CN112684497A - 地震波形聚类方法和装置 - Google Patents
地震波形聚类方法和装置 Download PDFInfo
- Publication number
- CN112684497A CN112684497A CN201910986526.4A CN201910986526A CN112684497A CN 112684497 A CN112684497 A CN 112684497A CN 201910986526 A CN201910986526 A CN 201910986526A CN 112684497 A CN112684497 A CN 112684497A
- Authority
- CN
- China
- Prior art keywords
- seismic
- waveform data
- facies
- data
- waveform
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 208000035126 Facies Diseases 0.000 claims abstract description 128
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 230000000306 recurrent effect Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005553 drilling Methods 0.000 claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000704 physical effect Effects 0.000 claims description 13
- 230000008021 deposition Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 14
- 239000010410 layer Substances 0.000 description 13
- 238000011160 research Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 238000010587 phase diagram Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地震波形聚类方法和装置，该方法包括：根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。本发明利用循环神经网络模型生成对抗网络的半监督学习方法实现了目标工区地震相的快速精准分类。
Description
技术领域
本发明涉及石油及天然气开发技术领域，尤其涉及一种地震波形聚类方法和装置。
背景技术
地震波形的总体变化是地震波振幅、频率、相位的综合反映，是重要的地震属性参数。在复杂岩性油气藏勘探和开发过程中，地震波形分类技术是预测储层空间分布 的一种有效而快捷的方法。
现有技术中地震波形分类主要是应用神经网络技术或者聚类分析技术对地震道形状(地震信号的总体变化)进行分类。首先划分几种典型的地震道形状，每一实际 地震道被赋予一种基于相似性的典型形状；神经网络在给定层段内对实际地震道进行 训练，通过几次迭代后构造合成地震道，并与实际地震道进行对比，通过自适应试验 和误差处理修改合成道，最终得到与实际地震道相关性更好的模型道。这些模型道代 表整个区域目标层段地震道形状的多样性。地震波形分类的主要目的是建立地震信号 的总体变化以及这种变化的分布规律与油气藏储层或流体分布之间的对应关系。
在石油勘探的初期，可以通过无监督聚类技术来完成地震相分析，从而映射地下储层结构信息，进而优选钻井目标的合理位置。而在获得一定数量测井属性后，可以 结合测井数据、岩心等对地震相校准。通常使用机器学习中的有监督方法，自动根据 测井信息对储层数据进行分类。但是由于测井数据相对地震数据是稀疏的，测井数据 只能代表局部地质信息，在传统的有监督分类方法中，分类结果往往较差。
发明内容
本发明实施例提供一种地震波形聚类方法，用以实现高精度的波形分类，该方法包括：
根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；
在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；
根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；
对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；
根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；
将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。
本发明实施例还提供一种地震波形聚类装置，包括：
地震波形数据及其地震相标签确定模块，用于根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；
无标签地震相波形数据提取模块，用于在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；
有标签地震相数据确定模块，用于根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；
多尺度离散化处理模块，用于对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；
循环神经网络模型训练模块，用于根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；
目标工区地震相分类模块，用于将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。
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波 形聚类方法。
