CN114722852A - 基于cnn的剥蚀点识别方法 - Google Patents
基于cnn的剥蚀点识别方法 Download PDFInfo
- Publication number
- CN114722852A CN114722852A CN202110011743.9A CN202110011743A CN114722852A CN 114722852 A CN114722852 A CN 114722852A CN 202110011743 A CN202110011743 A CN 202110011743A CN 114722852 A CN114722852 A CN 114722852A
- Authority
- CN
- China
- Prior art keywords
- identification method
- data
- stratum
- dimensional
- neural network
- 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.)
- Pending
Links
- 238000002679 ablation Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000015556 catabolic process Effects 0.000 claims abstract description 5
- 238000006731 degradation reaction Methods 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及油田开发技术领域,特别是涉及到一种基于CNN的剥蚀点识别方法。所述方法包括以下步骤:模拟剥蚀地层,得到剥蚀地层的合成地震记录;切取图片,作为样本数据的特征值;定义剥蚀地层的标签;配置训练和测试数据;构建卷积神经网络模型;预测剥蚀点的位置。本发明方法可准且地识别出剥蚀点,且不受断点、岩性尖灭点等干扰点的影响,不受限于层位和空间,克服了现有剥蚀点识别方法的不足。
Description
技术领域
本发明涉及油田开发技术领域,具体涉及一种基于CNN的剥蚀点识别方法。
背景技术
最早的地层剥蚀点识别方法是剖面法。地震剖面能够清晰地反映地层接触关系,靠近剥蚀点位置表现为两个同相轴变化为一个同相轴。但是由于地震资料分辨率的问题,靠近剥蚀点时,会产生地震反射空白带,因此给剖面法识别剥蚀点带来很大困难。
地震信号的振幅、频率和波形与地层的岩性、物性和含流体性等地质特性相关联,任何地层特征的变化都会引起地震波波形的变化,波形分析技术就是研究地震波波形变化的技术。波形分析技术的原理基础是曼哈顿距离(一种有效地统计相似性与不相似性的装置),它使用两个在N个采样点的等长度的地震波形信号,计算其差异的绝对值,波形相同时,结果为0,波形不同时,结果为正值。曼哈顿距离采用的是固定时窗,时窗内的波形变化有可能是岩性变化造成的,也有可能是剥蚀点尖灭造成的,也有可能是断层造成的,种种可能性给波形分析技术带来较高的多解性。
相位属性是目前最常见的识别剥蚀点的技术,该技术将地震数据从时间域转换到相位域,波峰极值对应90度相位,波谷极值对应-90度相位,从而得到相位数据体。转换后的相位属性剖面,刻画不整合面与下伏剥蚀地层的交点更为清晰。由于不整合面上下地层的速度差异及地层倾角和夹角的不同,导致相位属性刻画的剥蚀点离不整合的距离远近不同,所以进行特定时窗内的相位属性提取和分析时,不能全面地刻画不同时期的剥蚀地层。
近年来发展起来的地震DNA技术能够有效提取地震数据中的构造特点,通过设置字符转换参数将地震数据转换成字符数据,将某一地震反射结构对应的字符串作为目标基因,在三维空间内进行搜索,最终获取复杂地质体的展布。超剥点两侧地震反射结构存在差异,即对应不同的字符串(地震DNA)的突变,通过搜索字符串突变点实现超剥点的识别。该技术对于不整合面的层位解释的依赖性变小,从不整合面往下开取固定时窗,能够将时窗内的所有剥蚀地层的剥蚀点识别地较为全面。但是地震反射特征突变点不仅是由于地层剥蚀造成的,还有可能是断层和岩性尖灭造成的,因此地震DNA技术识别出来点混杂着断点和岩性尖灭点等干扰点。
周子群在《利用正演模型识别桩西地区在沙河街组地层剥蚀点》中,针对沙河街组地层剥蚀地质现象,通过模拟围岩与残余地层厚度变化造成的地震响应特征,开展了砂泥岩地质建模与正演。通过多种类型剥蚀尖灭的地质模型进行正演模拟,破除地震资料假象,指引正确的解释方向,识别剥蚀点,落实地层圈闭。
如何从地震资料出发,不受断点、岩性尖灭点等干扰点的影响,不受限于层位和空间,从而准确地识别出剥蚀点,仍然是一个亟需解决的问题。
发明内容
本发明主要目的是提供一种基于CNN的剥蚀点识别方法,本发明方法可准且地识别出剥蚀点,且不受断点、岩性尖灭点等干扰点的影响,不受限于层位和空间,克服了现有剥蚀点识别方法的不足。
为实现上述目的,本发明采用以下技术方案:
本发明提供一种基于CNN的剥蚀点识别方法,所述方法包括以下步骤:
模拟剥蚀地层,得到剥蚀地层的合成地震记录;
切取图片,作为样本数据的特征值;
定义剥蚀地层的标签;
配置训练和测试数据;构建卷积神经网络模型;
预测剥蚀点的位置。
进一步地,建立不同倾角的剥蚀地层的地质模型;建立不整合面与剥蚀地层在不同夹角条件下的地质模型;通过射线追踪法进行正演模拟,得到多套剥蚀地层的合成地震记录。
进一步地,在合成地震记录上,提取相位属性,得到相位属性剖面;从合成地震记录的相位属性出发,沿不整合面往下取固定时窗,将数据在横向上平均切分成多张图片,作为样本数据的特征值;或者,
在实际三维地震数据上,提取瞬时相位属性,得到相位属性体;从实际三维地震的相位属性体出发,沿不整合面往下取固定时窗,将数据在横向上平均切分成多张图片,作为样本数据的特征值。
进一步地,从特征值中,挑选出有剥蚀点信息的图片;将有剥蚀点信息的图片,定义标签1;将没有剥蚀点信息的图片,定义标签0。
进一步地,将所有样本数据,按照8:2的比例,配置训练和测试数据。
进一步地,构建卷积神经网络模型,包括输入层、卷积层、池化层、多个隐层、全连接层和输出层。
进一步地,一维卷积公式如下:
s(t)=∫x(t-a)w(a)da
其中w是一维卷积核函数,a是卷积核函数的自变量,x是输入信号,t是输入信号的自变量,s是卷积输出结果。
如果是二维的卷积,则表示为:
