CN114994759B - 基于gan网络的碳封存箱智能识别方法和系统 - Google Patents

基于gan网络的碳封存箱智能识别方法和系统 Download PDF

Info

Publication number
CN114994759B
CN114994759B CN202210919669.5A CN202210919669A CN114994759B CN 114994759 B CN114994759 B CN 114994759B CN 202210919669 A CN202210919669 A CN 202210919669A CN 114994759 B CN114994759 B CN 114994759B
Authority
CN
China
Prior art keywords
data
seismic
wave impedance
model
layer
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.)
Active
Application number
CN202210919669.5A
Other languages
English (en)
Other versions
CN114994759A (zh
Inventor
田飞
张江云
张旺
郑文浩
单小彩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN202210919669.5A priority Critical patent/CN114994759B/zh
Publication of CN114994759A publication Critical patent/CN114994759A/zh
Priority to US17/945,002 priority patent/US11740372B1/en
Application granted granted Critical
Publication of CN114994759B publication Critical patent/CN114994759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • 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. analysis, for interpretation, for correction
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/614—Synthetically generated data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6226—Impedance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/70—Combining sequestration of CO2 and exploitation of hydrocarbons by injecting CO2 or carbonated water in oil wells

Abstract

本发明二氧化碳的捕获、利用与封存领域，具体涉及了一种基于GAN网络的碳封存箱智能识别方法和系统，旨在解决现有技术对断裂带区域的分析精度不足难以为断裂带区域CO2封存条件进行分析的问题。本发明包括：通过GAN网络划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点；并获取稳定沉积背景地震波形数据反演体；获取三维波阻抗预测数据体；做差获得波阻抗异常数据体；在三维方差属性体保留断溶体的波阻抗异常数据，获得断溶体波阻抗数据体；进而获得碳封存箱解释模型。本发明通过根据断裂带对地震波形的扰动作用提取异常值，针对断控岩溶储层进行了断裂带内部储层精细识别，为断裂带区域CO2封存工作提供地质条件的分析。