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实现上述地震波形聚类方法的计算机程序。
本发明实施例提供的一种地震波形聚类方法和装置，通过钻测井信息开展分析，利用循环神经网络模型生成对抗网络的半监督学习方法分类替代完全有监督分类，实 现了目标工区地震相的快速精准分类；本发明实施例不但能很好的利用测井资料的局 部储层特性，而且能够结合大面积地震数据所代表的整体储层信息进行分类，有利于 提高油气预测精度、降低研究目标的钻探风险，为油气田高效勘探开发提供可靠数据。
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为本发明实施例一种地震波形聚类方法示意图。
图2为本发明实施例一种地震波形聚类方法的单层循环神经网络结构示意图。
图3为本发明实施例一种地震波形聚类方法多层循环神经网络结构示意图。
图4为本发明实施例一种地震波形聚类方法的实例中储层分类模式及其对应的典型地震波形特征示意图。
图5为本发明实施例一种地震波形聚类方法的实例中研究区Zd段储层分类模式平面分布预测图。
图6为本发明实施例一种地震波形聚类装置示意图。
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。
如图1本发明实施例一种地震波形聚类方法示意图所示，本发明实施例提供一种地震波形聚类方法，用以实现高精度的波形分类，该方法包括：
步骤101：根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；
步骤102：在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；
步骤103：根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；
步骤104：对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；
步骤105：根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；
步骤106：将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。
本发明实施例提供的一种地震波形聚类方法，通过钻测井信息开展分析，利用循环神经网络模型生成对抗网络的半监督学习方法分类替代完全有监督分类，实现了目 标工区地震相的快速精准分类；本发明实施例不但能很好的利用测井资料的局部储层 特性，而且能够结合大面积地震数据所代表的整体储层信息进行分类，有利于提高油 气预测精度、降低研究目标的钻探风险，为油气田高效勘探开发提供可靠数据。
在具体实施本发明实施例的地震波形聚类方法时，前述的根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签，可以包括：在地震勘探过程中会产生很 多的钻测井资料，根据获取的钻测井资料，可以确定地震波形数据和地震波形数据的 地震相标签。
在具体实施本发明实施例的地震波形聚类方法时，前述的在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据，可以包括：根据结合叠后地震数据计 算的相干、曲率、振幅、频率等地震属性，以及目的层位和区域沉积特征等信息，圈 定设定区域，提取设定区域的无标签地震相波形数据。
在具体实施本发明实施例的地震波形聚类方法时，前述的根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据，可以包括：通过利用地震波形数据和 无标签地震相波形数据，利用传统聚类方法可以确定有标签地震相数据。
在具体实施本发明实施例的地震波形聚类方法时，前述的对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据，可以包括：利用多尺度离散化的 方法对有标签地震相数据进行处理，可以确定多尺度有标签波形数。
在具体实施本发明实施例的地震波形聚类方法时，前述的根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循 环神经网络模型，可以包括：利用前述获取的多尺度有标签波形数据和地震波形数据 的地震相标签，对循环神经网络模型进行训练，在达到模型的精度要求后停止训练， 确定训练后的循环神经网络模型。
在具体实施本发明实施例的地震波形聚类方法时，前述的将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果，可以包括：利用前 述已经训练好的循环神经网络模型，将目标工区的地震道输入到训练后的循环神经网 络模型，确定目标工区地震相分类结果。
前述钻测井资料，至少包括：储层厚度，物性特征，区域沉积背景，测井曲线形 态，岩性组合特征，地震波形分类图；前述根据钻测井资料，确定地震波形数据，在 一个实施例中，可以包括：针对储层厚度、物性特征，结合区域沉积背景，根据测井 曲线形态、岩性组合特征，划分出储层分类模式；将储层分类模式和地震波形分类图 进行标定，确定出不同地震波形分类对应的不同储层模式；将储层模式对应的地震波 形确定为地震波形数据。
前述根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据，在一个实施例中，可以包括：以地震波形数据作为初始向量，对无标签地震相波形数据进 行聚类分析；根据聚类分析结果，对无标签地震相波形数据进行标定，确定有标签地 震相数据。在实施例中，以地震波形数据作为初始向量，可以采用本领域常用的算法 (例如k-means算法)对无标签地震相波形数据进行聚类分析；根据聚类分析结果， 对无标签地震相波形数据进行标定，确定有标签地震相数据。
前述对有标签地震相数据进行多尺度离散化，确定多尺度有标签波形数据，在一个实施例中，可以包括：定义多个尺度的窗口，在每个窗口中选取最大值，对有标签 地震相数据进行分解；对分解的结果进行补0延拓处理，确定多尺度有标签波形数据。 在实施例中，定义2×1，4×1，8×1，16×1等尺度的窗口，在每一个窗口中选取窗口 中的最大值，表示当前点的数值，利用当前点的数值对有标签地震相数据进行分解； 因为多尺度离散化采样是降维过程，为了保证得到的结果与原始地震属性具有相同的 大小，我们再用补0延拓的方法实现了所得结果与原始地震属性同样大小，确定多尺 度有标签波形数据。多尺度离散高斯函数平均是指采用高斯函数在每一个离散点的数 值表示权重，从而代替最大化方法
