CN112882092B

CN112882092B - 一种基于多属性cnn井震联合反演方法、系统、介质及应用

Info

Publication number: CN112882092B
Application number: CN202110034000.3A
Authority: CN
Inventors: 张进; 安振芳; 王林飞; 邢磊; 尹燕欣; 彭阳阳; 高俊杰
Original assignee: Ocean University of China
Current assignee: Ocean University of China
Priority date: 2021-01-11
Filing date: 2021-01-11
Publication date: 2022-06-21
Anticipated expiration: 2041-01-11
Also published as: CN112882092A

Abstract

本发明属于地震与测井联合反演技术领域，公开了一种基于多属性CNN井震联合反演方法、系统、介质及应用，利用逐步回归思想对初选的典型属性进行自动优化；优选出最好的属性及其组合；将最佳的属性及其组合作为输入。本发明采用逐步回归思想对人工初步筛选出的一些典型属性进行自动优化，优选出最好的属性及其组合。然后将最佳的属性及其组合作为输入，以降低多解性。实例应用表明，最好的属性及其组合可以增强输入与输出之间的相关性，将最佳的属性及其组合作为输入，能够降低多解性，更有助于卷积神经网络寻找从输入到输出的反演映射算子，提高泛化能力。

Description

一种基于多属性CNN井震联合反演方法、系统、介质及应用

技术领域

本发明属于地震与测井联合反演技术领域，尤其涉及一种基于多属性CNN井震联合反演方法、系统、介质及应用。

背景技术

目前，最接近的现有技术：当代油气藏精细描述对地球物理学提出了更高的要求，地质、测井、地震、油藏工程等多学科之间的相互渗透和有机融合已经成为必然。地球物理参数(如速度和密度)是研究油气藏内部结构和储层流体特征的重要信息，这些信息既可以通过测井直接测量获得，也可以通过地震反演间接得到。测井数据的特点是纵向分辨率高、横向稀疏；地震数据的特点是纵向分辨率低、横向密集。地震与测井联合反演就是将两者的优势结合起，取长补短。然而，传统的地震与测井联合反演方法是模型驱动的，都假设地球物理参数与地球物理响应之间具有先验的确定性映射算子(如褶积算子和波动方程算子)。这些只有在理想条件下才成立的映射算子往往难于满足实际情况，特别是像薄互层、各向异性、多相介质这样的复杂地质情况，而且有些地球物理参数(如孔隙度、渗透率和饱和度)却很难用数学建模的方法建立起地球物理参数与地球物理响应之间的映射关系。

近年，随着深度神经网络(Deep Neural Networks，DNN)的复兴，在很多科学领域利用数据驱动的方法解反问题已经成为一种趋势。根据通用近似定理，当隐藏层有足够多的神经元时，DNN理论上可以逼近任何连续函数。基于DNN的机器学习通常称为深度学习。由定义可知，卷积神经网络(Convolutional Neural Networks，CNN)是一种特殊的DNN，具有局部连接和权值共享两大特点。由于在图像处理和语音识别中的重大突破，CNN被广泛关注并成功应用于农业、医学、交通等领域。

在地球物理领域，CNN普遍应用于分类，如断层解释、初至拾取、地震相识别、地震道编辑等。CNN通过深度学习可以自动搜索并逐渐逼近从地球物理响应到地球物理参数的映射算子，不需要任何先验的确定性映射算子。也就是说，CNN是纯数据驱动的，而不是模型驱动的。此外，CNN还是完全非线性的。虽然训练时间较长，但是一旦完成学习任务，CNN便可快速输出预测结果，大幅度降低计算成本。于是，有些学者将CNN应用于反演。反演属于监督学习的另一种应用类型，即回归。基于CNN的地震反演通常是以地震数据为输入、待反演参数为输出。例如：将法线入射的合成地震记录作为输入、声阻抗作为输出；把合成的叠前多炮地震道映射为速度模型；先将二维多炮合成地震记录编码成一个特征向量，再把这个特征向量解码成二维速度模型。

解决上述技术问题的难度：实际的工作中，高昂成本使得输入的测井数据十分有限，拟合非线性映射关系时，模型的泛化能力将变差，反演结果的多解性变强；利用地震原始信息进行反演，将导致输入与输出之间的相关性较差，难以获得良好的识别效果。

