行改进，具体步骤如下：

深度神经网络隐含层的第i个神经元到输出层的第j个神经元的连接权重w_ij和偏置b_j，其从第l个取值到第l+1个取值的更新方式为：

w_ij(l+1)＝w_ij(l)+Δw (18)

b_j(l+1)＝b_j(l)+Δb (19)

Δw和Δb分别代表权值和偏置的增量，Δw和Δb的表达式如公式(20)和(21)所示：

Δw＝[J^T(w)J(w)+δI]^-1J^T(w)e_k (20)

Δb＝[J^T(b)J(b)+δI]^-1J^T(b)e_k (21)

其中，J(w)，J(b)代表雅可比矩阵，δ为学习率，I为单位矩阵；

在深度神经网络训练刚开始时，误差e_k较大，学习率δ较大，此时权值Δw和偏置Δb变化较快；随着深度神经网络训练的不断进行，误差e_k越来越小，学习率δ逐渐变小，此时，权值Δw和偏置Δb变化逐渐变小；

在预测输出结果趋近于期望输出时，学习率δ趋于0，此时，公式(20)和(21)变为：

Δw＝[J^T(w)J(w)]^-1J^T(w)e_k (22)

Δb＝[J^T(b)J(b)]^-1J^T(b)e_k (23)

权值和偏置的变化非常小，使预测输出结果不断靠近期望输出。

以上改进的参数调整算法中，学习率δ随着误差e_k的变小不断下降，与传统的学习率δ不变的梯度下降算法相比，能够在深度神经网络的预测输出接近期望输出时，减小权值和偏置的变化，避免出现由于权值和偏置变化过大而引起的网络不收敛等问题，从而有效地解决了传统神经网络易陷入局部最优及收敛速度慢等缺陷。

当深度神经网络训练的均方误差满足小于0.001的精度要求时，停止更新并输出训练所得到的权值和偏置；此时，获得训练好的深度神经网络模型。

通过以上手段，会大大加快网络的运行时间，同时能够有效的防止过拟合现象的发生。

Ⅱ.3.油气储层预测；

将步骤I.4中得到的所有主成分数据作为预测样本数据输入到经过步骤II.2训练好的深度神经网络模型中，进行仿真预测，进而得到地震油气储层评价图。

Ⅲ.油气储层评价图增强处理；

将步骤Ⅱ中获得的地震油气储层评价图进行图像增强处理，以提高图像的细节信息和边缘辨识度。图像在RGB空间进行处理，比较容易出现失真现象。具体过程如下：

首先将图像由RGB空间转换到HSV空间进行图像的增强处理，选择色调、饱和度和亮度三个属性中需要增强的进行加强，保留不需要增强的属性，更加有利于图像的增强效果。然后将增强后的图像由HSV空间转换回RGB空间，即可得到该地区的油气储层评价图。

本发明实施例通过引入DNN并融合PSO聚类分析法，发展出具有提高刻画地震油气储层分布边界精度的机器学习方法，该方法具有如下优势：

⑴将纵横波地震属性集中的异常值进行剔除，对地震属性集进行归一化处理，并将其统一到同一量纲；对地震属性进行PSO聚类分析、KPCA等处理，实现了对原始地震属性数据集的优选优化，去除了冗余信息，可以使样本数据输入到DNN进行训练时更加精确，有助于提高神经网络预测结果的准确性。

⑵DNN和单层神经网络相比，具有更强的鲁棒性和泛学习能力，能够提高地震油气储层的刻画精度。同时，优化的DNN模型能够解决传统的神经网络易陷入局部最优及收敛速度慢等问题，为油气储层预测提供了新的思路。

⑶通过HSV空间进行油气储层评价图像的增强，可明显提升图像的细节信息和边缘辨识度，同时有效地去除噪声，避免了边缘模糊等现象的发生，并较好的增强图像的颜色，增加清晰度。

本发明中各个步骤之间的组合是协同作用的，其协同作用体现在：

步骤Ⅰ对原始地震属性数据集的优选优化，去除了冗余信息，降低了单一纵波地震属性分析存在的多解性与不确定性，能够使样本数据输入到DNN进行训练时更加精确，有助于提高神经网络预测结果的准确性；步骤Ⅱ通过构建适用于储层预测的深度神经网络对步骤Ⅰ获得的地震属性样本集进行仿真预测，从而得到地震油气储层预测评价图；步骤Ⅲ对步骤Ⅱ获得的地震油气储层预测评价图进行增强处理，提高图像的细节信息和边缘辨识度，增加清晰度，从而完成储层预测的全过程。本发明明显提高了地震油气储层预测的精度。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (1)