Description

基于GAN网络的碳封存箱智能识别方法和系统
技术领域
本发明属于二氧化碳的捕获、利用与封存领域，具体涉及了一种基于GAN网络的碳封存箱智能识别方法和系统。
背景技术
现阶段由温室气体过度排放导致了严重的气候问题。就如何有效快速控制温室气体排放、实现可持续发展受到极大重视。碳捕集、利用与封存（CCUS）成为解决该问题的热点技术。
油气田天然的封存环境为CO2的封存提供了新的思路。极大推动了石油天然气勘探领域的研究进展。注入油气藏中的二氧化碳一般以分子形式封存于岩石孔隙中、溶解形式在地层水中溶解或者与矿物反应生成化合物长期封存于地层中。
对二氧化碳进行油气藏封存，首先要考虑经济条件，与传统的再压裂相比，在油气储集体中注入CO2被证明能以更低的成本进行碳封存，并对临近废弃的油气井产量产生积极影响，显著延长其生命周期。同时，需要考虑储集空间的封存能力，从安全角度出发，要求地质体的圈闭构造良好，即盖层的岩性、厚度及连续性好。盆地地质构造最佳，并且要远离活火山发育带及地震带，地质环境稳定，从而保证封存环境的稳定性，防止环境风险事故发生。
近年来缝洞型油气藏的勘探开发成果表明，油气的地下流动与深断裂密切相关，往往沿断裂聚集于受断层核与断层破碎带控制的岩溶区域，经上覆泥灰岩或围岩的封闭作用构成良好圈闭。“断控岩溶储层”概念的提出是缝洞型储层地质理论的重大突破，为海相碳酸盐岩碳封存研究区域提供了新思路。
发明内容
为了解决现有技术中的上述问题，即现有技术未能针对断裂带对地震波形的扰动进行识别，对断裂带区域的分析精度不足难以为断裂带区域CO2封存条件进行分析的问题，本发明提供了一种基于GAN网络的碳封存箱智能识别方法，所述方法包括：
获取叠前单炮地震数据和测井资料，进而获取井旁地质解释结果，将叠前单炮地震数据进行叠前时间偏移与叠加获得叠后地震数据；
基于叠后地震数据构建目标层位的等时地层格架模型；
将所述叠后地震数据与测井资料进行井震标定获取时-深转化关系；
基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点，获得稳定沉积背景波形数据；
基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的生成器，获取精细稳定沉积背景地震波形数据，进而获取精细稳定沉积背景地震波形数据反演体；其中，GAN神经网络的背景波形数据填充模型由生成器与判别器构建；
基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
计算所述稳定沉积背景地震波形数据反演体与三维波阻抗预测数据体之差，获得波阻抗异常数据体；
通过去除三维方差属性体中低于平均值的区域，保留断裂带区域空间几何轮廓内的波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据体；
比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区间、过渡带特征值区间和围岩特征值区间，获得碳封存箱解释模型；
基于所述碳封存箱解释模型，获得碳封存箱的疏导性情况，进而获得碳封存箱评价。
在一些优选的实施方式中，所述叠后地震数据，其获得方法包括：
基于所述单炮地震数据，进行去噪获得降噪地震数据，具体为：
通过卷积自编码器对单炮地震数据进行编码，提取隐藏特征：
所述卷积自编码器为：
Figure 388739DEST_PATH_IMAGE001
其中，
Figure 366158DEST_PATH_IMAGE002
表示单炮地震数据，卷积层通过多个卷积核进行特征提取单炮地震数据隐藏特征，
Figure 461153DEST_PATH_IMAGE003
表示第k1个卷积核的权值矩阵，
Figure 910589DEST_PATH_IMAGE004
表示第k1个卷积核的偏置，*表示卷积运算，
Figure 749232DEST_PATH_IMAGE005
表示编码器的池化函数，
Figure 170986DEST_PATH_IMAGE006
表示第k1个卷积核提取的隐藏特征；
通过解码器将隐藏特征进行解码重建：
Figure 312249DEST_PATH_IMAGE007
其中，g表示解码器上的采样函数，
Figure 389926DEST_PATH_IMAGE008
表示解码器中第k2个卷积核的权值矩阵，
Figure 625735DEST_PATH_IMAGE009
表示第k2个卷积层的偏置，解码器对所述隐藏特征进行解码重建，并将重建结果汇合为降噪地震数据，
Figure 105258DEST_PATH_IMAGE010
表示第k2个卷积核提取的隐藏特征；
将所述降噪地震数据，通过叠前时间偏移与叠加获得叠后地震数据。
在一些优选的实施方式中，所述基于GAN神经网络的背景波形数据填充模型，其具体结构为：
包括生成器和判别器；
所述生成器包括4组下采样卷积层与池化层、全连接层和4层上采样卷积层；其中每层下采样卷积层采用4种尺度为5×5的卷积核；
所述判别器包括4层上采样卷积层。
在一些优选的实施方式中，所述基于GAN神经网络的背景波阻抗数据填充模型，其训练方法为：
基于所述稳定沉积背景波形数据，通过生成器生成稳定沉积背景特征：
通过生成器中的编码器提取稳定沉积背景波形数据，具体为：通过4组下采样的卷积层与池化层计算抽象特征表示；
通过全连接层将所述抽象特征表示进行保留特征图分辨率与个数的分类整合和归一化，获得归一化特征图像；
通过解码器收集所述归一化特征图像的缺失数据，具体为：通过4层上采样卷积层进行加权上采样，获得与所述稳定沉积背景波形数据尺度相同的稳定沉积背景特征，即为精细稳定沉积背景地震波形数据；
将未经过生成器处理的所述稳定沉积区域的地震波形数据和所述精细稳定沉积背景地震波形数据共同作为待识别数据，输入所述判别器，所述判别器判断输入的数据是否为精细稳定沉积背景地震波形数据，并计算判别准确率；
训练过程中，设置所述基于GAN神经网络的背景波阻抗数据填充模型的目标函数为：
Figure 338793DEST_PATH_IMAGE011
其中，x表示待识别数据
Figure 12089DEST_PATH_IMAGE012
中的波形振幅；
Figure 192535DEST_PATH_IMAGE013
表示随机噪声向量，
Figure 588881DEST_PATH_IMAGE014
表示随机噪声向量的概率分布，这里设置为高斯分布，E表示期望值，log表示取对数，log的底数为10或e，e表示自然对数的底数， min表示取最小，max表示取最大，D表示判别器，G表示生成器；
设置判别器的目标函数
Figure 321214DEST_PATH_IMAGE015
为：
Figure 842325DEST_PATH_IMAGE016
设置生成器的目标函数
Figure 701828DEST_PATH_IMAGE017
为：
Figure 952680DEST_PATH_IMAGE018
通过交替迭代判别器的目标函数最大化与生成器的目标函数最小化，直至判别器对于生成器输出的精细稳定沉积背景地震波形数据与未经过生成器处理的稳定沉积区域的地震波形数据的分类准确度低于预设的阈值，获得训练好的基于GAN神经网络的背景波阻抗数据填充模型。
在一些优选的实施方式中，所述三维波阻抗预测数据体，其获取方法为：
基于测井资料中的声波时差曲线，经过单位换算获得地震波传播速度；
根据叠后地震数据中的目标层位地震波形数据频谱峰值确定地震主频；
计算地震波波长：
Figure 465701DEST_PATH_IMAGE019
其中，L表示地震波波长，v表示目标层段地震波波速，
Figure 536425DEST_PATH_IMAGE020
表示地震波主频；
根据井位坐标与地震资料平面坐标，使测井声波时差曲线与密度期限对应的井旁地震波形匹配；
以地震波半波长
Figure 917728DEST_PATH_IMAGE021
为滑动时窗长度，以步长为1，滑动提取窗内所有地震波形振幅数据点，作为地震波形振幅样本；
提取同一个井内的多个样本获得地震波形振幅样本集；
将所述地震波形振幅样本集输入基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
其中，基于井间地震波形结构的波阻抗值预测模型包括输入层、隐藏层和输出层；
所述输入层，其神经元个数为与地震波形振幅样本集数据点个数相同；
所述隐藏层，基于全连接的结构搭建：
第
Figure 226350DEST_PATH_IMAGE022
层第u个神经元的输入
Figure 972589DEST_PATH_IMAGE023
等于
Figure 110703DEST_PATH_IMAGE024
层的神经元乘以权值后加上偏置向量：
Figure 967800DEST_PATH_IMAGE025
第
Figure 396507DEST_PATH_IMAGE026
层第
Figure 375965DEST_PATH_IMAGE027
个神经元的输出
Figure 421281DEST_PATH_IMAGE028
表示为：
Figure 19753DEST_PATH_IMAGE029
Figure 178333DEST_PATH_IMAGE030
表示激活函数，
Figure 266374DEST_PATH_IMAGE031
表示第
Figure 736670DEST_PATH_IMAGE032
层第
Figure 529046DEST_PATH_IMAGE033
个神经元的输出，
Figure 463504DEST_PATH_IMAGE034
表示第
Figure 660130DEST_PATH_IMAGE035
层第
Figure 680038DEST_PATH_IMAGE027
个神经元与前一层第
Figure 259793DEST_PATH_IMAGE033
个神经元的连接权值，
Figure 252020DEST_PATH_IMAGE036
表示第
Figure 681864DEST_PATH_IMAGE035
层的偏置向量；
Figure 251386DEST_PATH_IMAGE037
Figure 260930DEST_PATH_IMAGE038
表示神经网络超参数，
Figure 904401DEST_PATH_IMAGE039
表示神经元输入的值；
所述输出层，其神经元个数为与输入层相同，输出地震波形对应的波阻抗值，将地震波形对应的波阻抗值汇合为三维波阻抗预测数据体。
本发明的另一方面，提出了一种基于GAN网络的碳封存箱智能识别系统，所述系统包括：
地震资料预处理模块，配置为获取叠前单炮地震数据和测井资料，进而获取井旁地质解释结果，将叠前单炮地震数据进行叠前时间偏移与叠加获得叠后地震数据；基于所述叠前单炮地震数据，获取目的层位标志层深度数据和标志层的三维展布模型；
等时地层格架模型获取模块，配置为基于叠后地震数据构建目标层位的等时地层格架模型；
时-深转化关系获取模块，配置为将所述叠后地震数据与测井资料进行井震标定获取时-深转化关系；
