CN114609668A - 一种基于散射变换和神经网络的优质储层识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于散射变换和神经网络的优质储层识别方法、装置、设备及存储介质，该方法首先使用散射变换逐级从原信号中提取具有局部形变稳定性以及平移不变性的多尺度特征属性，然后利用Res‑UNet卷积神经网络建立特征属性与储层岩性之间的非线性关系，从而可以实现基于地震数据的优质储层识别。本发明通过合成地震数据充分说明了该方法的有效。

Description

一种基于散射变换和神经网络的优质储层识别方法、装置、设 备及存储介质

技术领域

本发明属于地震勘探技术领域，具体涉及一种基于散射变换和神经网络的优质储层方法、装置、设备及存储介质。

背景技术

准确地震储层岩性预测是石油开发的重要环节，也是储层特征研究、储量计算以及地质建模的基础。若不能较为准确识别优储层位置，后续打井、开采等工作无法正常进行。因此，识别优质储层位置等信息对于指导石油开发具有重要意义。

常用的优质储层识别方法主要包括两大类：基于测井数据的储层岩性预测法以及基于地震技术的储层岩性预测法。两种方法分别需要建立测井数据与储层岩性或者地震数据与储层岩性之间的非线性关系。由于地下介质存在很大的不确定性，因此使用传统物理模型方法直接构建地震数据或测井数据与储层岩性之间的非线性模型十分困难，且所得到的物理模型往往泛化性较差。近年来，机器学习在许多领域都得到了应用与快速发展，由于机器学习有很强的非线性映射能力，因此许多相关学者尝试直接利用机器学习建立测井数据或地震数据与储层岩性之间的非线性关系，从而可以根据通过测井数据或者地震数据得到储层岩性，实现优质储层识别。基于测井数据的储层岩性预测方法即需要建立测井数据与储层岩性之间的非线性模型，从而可以根据测井数据识别优质储层。 A.Al-Anaziet.al.(2010)提出一种使用支持向量机根据测井数据进行储层岩性预测的方法。HainingLiu et.al.(2020)针对不同井之间数据存在数据漂移的问题提出了一种数据漂移联合适应极端学习的迁移学习方法，用于建立测井数据与储层岩性之间的非线性模型。当测井数据准确且数据量足够时，这一类方法能够取得较好的效果。但测井数据量往往较小，通常需要通过使用合适的反演方法从地震数据中反演得到测井数据，在此过程中也会引入一定的误差。基于地震数据的储层岩性预测方法主要是通过建立叠后地震数据与储层岩性之间的非线性模型来实现优质储层识别。由于地震信号是复杂的非平稳信号，而时频分析可以用来刻画信号的局部特征，提取信号幅值、相位等信息，因此可以先利用时频变换从地震数据中提取特征信息，然后建立特征信息与储层岩性之间的非线性关系。Guoyin Zhang et.al.(2018)提出一种基于小波变换与机器学习相结合的优质储层识别方法，并证明该方法优于仅使用机器学习的优质储层识别方法。Jian Zhang et.al.(2021)提出一种基于逆谱分解和一维卷积神经网络的地震储层识别方法。这类方法虽然也可以得到较好的预测结果，但是所使用的时频变换不具有局部形变稳定性，即小的时间翘曲会造成信号时频表示发生较大的改变，从而造成信号类属容易因噪声等条件的干扰而判别错误，且其所提取的信息不具备多尺度特征，这对于优质储层识别问题是非常不利的。

以上技术存在如下缺点：

(1)基于测井数据的优质储层预测方法通常存在测井数据不足及易受测井技术影响的问题，因此需要使用合适的反演方法从地震数据中提取需要的测井数据，这一过程也会引入一定的误差。

(2)基于地震数据的优质储层预测方法在使用传统的时频变换方法进行特征信息提取时，提取到的特征信息往往不具备局部形变稳定性与多尺度特征，当原信号存在翘曲或者时移时会造成所提取到的特征信息发生较大改变，从而容易造成信号类属判别错误。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于散射变换和神经网络的优质储层方法、装置、设备及存储介质，该方法利用散射变换逐级从地震信号中提取具有局部形变稳定性、平移不变性以及多尺度特征的属性信息，然后利用一维卷积神经网络建立特征属性与储层岩性之间的非线性关系，从而实现基于地震数据识别优质储层。