前述根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型，在一个实施例中，可以包括：将多 尺度有标签波形数据作为循环神经网络模型的输入层，将地震波形数据的地震相标签 作为循环神经网络模型的输出层，进行训练；记录每一步循环迭代的误差和当前更新 参数；在循环迭代误差小于设定值时，停止训练，保存当前更新参数，确定训练后的 循环神经网络模型。在实施例中，单层循环网络结构如图2所示，左侧为原始结构， 右侧为展开表示方式。在实施例中，多层循环神经网络结构如图3所示，在本例中， 将采用多层循环神经网络模型(图3)，该种多层循环神经网络的模型结构相较于单 层网络结构具有更多的参数，可以拟合更复杂的问题，得到较高的精度。在一个实例 中，训练过程中，定义一个时间步长4，隐含层单元层数为2，每层128个神经元的 循环神经网络(RNN)模型。将多尺度有标签波形数据作为循环神经网络模型的输入 层，将地震波形数据的地震相标签作为循环神经网络模型的输出层，进行训练；记录 每一步循环迭代的误差和当前更新参数；在循环迭代误差小于设定值时，停止训练， 保存当前更新参数，确定训练后的循环神经网络模型
前述将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果，在一个实施例中，可以包括：提取目标工区的地震道的多尺度波形特征， 输入到训练后的循环神经网络模型，得到地震道对应的地震相标签；根据地震相标签 对地震道进行标定，确地目标工区地震相分类结果。实施例中，将整个工区的地震道 输入到训练好的RNN网络模型中，计算出每一个地震道波形所对应的地震相标签， 并根据当前标签对当前地震道进行标定，得到整个工区最终的地震相分类结果。
本发明实施例的方法不但可以识别传统应用中的等厚度的波形分类问题，还可以处理不等厚度的层间波形聚类问题。对于不等厚度的层间波形分类问题，只需将地震 波形数据定义到相同长度，长度不足的波形数据按照补0处理。该方法与传统的BP 神经网络相比，进一步提高了预测结果精度，降低井位部署的油气风险。
下面提供一个本发明实施例的一种地震波形聚类方法一个实例，包括：
根据钻测井资料wi，确定地震波形数据
和地震波形数据的地震相标签
其中，N是参与运算的测井个数，pi的取值范围为1…M，M为需要识 别的地震相个数；
在目标工区S中圈定设定区域，提取设定区域的无标签地震相波形数据
其中，K是人工拾取的地震道数量；
以地震波形数据ui作为初始向量，采用k-means算法对无标签地震相波形数据rj进行聚类分析；分类的结果即rj的标签tj；
根据聚类分析结果，对无标签地震相波形数据进行标定，确定有标签地震相数据
对有标签地震相数据rj进行多尺度离散化处理，确定多尺度有标签波形数据
其中，rj′是rj的多尺度表示；
根据多尺度有标签波形数据
和地震波形数据的地震相标签
对循环神经网络模型Model(Θ0)进行训练，记录每一步循环迭代的误差 errol和当前更新参数Θl；
在循环迭代误差小于设定值时errol＜0.05*erro0，停止训练，保存当前更新参数Θl，确定训练后的循环神经网络模型。
提取目标工区S的地震道的多尺度波形特征x，输入到训练后的循环神经网络模型Model(Θl)，得到地震道对应的地震相标签y；
根据地震相标签对地震道进行标定，确地目标工区地震相分类结果，从而实现对整个工区的半监督地震相划分。
图4是本发明实施例一种地震波形聚类方法的实例中储层分类模式及其对应的典型地震波形特征示意图，展现了在基于研究区Zd段钻测井资料所建立的储层分类 模式，在模式建立过程中的主要依据包括：储层与围岩的岩性组合关系、储层测井响 应特征、储层的厚度与发育位置、储层物性及内部夹层变化等。所建立的6种储层分 类模式中，储层发育程度较高、含气显示较好的依次为：模式1、模式2、模式3， 而模式4、模式5和模式6储层厚度与物性均明显变差，勘探开发潜力较小。
图5是本发明实施例一种地震波形聚类方法的实例中研究区Zd段储层分类模式平面分布预测图，采用基于循环神经网络的地震波形聚类方法所刻画的储层模式分布 预测图，从图中可以看出，代表优质储层厚度大、物性好的模式1、2和3主要分布 在西侧的碳酸盐岩台地边缘，而向东侧台地内部延伸，储层模式逐渐转变为4、5、6 三种。表明由台缘向台内，碳酸盐岩储层品质逐渐降低，这与该地区的宏观沉积背景 一致，表明预测结果符合地质规律。
表1研究区Zd段验证井储层发育情况与地震波形对比表
表1是本发明实施例一种地震波形聚类方法的实例中研究区Zd段循环神经网络地震波形聚类结果与后期实钻验证井的对比情况。从表中可知，井点处的地震波形与 验证井上测井解释的单井储层模式相关性极好，13口验证井中只有2口的实钻结果 与地震波形预测结果不一致，吻合率超过80％，充分证明了本方法的实用性。
通过上述地震波形聚类方法应用在四川盆地高石梯-磨溪地区碳酸盐岩的储层预测的实例中，可以得出该方法充分利用了研究区地震资料波形特征丰富的特点，采用 循环神经网络算法把地震道形状(即波形特征)定量地刻画出来，通过对目的层地震数 据逐道进行对比分类，细致地刻画地震信号的横向变化，从而得到与地质层位对应的 地震相图，用于不同储层模式的空间预测。应用本次提出的基于循坏神经网络的波形 聚类算法对研究区不同岩性、不同深度的储层分布均进行了有效预测，验证井吻合率 大于80％。本次预测结果与该区宏观地质认识吻合，与单井储层分类模式匹配程度高， 不同地震相在平面上的细节变化也更加清晰。利用该预测结果共提出建议井位目标6 口，其中2口已实施钻探并获得工业气流，为该地区的增储上产提供了地质依据。
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波 形聚类方法。
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实现上述地震波形聚类方法的计算机程序。
本发明实施例中还提供了一种地震波形聚类装置，如下面的实施例所述。由于该装置解决问题的原理与一种地震波形聚类方法相似，因此该装置的实施可以参见一种 地震波形聚类方法的实施，重复之处不再赘述。