其中w是二维卷积核函数,m,n是卷积核函数的自变量,x是输入信号,i,j是输入信号的自变量,X*W和s是卷积输出函数。
进一步地,设置卷积神经网络模型参数,包括卷积核的大小、权重、偏置、隐含层的数量、激活函数的选择;通过不断地学习训练数据,训练卷积神经网络模型,得到最优的参数,并保存到模型当中。
与现有技术相比,本发明具有以下优势:
本发明所述基于CNN的剥蚀点识别方法,将卷积神经网络技术与相位属性结合,用于在地震资料上识别不整合面附近的剥蚀点,通过使用卷积神经网络不断学习相位属性与剥蚀点之间的数据驱动关系,使得该方法不受断点、岩性尖灭点等干扰点的影响,不受限于层位解释精度和空间维度,从而准确地识别出剥蚀点的空间展布。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一具体实施例所述基于CNN的剥蚀点识别方法的流程图;
图2为本发明一具体实施例所述基于CNN的剥蚀点识别方法的卷积神经网络(CNN)的结构图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案,以下将结合具体的实施例详细说明本发明的技术方案。
实施例1
如图1所示,所述基于CNN的剥蚀点识别方法包括以下步骤:
步骤1,模拟剥蚀地层,得到剥蚀地层的合成地震记录:建立不同倾角的剥蚀地层的地质模型;建立不整合面与剥蚀地层在不同夹角条件下的地质模型;通过射线追踪法进行正演模拟,得到多套剥蚀地层的合成地震记录。
步骤2,切取图片,作为样本数据的特征值:在合成地震记录上,提取相位属性,得到相位属性剖面;从合成地震记录的相位属性出发,沿不整合面往下取固定时窗,将数据在横向上平均切分成多张图片,作为样本数据的特征值;或者,
在实际三维地震数据上,提取瞬时相位属性,得到相位属性体;从实际三维地震的相位属性体出发,沿不整合面往下取固定时窗,将数据在横向上平均切分成多张图片,作为样本数据的特征值。
步骤3,定义剥蚀地层的标签:从大量的特征值中,挑选出有剥蚀点信息的图片;将有剥蚀点信息的图片,定义标签1;将没有剥蚀点信息的图片,定义标签0。
步骤4,配置训练和测试数据;构建卷积神经网络模型:将所有样本数据,按照8:2的比例,配置训练和测试数据;构建卷积神经网络模型,包括输入层、卷积层、池化层、多个隐层、全连接层和输出层(如图2所示),其中,一维卷积公式如下:
s(t)=∫x(t-a)w(a)da
其中w是一维卷积核函数,a是卷积核函数的自变量,x是输入信号,t是输入信号的自变量,s是卷积输出结果。
如果是二维的卷积,则表示为:
其中w是二维卷积核函数,m,n是卷积核函数的自变量,x是输入信号,i,j是输入信号的自变量,X*W和s是卷积输出函数。
设置卷积神经网络模型参数,包括卷积核的大小、权重、偏置、隐含层的数量、激活函数的选择等等;通过不断地学习训练数据,训练卷积神经网络模型,得到最优的参数,并保存到模型当中。
在步骤5中,将该模型应用到实际三维地震数据,预测超剥点的准确位置。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于CNN的剥蚀点识别方法,其特征在于,所述方法包括以下步骤:
模拟剥蚀地层,得到剥蚀地层的合成地震记录;
切取图片,作为样本数据的特征值;
定义剥蚀地层的标签;
配置训练和测试数据;构建卷积神经网络模型;
预测剥蚀点的位置。
2.根据权利要求1所述的识别方法,其特征在于,建立不同倾角的剥蚀地层的地质模型;建立不整合面与剥蚀地层在不同夹角条件下的地质模型;通过射线追踪法进行正演模拟,得到多套剥蚀地层的合成地震记录。
3.根据权利要求1所述的识别方法,其特征在于,在合成地震记录上,提取相位属性,得到相位属性剖面;从合成地震记录的相位属性出发,沿不整合面往下取固定时窗,将数据在横向上平均切分成多张图片,作为样本数据的特征值;或者,
在实际三维地震数据上,提取瞬时相位属性,得到相位属性体;从实际三维地震的相位属性体出发,沿不整合面往下取固定时窗,将数据在横向上平均切分成多张图片,作为样本数据的特征值。
4.根据权利要求1所述的识别方法,其特征在于,从特征值中,挑选出有剥蚀点信息的图片;将有剥蚀点信息的图片,定义标签1;将没有剥蚀点信息的图片,定义标签0。
5.根据权利要求1所述的识别方法,其特征在于,将所有样本数据,按照8:2的比例,配置训练和测试数据。
6.根据权利要求1所述的识别方法,其特征在于,构建卷积神经网络模型,包括输入层、卷积层、池化层、多个隐层、全连接层和输出层。
8.根据权利要求1、6和7任一项所述的识别方法,其特征在于,设置卷积神经网络模型参数,包括卷积核的大小、权重、偏置、隐含层的数量、激活函数的选择;通过不断地学习训练数据,训练卷积神经网络模型,得到最优的参数,并保存到模型当中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011743.9A CN114722852A (zh) | 2021-01-06 | 2021-01-06 | 基于cnn的剥蚀点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011743.9A CN114722852A (zh) | 2021-01-06 | 2021-01-06 | 基于cnn的剥蚀点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722852A true CN114722852A (zh) | 2022-07-08 |
Family
ID=82234347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011743.9A Pending CN114722852A (zh) | 2021-01-06 | 2021-01-06 | 基于cnn的剥蚀点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722852A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049275A (zh) * | 2014-07-07 | 2014-09-17 | 中国石油化工股份有限公司胜利油田分公司西部新区研究院 | 复杂盆缘超剥带隐蔽圈闭边界的识别方法及识别系统 |
CN104181594A (zh) * | 2014-08-20 | 2014-12-03 | 辛治国 | 一种复杂沉积体边界的确定方法 |