为了达到上述目的，本发明采用以下技术方案予以实现：

本发明公开的一种基于散射变换和神经网络的优质储层识别方法，使用散射网络从地震数据中提取具有平移不变性和局部稳定性的多尺度特征信息，使用卷积神经网络建立特征属性与储层岩性之间的非线性关系，由散射网络和卷积神经网路构成的混合网络结构能够根据叠后地震记录识别优质储层位置及厚度信息。

本发明公开的基于散射变换和神经网络的优质储层识别方法，具体包括以下步骤：

1)获得叠后二维观测数据Y∈R^M×N和若干道已知岩性地震数据Y_train∈L×R^N (L＜＜M)，并对叠后二维观测数据进行预处理；

2)基于散射变换对预处理后的叠后二维观测数据提取特征信息；

3)搭建构造特征属性与岩性之间非线性映射模型的卷积神经网络；

4)对卷积神经网络的输出数据进行反分块处理，获得地震数据对应的岩性分布剖面，即能够得到优质储层识别结果。

优选地，步骤1)具体操作包括：

获取叠后二维观测数据与若干道已知岩性地震数据，分别记为Y∈R^N×M与 Y_train∈R^N×L，其中L＜＜M且Y_train∈Y，M为二维数据中总地震道数，L为已知岩性地震数据的道数，N为每道数据的时间采样点数；

选择矩形窗函数及合适的窗长度K沿时间方向对叠后二维观测数据及若干道已知岩性地震数据中的每道数据进行划分，使得每个时间采样点的岩性对应 K个时间采样点的地震数据，将划分后的数据按照地震数据采样点×每个地震数据采样点岩性对应的K个地震数据形式重新分配为一个二维数据形式，则得到处理后的二维数据以及已知岩性地震数据分别为Y_new∈R^MN×K与Y_newtrain＝R^LN×K， MN指总数据中待测岩性采样点的总个数，LN指已知岩性地震数据中采样点的个数，K为每个岩性采样点对应的地震数据长度。

优选地，步骤2)中，散射变换是以具有平移不变性与局部形变稳定性的Mel谱为基础，首先构造Mel谱计算模型，将其近似定义为：

Mf＝(f*φ(t),|f*ψ_λ(t)|)_{t∈R,λ∈Λ} (1)

其中，f为待分析的输入信号，φ(t)为低通滤波器，ψ_λ(t)为以λ为中心频率的带通滤波器，Λ为所有λ的集合，*表示卷积运算，(，)表示两个信号相加；

其次，根据Mel谱构造散射变换模型，通过逐级小波卷积、非线性取模操作从地震信号中提取具有局部形变稳定性与时移不变性的特征信息；

散射变换的第m层低频成分S_m-1f为具有局部形变稳定性的散射系数，其在散射变换中逐层输出；高频成分U_mf为小波模系数，其被传递至下一层重复低通、带通滤波操作；

第0级散射系数为：

S₀f＝f*φ(t) (2)