稳定沉积区域获取模块，配置为基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点，获得稳定沉积背景波形数据；
稳定沉积背景地震波形数据反演体获取模块，配置为基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的生成器，获取精细稳定沉积背景地震波形数据，进而获取精细稳定沉积背景地震波形数据反演体；其中，GAN神经网络的背景波形数据填充模型由生成器与判别器构建；
三维波阻抗预测数据体获取模块，配置为基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
波阻抗异常数据体获取模块，配置为计算所述稳定沉积背景地震波形数据反演体与三维波阻抗预测数据体之差，获得波阻抗异常数据体；
碳封存箱波阻抗数据体获取模块，配置为通过去除三维方差属性体中低于平均值的区域，保留断裂带的空间几何轮廓内的波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据体；
模型解释模块，配置为比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区间、过渡带特征值区间和围岩特征值区间，获得碳封存箱解释模型，基于所述碳封存箱解释模型，获取碳封存箱的疏导性结果。
本发明的有益效果：
本发明首先通过自编码器算法去除叠后地震资料的加性白噪声。保留了地震波形丰富的地质信息。根据地震波形反映不同地质特征的微小变化，设计神经网络模型，不仅可以还原断裂带区域的沉积背景地震波形反射特征，而且建立了地震波形变化特征与波阻抗信息的非线性关系。通过对比分析生成模型得到的地震波形与实际地震波形，以波阻抗作为断控岩溶储层中溶洞、裂缝与围岩的差异特征，可以确定各类地质体分布规律，为进一步分析储层连通性提供数据支撑。目前二氧化碳驱油封存技术提升了碳封存的经济效益，将二氧化碳注进还在生产的油井中，通过高压注入，使二氧化碳和原油形成混合物，在封存二氧化碳的同时，将油驱替出来，通过提高原油采收率来提高原油产量。因此，本发明可以辅助该技术应用于断控岩溶储层中，明确地下断溶体、裂缝带的分布，进行二氧化碳地下流动性能的地质学研究，用于评估二氧化碳疏导性能并且为二氧化碳封存之后的泄露风险提供监测手段。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例中基于GAN网络的碳封存箱识别方法的流程示意图；
图2为本发明实施例中叠前单炮地震数据的效果示意图；
图3为本发明实施例中降噪地震数据的效果示意图；
图4为本发明实施例中去除的噪声的效果示意图；
图5为本发明实施例中通过GAN网络进行填充的流程示意图；
图6为本发明实施例中稳定沉积区域的地震波形数据效果示意图；
图7为本发明实施例中三维波阻抗预测数据体效果示意图；
图8为本发明实施例中波阻抗异常数据体效果示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于GAN网络的碳封存箱智能识别方法，本方法通过根据断裂带对地震波形的扰动作用提取异常值，针对断控岩溶储层进行了断裂带内部储层精细识别，为断裂带区域CO2封存工作提供地质条件的分析。
为了更清晰地对本发明基于GAN网络的碳封存箱智能识别方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于GAN网络的碳封存箱识别方法，各步骤详细描述如下：
获取叠前单炮地震数据和测井资料，进而获取井旁地质解释结果，将叠前单炮地震数据进行叠前时间偏移与叠加获得叠后地震数据；
基于叠后的地震资料，追踪反射同相轴波峰点，构建反射同相轴连续面。由于碳封存箱上端一般处于碳酸盐岩内幕区，与上覆砂岩体形成强反射同相轴，基于此地质背景，确定标志层所在的反射同相轴构建标志层等时三维展布。本实施例中叠前单炮地震数据如图2所示；
叠前单炮地震数据是由一个地震波激发系统激发地震波，并使用一系列检波器接收到的地震信号。反映了各个检波器接收到的地震信号振幅值随地震波传播时间变化的信息。由于在实际采集过程中仪器与环境无法达到理想状态，导致数据高频段存在高斯白噪声。因此需要对叠前单炮地震数据进行预处理；
在本实施例中，所述叠后地震数据，其获得方法包括：
基于所述单炮地震数据，进行去噪获得降噪地震数据，具体为：
通过卷积自编码器对单炮地震数据进行编码，提取隐藏特征：
卷积自编码器可以实现非地层信息的地震资料降噪，卷积自编码器分为两部分：对地震资料进行编码以及对编码后的隐藏特征进行解码，恢复原数据并滤除白噪。本实施例中降噪地震数据如图3所示，去除的噪声如图4所示；
所述卷积自编码器为：
Figure 583775DEST_PATH_IMAGE001
其中，
Figure 312697DEST_PATH_IMAGE002
表示单炮地震数据，卷积层通过多个卷积核进行特征提取单炮地震数据隐藏特征，
Figure 125932DEST_PATH_IMAGE003
表示第k1个卷积核的权值矩阵，
Figure 686226DEST_PATH_IMAGE004
表示第k1个卷积核的偏置，*表示卷积运算，
Figure 723452DEST_PATH_IMAGE005
表示编码器的池化函数，
Figure 142932DEST_PATH_IMAGE006
表示第k1个卷积核提取的隐藏特征；
通过解码器将隐藏特征进行解码重建：
Figure 599672DEST_PATH_IMAGE007
其中，g表示解码器上的采样函数，
Figure 217735DEST_PATH_IMAGE008
表示解码器中第k2个卷积核的权值矩阵，
Figure 629125DEST_PATH_IMAGE009
表示第k2个卷积层的偏置，解码器对所述隐藏特征进行解码重建，并将重建结果汇合为降噪地震数据，
Figure 394955DEST_PATH_IMAGE010
表示第k2个卷积核提取的隐藏特征，
Figure 549993DEST_PATH_IMAGE040
表示解码重建后的特征；
将所述降噪地震数据，通过叠前时间偏移与叠加获得叠后地震数据。常规的地震数据采集的检波器对应一条经纬度已知的地震波形数据。
在本实施例中，所述卷积自编码器，其训练方法为：
将带有标准标签的单炮地震数据输入卷积自编码器，获得隐藏特征，并采用L1范数计算损失函数，此时优化的目标函数为：
Figure 22563DEST_PATH_IMAGE041
其中
Figure 214641DEST_PATH_IMAGE042
，
Figure 405451DEST_PATH_IMAGE043
分别表示第i个卷积层的权值矩阵和偏置；
卷积自编码器的训练过程即为L1范数下的寻优过程，即求解使得x与
Figure 98600DEST_PATH_IMAGE044
绝对误差最小的
Figure 753573DEST_PATH_IMAGE042
和
Figure 37923DEST_PATH_IMAGE043
；
可采用Adam优化算法进行网络参数的计算：
Figure 919292DEST_PATH_IMAGE045
Figure 524454DEST_PATH_IMAGE046
Figure 174879DEST_PATH_IMAGE047
Figure 223606DEST_PATH_IMAGE048
Figure 326691DEST_PATH_IMAGE049
Figure 158381DEST_PATH_IMAGE050
T为当前时间步，
Figure 804257DEST_PATH_IMAGE051
为优化目标函数，
Figure 633673DEST_PATH_IMAGE052
为目标函数梯度，
Figure 348688DEST_PATH_IMAGE053
为模型参数，模型参数中包含
Figure 984069DEST_PATH_IMAGE054
和
Figure 343506DEST_PATH_IMAGE055
，
Figure 986233DEST_PATH_IMAGE056
为迭代步长大小，
Figure 63911DEST_PATH_IMAGE057
为梯度的一阶矩估计，
Figure 237403DEST_PATH_IMAGE058
为
Figure 575980DEST_PATH_IMAGE057
的指数衰减率，
Figure 809516DEST_PATH_IMAGE059
为梯度的二阶矩估计，
Figure 374489DEST_PATH_IMAGE060
为
Figure 164722DEST_PATH_IMAGE061
的指数衰减率，且
Figure 295489DEST_PATH_IMAGE062
，
Figure 903188DEST_PATH_IMAGE063
，
Figure 814512DEST_PATH_IMAGE064
用于确保迭代的稳定。
当损失函数表达的预测误差低于5%时，将此时的数据输出作为去噪后的叠前地震数据。
基于叠后地震数据构建目标层位的等时地层格架模型；
由于测井资料表示地下岩性、物性、电性信息随深度的变化，而地震波形反映了地震波经地层反射后接收到的地震波信号随传播时间的变化特征。因此，需要井震标定技术将深度域的测井曲线与时间域的地震波形数据一一对应。
将所述叠后地震数据与测井资料进行井震标定获取时-深转化关系；
在本实施例中，所述时-深转化关系，其获得方法为：
基于叠后地震数据，追踪反射同相轴波峰点，构建反射同相轴连续面，进而确定标志层所在的反射同相轴构建标志层等时三维展布；
基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波阻抗曲线，进而计算反射系数曲线；
以目的层段地震主频为依据构建雷克子波，将雷克子波与反射系数曲线褶积计算后，得到合成地震记录；
将每个钻井井位井眼处的标志层深度数据与标志层三维展布模型对应，计算合成地震记录与井旁地震道叠后地震数据的相关性，当波形相关性高于第一相关阈值时，第一相关阈值设定为大于85%，井震标定完成，最终得出测井深度与地震反射波双程旅行时之间的时深转化关系：
Figure 595386DEST_PATH_IMAGE065
其中，
Figure 518343DEST_PATH_IMAGE066
表示声波测井标志层深度对应的地震资料的双程旅行时；
Figure 670844DEST_PATH_IMAGE067
为声波时差；
Figure 7148DEST_PATH_IMAGE068
为测井曲线数据采样间隔；
Figure 263817DEST_PATH_IMAGE069
为地震波双程旅行时。
为了获取稳定沉积背景波阻抗的变化特征，我们需要去除断裂带对地震波形信息的影响。因此，需要确定断裂带的具体位置与空间几何结构加以去除。
基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点，获得稳定沉积背景波形数据；