如图6本发明实施例一种地震波形聚类装置示意图，本发明实施例的一种地震波形聚类装置，包括：
地震波形数据及其地震相标签确定模块601，用于根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；
无标签地震相波形数据提取模块602，用于在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；
有标签地震相数据确定模块603，用于根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；
多尺度离散化处理模块604，用于对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；
循环神经网络模型训练模块605，用于根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；
目标工区地震相分类模块606，用于将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。
在一个实施例中，所述钻测井资料，至少包括：储层厚度，物性特征，区域沉积 背景，测井曲线形态，岩性组合特征，地震波形分类图；
地震波形数据及其地震相标签确定模块，具体用于：
针对储层厚度、物性特征，结合区域沉积背景，根据测井曲线形态、岩性组合特征，划分出储层分类模式；
将储层分类模式和地震波形分类图进行标定，确定出不同地震波形分类对应的不同储层模式；
将储层模式对应的地震波形确定为地震波形数据。
在一个实施例中，有标签地震相数据确定模块，具体用于：
以地震波形数据作为初始向量，对无标签地震相波形数据进行聚类分析；
根据聚类分析结果，对无标签地震相波形数据进行标定，确定有标签地震相数据。
在一个实施例中，多尺度离散化处理模块，具体用于：
定义多个尺度的窗口，在每个窗口中选取最大值，对有标签地震相数据进行分解；
对分解的结果进行补0延拓处理，确定多尺度有标签波形数据。
在一个实施例中，循环神经网络模型训练模块，具体用于：
将多尺度有标签波形数据作为循环神经网络模型的输入层，将地震波形数据的地震相标签作为循环神经网络模型的输出层，进行训练；
记录每一步循环迭代的误差和当前更新参数；
在循环迭代误差小于设定值时，停止训练，保存当前更新参数，确定训练后的循环神经网络模型。
在一个实施例中，目标工区地震相分类模块，具体用于：
提取目标工区的地震道的多尺度波形特征，输入到训练后的循环神经网络模型，得到地震道对应的地震相标签；
根据地震相标签对地震道进行标定，确地目标工区地震相分类结果。
综上，本发明实施例提供的一种地震波形聚类方法和装置，通过钻测井信息开展分析，利用循环神经网络模型生成对抗网络的半监督学习方法分类替代完全有监督分 类，实现了目标工区地震相的快速精准分类；本发明实施例不但能很好的利用测井资 料的局部储层特性，而且能够结合大面积地震数据所代表的整体储层信息进行分类， 有利于提高油气预测精度、降低研究目标的钻探风险，为油气田高效勘探开发提供可 靠数据。
本发明实施例提供的一种地震波形聚类方法和装置，利用井信息开展储层模式分类与标定，进一步预测储层模式分布，针对储层厚度、物性特征，结合区域沉积背景， 根据测井曲线形态、岩性组合特征等信息，划分出典型的储层分类模式；将各井的储 层分类模式和地震波形分类图进行标定，最终确定出不同的波形分类对应的不同储层 模式。同时，本发明实施例提供的一种地震波形聚类方法和装置，基于循环神经网络 的地震数据体波形聚类方法，围绕地震波形的样本点选取、网络模型的建立、无监督 学习和半监督学习等方面进行研究，利用地震波形更好地生成地震相图，有效帮助储 层分布预测工作。以规避传统聚类分析方法存在的问题，及其对油气预测影响。
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 (14)
1.一种地震波形聚类方法，其特征在于，包括：
根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；
在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；
根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；
对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；
根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；
将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。
2.如权利要求1所述的方法，其特征在于，
所述钻测井资料，至少包括：储层厚度，物性特征，区域沉积背景，测井曲线形态，岩性组合特征，地震波形分类图；
根据钻测井资料，确定地震波形数据，包括：
针对储层厚度、物性特征，结合区域沉积背景，根据测井曲线形态、岩性组合特征，划分出储层分类模式；
将储层分类模式和地震波形分类图进行标定，确定出不同地震波形分类对应的不同储层模式；
将储层模式对应的地震波形确定为地震波形数据。
3.如权利要求1所述的方法，其特征在于，
根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据，包括：
以地震波形数据作为初始向量，对无标签地震相波形数据进行聚类分析；
根据聚类分析结果，对无标签地震相波形数据进行标定，确定有标签地震相数据。
4.如权利要求1所述的方法，其特征在于，
对有标签地震相数据进行多尺度离散化，确定多尺度有标签波形数据，包括：
定义多个尺度的窗口，在每个窗口中选取最大值，对有标签地震相数据进行分解；
对分解的结果进行补0延拓处理，确定多尺度有标签波形数据。
5.如权利要求1所述的方法，其特征在于，
根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型，包括：
将多尺度有标签波形数据作为循环神经网络模型的输入层，将地震波形数据的地震相标签作为循环神经网络模型的输出层，进行训练；
记录每一步循环迭代的误差和当前更新参数；
在循环迭代误差小于设定值时，停止训练，保存当前更新参数，确定训练后的循环神经网络模型。
6.如权利要求1所述的方法，其特征在于，