解决上述技术问题的意义：实现测井资料与地震资料的优势互补，有效降低反演结果多解性，获得良好的识别效果，满足社会生产对高精度储层勘探的需求，进一步强化产学研深度融合的技术创新体系建设。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多属性CNN井震联合反演方法、系统、介质及应用。

本发明是这样实现的，一种基于多属性CNN井震联合反演方法，所述基于多属性CNN井震联合反演方法包括以下步骤：

第一步，利用逐步回归思想对初选的典型属性进行自动优化；

第二步，优选出最好的属性及其组合；

第三步，将最佳的属性及其组合作为输入。

进一步，所述基于多属性CNN井震联合反演方法的地震属性提取包括：

(1)频率属性

1)全谱平均频率

2)全谱均方根频率

3)振幅谱主频，是振幅谱极大值所对应的频率；

(2)瞬时属性

设

是原始地震记录x(t)的Hilbert变换，通过复地震道分析技术，得到三瞬属性：

1)瞬时振幅

2)瞬时相位

瞬时相位表示所选样点上各道的相位值，用度或弧度表示；

3)瞬时频率

瞬时频率定义为瞬时相位对时间的导数，用度/ms或弧度/ms表示；

(3)道微分

道微分就是将本采样点与前一个采样点的差作为该采样点的属性，道微分的计算公式为：

x[i]＝x[i]-x[i-1]；

(4)线积分，将时窗内地震波包络线的长度作为一种属性，线积分的计算公式为：

S的大小体现了地震剖面上振幅和频率的变化，反映岩相、岩性和衰减的特征；通常较大的S值对应着高水位期的细岩性，而较小的S值对应着低水位期的粗岩性。剥蚀面或断层面通常对应着较高的S值；

(5)能量半时，在给定的分析时窗内，计算能量达到1/2时的相对时间位置；能量半时可用来测定时窗内能量累积的速度，指示岩相和岩性的变化。具体公式为T＝100·P/N，其中P由式得到：

式中，

从能量半时剖面指示岩相和岩性的变化；

(6)均方根振幅比，利用5点式多道空间组合模式和滑动时窗的方法，按式分别计算相邻时窗内的均方根振幅值，再求比值，形成均方根振幅比的属性体；

均方根振幅比的沿层切片反映了特定时窗内地震波振幅的平均变化水平，其数值大小与储层性质、岩石成分有关，还反映地层的平均吸收特性；

(7)视极性为实际地震道在反射强度波峰处的极性；视极性等于反射强度与sign之积，sign为反射系数的正负符号；提取了视极性、瞬时振幅、瞬时频率、瞬时相位、平均频率、优势频率、导数、积分、时间、X坐标和Y坐标11个典型属性。

进一步，所述基于多属性CNN井震联合反演方法采用逐步回归思想对提取的11个典型属性进行自动优化，具体方法包括：

第一步，找到最好的单属性，将提取的11个属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的单属性，命名为A₁；

第二步，找到最好的双属性，将属性A₁与剩下的10个属性分别组合成的双属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的双属性，命名为A₂；

第三步，找到最好的三属性，将属性A₁、A₂与剩下的9个属性分别组合成的三属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的三属性，命名为A₃。

本发明的另一目的在于提供一种实施所述基于多属性CNN井震联合反演方法的基于多属性CNN井震联合反演系统，所述基于多属性CNN井震联合反演系统含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层；3种卷积核，卷积核的规模分别为5×1、15×1和25×1；第一卷积层与输入层之间的连接为局部连接、第二卷积层与第一卷积层之间的连接也为局部连接、输出层与第二卷积层之间的连接为全部连接；卷积层之间的局部连接采用Toeplitz连接。

本发明的另一目的在于提供一种所述基于多属性CNN井震联合反演方法在地震与测井联合反演中的应用。

综上所述，本发明的优点及积极效果为：地震属性(Seismic Attribute)是通过一系列分析手段或计算方法从地震数据中导出的用来测定地震数据的几何学、运动学、动力学及统计学特征的特殊度量值，是刻画、描述地层结构、岩性以及物性等地质信息的地震特征量。可以从地震数据中提取的地震属性种类很多，如沿层属性、薄层属性、相干属性、层间吸收属性、时频分布属性等，有些地震属性与测井参数之间的相关性更强，更有利于寻找输入与输出之间的映射关系。过多的属性会淹没最敏感、最有效的属性，于是本发明采用逐步回归思想对人工初步筛选出的一些典型属性进行自动优化，优选出最好的属性及其组合。然后将最佳的属性及其组合作为输入，以降低多解性。实例应用表明，最好的属性及其组合可以增强输入与输出之间的相关性，将最佳的属性及其组合作为输入，能够降低多解性，更有助于卷积神经网络寻找从输入到输出的反演映射算子，提高泛化能力。