在本实施例中，所述稳定沉积区域的地震波形数据，其获得方法为：
所述叠后地震数据计算地震波形方差属性数据体：
设叠后地震数据的各采样点数据为
Figure 697072DEST_PATH_IMAGE070
，
Figure 443311DEST_PATH_IMAGE071
表示地震测网线号，
Figure 470173DEST_PATH_IMAGE072
代表地震测网道号，
Figure 140320DEST_PATH_IMAGE073
代表1ms采样的地震记录采样点序号；
计算预设采样区域的采样点数据均方差
Figure 303448DEST_PATH_IMAGE074
，本实施例以3×3×3区域为例：
Figure 814064DEST_PATH_IMAGE075
将采样区域进行纵向和横向平移，遍历计算所有采样区域的数据均方差，获得三维方差属性体；
对所述三维方差属性体进行切片，获取方差属性数据在平面上的分布特征，将方差属性值低于总体能量均值的区域作为沉积稳定区，所述沉积稳定区对应的数据为稳定沉积背景地震波形数据。本步骤基于叠后地震波形数据，对断裂带区域的地震振幅数据点剔除后，留下未受断裂带影响的稳定沉积区域的地震波形数据。
基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的生成器，获取精细稳定沉积背景地震波形数据，进而获取精细稳定沉积背景地震波形数据反演体；其中，GAN神经网络的背景波形数据填充模型由生成器与判别器构建；
在具体的应用场景中，稳定沉积区域的波形数据是不完整的，断裂带区域的数据缺失，本实施例通过使用GAN神经网络合成地震波形可以将这些缺失的部分按照波形规律填充进而辅助构建碳封存箱解释模型；
在本实施例中，基于GAN神经网络的背景波形数据填充模型，如图5所示为：
包括生成器和判别器；
所述生成器包括4组下采样卷积层与池化层、全连接层和4层上采样卷积层；其中每层下采样卷积层采用4种尺度为5×5的卷积核；
所述判别器包括4层上采样卷积层。
在本实施例中，所述基于GAN神经网络的背景波阻抗数据填充模型，其训练方法为：
基于所述稳定沉积背景波形数据，通过生成器生成稳定沉积背景特征：
通过生成器中的编码器提取稳定沉积背景波形数据，具体为：通过4层下采样的卷积层和池化层计算抽象特征表示；其中每层卷积层采用4中尺度为5×5的卷积核，并通过池化层在下采样过程中逐渐降低图像分辨率，获得抽象特征表示；下采样卷积层的目的在于增加输出接收场；
通过全连接层将所述抽象特征表示进行保留特征图分辨率与个数的分类整合和归一化，获得归一化特征图像；当编码器得到的m个大小为n×n的特征图时，全连接层的输入与输出都为m个大小为n×n的特征图；
通过解码器收集所述归一化特征图像的缺失数据，具体为：通过4层上采样卷积层进行加权上采样，获得与所述稳定沉积背景波形数据尺度相同的稳定沉积背景特征，即为精细稳定沉积背景地震波形数据；上采样卷积层采用具有学习功能的滤波器，每个滤波器都采用ReLU激活函数，其对编码器产生的特征进行非线性加权向上采样，直到达到原始数据尺度大小为止；
判别器包含四层下采样卷积层，用于判断和区分是来自生成器的样本还是真实的样本。通常，在网络训练过程中，判别器中的损失函数都包含对抗性损失，通过训练来持续挖掘生成的图像与真实图像在隐藏层特征上的差异，促使生成图像在特征上与真实图像更加接近。在图5中上部分为训练过程中基于GAN神经网络的背景波阻抗数据填充模型的流程，下部分为通过生成器对稳定沉积背景地震波形数据的流程；生成的精细稳定沉积背景地震波形数据的效果如图6所示。
设置模型目标函数为：
Figure 859380DEST_PATH_IMAGE076
其中，x表示待识别数据
Figure 723431DEST_PATH_IMAGE012
中的波形振幅；
Figure 112037DEST_PATH_IMAGE013
表示随机噪声向量，
Figure 200079DEST_PATH_IMAGE014
表示随机噪声向量的概率分布，这里设置为高斯分布，E表示期望值，log表示取对数，log的底数为10或e，e表示自然对数的底数， min表示取最小，max表示取最大，D表示判别器，G表示生成器；
设置判别器的目标函数
Figure 935954DEST_PATH_IMAGE015
为：
Figure 462750DEST_PATH_IMAGE077
设置生成器的目标函数
Figure 397208DEST_PATH_IMAGE017
为：
Figure 593834DEST_PATH_IMAGE018
通过交替迭代判别器的目标函数最大化与生成器的目标函数最小化，直至判别器对于生成器输出的精细稳定沉积背景地震波形数据与未经过生成器处理的稳定沉积区域的地震波形数据的分类准确度低于预设的阈值，本实施例当判别器对于生成器输出数据与原始数据的分类准确度降至45%~55%时停止迭代，获得训练好的基于GAN神经网络的背景波阻抗数据填充模型。
在本实施例中，所述稳定沉积背景地震波形数据反演体，其获取方法为：
基于所述稳定沉积背景地震波形数据，设未知地下波阻抗模型参数m为
Figure 692371DEST_PATH_IMAGE078
维空间向量
Figure 694962DEST_PATH_IMAGE079
；
通过一次地震采集过程获得了观测数据d为 r维数据向量
Figure 421610DEST_PATH_IMAGE080
；
通过非线性函数核G建立未知地下模型参数和r维数据向量的联系，即正演模型：
Figure 444929DEST_PATH_IMAGE081
其中，
Figure 952134DEST_PATH_IMAGE080
表示与地下波阻抗模型参数m无关的随机噪声，服从高斯分布；
基于正演模型构建反演目标函数：
Figure 430520DEST_PATH_IMAGE082
其中，F为观测数据d与预测数据G(m)之间的均方误差；
对所述反演目标函数进行线性化求解；
对所述正演模型进行泰勒展开并略去二次以上的高阶项，获得预测数据简略表达：
Figure 916734DEST_PATH_IMAGE083
其中，
Figure 517480DEST_PATH_IMAGE084
表示依据先验信息建立的初始模型，A为Jacobian矩阵，A的元素为一阶偏微分
Figure 449663DEST_PATH_IMAGE085
；
设
Figure 121953DEST_PATH_IMAGE086
，
Figure 885510DEST_PATH_IMAGE087
，则正演模型的迭代方程为：
Figure 860419DEST_PATH_IMAGE088
其中，
Figure 155265DEST_PATH_IMAGE089
表示迭代了
Figure 303350DEST_PATH_IMAGE090
次后的正演模型，
Figure 859096DEST_PATH_IMAGE091
表示迭代了k+1次后的正演模型，
Figure 395120DEST_PATH_IMAGE092
为加噪预测数据；
通过一次地震采集过程获得叠前深度域偏移地震剖面
Figure 301896DEST_PATH_IMAGE093
，假设反演深度域模型参数有先验概率分布
Figure 568186DEST_PATH_IMAGE094
，根据贝叶斯公式有概率分布为：
Figure 306334DEST_PATH_IMAGE095
加入随机噪音的概率分布为：
Figure 623046DEST_PATH_IMAGE096
其中，
Figure 141752DEST_PATH_IMAGE097
为噪音协方差矩阵，
Figure 631639DEST_PATH_IMAGE098
为噪音协方差矩阵求逆运算，det为取对应矩阵的行列式；
n为噪音且服从高斯分布均值为0，
Figure 896399DEST_PATH_IMAGE099
为一等值的对角矩阵且对角线元素为数据中心包含噪音的方差
Figure 524957DEST_PATH_IMAGE100
，则加入随机噪音的概率分布变形为：
Figure 203063DEST_PATH_IMAGE101
对于反演深度域模型参数先验概率分布
Figure 434325DEST_PATH_IMAGE102
，设置初始模型
Figure 209382DEST_PATH_IMAGE103
，且有
Figure 664635DEST_PATH_IMAGE104
，等价的深度域模型概率分布为：
Figure 767720DEST_PATH_IMAGE105
；
设等价的深度域模型概率分布服从高斯分布，有加入随机噪声的深度域模型概率分布为：
Figure 176573DEST_PATH_IMAGE106
假设深度域模型参数均值与初始模型
Figure 743821DEST_PATH_IMAGE107
等值，且互不影响，有简化的深度域模型概率分布：
Figure 573237DEST_PATH_IMAGE108
其中，
Figure 757093DEST_PATH_IMAGE109
表示真实模型相对于所给定初始模型的方差值；
加入随机噪音的概率分布变形中的分母
Figure 392474DEST_PATH_IMAGE110
依赖于数据采集和处理，设为常数，通过后验概率最大化等价于分子最大化，使后验概率分布式最大：
Figure 627277DEST_PATH_IMAGE111
使后验概率分布式最大等价式为：
Figure 893174DEST_PATH_IMAGE112
令关于模型参数m的偏导数等于零，且
Figure 95485DEST_PATH_IMAGE113
，
Figure 737819DEST_PATH_IMAGE114
，获得矩阵方程为：
Figure 322734DEST_PATH_IMAGE115
Figure 759532DEST_PATH_IMAGE116
其中，
Figure 121243DEST_PATH_IMAGE117
，
Figure 426322DEST_PATH_IMAGE118
为单位矩阵，
Figure 494772DEST_PATH_IMAGE119
为波阻抗迭代矩阵，整理得到随机逆反演的基本公式：
Figure 977837DEST_PATH_IMAGE120
Figure 826845DEST_PATH_IMAGE121
随机逆反演的基本公式的迭代公式为：
Figure 279823DEST_PATH_IMAGE122
；
其中，
Figure 858572DEST_PATH_IMAGE123
为由参数模型所形成的深度域合成地震记录；
通过不断迭代更新未知地下波阻抗模型参数，直至
Figure 637172DEST_PATH_IMAGE124
出现正负值震荡，此时的
Figure 973475DEST_PATH_IMAGE125
为低频波阻抗反演数据；
基于虚拟井井位平面坐标与地震数据平面坐标的相关关系，进而确定虚拟井与所述低频波阻抗反演数据的一一对应关系，进而将虚拟井井旁低频波阻抗反演数据对虚拟井赋值，获得虚拟井井位的波阻抗数据；