第1级小波模系数为：

将小波模系数传递到散射变换第2层继续分别与低通滤波器φ(t)与第2层的带通滤波器组

进行卷积、非线性取模等操作得到第1级散射系数S₁f(t,λ₁) 以及第2级小波模系数U₂f(t,λ₁,λ₂)：

重复以上小波卷积、非线性取模过程，逐级迭代得到不同尺度的散射系数与小波模系数，在散射变换的第m(m≥1)层，得到第(m-1)级散射系数与第m级小波模系数为：

其中，Λ_m为散射变换第m层带通滤波器组中心频率λ_m构成的集合；

最后，根据实际应用场景设置最大层数J，保留信号的主要能量成分，将前 J层输出的散射系数组合成一维特征信息

作为第i个岩性点对应的特征属性。

优选地，步骤3)中，具体操作为：

首先，建立特征属性与岩性之间的非线性映射关系，记第i个岩性点的岩性为y_i，则构造i个岩性点与其属性之间的非线性映射模型：

其中，G为非线性映射算子；θ为模型待求参数；

其次，使用卷积神经网络求解上述非线性映射模型(8)中的待求参数；网络结构使用Res-UNet网络，通过引入残差结构减弱网络的过拟合现象；

最后，使用基于散射变换从井数据中提取的特征信息对卷积网络进行有监督训练，对于一个I分类问题，训练使用的损失函数定义为公式(9)：

其中，y_i为标签，

为对应于标签的网络预测输出。

进一步优选地，优化器使用Adam优化器，初始学习率设置为0.003，学习率衰减常数设置为0.03，设置网络的最大迭代次数为500次。

进一步优选地，步骤2)中，基于散射变换从地震记录中提取特征信息，该变换得到的特征信息具有平移不变性与局部形变稳定性，其中：

平移不变性的定义为：

对于信号x(t)，当其在时间上产生简单的平移，即x_c(t)＝x(t-c)，如果存在某个函数α(x)，使得|α(x)|＝|α(x_c)|成立，则称α(x)具有平移不变性；

局部形变稳定性的定义为：

对于信号x(t)，当其在时间上产生翘曲，即x_τ(t)＝x(t-τ(t))，其中|τ'(t)|＜1，如果存在某个函数β(x)，使得当时间翘曲较小时，||β(x)-β(x_τ)||较小，则称β(x)具有局部形变稳定性，该性质利用Lipschitz连续性条件进行定义：

假设信号在时间上存在翘曲，即有x_τ(t)＝x(t-τ(t))，其中|τ'(t)|＜1，则存才常数 C>0满足条件：

则称β(x)具有局部形变稳定性；

散射变换通过逐步迭代提取不同频率成分的特征属性，获得具有多尺度特征的信息属性。

本发明还公开了实现上述的基于散射变换和神经网络的优质储层识别方法的装置，包括：

地震数据获取单元，用于获取叠后二维观测数据和若干道已知岩性地震数据，并对叠后二维观测数据进行预处理；

特征信息提取单元，用于基于散射变换对预处理后的叠后二维观测数据提取特征信息；

卷积神经网络搭建单元，用于搭建构造特征属性与岩性之间非线性映射模型的卷积神经网络；

反分块处理单元，用于对输出的数据进行反分块处理，获得地震数据对应的岩性分布剖面，即能够得到优质储层识别结果。

本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现权利要求1至7中任意一项所述的基于散射变换和神经网络的优质储层识别方法的步骤。

本发明还公开了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计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的基于散射变换和神经网络的优质储层识别方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种基于散射变换与深度卷积网络的优质储层识别方法，该方法首先使用散射变换逐级从地震数据中提取具有局部形变稳定性以及时移不变性的多尺度特征属性，即提取到的特征属性不会因噪声等条件造成的原信号局部形变或时移而发生较大的改变，保证了原信号即使存在翘曲或者时移也不会使其所属类别产生判别错误；然后利用Res-UNet卷积神经网络建立特征属性与储层岩性之间的非线性关系，该卷积网络通过引入残差结构可以有效防止网络过拟合，最终可以实现基于叠后地震数据的优质储层识别。

附图说明

图1为合成地震数据优质储层识别结果，其中，(a)为真实储层岩性分布； (b)为识别得到的储层岩性分布；

图2为本发明的散射变换提取多尺度特征信息的流程图；

图3为本发明的建立散射变换提取到的特征信息与岩性非线性模型的卷积神经网络图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本发明做进一步详细描述：

由于目前常用的时频变换不具备局部形变稳定性，因此该方法首先使用散射变换通过逐级迭代的方式从原信号中提取具有局部形变稳定性以及时移不变性的多尺度特征属性，然后利用Res-UNet卷积神经网络建立特征属性与储层岩性之间的非线性关系，从而可以根据叠后地震数据实现优质储层识别。