附图说明

图1是本发明实施例提供的基于多属性CNN井震联合反演方法流程图。

图2是本发明实施例提供的基于多属性CNN井震联合反演系统的结构示意图。

图3是本发明实施例提供的提取的地震属性示意图；

图中：(a)原始地震；(b)瞬时振幅；(c)瞬时频率；(d)瞬时相位；(e)平均频率；(f)优势频率。

图4是本发明实施例提供的提取的地震属性示意图；

图中：(a)视极性；(b)导数；(c)积分；(d)时间；(e)X坐标；(f)Y坐标。

图5是本发明实施例提供的训练误差和验证误差随属性数目变化的走势示意图。

图6是本发明实施例提供的采用逐步回归思想自动优选出的7个最好的属性及其组合构成的像素为50×7的二维图像示意图。

图7是本发明实施例提供的以地震多属性为输入的卷积神经网络架构示意图。

图8是本发明实施例提供的多属性映射反演误差随轮数的变化趋势示意图。

图9是本发明实施例提供的多属性映射反演14-09井的训练结果示意图；

图中：(a)地震记录；(b)测井曲线；右侧实线为期望输出，右侧虚线为模型输出。

图10是本发明实施例提供的多属性映射反演05-16井的验证结果示意图；

图11是本发明实施例提供的01-08井的单属性映射反演与多属性映射反演验证结果比较示意图；

图中：(a)单属性映射反演；(b)多属性映射反演；实线为真实测井曲线，虚线为反演测井曲线。

图12是本发明实施例提供的卷积神经网络单属性映射反演的速度剖面示意图。

图13是本发明实施例提供的卷积神经网络多属性映射反演的速度剖面示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种基于多属性CNN井震联合反演方法、系统、介质及应用，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于多属性CNN井震联合反演方法包括以下步骤：

S101：利用逐步回归思想对初选的典型属性进行自动优化；

S102：优选出最好的属性及其组合；

S103：将最佳的属性及其组合作为输入。

如图2所示，本发明实施例提供的基于多属性CNN井震联合反演系统包括：

含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层。设计了3种卷积核，卷积核的规模分别为5×1、15×1和25×1。第一卷积层与输入层之间的连接为局部连接、第二卷积层与第一卷积层之间的连接也为局部连接、输出层与第二卷积层之间的连接为全部连接。卷积层之间的局部连接采用Toeplitz连接。

下面结合附图对本发明的技术方案作进一步的描述。

1地震属性分类

地震属性名目繁多，目前还没有公认、完整、统一的分类。20世纪90年代初，Taner等人将地震属性分为几何属性和物理属性两大类。几何属性通常与波形及层位的几何形态(如倾角、方位、曲率等)有关，用于地震地层学、层序地层学及断层与构造解释；物理属性包括运动学属性和动力学属性，如振幅、相位、频率、速度、衰减等，用于岩性及属性特征解释。后来，Brown等人将地震属性分为叠后属性和叠前属性。20世纪90年代末，有人在上述两种分类方法的基础上提出了一种比较完整的分类方法，叠后属性和叠前属性被视为属性技术发展的两个阶段，就像叠后偏移成像与叠前偏移成像一样。从这个意义上，地震属性被分为几何学属性、运动学属性、动力学属性和统计学属性四大类。统计学属性大多是采用统计学方法获得的次生属性或导出属性，如相干性、相似性、边缘平滑(EPS)、广义主分量(GPC)等。一般没有明确的物理意义，但比其他属性含有更丰富的地质意义。

2地震属性提取

地震属性的提取采用多种数学方法(如傅氏变换、复数道分析、自相关函数、自回归分析等)实现。

2.1频率属性

谱分析是在频率域内描述地震记录特征的重要方法，它有两种形式：一是Fourier谱分析，用于确定性函数；二是功率谱分析，用于随机过程。当用于分析的地震数据是一个均值为零的随机过程，功率谱为它的一个统计特性，可以较好地表示反射波的特征；当用于分析的地震数据是一个确定的时间函数，或记录的信噪比较高、分析时窗中有稳定的反射波出现时，使用Fourier谱分析描述反射波特征较为适宜。