基于波阻抗反演数据体提取虚拟井井位波阻抗数据，根据地层格架限定的时窗范围针对所有虚拟井波阻抗数据的插值计算，设定计算区域为地质格架内工区的全部范围，得到精细稳定沉积背景地震波形数据反演体。
基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；三维波阻抗预测数据体如图7所示；
在本实施例中，所述三维波阻抗预测数据体，其获取方法为：
基于测井资料中的声波时差曲线，经过单位换算获得地震波传播速度；
根据叠后地震数据中的目标层位地震波形数据频谱峰值确定地震主频；
计算地震波波长：
Figure 869625DEST_PATH_IMAGE126
其中，L表示地震波波长，v表示目标层段地震波波速，
Figure 912667DEST_PATH_IMAGE127
表示地震波主频；
根据井位坐标与地震资料平面坐标，使测井声波时差曲线与密度期限对应的井旁地震波形匹配；
以地震波半波长
Figure 986802DEST_PATH_IMAGE128
为滑动时窗长度，以步长为1，滑动提取窗内所有地震波形振幅数据点，作为地震波形振幅样本；
提取同一个井内的多个样本获得地震波形振幅样本集；
将所述地震波形振幅样本集输入基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
其中，基于井间地震波形结构的波阻抗值预测模型包括输入层、隐藏层和输出层；
所述输入层，其神经元个数为与地震波形振幅样本集数据点个数相同；
所述隐藏层，基于全连接的结构搭建：
第
Figure 748085DEST_PATH_IMAGE022
层第u个神经元的输入
Figure 870762DEST_PATH_IMAGE023
等于
Figure 909256DEST_PATH_IMAGE024
层的神经元乘以权值后加上偏置向量：
Figure 764080DEST_PATH_IMAGE025
第
Figure 402871DEST_PATH_IMAGE026
层第
Figure 63660DEST_PATH_IMAGE027
个神经元的输出
Figure 81294DEST_PATH_IMAGE028
表示为：
Figure 15009DEST_PATH_IMAGE029
Figure 485304DEST_PATH_IMAGE030
表示激活函数，
Figure 949784DEST_PATH_IMAGE031
表示第
Figure 680979DEST_PATH_IMAGE032
层第
Figure 408764DEST_PATH_IMAGE033
个神经元的输出，
Figure 507301DEST_PATH_IMAGE034
表示第
Figure 509892DEST_PATH_IMAGE035
层第
Figure 236540DEST_PATH_IMAGE027
个神经元与前一层第
Figure 259859DEST_PATH_IMAGE033
个神经元的连接权值，
Figure 501485DEST_PATH_IMAGE036
表示第
Figure 245450DEST_PATH_IMAGE035
层的偏置向量；
Figure 731664DEST_PATH_IMAGE037
Figure 332410DEST_PATH_IMAGE038
表示神经网络超参数，
Figure 264593DEST_PATH_IMAGE039
表示神经元输入的值；
所述输出层，其神经元个数为与输入层相同，输出地震波形对应的波阻抗值，将地震波形对应的波阻抗值汇合为三维波阻抗预测数据体。三维波阻抗预测数据体的效果如图7所示；
在本实施例中，所述基于井间地震波形结构的波阻抗值预测模型，其训练方法为：
获取训练数据集，进行前向传播：
Figure 936883DEST_PATH_IMAGE129
Figure 700440DEST_PATH_IMAGE130
其中，
Figure 675349DEST_PATH_IMAGE131
表示的第
Figure 970195DEST_PATH_IMAGE132
层神经元输入，
Figure 118280DEST_PATH_IMAGE133
表示第
Figure 674026DEST_PATH_IMAGE132
层的连接权值，
Figure 882154DEST_PATH_IMAGE134
表示第
Figure 913564DEST_PATH_IMAGE132
层的神经元输出，
Figure 537443DEST_PATH_IMAGE135
表示第
Figure 275592DEST_PATH_IMAGE136
层的神经元输出，
Figure 986713DEST_PATH_IMAGE137
表示第
Figure 115206DEST_PATH_IMAGE132
层的偏置项量；；
其中代价函数为：
Figure 605093DEST_PATH_IMAGE138
Figure 260065DEST_PATH_IMAGE139
表示真实值，j为向量中的元素标号；
每层神经网络前向计算中的误差
Figure 13258DEST_PATH_IMAGE140
为：
Figure 691364DEST_PATH_IMAGE141
权值的梯度即目标函数对权值求偏导为：
Figure 532412DEST_PATH_IMAGE142
偏置的梯度即目标函数对偏置求导：
Figure 182836DEST_PATH_IMAGE143
则前向传播中的误差错误为：
Figure 903667DEST_PATH_IMAGE144
反向传播中的误差错误为：
Figure 131386DEST_PATH_IMAGE145
通过梯度下降方法更新参数：
Figure 963076DEST_PATH_IMAGE146
Figure 202428DEST_PATH_IMAGE147
重复迭代至误差错误低于预设的误差阈值，或达到预设的迭代次数，获得训练好的基于井间地震波形结构的波阻抗值预测模型。
采用滑动时窗截取井间地震波形数据，作为神经网络模型的输入，计算得到每个地震波形所对应的波阻抗值，将地震波形对应的波阻抗值汇合为三维波阻抗预测数据体。由于数据点之间有重叠，将计算出的波阻抗数据重叠区域计算平均值作为波阻抗预测值，当对每个地震振幅数据点对应一个波阻抗预测值后，就得到了三维波阻抗预测数据体。
计算所述稳定沉积背景地震波形数据反演体与三维波阻抗预测数据体之差，获得波阻抗异常数据体；波阻抗异常数据体如图8所示；
通过去除三维方差属性体中低于平均值的区域，保留断裂带的空间几何轮廓内的波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据体；
比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区间、过渡带特征值区间和围岩特征值区间，获得碳封存箱解释模型。比对测井解释结果与碳封存箱波阻抗数据，划定波阻抗数据大于0.82的区域为裂缝储层，划定波阻抗数据处于0.63~0.82的区域为孔洞储层，划定波阻抗数据处于0.31~0.63的区域为过渡带，划定波阻抗数据小于0.31的区域为围岩，以此作为最终的碳封存箱解释模型。
基于所述碳封存箱解释模型，获得碳封存箱的疏导性情况，进而获得碳封存箱评价；本实施例以断裂分布为研究重点，分析断裂构造与断溶体洞穴之间的组合关系，并监测断裂对二氧化碳疏导性能的促进影响，或判断是否存在达到导致二氧化碳泄漏的断裂，获得碳封存箱的疏导性情况，进而对碳封存箱的当前状态进行评价。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于GAN网络的碳封存箱识别系统，所述系统包括：
地震资料预处理模块，配置为获取叠前单炮地震数据和测井资料，进而获取井旁地质解释结果，将叠前单炮地震数据进行叠前时间偏移与叠加获得叠后地震数据；基于所述叠前单炮地震数据，获取目的层位标志层深度数据和标志层的三维展布模型；
等时地层格架模型获取模块，配置为基于叠后地震数据构建目标层位的等时地层格架模型，；
时-深转化关系获取模块，配置为将所述叠后地震数据与测井资料进行井震标定获取时-深转化关系；
稳定沉积区域获取模块，配置为基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点；
稳定沉积背景地震波形数据反演体获取模块，配置为基于稳定沉积区域的地震波形数据，通过基于GAN神经网络的背景波形数据填充模型，获取稳定沉积背景地震波形数据，进而获取稳定沉积背景地震波形数据反演体；其中，GAN神经网络的背景波形数据填充模型由生成器与判别器构建；
三维波阻抗预测数据体获取模块，配置为基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
波阻抗异常数据体获取模块，配置为计算所述稳定沉积背景地震波形数据反演体与三维波阻抗预测数据体之差，获得波阻抗异常数据体；
碳封存箱波阻抗数据体获取模块，配置为通过去除三维方差属性体中低于平均值的区域，保留断裂带的空间几何轮廓内的波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据体；
模型解释模块，配置为比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区间、过渡带特征值区间和围岩特征值区间，获得碳封存箱解释模型。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于GAN网络的碳封存箱识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于GAN网络的碳封存箱智能识别方法，其特征在于，所述方法包括：
获取叠前单炮地震数据和测井资料，进而获取井旁地质解释结果，将叠前单炮地震数据进行叠前时间偏移与叠加获得叠后地震数据；
基于叠后地震数据构建目标层位的等时地层格架模型；
将所述叠后地震数据与测井资料进行井震标定获取时-深转化关系；
基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点，获得稳定沉积背景波形数据；
基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的生成器，获取精细稳定沉积背景地震波形数据，进而获取精细稳定沉积背景地震波形数据反演体；其中，GAN神经网络的背景波形数据填充模型由生成器与判别器构建；
基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
计算所述稳定沉积背景地震波形数据反演体与三维波阻抗预测数据体之差，获得波阻抗异常数据体；
通过去除三维方差属性体中低于平均值的区域，保留断裂带空间几何轮廓内的波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据体；