1.一种基于深度神经网络的多波地震油气储层预测方法，其特征在于，包括如下步骤：

I.对地震属性进行优选优化获得深度神经网络的样本数据；

I.1.首先基于莱因达准则剔除地震属性中的异常值；

定义纵横波地震属性集E＝{c₁₁,c₁₂,…,c_1N,c₂₁,c₂₂,…,c_MN}，M为crossline方向的道数，N为inline方向的道数；利用公式(1)和(2)分别计算得到地震属性的平均值c和剩余误差Δc_ij；

随后通过贝塞尔法求取均方根误差σ：

对纵横波地震属性集E中的每个地震属性c_ij逐一进行判断，当地震属性c_ij的剩余误差Δc_ij＞3σ时，则地震属性c_ij为异常点，应予以剔除；

对经过异常值剔除后的纵横波地震属性集E进行标准化处理；

I.2.基于粒子群优化的聚类分析法从纵横波地震属性集E中优选地震属性；

①确定聚类划分；

对于每一个地震属性c_ij，根据评价函数J来计算地震属性c_ij与聚类中心o_p的距离，并确定该地震属性c_ij的聚类划分；评价函数J表示形式为：

其中，K表示已知的聚类数目，ω_j表示ω＝{ω₁,ω₂,…,ω_j}中某一聚类划分，p＝1,2,……,K；dist(c_ij,o_p)表示地震属性c_ij到对应的聚类中心o_p的欧式度量距离；

当聚类中心确定时，由最近邻法则决定聚类的划分，即对某一地震属性c_ij,若满足c_ij与对应的聚类中心o_p的距离是所有地震属性与聚类中心的最小值，如公式(5)所示：

则地震属性c_ij属于聚类ω_j；

其中，d(c_ij,o_p)表示地震属性c_ij到对应的聚类中心o_p的欧式距离的最小值；按照地震属性聚类划分的类别重新计算聚类中心o_p，以下列方式更新粒子的适应度函数f(c)；

其中，ζ为常数；

用粒子新的适应度值s_hd和它先前的个体极值pbest_hd进行比较，若f(s_hd)>f(pbest_hd)，则更新粒子的个体极值pbest_hd，令pbest_hd＝s_hd；否则不更新；

用粒子新的个体极值pbest_hd和全体极值pbest_gd进行比较，若f(pbest_hd)>f(pbest_gd)，则更新全体极值pbest_gd，令pbest_gd＝pbest_hd；否则不更新；

②更新粒子适应度；

通过公式(7)和式(8)对粒子状态进行更新，使误差不断下降，获得较好的聚类划分；

基本粒子群的速度更新方程为：

v_hd(t+1)＝θv_hd(t)+a₁r₁(pbest_hd-s_hd(t))+a₂r₂(pbest_gd-s_hd(t)) (7)

基本粒子群的位置更新方程为：

s_hd(t+1)＝s_hd(t)+v_hd(t+1),h＝1,2,…,n；d＝1,2,…,D (8)

其中，a₁和a₂为加速常数，即学习因子；a₁和a₂分别用来表示个体和群体最好位置对粒子运动速度的影响；r₁和r₂表示在0到1开区间内的随机数；

n表示粒子维数，D表示空间维数；

t为粒子群算法的迭代次数；v_hd(t)表示第h个粒子在第t次迭代中第d维上的速度；s_hd(t)表示第h个粒子在t次迭代时d维上的位置；θ是粒子的权重系数，其计算公式如下：

其中，θ_max为初始惯性权重值，θ_min为终止惯性权重值，T_max为最大迭代次数；

若当前迭代次数达到最大迭代次数T_max或适应度值趋于零，则停止迭代，并输出最优聚类结果，基于粒子群优化的聚类分析法结束；通过聚类结果得到聚类谱系图；

对各类地震属性进行分析优选，获得经过聚类分析后的地震属性；

I.3.对基于粒子群优化的聚类分析法处理后得到的地震属性进行复合运算；

以α_ij表示在纵横波地震属性集中提取的目标层面的纵波类属性PP，如式(10)所示：

以β_ij表示在纵横波地震属性集中提取的目的层的转换横波属性PS，如(11)式所示：

其中，1≤i≤M，1≤j≤N，M为crossline方向的道数，N为inline方向的道数；

利用公式(12)和公式(13)给出的多波复合计算方法，对基于粒子群优化的聚类分析法优选后的地震属性进行复合运算，得到各类复合地震属性；

当一种地震属性集敏感，且另一种地震属性集不敏感，或者两种地震属性均对油气敏感，且其中一种地震属性的敏感程度与油气表征值呈负相关时，使用比值属性和差值属性来突出敏感区；比值类属性和差值类属性的计算公式如公式(12)所示；