频率属性可以反映地层厚度、岩性及含流体成分的变化，常用来检测由于上覆地层异常或裂缝存在所致的选频吸收，也可识别由于地层学特征、岩相等改变而引起的细小的频率变化。

1)全谱平均频率

2)全谱均方根频率

3)振幅谱主频

所谓振幅谱主频，就是振幅谱极大值所对应的频率。

2.2.瞬时属性

设

是原始地震记录x(t)的Hilbert变换，通过复地震道分析技术，可以得到三瞬属性：

1)瞬时振幅

瞬时振幅是所选样点上各道时间域振动幅值，即为地震道数据的隐含表示。广泛用于地震资料的构造和地层解释，常与其他振幅属性一起用于分离高幅区或低幅区，如亮点和暗点技术。

2)瞬时相位

瞬时相位表示所选样点上各道的相位值，用度或弧度表示。由于油气的存在经常引起相位的局部变化，因此这一属性常和其他属性一起用作油气检测的指标之一，也可用于测定薄层的相位特征，其横向变化与流体含量变化及薄层组合有关。

3)瞬时频率

瞬时频率定义为瞬时相位对时间的导数，用度/ms或弧度/ms表示。往往油气的存在引起高频成分的衰减，故可用这一属性检测油气。

2.3道微分

道微分就是将本采样点与前一个采样点的差作为该采样点的属性。道微分的计算公式为：

x[i]＝x[i]-x[i-1] (6)

道微分是地震道的另一种描述方式，它记录了相邻采样点之间的幅值之差。经过道微分处理后的剖面高频成分增多，可以更加细致地反映地层内部的细节，有利于地震相和沉积相研究。

2.4线积分

线积分就是将时窗内地震波包络线的长度作为一种属性。线积分的计算公式为：

S的大小体现了地震剖面上振幅和频率的变化，它可以反映岩相、岩性和衰减的特征。通常较大的S值对应着高水位期的细岩性，而较小的S值对应着低水位期的粗岩性。剥蚀面或断层面通常对应着较高的S值。

2.5能量半时

能量半时的定义是：在给定的分析时窗内，计算能量达到1/2时的相对时间位置。能量半时可用来测定时窗内能量累积的速度，可以指示岩相和岩性的变化。具体公式为T＝100·P/N，其中P由式(8)得到：

式中，

从能量半时剖面可以指示岩相和岩性的变化，可以很清晰地看出构造的特点和断层的分布。

2.6均方根振幅比

利用5点式多道空间组合模式和滑动时窗的方法，按式(9)分别计算相邻时窗内的均方根振幅值，再求其比值，形成均方根振幅比的属性体。

均方根振幅比的沿层切片反映了特定时窗内地震波振幅的平均变化水平，其数值大小与储层性质、岩石成分等有关，还可反映地层的平均吸收特性。

2.7视极性

视极性定义为实际地震道在反射强度波峰处的极性。视极性等于反射强度与sign之积，sign为反射系数的正负符号。常与反射强度一起用来检查沿层极性的横向变化。

经过初步筛选，我们提取了视极性、瞬时振幅、瞬时频率、瞬时相位、平均频率、优势频率、导数、积分、时间、X坐标和Y坐标11个典型属性，如图3和图4所示。

3地震属性优化

地震属性优化就是优选出对求解问题最敏感、最有效或最有代表性的地震属性。地震属性优化的方法很多，可将其分为两大类：即利用专家知识进行人工优化和利用数学方法(如聚类分析、因子分析、决策分析等)进行自动优化。

在储层预测时，通常引入与储层预测有关的各种地震属性。地震属性的引入通常要经历一个先从少到多，再从多到少的过程。所谓从少到多，是指在设计预测方案的初期阶段应该尽量多地列举出与储层预测有关的各种地震属性。这样可以充分利用各种有用信息，吸取各方面专家经验，改善储层预测效果。但是，地震属性的无限增加对于储层预测也会带来不利的影响。

因此，针对具体问题，必须从众多的地震属性中挑选一些最好的地震属性或地震属性组合，即进行从多到少的地震属性优化分析。地震属性优化分析方法很多，大体上可分为地震属性降维映射与地震属性选择两大类方法。