比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区间、过渡带特征值区间和围岩特征值区间，获得碳封存箱解释模型；
基于所述碳封存箱解释模型，获得碳封存箱的疏导性情况，进而获得碳封存箱评价。
2.根据权利要求1所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述叠后地震数据，其获得方法包括：
基于所述单炮地震数据，进行去噪获得降噪地震数据，具体为：
通过卷积自编码器对单炮地震数据进行编码，提取隐藏特征：
所述卷积自编码器为：
Figure DEST_PATH_IMAGE001
其中，
Figure 796780DEST_PATH_IMAGE002
表示单炮地震数据，卷积层通过多个卷积核进行特征提取单炮地震数据隐藏特征，
Figure DEST_PATH_IMAGE003
表示第k1个卷积核的权值矩阵，
Figure 13129DEST_PATH_IMAGE004
表示第k1个卷积核的偏置，*表示卷积运算，
Figure DEST_PATH_IMAGE005
表示编码器的池化函数，
Figure 865547DEST_PATH_IMAGE006
表示第k1个卷积核提取的隐藏特征；
通过解码器将隐藏特征进行解码重建：
Figure DEST_PATH_IMAGE007
其中，g表示解码器上的采样函数，
Figure 665882DEST_PATH_IMAGE008
表示解码器中第k2个卷积核的权值矩阵，
Figure DEST_PATH_IMAGE009
表示第k2个卷积层的偏置，解码器对所述隐藏特征进行解码重建，并将重建结果汇合为降噪地震数据，
Figure 871735DEST_PATH_IMAGE010
表示第k2个卷积核提取的隐藏特征，
Figure DEST_PATH_IMAGE011
表示解码重建后的特征；
将所述降噪地震数据，通过叠前时间偏移与叠加获得叠后地震数据。
3.根据权利要求1所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述时-深转化关系，其获得方法为：
基于叠后地震数据，追踪反射同相轴波峰点，构建反射同相轴连续面，进而确定标志层所在的反射同相轴构建标志层等时三维展布；
基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波阻抗曲线，进而计算反射系数曲线；
以目的层段地震主频为依据构建雷克子波，将雷克子波与反射系数曲线褶积计算后，得到合成地震记录；
将每个钻井井位井眼处的标志层深度数据与标志层三维展布模型对应，计算合成地震记录与井旁地震道叠后地震数据的相关性，当波形相关性高于第一相关阈值时，井震标定完成，最终得出测井深度与地震反射波双程旅行时之间的时深转化关系：
Figure 457437DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示声波测井标志层深度对应的地震资料的双程旅行时；
Figure 497069DEST_PATH_IMAGE014
为声波时差；
Figure DEST_PATH_IMAGE015
为测井曲线数据采样间隔；
Figure 207536DEST_PATH_IMAGE016
为地震波双程旅行时。
4.根据权利要求1所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述稳定沉积区域的地震波形数据，其获得方法为：
所述叠后地震数据计算地震波形方差属性数据体：
设叠后地震数据的各采样点数据为
Figure DEST_PATH_IMAGE017
，
Figure 279397DEST_PATH_IMAGE018
表示地震测网线号，
Figure DEST_PATH_IMAGE019
代表地震测网道号，
Figure 34120DEST_PATH_IMAGE020
代表1ms采样的地震记录采样点序号；
计算预设采样区域的采样点数据均方差
Figure DEST_PATH_IMAGE021
：
Figure 166024DEST_PATH_IMAGE022
将采样区域进行纵向和横向平移，遍历计算所有采样区域的数据均方差，获得三维方差属性体；
对所述三维方差属性体进行切片，获取方差属性数据在平面上的分布特征，将方差属性值低于总体能量均值的区域作为沉积稳定区，所述沉积稳定区对应的数据为稳定沉积背景地震波形数据。
5.根据权利要求1所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述基于GAN神经网络的背景波形数据填充模型，其具体结构为：
包括生成器和判别器；
所述生成器包括4组下采样卷积层与池化层、全连接层和4层上采样卷积层；其中每层下采样卷积层采用4种尺度为5×5的卷积核；
所述判别器包括4层上采样卷积层。
6.根据权利要求5所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述基于GAN神经网络的背景波阻抗数据填充模型，其训练方法为：
基于所述稳定沉积背景波形数据，通过生成器生成稳定沉积背景特征：
通过生成器中的编码器提取稳定沉积背景波形数据，具体为：通过4组下采样的卷积层与池化层计算抽象特征表示；
通过全连接层将所述抽象特征表示进行保留特征图分辨率与个数的分类整合和归一化，获得归一化特征图像；
通过解码器收集所述归一化特征图像的缺失数据，具体为：通过4层上采样卷积层进行加权上采样，获得与所述稳定沉积背景波形数据尺度相同的稳定沉积背景特征，即为精细稳定沉积背景地震波形数据；
将未经过生成器处理的所述稳定沉积区域的地震波形数据与所述精细稳定沉积背景地震波形数据共同作为待识别数据，输入所述判别器，所述判别器判断输入的数据是否为精细稳定沉积背景地震波形数据，并计算判别准确率；
训练过程中，设置所述基于GAN神经网络的背景波阻抗数据填充模型的目标函数为：
Figure DEST_PATH_IMAGE023
其中，x表示待识别数据
Figure 363787DEST_PATH_IMAGE024
中的波形振幅；
Figure DEST_PATH_IMAGE025
表示随机噪声向量，
Figure 52388DEST_PATH_IMAGE026
表示随机噪声向量的概率分布，这里设置为高斯分布，E表示期望值，log表示取对数，log的底数为10或e，e表示自然对数的底数， min表示取最小，max表示取最大，D表示判别器，G表示生成器；
设置判别器的目标函数
Figure DEST_PATH_IMAGE027
为：
Figure 19207DEST_PATH_IMAGE028
设置生成器的目标函数
Figure DEST_PATH_IMAGE029
为：
Figure 587592DEST_PATH_IMAGE030
通过交替迭代判别器的目标函数最大化与生成器的目标函数最小化，直至判别器对于生成器输出的精细稳定沉积背景地震波形数据与未经过生成器处理的稳定沉积区域的地震波形数据的分类准确度低于预设的阈值，获得训练好的基于GAN神经网络的背景波阻抗数据填充模型。
7.根据权利要求4所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述精细稳定沉积背景地震波形数据反演体，其获取方法为：
基于所述沉积稳定区，划定预设尺寸的网格，将每个网格节点视为虚拟井井位；
基于所述稳定沉积背景地震波形数据，设未知地下波阻抗模型参数m为
Figure DEST_PATH_IMAGE031
维空间向量
Figure 646553DEST_PATH_IMAGE032
；
通过一次地震采集过程获得了观测数据d为 k维数据向量
Figure DEST_PATH_IMAGE033
；
通过非线性函数核G建立未知地下波阻抗模型参数和k维数据向量的联系，即获得正演模型：
Figure 325796DEST_PATH_IMAGE034
其中，
Figure 943859DEST_PATH_IMAGE033
表示与地下波阻抗模型参数m无关的随机噪声，服从高斯分布；
基于正演模型构建反演目标函数：
Figure DEST_PATH_IMAGE035
其中，F为观测数据d与预测数据G(m)之间的均方根误差；
对所述反演目标函数进行线性化求解；
对所述正演模型进行泰勒展开并略去二次以上的高阶项，获得预测数据简略表达：
Figure 699456DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示依据先验信息建立的初始模型，A为Jacobian矩阵，A的元素为一阶偏微分
Figure 606232DEST_PATH_IMAGE038
；
设
Figure DEST_PATH_IMAGE039
，
Figure 823587DEST_PATH_IMAGE040
，则正演模型的迭代方程为：
Figure DEST_PATH_IMAGE041
其中，
Figure 401549DEST_PATH_IMAGE042
表示迭代了
Figure DEST_PATH_IMAGE043
次后的正演模型，
Figure 311736DEST_PATH_IMAGE044
表示迭代了t+1次后的正演模型，
Figure DEST_PATH_IMAGE045
为加噪预测数据；
通过一次地震采集过程获得叠前深度域偏移地震剖面
Figure 971388DEST_PATH_IMAGE046
，假设反演深度域模型参数有先验概率分布
Figure DEST_PATH_IMAGE047
，根据贝叶斯公式有概率分布为：
Figure 539904DEST_PATH_IMAGE048
加入随机噪音的概率分布为：
Figure DEST_PATH_IMAGE049
其中，
Figure 398138DEST_PATH_IMAGE050
为噪音协方差矩阵，
Figure DEST_PATH_IMAGE051
为噪音协方差矩阵求逆运算，det为取对应矩阵的行列式；
n为噪音且服从高斯分布均值为0，
Figure 462915DEST_PATH_IMAGE052
为一等值的对角矩阵且对角线元素为数据中心包含噪音的方差
Figure DEST_PATH_IMAGE053
，则加入随机噪音的概率分布变形为：
Figure 734496DEST_PATH_IMAGE054
对于反演深度域模型参数先验概率分布
Figure DEST_PATH_IMAGE055
，设置初始模型
Figure 231337DEST_PATH_IMAGE056
，且有
Figure DEST_PATH_IMAGE057
，等价的深度域模型概率分布为：
Figure 960390DEST_PATH_IMAGE058
；
设等价的深度域模型概率分布服从高斯分布，有加入随机噪声的深度域模型概率分布为：
Figure DEST_PATH_IMAGE059
假设深度域模型参数均值与初始模型
Figure 9117DEST_PATH_IMAGE060