CN106338764A (zh) * | 2016-08-26 | 2017-01-18 | 北京恒博鑫宇石油科技有限公司 | 生物启发计算地层圈闭油气藏超剥线识别方法 |
WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
-
2021
- 2021-01-06 CN CN202110011743.9A patent/CN114722852A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049275A (zh) * | 2014-07-07 | 2014-09-17 | 中国石油化工股份有限公司胜利油田分公司西部新区研究院 | 复杂盆缘超剥带隐蔽圈闭边界的识别方法及识别系统 |
CN104181594A (zh) * | 2014-08-20 | 2014-12-03 | 辛治国 | 一种复杂沉积体边界的确定方法 |
CN106338764A (zh) * | 2016-08-26 | 2017-01-18 | 北京恒博鑫宇石油科技有限公司 | 生物启发计算地层圈闭油气藏超剥线识别方法 |
WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alaudah et al. | A machine-learning benchmark for facies classification | |
AU2018340369B2 (en) | Method and device for determining thin interlayer | |
US6735526B1 (en) | Method of combining directional seismic attributes using a supervised learning approach | |
Caers et al. | Multiple-point geostatistics: a quantitative vehicle for integrating geologic analogs into multiple reservoir models | |
Bortoli et al. | Constraining stochastic images to seismic data: Stochastic simulation of synthetic seismograms | |
Meldahl et al. | The chimney cube, an example of semi-automated detection of seismic objects by directive attributes and neural networks: Part I; methodology | |
US20040210547A1 (en) | Pattern recognition template application applied to oil exploration and production | |
US11169287B2 (en) | Method and system for automated velocity model updating using machine learning | |
US20150219779A1 (en) | Quality control of 3d horizon auto-tracking in seismic volume | |
CN111505713B (zh) | 基于多点地质统计的叠前地震反演方法 | |
US20220230429A1 (en) | Methods For Identifying Subterranean Tunnels Using Digital Imaging | |
CN108508481B (zh) | 一种纵波转换波地震数据时间匹配的方法、装置及系统 | |
CN106501851B (zh) | 一种地震属性优化方法及装置 | |
US20240118442A1 (en) | Method for iterative first arrival picking using global path tracing | |
CN114722852A (zh) | 基于cnn的剥蚀点识别方法 | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
US12050294B1 (en) | Method and apparatus for building envelope guided low frequency model for seismic exploration of subsurface formations | |
US20240044239A1 (en) | A method of and apparatus for optimizing a drilling strategy | |
US20240319396A1 (en) | General machine learning framework for performing multiple seismic interpretation tasks | |
US20230266491A1 (en) | Method and system for predicting hydrocarbon reservoir information from raw seismic data | |
Yu et al. | Machine Learning Empowered Well Placement in a Large Unconventional Tight Gas Field in China | |
Wang et al. | Lithological Reservoir Exploration Technology | |
CN118057370A (zh) | 一种地震波形样本创建方法、计算机设备和可读存储介质 | |
Chen et al. | Multi-horizon Simultaneous Tracking Based on Dynamic Seismic Waveform Matching |
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 |