CN115220098A - 碳酸盐岩断控缝洞体自动识别方法及装置 - Google Patents
碳酸盐岩断控缝洞体自动识别方法及装置 Download PDFInfo
- Publication number
- CN115220098A CN115220098A CN202110409758.0A CN202110409758A CN115220098A CN 115220098 A CN115220098 A CN 115220098A CN 202110409758 A CN202110409758 A CN 202110409758A CN 115220098 A CN115220098 A CN 115220098A
- Authority
- CN
- China
- Prior art keywords
- fracture
- neural network
- network model
- preset neural
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000010430 carbonatite Substances 0.000 title description 2
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 51
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims abstract description 45
- 239000011435 rock Substances 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 3
- 238000004364 calculation method Methods 0.000 abstract description 15
- 208000010392 Bone Fractures Diseases 0.000 description 122
- 206010017076 Fracture Diseases 0.000 description 122
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013526 transfer learning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 235000019738 Limestone Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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. for interpretation or for event detection
- 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. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/51—Migration
- G01V2210/514—Post-stack
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种碳酸盐岩断控缝洞体自动识别方法,其包含:建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据;基于训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型;通过目标区域内的已知断控缝洞体数据对所述初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型;将目标区域的地震数据输入微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。本发明计算效率高,计算时间远小于综合地震叠后反演与地震属性方法,并且识别精度远高于张量等地震属性。
Description
技术领域
本发明涉及碳酸盐岩缝洞型储集体预测技术领域,具体地说,涉及一种碳酸盐岩断控缝洞体自动识别方法及装置。
背景技术
断控缝洞体是一种碳酸盐岩特有的圈闭类型,其定义为:受多期次构造挤压作用影响,沿深断裂带发育的局部脆性灰岩破碎带,多期岩溶水沿断裂下渗或局部热液上涌致在破碎带内发生溶蚀而形成的缝洞系统,在上覆泥灰岩、泥岩等盖层封堵以及侧向致密灰岩遮挡下,形成的一种不规则断控岩溶圈闭类型,简称断控缝洞体圈闭。断控缝洞体与碳酸盐岩溶蚀作用和油气聚集成藏的联系紧密。断控缝洞体油藏内部结构极其复杂,储集空间纵横向非均质性极强,纵横向缝洞结构分隔性明显,同一断裂带因破碎程度不同使得油藏充注差异较大,对后续的储层预测和油藏建模提出较大的挑战。
现有的碳酸盐岩断控缝洞体检测技术主要包含以下两类:
(1)通过提取地震属性进行断控缝洞体刻画。其中以精细相干技术、蚂蚁体追踪断裂检测技术和梯度结构张量属性应用效果较好。蚂蚁追踪技术和精细相干技术可以良好的刻画地下的断裂发育特。但碳酸盐岩断控缝洞体具有一定宽度的破碎带,这些方法前期检测结果无法体现断控缝洞体中“体”的概念。另外这些地震属性提取算法对地震资料的品质要求较高,受三维地震数据同相轴影能量响严重,同相轴能量强的层段属性异常更为明显,不符合奥陶系断控缝洞体发育规律。