3.1地震属性降维映射

地震属性降维映射较常用的方法是K-L变换，它是从大量原有地震属性出发，构造少数有效的主成分分量。原有地震属性的物理意义已不明确。

3.2地震属性选择

1)专家优选

一般来说，专家对某个地区与储层参数关系比较密切的地震属性是比较了解的，可以凭经验选择地震属性。有时专家能够提出几组较优的地震属性或地震属性组合，但哪一组最优难下结论。可通过计算误识率(如模式识别法)或预测误差(如函数逼近法)进行比较，选取误识率或预测误差最小的作为最优的地震属性或地震属性组合。

2)自动优选

常用的自动优选方法有属性比较法、顺序前进法、顺序后退法、增l减r法等，后来又出现了遗传算法与粗集(Rough Set，RS)理论决策分析方法。

3)专家与自动优化结合

为了克服专家知识与经验的局限性，减少自动优化的工作量，可将专家优化与自动优化结合起来进行地震属性优化。较常用的方法是专家优化与最优搜索算法结合，求取该组合优化问题的最优解。

在实际问题中，人们总是希望从对因变量有影响的诸多变量中选择一些变量作为自变量，应用多元回归分析的方法建立“最优”回归方程以便对因变量进行预报或控制。所谓“最优”回归方程，主要是指希望在回归方程中包含所有对因变量影响显著的自变量而不包含对因变量影响不显著的自变量的回归方程。逐步回归分析正是根据这种原则提出来的一种回归分析方法。

逐步回归分析的实施过程是每一步都要对已引入回归方程的变量计算其偏回归平方和(即贡献)，然后选一个偏回归平方和最小的变量，在预先给定的水平下进行显著性检验，若显著则该变量不必从回归方程中剔除，这时方程中其他几个变量也都不需要剔除(因为其他几个变量的偏回归平方和都大于该变量的偏回归平方和)。相反，若不显著则该变量需要剔除，然后按偏回归平方和由小到大地依次对方程中其他变量进行检验。将影响不显著的变量全部剔除，保留的都是显著的。接着再对未引入回归方程中的变量分别计算其偏回归平方和，并选其中偏回归平方和最大的一个变量，同样在给定水平下作显著性检验，若显著则将该变量引入回归方程，这一过程一直持续下去，直到在回归方程中的变量都不能剔除而又无新变量可以引入时为止，这时逐步回归过程结束。

过多的属性会淹没最敏感、最有效的属性，于是我们采用逐步回归(step-wiseregression)思想对提取的11个典型属性进行自动优化，具体方法步骤如下。

第一步：找到最好的单属性。将提取的11个属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的单属性，命名为A₁。

第二步：找到最好的双属性。将属性A₁与剩下的10个属性分别组合成的双属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的双属性，命名为A₂。

第三步：找到最好的三属性。将属性A₁、A₂与剩下的9个属性分别组合成的三属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的三属性，命名为A₃。

使用同样的方法对剩下的8个属性进行优化。

表1为采用逐步回归思想对提取的11个典型属性进行自动优化后的结果。为了更直观地分析优化结果，将训练误差和验证误差随属性数目变化的走势绘制于图5。从图5中可以看出，7个最好的属性及其组合的验证误差最小。

表1采用逐步回归思想对初选的典型属性进行自动优化后的结果

4多属性网络结构

图6为采用逐步回归思想自动优选出的7个最好的属性及其组合构成的二维图像，图像的像素为50×7，将该图像作为卷积神经网络的输入，以降低多解性。图6中，A_j,k的第一个下标j表示第j个最好属性；A_j,k的第二个下标k表示第k个时间采样点。

以地震多属性为输入的卷积神经网络架构，含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层。设计了3种卷积核，卷积核的规模分别为5×1、15×1和25×1。第一卷积层与输入层之间的连接为局部连接、第二卷积层与第一卷积层之间的连接也为局部连接、输出层与第二卷积层之间的连接为全部连接。卷积层之间的局部连接采用Toeplitz连接。输入从一维的列向量变成了二维的矩阵，所以卷积核的规模也相应地略微做了调整。以地震多属性为输入的卷积神经网络架构如图6所示，网络模型参数见表2。从图6中可以看出，卷积神经网络结构仍然由输入层、第一卷积层、第二卷积层和输出层组成，共4层。由表2可见，第一卷积层卷积核的规模由原来的5×1×5变成了现在的5×7×5，第二卷积层卷积核的规模依旧是5×1×30。