等值，且互不影响，有简化的深度域模型概率分布：
Figure DEST_PATH_IMAGE061
其中，
Figure 223454DEST_PATH_IMAGE062
表示真实模型相对于所给定初始模型的方差值；
加入随机噪音的概率分布变形中的分母
Figure DEST_PATH_IMAGE063
依赖于数据采集和处理，设为常数，通过后验概率最大化等价于分子最大化，使后验概率分布式最大：
Figure 586302DEST_PATH_IMAGE064
使后验概率分布式最大等价式为：
Figure DEST_PATH_IMAGE065
令关于模型参数m的偏导数等于零，且
Figure 356812DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE067
，获得矩阵方程为：
Figure 327173DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
其中，
Figure 776609DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE071
为单位矩阵，
Figure 192416DEST_PATH_IMAGE072
为波阻抗迭代矩阵，整理得到随机逆反演的基本公式：
Figure DEST_PATH_IMAGE073
Figure 817432DEST_PATH_IMAGE074
随机逆反演的基本公式的迭代公式为：
Figure DEST_PATH_IMAGE075
；
其中，
Figure 676804DEST_PATH_IMAGE076
为由参数模型所形成的深度域合成地震记录；
通过不断迭代更新未知地下波阻抗模型的参数，直至
Figure DEST_PATH_IMAGE077
出现正负值震荡，此时的
Figure 833110DEST_PATH_IMAGE078
为低频波阻抗反演数据；
基于虚拟井井位平面坐标与地震数据平面坐标的相关关系，进而确定虚拟井与所述低频波阻抗反演数据的一一对应关系，进而将虚拟井井旁低频波阻抗反演数据对虚拟井赋值，获得虚拟井井位的波阻抗数据；
基于波阻抗反演数据体提取虚拟井井位波阻抗数据，根据地层格架限定的时窗范围针对所有虚拟井波阻抗数据的插值计算，设定计算区域为地质格架内工区的全部范围，得到精细稳定沉积背景地震波形数据反演体。
8.根据权利要求1所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述三维波阻抗预测数据体，其获取方法为：
基于测井资料中的声波时差曲线，经过单位换算获得地震波传播速度；
根据叠后地震数据中的目标层位地震波形数据频谱峰值确定地震主频；
计算地震波波长：
Figure DEST_PATH_IMAGE079
其中，L表示地震波波长，v表示目标层段地震波波速，
Figure 334498DEST_PATH_IMAGE080
表示地震波主频；
根据井位坐标与地震资料平面坐标，使测井声波时差曲线与密度期限对应的井旁地震波形匹配；
以地震波半波长
Figure DEST_PATH_IMAGE081
为滑动时窗长度，以步长为1，滑动提取窗内所有地震波形振幅数据点，作为地震波形振幅样本；
提取同一个井内的多个样本获得地震波形振幅样本集；
将所述地震波形振幅样本集输入基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
其中，基于井间地震波形结构的波阻抗值预测模型包括输入层、隐藏层和输出层；
所述输入层，其神经元个数为与地震波形振幅样本集数据点个数相同；
所述隐藏层，基于全连接的结构搭建：
第
Figure 653835DEST_PATH_IMAGE082
层第u个神经元的输入
Figure DEST_PATH_IMAGE083
等于
Figure 418528DEST_PATH_IMAGE084
层的神经元乘以权值后加上偏置向量：
Figure DEST_PATH_IMAGE085
第
Figure 327709DEST_PATH_IMAGE086
层第
Figure DEST_PATH_IMAGE087
个神经元的输出
Figure 898368DEST_PATH_IMAGE088
表示为：
Figure DEST_PATH_IMAGE089
Figure 75140DEST_PATH_IMAGE090
表示激活函数，
Figure DEST_PATH_IMAGE091
表示第
Figure 10735DEST_PATH_IMAGE092
层第
Figure DEST_PATH_IMAGE093
个神经元的输出，
Figure 328584DEST_PATH_IMAGE094
表示第
Figure DEST_PATH_IMAGE095
层第
Figure 391349DEST_PATH_IMAGE087
个神经元与前一层第
Figure 704519DEST_PATH_IMAGE093
个神经元的连接权值，
Figure 279857DEST_PATH_IMAGE096
表示第
Figure 819423DEST_PATH_IMAGE095
层的偏置向量；
Figure DEST_PATH_IMAGE097
Figure 921764DEST_PATH_IMAGE098
表示神经网络超参数，
Figure DEST_PATH_IMAGE099
表示神经元输入的值；
所述输出层，其神经元个数为与输入层相同，输出地震波形对应的波阻抗值，将地震波形对应的波阻抗值汇合为三维波阻抗预测数据体。
9.根据权利要求8所述的基于GAN网络的碳封存箱智能识别方法，其特征在于，所述基于井间地震波形结构的波阻抗值预测模型，其训练方法为：
获取训练数据集，进行前向传播：
Figure 355020DEST_PATH_IMAGE100
Figure DEST_PATH_IMAGE101
其中，
Figure 570100DEST_PATH_IMAGE102
表示的第
Figure 206749DEST_PATH_IMAGE104
层神经元输入，
Figure DEST_PATH_IMAGE105
表示第
Figure 860584DEST_PATH_IMAGE104
层的连接权值，
Figure 820450DEST_PATH_IMAGE106
表示第
Figure 940853DEST_PATH_IMAGE104
层的神经元输出，
Figure DEST_PATH_IMAGE107
表示第
Figure 32174DEST_PATH_IMAGE108
层的神经元输出，
Figure DEST_PATH_IMAGE109
表示第
Figure 286438DEST_PATH_IMAGE104
层的偏置项量；
其中代价函数为：
Figure 38494DEST_PATH_IMAGE110
Figure DEST_PATH_IMAGE111
表示真实值，j为向量中的元素标号；
每层神经网络前向计算中的误差
Figure 736322DEST_PATH_IMAGE112
为：
Figure DEST_PATH_IMAGE113
权值的梯度即目标函数对权值求偏导为：
Figure 800093DEST_PATH_IMAGE114
偏置的梯度即目标函数对偏置求导：
Figure DEST_PATH_IMAGE115
则前向传播中的误差错误为：
Figure 733414DEST_PATH_IMAGE116
反向传播中的误差错误为：
Figure DEST_PATH_IMAGE117
通过梯度下降方法更新参数：
Figure 179789DEST_PATH_IMAGE118
Figure DEST_PATH_IMAGE119
重复迭代至误差错误低于预设的误差阈值，或达到预设的迭代次数，获得训练好的基于井间地震波形结构的波阻抗值预测模型。
10.一种基于GAN网络的碳封存箱智能识别系统，其特征在于，所述系统包括：
地震资料预处理模块，配置为获取叠前单炮地震数据和测井资料，进而获取井旁地质解释结果，将叠前单炮地震数据进行叠前时间偏移与叠加获得叠后地震数据； ；
等时地层格架模型获取模块，配置为基于叠后地震数据构建目标层位的等时地层格架模型；
时-深转化关系获取模块，配置为将所述叠后地震数据与测井资料进行井震标定获取时-深转化关系；
稳定沉积区域获取模块，配置为基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，去除断裂带区域的地震波形数据点，获得稳定沉积背景波形数据；
稳定沉积背景地震波形数据反演体获取模块，配置为基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的生成器，获取精细稳定沉积背景地震波形数据，进而获取精细稳定沉积背景地震波形数据反演体；其中，GAN神经网络的背景波形数据填充模型由生成器与判别器构建；
三维波阻抗预测数据体获取模块，配置为基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波阻抗值预测模型获取三维波阻抗预测数据体；
波阻抗异常数据体获取模块，配置为计算所述稳定沉积背景地震波形数据反演体与三维波阻抗预测数据体之差，获得波阻抗异常数据体；
碳封存箱波阻抗数据体获取模块，配置为通过去除三维方差属性体中低于平均值的区域，保留断裂带空间几何轮廓内的波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据体；
模型解释模块，配置为对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区间、过渡带特征值区间和围岩特征值区间，获得碳封存箱解释模型；
基于所述碳封存箱解释模型，获得碳封存箱的疏导性情况，进而获得碳封存箱评价。
CN202210919669.5A 2022-08-02 2022-08-02 基于gan网络的碳封存箱智能识别方法和系统 Active CN114994759B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210919669.5A CN114994759B (zh) 2022-08-02 2022-08-02 基于gan网络的碳封存箱智能识别方法和系统
US17/945,002 US11740372B1 (en) 2022-08-02 2022-09-14 Method and system for intelligently identifying carbon storage box based on GAN network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210919669.5A CN114994759B (zh) 2022-08-02 2022-08-02 基于gan网络的碳封存箱智能识别方法和系统