(2)综合地震叠后反演与地震属性方法的溶体内部结构的表征方法(CN107390264A),该方法可以较好的刻画出断控缝洞体的范围和内部储集体的差异性。但是计算量繁杂,耗时巨大。且需要确定反演得到的波阻抗数据阈值与梯度结构张量属性阈值来进行镂空处理,其结果受一定人为主观因素影响。
因此,本发明提供了一种碳酸盐岩断控缝洞体自动识别方法及装置。
发明内容
为解决上述问题,本发明提供了一种碳酸盐岩断控缝洞体自动识别方法,所述方法包含以下步骤:
建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据;
基于所述训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型;
通过目标区域内的已知断控缝洞体数据对所述初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型;
将目标区域的地震数据输入所述微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。
根据本发明的一个实施例,构建训练数据包含以下步骤:
针对目标区域实际地震剖面上展现的不同类型断裂特征,基于地质和地震资料解释,初步构建地层格架和不同类型不同尺度的一系列断控缝洞体速度模型,并根据给定速度阈值确定精确的断控缝洞体轮廓,作为所述训练样本集的标签。
根据本发明的一个实施例,构建训练数据包含以下步骤:
基于波动方程正演模拟得到目标区域断控缝洞体的地震波场,通过克希霍夫偏移成像技术得到叠后深度域地震偏移剖面,作为所述训练样本集的所述地震振幅图像,并对振幅值做标准化处理。
根据本发明的一个实施例,构建训练数据包含以下步骤:
将所述地震振幅图像与对应的所述断控缝洞体标签根据一定的滑动步长截取边长为预设数量个像素点的正方形小块。
根据本发明的一个实施例,所述预设神经网络模型包含U-net模块以及金字塔池化模块。
根据本发明的一个实施例,所述U-net模块包含编码部分以及解码部分,其中,所述编码部分共5层,每层包含两个卷积层与一个池化层,所述解码部分共4层,每层包含两个卷积层以及一个上采样层。
根据本发明的一个实施例,所述金字塔池化模块由四个不同尺寸等级的池化层并联组成。
根据本发明的一个实施例,得到微调后的预设神经网络模型包含以下步骤:
将所述训练后的预设神经网络模型除最后一层外全部冻结,用于提取断控缝洞体特征图像;
将目标区域中实际过井地震数据与专家根据井资料标注过的真实断控缝洞体解释标签输入冻结后的预设神经网络模型,分别进行正向传播与反向传播;
对所述训练后的预设神经网络模型中最后一层的权重与偏置参数进行微调,得到所述微调后的预设神经网络模型。
根据本发明的另一个方面,还提供了一种存储介质,其包含用于执行如上任一项所述的方法步骤的一系列指令。
根据本发明的另一个方面,还提供了一种碳酸盐岩断控缝洞体自动识别装置,通过如上任一项所述的方法进行碳酸盐岩断控缝洞体自动识别,所述装置包含:
第一模块,其用于建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据;
第二模块,其用于基于所述训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型;
第三模块,其用于通过目标区域内的已知断控缝洞体数据对所述初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型;
第四模块,其用于将目标区域的地震数据输入所述微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。
本发明提供的碳酸盐岩断控缝洞体自动识别方法及装置依据神经网络可以自主学习数据特征的优势,将深度学习引入碳酸盐岩断控缝洞体识别领域,并利用正演数值模拟与迁移学习的方法解决了实际数据中有标签样本不充分的问题,从而实现了比较准确的断控缝洞体检测识别。本发明计算效率高,计算时间远小于综合地震叠后反演与地震属性方法,并且识别精度远高于张量等地震属性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1显示了根据本发明的一个实施例的碳酸盐岩断控缝洞体自动识别方法流程图;
图2显示了根据本发明的另一个实施例的碳酸盐岩断控缝洞体自动识别方法流程图;
图3显示了根据本发明的一个实施例的预设神经网络结构模型;
图4显示了根据本发明的一个实施例的用于训练预设神经网络模型的部分正演地震数据;
图5显示了根据本发明的一个实施例的用于训练预设神经网络模型的部分地震数据对应的断控缝洞体标签;
图6a显示了根据本发明的一个实施例的某碳酸盐岩储层实际工区地震振幅体inline630切片图;
图6b显示了根据本发明的一个实施例的梯度结构张量属性对inline号为630的地震振幅体切片的识别结果图;
图6c显示了根据本发明的一个实施例的对inline号为630的地震振幅体切片的识别结果图;