其中，A_ij表示差值属性，B_ij表示比值属性，1≤i≤M，1≤j≤N；

当两种地震属性集均对油气敏感，且敏感程度与油气表征值呈正相关时，使用乘积属性和叠合属性突出敏感区域压制非敏感区域；乘积属性和叠合属性的计算公式如式(13)所示；

其中，C_ij表示叠合属性，D_ij表示乘积属性，1≤i≤M，1≤j≤N；

基于粒子群优化的聚类分析法优选后的地震属性进行复合运算，得到各类复合地震属性；

I.4.利用核主成分分析方法优化复合地震属性；

首先采用标准差标准化方法对步骤I.3中获得的多波复合地震属性进行预处理；然后，在高斯径向核函数的作用下，求取复合地震属性的协方差矩阵，并通过特征值分解获得特征值和特征向量；最后，计算主成分贡献率与累计贡献率，按贡献率由大到小的顺序对主成分进行排序，选择与最大特征值对应的特征向量与输入地震属性计算，得出主成分信息；

选择主成分具体数目主要遵循以下两个原则：

①主成分的累计贡献率Q值设置为85％；②得到的各主成分特征值需要大于1；

利用公式(14)计算出累计贡献Q值的大小，计算出前m个主成分的贡献值，从而得到累计贡献率大于或等于85％的前m个主成分；

其中，L为主成分的数量，k＝1,2,…L，λ_k为特征值；

步骤I.3中的复合地震属性经核主成分分析后得到的主成分信息F_m由公式(15)表示为：

F_m＝γ_m1X₁+γ_m2X₂+…+γ_mnX_n (15)

其中，γ_m1,γ_m2,……,γ_mn为特征向量，X₁,X₂,……,X_n为标准化后的复合地震属性数据；

通过核主成分分析得到主成分数据，将这些数据作为深度神经网络的样本数据；

Ⅱ.基于深度神经网络进行多波地震油气储层的预测；

Ⅱ.1.首先构建深度神经网络模型；其中，深度神经网络某一神经元的输出为：

式中，

为深度神经网络中第k层的第j个神经元的输出；

f为深度神经网络的激活函数；

为第k-1层的第i个神经元到第k层的第j个神经元的连接权重；

表示为输入的地震属性样本x^k的第i个分量；

为深度神经网络模型第k层第j个神经元的偏置项；

Ⅱ.2.深度神经网络模型训练；

在步骤I.4中获得的样本数据中，提取已知井位周围的主成分数据作为深度神经网络模型的训练样本数据；其中，已知井位包括气井和干井；

将训练样本数据输入到深度神经网络模型中，并对深度神经网络模型进行训练；

将深度神经网络的预测输出与期望输出进行比较；若深度神经网络的预测输出与期望输出之间出现偏差，则进行误差反向传播过程；

在误差反向传播中，需要对深度神经网络的预测输出和期望输出进行计算，得到深度神经网络的预测输出和期望输出之间的误差，其误差e_k计算公式为：

式中，d_i为期望输出，y_i为深度神经网络的预测输出；

深度神经网络在误差反向传播过程中，通过参数优化方法，不断更新各层的权值和偏置，使得深度神经网络的预测输出结果趋近于期望输出；

其中，对深度神经网络的权值和偏置的具体调整过程如下：

深度神经网络隐含层的第i个神经元到输出层的第j个神经元的连接权重w_ij和偏置b_j，其从第l个取值到第l+1个取值的更新方式为：

w_ij(l+1)＝w_ij(l)+Δw (18)

b_j(l+1)＝b_j(l)+Δb (19)

Δw和Δb分别代表权值和偏置的增量，Δw和Δb的表达式如公式(20)和(21)所示：

Δw＝[J^T(w)J(w)+δI]^-1J^T(w)e_k (20)

Δb＝[J^T(b)J(b)+δI]^-1J^T(b)e_k (21)

其中，J(w)，J(b)代表雅可比矩阵，δ为学习率，I为单位矩阵；

在深度神经网络训练刚开始时，误差e_k较大，学习率δ较大；随着深度神经网络训练的不断进行，误差e_k越来越小，学习率δ逐渐变小；

在预测输出结果趋近于期望输出时，学习率δ趋于0，此时，公式(20)和(21)变为：

Δw＝[J^T(w)J(w)]^-1J^T(w)e_k (22)

Δb＝[J^T(b)J(b)]^-1J^T(b)e_k (23)

当深度神经网络训练的均方误差满足小于0.001的精度要求时，停止更新并输出训练所得到的权值和偏置；此时，获得训练好的深度神经网络模型；

Ⅱ.3.油气储层预测；

将步骤I.4得到的所有主成分数据作为预测样本输入到经过步骤II.2训练好的深度神经网络模型中，进行仿真预测，进而得到地震油气储层评价图；

Ⅲ.油气储层评价图增强处理；

将步骤Ⅱ中获得的地震油气储层评价图进行图像增强处理；

具体过程如下：首先将图像由RGB空间转换到HSV空间进行图像的增强处理，然后将增强后的图像由HSV空间转换回RGB空间，即可得到该地区的油气储层评价图。

Images