Publications (2)

Publication Number Publication Date
CN114994759A CN114994759A (zh) 2022-09-02
CN114994759B true CN114994759B (zh) 2022-12-02

Family

ID=83021772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210919669.5A Active CN114994759B (zh) 2022-08-02 2022-08-02 基于gan网络的碳封存箱智能识别方法和系统

Country Status (2)

Country Link
US (1) US11740372B1 (zh)
CN (1) CN114994759B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115732041B (zh) * 2022-12-07 2023-10-13 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN116122802B (zh) * 2022-12-23 2023-07-14 中国科学院地质与地球物理研究所 基于Unet双通道输出的钻测录井特征提取方法与系统
CN115877478B (zh) * 2023-02-24 2023-05-12 山东全波石油技术开发有限公司 一种基于DualGAN的地震资料高分辨率处理方法
CN116736372B (zh) * 2023-06-05 2024-01-26 成都理工大学 一种基于谱归一化生成对抗网络的地震插值方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201503212D0 (en) * 2015-02-26 2015-04-15 Ireson Richard L A method of utilising impedance logs derived from VSP data for use in assessing an oilfield subterranean formation
CN104977618A (zh) * 2014-04-09 2015-10-14 中国石油集团东方地球物理勘探有限责任公司 一种评价页岩气储层及寻找甜点区的方法
CN111323817A (zh) * 2020-04-15 2020-06-23 中国矿业大学(北京) 基于深度学习的二氧化碳封存监测方法及装置
US10802171B2 (en) * 2017-04-28 2020-10-13 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
CN112733449A (zh) * 2021-01-11 2021-04-30 中国海洋大学 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN113703054A (zh) * 2021-09-03 2021-11-26 中国科学院地质与地球物理研究所 基于地质-地球物理的沉积相演化定量表征方法及系统
CA3120306A1 (en) * 2020-06-01 2021-12-01 Uti Limited Partnership Guiding drilling operations using a subsurface model based on full waveform inversion of seismic-while drilling data

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242090B (zh) 2018-08-28 2020-06-26 电子科技大学 一种基于gan网络的视频描述及描述一致性判别方法
CN108986835B (zh) 2018-08-28 2019-11-26 百度在线网络技术（北京）有限公司 基于改进gan网络的语音去噪方法、装置、设备及介质
US11965399B2 (en) * 2018-09-25 2024-04-23 Geosoftware C.V. Automatically detecting and correcting anomalies in log data
WO2020123097A1 (en) * 2018-12-11 2020-06-18 Exxonmobil Upstream Research Company Training machine learning systems for seismic interpretation
BR112021011250A2 (pt) * 2018-12-11 2021-08-24 Exxonmobil Upstream Research Company Modelagem automatizada de reservatório usando redes generativas profundas
CN112083482B (zh) * 2020-08-06 2021-11-19 西安交通大学 基于模型驱动深度学习的地震超分辨反演方法
CN113759425B (zh) * 2021-09-13 2022-04-01 中国科学院地质与地球物理研究所 井震联合评价深层古岩溶储层充填特征的方法与系统
CN113688953B (zh) 2021-10-25 2022-02-22 深圳市永达电子信息股份有限公司 基于多层gan网络的工控信号分类方法、装置和介质
CN114563820B (zh) * 2022-03-07 2023-03-24 中国矿业大学(北京) 地球物理监测方法、装置及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977618A (zh) * 2014-04-09 2015-10-14 中国石油集团东方地球物理勘探有限责任公司 一种评价页岩气储层及寻找甜点区的方法
GB201503212D0 (en) * 2015-02-26 2015-04-15 Ireson Richard L A method of utilising impedance logs derived from VSP data for use in assessing an oilfield subterranean formation
US10802171B2 (en) * 2017-04-28 2020-10-13 Pioneer Natural Resources Usa, Inc. High resolution seismic data derived from pre-stack inversion and machine learning
CN111323817A (zh) * 2020-04-15 2020-06-23 中国矿业大学(北京) 基于深度学习的二氧化碳封存监测方法及装置
CA3120306A1 (en) * 2020-06-01 2021-12-01 Uti Limited Partnership Guiding drilling operations using a subsurface model based on full waveform inversion of seismic-while drilling data
CN112733449A (zh) * 2021-01-11 2021-04-30 中国海洋大学 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN113703054A (zh) * 2021-09-03 2021-11-26 中国科学院地质与地球物理研究所 基于地质-地球物理的沉积相演化定量表征方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
C4植物稳定碳同位素分析助力地质封存CO2泄漏风险识别;薛璐 等;《干旱区资源与环境》;20200131;第34卷(第1期);全文 *
Integrated workflow in 3D geological model construction for evaluation of CO2 storage capacity of a fractured basement reservoir in Cuu Long Basin,Vietnam;Hung Vo Thanh 等;《International Journal of Greenhouse Gas Control》;20190904;全文 *
渝东南地区下寒武统牛蹄塘组页岩气保存条件研究;张旺;《中国优秀硕士学位论文全文数据库》;20180415;全文 *

Also Published As

Publication number Publication date
CN114994759A (zh) 2022-09-02
US11740372B1 (en) 2023-08-29

Similar Documents

Publication Publication Date Title
CN114994759B (zh) 基于gan网络的碳封存箱智能识别方法和系统
CN101158724B (zh) 基于偶极小波的储层厚度预测方法
CN108802812B (zh) 一种井震融合的地层岩性反演方法
Anifowose et al. Integrating seismic and log data for improved petroleum reservoir properties estimation using non-linear feature-selection based hybrid computational intelligence models
EP3963374B1 (en) System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation
Ismail et al. Gas channels and chimneys prediction using artificial neural networks and multi-seismic attributes, offshore West Nile Delta, Egypt
CN109541685B (zh) 一种河道砂体识别方法
CN111856566B (zh) 湖相滩坝砂体中薄储层预测方法及装置
Zahmatkesh et al. Estimating Vsand and reservoir properties from seismic attributes and acoustic impedance inversion: A case study from the Mansuri oilfield, SW Iran
CN114966856B (zh) 基于多频带地震资料的碳封存场址优选方法、系统和设备
CN108508489B (zh) 一种基于波形微变化匹配的地震反演方法
Eladj et al. Lithological Characterization by Simultaneous Seismic Inversion in Algerian South Eastern Field.
CN114994758B (zh) 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统
US20220155480A1 (en) Secondary recovery surveillance using validated streamline-based simulation
Bruno et al. Groundwater characterization in arid regions using seismic and gravity attributes: Al Jaww Plain, UAE
CN106405639A (zh) 一种叠前地震储层岩性参数的反演方法
EP4278219A1 (en) Source separation using multistage inversion with sparsity promoting priors
CN111983683B (zh) 一种少井条件下盐下湖相灰岩储层预测方法和系统
Hosseini et al. A Meta attribute for reservoir permeability classification using well logs and 3D seismic data with probabilistic neural network.
Liu et al. Machine learning assisted recovery of subsurface energy: a review
Sabeti et al. A new stochastic 3D seismic inversion using direct sequential simulation and co-simulation in a genetic algorithm framework
CN111366976A (zh) 基于尺度导向的地震属性自适应中值滤波方法
Sinha Statistical and Deep Learning Methods for Geoscience Problems
CN113109875B (zh) 一种全波形速度场约束下的盐下碳酸盐岩储层反演方法
Arzuman Comparison of geostatistics and artificial neural networks in reservoir property estimation

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