将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果，包括：
提取目标工区的地震道的多尺度波形特征，输入到训练后的循环神经网络模型，得到地震道对应的地震相标签；
根据地震相标签对地震道进行标定，确地目标工区地震相分类结果。
7.一种地震波形聚类装置，其特征在于包括：
地震波形数据及其地震相标签确定模块，用于根据钻测井资料，确定地震波形数据和地震波形数据的地震相标签；
无标签地震相波形数据提取模块，用于在目标工区中圈定设定区域，提取设定区域的无标签地震相波形数据；
有标签地震相数据确定模块，用于根据地震波形数据和无标签地震相波形数据，确定有标签地震相数据；
多尺度离散化处理模块，用于对有标签地震相数据进行多尺度离散化处理，确定多尺度有标签波形数据；
循环神经网络模型训练模块，用于根据多尺度有标签波形数据和地震波形数据的地震相标签，对循环神经网络模型进行训练，确定训练后的循环神经网络模型；
目标工区地震相分类模块，用于将目标工区的地震道输入到训练后的循环神经网络模型，确定目标工区地震相分类结果。
8.如权利要求7所述的装置，其特征在于，
所述钻测井资料，至少包括：储层厚度，物性特征，区域沉积背景，测井曲线形态，岩性组合特征，地震波形分类图；
地震波形数据及其地震相标签确定模块，具体用于：
针对储层厚度、物性特征，结合区域沉积背景，根据测井曲线形态、岩性组合特征，划分出储层分类模式；
将储层分类模式和地震波形分类图进行标定，确定出不同地震波形分类对应的不同储层模式；
将储层模式对应的地震波形确定为地震波形数据。
9.如权利要求7所述的装置，其特征在于，
有标签地震相数据确定模块，具体用于：
以地震波形数据作为初始向量，对无标签地震相波形数据进行聚类分析；
根据聚类分析结果，对无标签地震相波形数据进行标定，确定有标签地震相数据。
10.如权利要求7所述的装置，其特征在于，
多尺度离散化处理模块，具体用于：
定义多个尺度的窗口，在每个窗口中选取最大值，对有标签地震相数据进行分解；
对分解的结果进行补0延拓处理，确定多尺度有标签波形数据。
11.如权利要求7所述的装置，其特征在于，
循环神经网络模型训练模块，具体用于：
将多尺度有标签波形数据作为循环神经网络模型的输入层，将地震波形数据的地震相标签作为循环神经网络模型的输出层，进行训练；
记录每一步循环迭代的误差和当前更新参数；
在循环迭代误差小于设定值时，停止训练，保存当前更新参数，确定训练后的循环神经网络模型。
12.如权利要求7所述的装置，其特征在于，
目标工区地震相分类模块，具体用于：
提取目标工区的地震道的多尺度波形特征，输入到训练后的循环神经网络模型，得到地震道对应的地震相标签；
根据地震相标签对地震道进行标定，确地目标工区地震相分类结果。
13.一种计算机设备，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权利要求1至6任一项所述地震波形聚类方法。
14.一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实现权利要求1至6任一项所述地震波形聚类方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986526.4A CN112684497B (zh) | 2019-10-17 | 2019-10-17 | 地震波形聚类方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986526.4A CN112684497B (zh) | 2019-10-17 | 2019-10-17 | 地震波形聚类方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112684497A true CN112684497A (zh) | 2021-04-20 |
| CN112684497B CN112684497B (zh) | 2023-10-31 |
Family
ID=75444356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910986526.4A Active CN112684497B (zh) | 2019-10-17 | 2019-10-17 | 地震波形聚类方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112684497B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642635A (zh) * | 2021-08-12 | 2021-11-12 | 百度在线网络技术（北京）有限公司 | 模型训练方法及装置、电子设备和介质 |
| CN113671571A (zh) * | 2021-09-10 | 2021-11-19 | 电子科技大学 | 基于深度自适应聚类的叠前地震数据反射模式分析方法 |
| CN114167498A (zh) * | 2021-11-30 | 2022-03-11 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
| CN114443883A (zh) * | 2022-02-10 | 2022-05-06 | 北京永利信达科技有限公司 | 一种基于大数据和云计算的数据处理方法、系统及介质 |
| CN116578895A (zh) * | 2023-04-17 | 2023-08-11 | 中交第四航务工程局有限公司 | 一种串状溶洞地质钻孔探测与弹性波ct扫描的数据聚类分析方法 |
| WO2024087827A1 (zh) * | 2022-10-26 | 2024-05-02 | 中国石油天然气股份有限公司 | 储层物性参数预测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110042098A1 (en) * | 2008-05-09 | 2011-02-24 | Matthias Georg Imhof | Method For Geophysical And Stratigraphic Interpretation Using Waveform Anomalies |
| CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
| CN103487832A (zh) * | 2013-09-12 | 2014-01-01 | 电子科技大学 | 一种三维地震信号中的有监督波形分类方法 |
| US20140222347A1 (en) * | 2012-11-03 | 2014-08-07 | Drilling Info, Inc. | Seismic Waveform Classification System And Method |
| CN104280771A (zh) * | 2014-10-27 | 2015-01-14 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于em算法的三维地震数据波形的半监督聚类方法 |
| CN107526106A (zh) * | 2017-08-28 | 2017-12-29 | 电子科技大学 | 基于半监督算法的快速地震波形分类方法 |
| CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
| CN109633743A (zh) * | 2019-01-17 | 2019-04-16 | 中国矿业大学 | 一种基于波形分类地震相技术预测煤层厚度的方法 |
| CN112987091A (zh) * | 2020-12-09 | 2021-06-18 | 中国石油天然气股份有限公司 | 储层检测方法、装置、电子设备和存储介质 |
-
2019
- 2019-10-17 CN CN201910986526.4A patent/CN112684497B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110042098A1 (en) * | 2008-05-09 | 2011-02-24 | Matthias Georg Imhof | Method For Geophysical And Stratigraphic Interpretation Using Waveform Anomalies |
| CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
| US20140222347A1 (en) * | 2012-11-03 | 2014-08-07 | Drilling Info, Inc. | Seismic Waveform Classification System And Method |
| CN103487832A (zh) * | 2013-09-12 | 2014-01-01 | 电子科技大学 | 一种三维地震信号中的有监督波形分类方法 |
| CN104280771A (zh) * | 2014-10-27 | 2015-01-14 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于em算法的三维地震数据波形的半监督聚类方法 |
| CN107526106A (zh) * | 2017-08-28 | 2017-12-29 | 电子科技大学 | 基于半监督算法的快速地震波形分类方法 |
| CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
| CN109633743A (zh) * | 2019-01-17 | 2019-04-16 | 中国矿业大学 | 一种基于波形分类地震相技术预测煤层厚度的方法 |
| CN112987091A (zh) * | 2020-12-09 | 2021-06-18 | 中国石油天然气股份有限公司 | 储层检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| G.ADELFIO 等: "Simultaneous seismic wave clustering and registration", COMPUTERS & GEOSCIENCES, vol. 44, pages 60 - 69, XP028519935, DOI: 10.1016/j.cageo.2012.02.017 * |
| LI LEI 等: "Convolutional recurrent neural networkd based waveform classification in seismic facies analysis", SEG INTERNATIONAL EXPOSITION AND 89TH ANNUAL MEETING, pages 2599 - 2603 * |
| 林煜 等: "基于深度学习的波形聚类方法在储层预测中的应用", 中国石油学会2019年物探技术探讨会, pages 648 - 651 * |
| 林煜 等: "基于深度学习的波形聚类方法在储层预测中的应用", 中国石油学会2019年物探技术研讨会论文集, pages 648 - 651 * |
| 王玉学 等: "地震波形分类技术在河道预测中的应用", 资源与产业, vol. 8, no. 02, pages 71 - 74 * |
| 王远 等: "利用地震相分析方法圈定煤层变焦区", 中国煤炭地质, vol. 22, no. 12, pages 54 - 57 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642635A (zh) * | 2021-08-12 | 2021-11-12 | 百度在线网络技术（北京）有限公司 | 模型训练方法及装置、电子设备和介质 |
| CN113642635B (zh) * | 2021-08-12 | 2023-09-15 | 百度在线网络技术（北京）有限公司 | 模型训练方法及装置、电子设备和介质 |
| CN113671571A (zh) * | 2021-09-10 | 2021-11-19 | 电子科技大学 | 基于深度自适应聚类的叠前地震数据反射模式分析方法 |
| CN114167498A (zh) * | 2021-11-30 | 2022-03-11 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