表2以地震多属性为输入的卷积神经网络模型参数

	I1	C2	C3	O4
					图像规模	50×7	46×1×5	42×1×10	50×1
权值规模		5×7×5	5×1×30	50×420
					偏置规模		5×1	10×1	50×1

5映射反演

将05-16井作为验证井，其余井作为训练井。多属性映射反演误差随轮数的变化趋势如图7所示，当误差降到容忍范围后即可停止训练，第130轮的整体训练误差是0.018 1。

图8是多属性映射反演14-09井的训练结果，训练误差是0.010 5，相关系数是0.983 8。图9是多属性映射反演05-16井的验证结果，验证误差是0.017 3，相关系数是0.936 9。由图8和图9可见，训练误差较小，验证误差也较小，说明最好的属性及其组合在增强输入与输出之间的相关性，降低多解性，以及提高泛化能力方面发挥了重要作用。

图10是对01-08井的单属性映射反演与多属性映射反演两种反演方法验证结果的对比。图10(a)为单属性映射反演的验证结果，验证误差是0.022 5，相关系数是0.878 4；图10(b)为多属性映射反演的验证结果，验证误差是0.0158，相关系数是0.929 0。从图10中可以看出，多属性映射反演验证结果比单属性映射反演验证结果有了改善。验证误差降低了0.006 7，相关系数升高了0.0506。结果表明，最好的属性及其组合进一步降低了多解性。

下面结合具体应用实施例对本发明的技术效果作详细的描述。

对比图11和图12可以看出，与单属性映射反演所得的速度剖面相比，多属性映射反演所获速度剖面的分辨率更高，层位的连续性也更好，油气富集区顶底边界的清晰度亦更高。实例应用表明，最好的属性及其组合可以增强输入与输出之间的相关性，将最佳的属性及其组合作为输入，能够降低多解性，更有助于卷积神经网络寻找从输入到输出的反演映射算子，提高泛化能力。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于多属性CNN井震联合反演方法，其特征在于，所述基于多属性CNN井震联合反演方法包括以下步骤：

第二步，优选出最好的属性及其组合；

第三步，将最好的属性及其组合作为输入；

所述基于多属性CNN井震联合反演方法的地震属性提取包括：

(1)频率属性

1)全谱平均频率

2)全谱均方根频率

3)振幅谱主频，是振幅谱极大值所对应的频率；

(2)瞬时属性

设

1)瞬时振幅

2)瞬时相位

瞬时相位表示所选样点上各道的相位值，用度或弧度表示；

3)瞬时频率

(3)道微分

x[i]＝x[i]-x[i-1]；

S的大小体现了地震剖面上振幅和频率的变化，反映岩相、岩性和衰减的特征；

(5)能量半时，在给定的分析时窗内，计算能量达到1/2时的相对时间位置；能量半时可用来测定时窗内能量累积的速度，指示岩相和岩性的变化，具体公式为T＝100·P/N，其中P由式得到：

式中，

从能量半时剖面指示岩相和岩性的变化；

(7)视极性为实际地震道在反射强度波峰处的极性；视极性等于反射强度与sign之积，sign为反射系数的正负符号；提取了视极性、瞬时振幅、瞬时频率、瞬时相位、平均频率、优势频率、导数、积分、时间、X坐标和Y坐标11个典型属性；

所述基于多属性CNN井震联合反演方法采用逐步回归思想对提取的11个典型属性进行自动优化方法包括：找到最好的单属性，将提取的11个属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的单属性，命名为A₁；

找到最好的双属性，将属性A₁与剩下的10个属性分别组合成的双属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的双属性，命名为A₂；

找到最好的三属性，将属性A₁、A₂与剩下的9个属性分别组合成的三属性依次输入卷积神经网络进行训练，验证误差最小的那个属性便是最好的三属性，命名为A₃。

2.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述基于多属性CNN井震联合反演方法的步骤。

3.如权利要求2所述的计算机设备，其特征在于，含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层；3种卷积核，卷积核的规模分别为5×1、15×1和25×1；第一卷积层与输入层之间的连接为局部连接、第二卷积层与第一卷积层之间的连接也为局部连接、输出层与第二卷积层之间的连接为全部连接；卷积层之间的局部连接采用Toeplitz连接。

4.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述基于多属性CNN井震联合反演方法的步骤。