1)获得叠后二维观测数据Y∈R^N×M以及若干道已知岩性地震数据Y_train∈R^N×L (L＜＜M)，并对叠后地震数据进行预处理：

获取叠后二维观测数据与若干道已知岩性地震数据，分别记为Y∈R^N×M与 Y_train∈R^N×L，其中L＜＜M且Y_train∈Y，M为二维数据中总地震道数，L为已知岩性地震数据的道数，N为时间采样点数。选择矩形窗函数及合适的窗长度K沿时间方向对观测数据及已知岩性地震数据中的每道数据进行划分，使得地震数据每个时间采样点的岩性对应K个时间采样点的地震数据。将划分后的数据按照采样点×每个采样点岩性对应的K个地震数据形式重新分配为一个二维数据形式，则可得到处理后的二维数据以及已知岩性地震数据分别为Y_new∈R^MN×K与 Y_newtrain＝R^LN×K。MN指总数据中待测岩性采样点的总个数，LN指已知岩性地震数据中采样点的个数，K为每个岩性采样点对应的地震数据长度。

2)基于散射变换对预处理后的地震数据提取特征信息：

散射变换是以具有平移不变性与局部形变稳定性的Mel谱为基础，因此首先应构造Mel谱计算模型，可近似定义为：

Mf＝(f*φ(t),|f*ψ_λ(t)|)_{t∈R,λ∈Λ} (1)

其中，f为待分析的输入信号，φ(t)为低通滤波器，ψ_λ(t)为以λ为中心频率的带通滤波器，_Λ为所有λ的集合，*表示卷积运算，(，)表示两个信号相加。

其次，根据Mel谱可以构造散射变换模型，其实质就是逐层输出Mel谱提取到的具有局部形变稳定性与平移不变性的低频成分，将高频成分传递至散射变换的下一层进一步使用低通、带通滤波器进行滤波操作，重复上述传递、滤波等操作构成一个类似于卷积神经网络的散射网络，散射变换提取信息流程图如附图2所示。

第m层的低频成分S_m-1f为具有局部形变稳定性的散射系数，其在散射变换中逐层输出；高频成分U_mf为小波模系数，其被传递至下一层重复低通、带通滤波操作；

第0级散射系数为：

S₀f＝f*φ(t) (2)

第1级小波模系数为：

将小波模系数传递到下一层继续分别与低通滤波器φ(t)与第2层散射变换的带通滤波器组

进行卷积、非线性取模等操作得到第1级散射系数S₁f(t,λ₁) 以及第2级小波模系数U₂f(t,λ₁,λ₂)：

重复以上小波卷积、非线性取模过程，逐级迭代得到不同尺度的散射系数与小波模系数，在第m(m≥1)层，得到第(m-1)级散射系数与第m级小波模系数为：

其中，Λ_m为散射变换第m层带通滤波器组中心频率λ_m构成的集合。

最后根据实际应用场景设置最大层数J，保留信号的主要能量成分，将前J 层输出的散射系数组合成一维特征信息

作为第i个岩性点对应的特征属性。

3)搭建构造特征属性与岩性之间非线性映射模型的卷积神经网络：

首先，建立特征属性与岩性之间的非线性映射关系。记第i个岩性点的岩性为y_i，则可构造i个岩性点与其特征属性之间的非线性映射模型：

其中，G为非线性映射算子；θ为模型待求参数。

其次，使用卷积神经网络求解上述非线性映射模型(8)中的待求参数；网络结构使用Res-UNet网络，通过引入残差结构减弱网络的过拟合现象。其网络结构如附图3所示。

最后，使用基于散射变换从井数据中提取的特征信息对卷积网络进行有监督训练，对于一个I分类问题，训练使用的损失函数定义为公式(9)：

其中，y_i为标签，

为对应于标签的网络预测输出。

优化器使用Adam优化器，初始学习率设置为0.003，学习率衰减常数设置为0.03。设置网络的最大迭代次数为500次。

基于散射变换从地震记录中提取特征信息，该变换得到的特征信息具有平移不变性与局部形变稳定性，其中：

平移不变性的定义为：

对于信号x(t)，当其在时间上产生简单的平移，即x_c(t)＝x(t-c)，如果存在某个函数α(x)，使得|α(x)|＝|α(x_c)|成立，则称α(x)具有平移不变性；