| CN114167498B (zh) * | 2021-11-30 | 2023-09-15 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
| CN114443883A (zh) * | 2022-02-10 | 2022-05-06 | 北京永利信达科技有限公司 | 一种基于大数据和云计算的数据处理方法、系统及介质 |
| WO2024087827A1 (zh) * | 2022-10-26 | 2024-05-02 | 中国石油天然气股份有限公司 | 储层物性参数预测方法及装置 |
| CN116578895A (zh) * | 2023-04-17 | 2023-08-11 | 中交第四航务工程局有限公司 | 一种串状溶洞地质钻孔探测与弹性波ct扫描的数据聚类分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112684497B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112684497B (zh) | 地震波形聚类方法和装置 | |
| AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
| Bolandi et al. | Analyzing organic richness of source rocks from well log data by using SVM and ANN classifiers: a case study from the Kazhdumi formation, the Persian Gulf basin, offshore Iran | |
| Raeesi et al. | Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes, logs data and artificial neural networks | |
| 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 | |
| US20190169962A1 (en) | Machine Learning Training Set Generation | |
| US8090538B2 (en) | System and method for interpretation of well data | |
| CN107526106A (zh) | 基于半监督算法的快速地震波形分类方法 | |
| CA2901200A1 (en) | Detecting subsurface structures | |
| Li et al. | Semi-supervised learning based on generative adversarial network and its applied to lithology recognition | |
| US20210073631A1 (en) | Dual neural network architecture for determining epistemic and aleatoric uncertainties | |
| NO20220089A1 (en) | Probability Distribution Assessment for Classifying Subterranean Formations Using Machine Learning | |
| Liu et al. | Supervised seismic facies analysis based on image segmentation | |
| Ye et al. | Drilling formation perception by supervised learning: Model evaluation and parameter analysis | |
| Lei et al. | Convolutional recurrent neural networks based waveform classification in seismic facies analysis | |
| Zhang et al. | Machine learning based technique for lithology and fluid content prediction—Case study from offshore West Africa | |
| Yin et al. | FMI image based rock structure classification using classifier combination | |
| Song et al. | Reservoir lithology identification based on improved adversarial learning | |
| Datta et al. | Application of multivariate change detection in automated lithofacies classification from well-log data in a nonstationary subsurface | |
| 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 | |
| CN112114360B (zh) | 一种地震波形分析方法及装置 | |
| CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
| Sun et al. | Innovative Lithology Identification Enhancement via the Recurrent Transformer Model with Well Logging Data |
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 |