局部形变稳定性的定义为：

对于信号x(t)，当其在时间上产生翘曲，即x_τ(t)＝x(t-τ(t))，其中|τ'(t)|＜1，如果存在某个函数β(x)，使得当时间翘曲较小时，||β(x)-β(x_τ)||较小，则称β(x)具有局部形变稳定性，该性质利用Lipschitz连续性条件进行定义：

假设信号在时间上存在翘曲，即有x_τ(t)＝x(t-τ(t))，其中|τ'(t)|＜1，则存才常数 C>0满足条件：

则称β(x)具有局部形变稳定性；

散射变换通过逐步迭代提取不同频率成分的特征属性，获得具有多尺度特征的信息属性。

4)对卷积神经网络的输出数据进行反分块处理，获得叠后地震数据对应的岩性分布剖面，从而可以得到优质储层识别结果。

数值仿真结果实验如下：

合成地震记录数据

图1展示了基于7种属性的优质储层识别结果。图1(a)原始的岩性分布剖面，该数据有400道地震记录，每道地震记录有201个时间采样点，采样间隔为1ms，已知岩性的地震数据共有20道。图1(b)为本发明所识别的岩性分布剖面，其中在测试集上两种目标储层的识别率分别为0.6924与0.7542，由于在卷积神经网络训练集中各种属性数据十分不均衡，因此认为该方法已达到较好识别效果，为后续进一步改善该方法提供有利的基础。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于散射变换和神经网络的优质储层识别方法，其特征在于，使用散射网络从地震数据中提取具有平移不变性和局部稳定性的多尺度特征信息，使用卷积神经网络建立特征属性与储层岩性之间的非线性关系，由散射网络和卷积神经网路构成的混合网络结构能够根据叠后地震记录识别优质储层位置及厚度信息。

2.根据权利要求1所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，包括以下步骤：

1)获得叠后二维观测数据和若干道已知岩性地震数据，并对叠后二维观测数据进行预处理；

2)基于散射变换对预处理后的叠后二维观测数据提取特征信息；

3)搭建构造特征属性与岩性之间非线性映射模型的卷积神经网络；

4)对卷积神经网络的输出数据进行反分块处理，获得地震数据对应的岩性分布剖面，即能够得到优质储层识别结果。

3.根据权利要求2所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，步骤1)具体操作包括：

获取叠后二维观测数据与若干道已知岩性地震数据，分别记为Y∈R^N×M与Y_train∈R^N×L，其中L＜＜M且Y_train∈Y，M为二维数据中总地震道数，L为已知岩性地震数据的道数，N为每道数据的时间采样点数；

选择矩形窗函数及合适的窗长度K沿时间方向对叠后二维观测数据及若干道已知岩性地震数据中的每道数据进行划分，使得每个时间采样点的岩性对应K个时间采样点的地震数据，将划分后的数据按照地震数据采样点×每个地震数据采样点岩性对应的K个地震数据形式重新分配为一个二维数据形式，则得到处理后的二维数据以及已知岩性地震数据分别为Y_new∈R^MN×K与Y_newtrain＝R^LN×K，MN指总数据中待测岩性采样点的总个数，LN指已知岩性地震数据中采样点的个数，K为每个岩性采样点对应的地震数据长度。

4.根据权利要求2所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，步骤2)中，散射变换是以具有平移不变性与局部形变稳定性的Mel谱为基础，首先构造Mel谱计算模型，将其近似定义为：

Mf＝(f*φ(t),|f*ψ_λ(t)|)_{t∈R,λ∈Λ} (1)

其中，f为待分析的输入信号，φ(t)为低通滤波器，ψ_λ(t)为以λ为中心频率的带通滤波器，Λ为所有λ的集合，*表示卷积运算，(，)表示两个信号相加；

其次，根据Mel谱构造散射变换模型，通过逐级小波卷积、非线性取模操作从地震信号中提取具有局部形变稳定性与时移不变性的特征信息；

散射变换的第m层低频成分S_m-1f为具有局部形变稳定性的散射系数，其在散射变换中逐层输出；高频成分U_mf为小波模系数，其被传递至下一层重复低通、带通滤波操作；

第0级散射系数为：

S₀f＝f*φ(t) (2)

第1级小波模系数为：

将小波模系数传递到散射变换第2层继续分别与低通滤波器φ(t)与第2层的带通滤波器组ψ_λ2(t)进行卷积、非线性取模等操作得到第1级散射系数S₁f(t,λ₁)以及第2级小波模系数U₂f(t,λ₁,λ₂)：

重复以上小波卷积、非线性取模过程，逐级迭代得到不同尺度的散射系数与小波模系数，在散射变换的第m(m≥1)层，得到第(m-1)级散射系数与第m级小波模系数为：

其中，Λ_m为散射变换第m层带通滤波器组中心频率λ_m构成的集合；

最后，根据实际应用场景设置最大层数J，保留信号的主要能量成分，将前J层输出的散射系数组合成一维特征信息

作为第i个岩性点对应的特征属性。

5.根据权利要求2所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，步骤3)中，具体操作为：

首先，建立特征属性与岩性之间的非线性映射关系，记第i个岩性点的岩性为y_i，则构造i个岩性点与其属性之间的非线性映射模型：

其中，G为非线性映射算子；θ为模型待求参数；

其次，使用卷积神经网络求解上述非线性映射模型(8)中的待求参数；网络结构使用Res-UNet网络，通过引入残差结构减弱网络的过拟合现象；

最后，使用基于散射变换从井数据中提取的特征信息对卷积网络进行有监督训练，对于一个I分类问题，训练使用的损失函数定义为公式(9)：

其中，y_i为标签，

为对应于标签的网络预测输出。

6.根据权利要求5所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，优化器使用Adam优化器，初始学习率设置为0.003，学习率衰减常数设置为0.03，设置网络的最大迭代次数为500次。

7.根据权利要求5所述的基于散射变换和神经网络的优质储层识别方法，其特征在于，步骤2)中，基于散射变换从地震记录中提取特征信息，该变换得到的特征信息具有平移不变性与局部形变稳定性，其中：

平移不变性的定义为：

对于信号x(t)，当其在时间上产生简单的平移，即x_c(t)＝x(t-c)，如果存在某个函数α(x)，使得|α(x)|＝|α(x_c)|成立，则称α(x)具有平移不变性；

局部形变稳定性的定义为：

对于信号x(t)，当其在时间上产生翘曲，即x_τ(t)＝x(t-τ(t))，其中|τ'(t)|＜1，如果存在某个函数β(x)，使得当时间翘曲较小时，||β(x)-β(x_τ)||较小，则称β(x)具有局部形变稳定性，该性质利用Lipschitz连续性条件进行定义：

假设信号在时间上存在翘曲，即有x_τ(t)＝x(t-τ(t))，其中|τ'(t)|＜1，则存才常数C>0满足条件：

则称β(x)具有局部形变稳定性；

散射变换通过逐步迭代提取不同频率成分的特征属性，获得具有多尺度特征的信息属性。

8.实现权利要求1～7中任意一项所述的基于散射变换和神经网络的优质储层识别方法的装置，其特征在于，包括：

地震数据获取单元，用于获取叠后二维观测数据和若干道已知岩性地震数据，并对叠后二维观测数据进行预处理；

特征信息提取单元，用于基于散射变换对预处理后的叠后二维观测数据提取特征信息；

卷积神经网络搭建单元，用于搭建构造特征属性与岩性之间非线性映射模型的卷积神经网络；

反分块处理单元，用于对输出的数据进行反分块处理，获得地震数据对应的岩性分布剖面，即能够得到优质储层识别结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1至7中任意一项所述的基于散射变换和神经网络的优质储层识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的基于散射变换和神经网络的优质储层识别方法的步骤。

Images