图7a显示了根据本发明的一个实施例的某碳酸盐岩储层实际工区地震振幅体inline690切片图;
图7b显示了根据本发明的一个实施例的梯度结构张量属性对inline号为690的地震振幅体切片的识别结果图;
图7c显示了根据本发明的一个实施例的对inline号为690的地震振幅体切片的识别结果图;
图8显示了根据本发明的一个实施例的某碳酸盐岩储层实际工区地震数据断控缝洞体轮廓识别结果4747ms时间切片图;
图9显示了根据本发明的一个实施例的某碳酸盐岩储层实际工区地震数据断控缝洞体轮廓识别结果三维图;以及
图10显示了根据本发明的一个实施例的碳酸盐岩断控缝洞体自动识别装置结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明实施例作进一步地详细说明。
为了解决现有技术中存在的问题,实现对断控缝洞体轮廓快速、准确的识别。图1显示了根据本发明的一个实施例的碳酸盐岩断控缝洞体自动识别方法流程图。
如图1所示,在步骤S101中,建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据。
具体来说,在步骤S101中,构建训练数据包含以下步骤:针对目标区域实际地震剖面上展现的不同类型断裂特征,基于地质和地震资料解释,初步构建地层格架和不同类型不同尺度的一系列断控缝洞体速度模型,并根据给定速度阈值确定精确的断控缝洞体轮廓,作为训练样本集的标签。
具体来说,在步骤S101中,构建训练数据包含以下步骤:基于波动方程正演模拟得到目标区域断控缝洞体的地震波场,通过克希霍夫偏移成像技术得到叠后深度域地震偏移剖面,作为训练样本集的地震振幅图像,并对振幅值做标准化处理。
具体来说,在步骤S101中,构建训练数据包含以下步骤:将地震振幅图像与对应的断控缝洞体标签根据一定的滑动步长截取边长为预设数量个像素点的正方形小块。在一个实施例中,预设数量可以取128。
如图1所示,在步骤S102中,基于训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型。
具体来说,在步骤S102中,预设神经网络模型包含U-net模块以及金字塔池化模块(PPM,pyramid pooling module)。U-net模块包含编码部分以及解码部分,其中,编码部分共5层,每层包含两个卷积层与一个池化层,解码部分共4层,每层包含两个卷积层以及一个上采样层。金字塔池化模块由四个不同尺寸等级的池化层并联组成。
如图1所示,在步骤S103中,通过目标区域内的已知断控缝洞体数据对初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型。
由于人工合成资料无法完全重现实际地质地震条件,导致实际资料与人工合成资料之间总是存在差异,同时这两者之间又存在一定程度的联系,所以可以利用迁移学习的方法,将两者进行有机的结合。因此,本发明中在目标区域中人工解释少量断控缝洞体数据用于迁移学习,对预设神经网络模型进行微调。
具体来说,在步骤S103中,得到微调后的预设神经网络模型包含以下步骤:
S1031、将训练后的预设神经网络模型除最后一层外全部冻结,固定权重参数,用于提取断控缝洞体特征图像。
S1032、将目标区域中实际过井地震数据与专家根据井资料标注过的真实断控缝洞体解释标签输入冻结后的预设神经网络模型,分别进行正向传播与反向传播。
S1033、对训练后的预设神经网络模型中最后一层的权重与偏置参数进行微调,得到微调后的预设神经网络模型。
如图1所示,在步骤S104中,将目标区域的地震数据输入微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。
具体来说,在将微调后的预设神经网络模型用于对实际数据的测试时,需要选择一个大小为128×128个像素点的滑动窗口,每次选取窗口内的地震数据输入微调后的预设神经网络模型计算。为了能够尽可能的遍历到数据体的每一部分,在相邻两次滑动窗口间设置了一段重叠的部分,并在边界连接部分设置了高斯权重。首先计算滑动窗口分别沿横向,纵向的滑动次数c1,c2:
在确定滑动次数后,对输入计算的地震数据体做扩边处理,扩充部分的数值为0。其中,横向、纵向扩边大小P1,P2分别为:
Pi=(128-o)·ci+o,i=1,2
通过上述步骤,可以将输入的尺寸大小为m1×m2的地震剖面扩展至P1×P2的大小,并将其分割成c1×c2个边长为128的正方形小块。并分别对这些正方形小块地震数据做标准化处理,将其振幅值分布在[0,1],之后依次输入微调后的预设神经网络模型计算即可。微调后的预设神经网络模型最后也将输出c1×c2个识别好的断控缝洞体图像,并将其按原始地震数据体所在位置组合,去掉扩边部分。对于计算中重叠的边界部分,在叠加时需要乘上对应的高斯权重。
图2显示了根据本发明的另一个实施例的碳酸盐岩断控缝洞体自动识别方法流程图。
如图2所示,首先研究靶区地质及地震数据资料,然后对该工区实际过井断控缝洞体数据进行标注。
S1、建立断控缝洞体正演模拟地震数据训练集。具体来说,构建碳酸盐岩断控缝洞体训练样本集,将经过正演模拟得到的地震振幅图像和已经标记好的断控缝洞体标签作为训练数据。
S2、将正演数据集输入改进U-net模型(预设神经网络模型)进行训练。具体来说,建立改进U-net模型,使用有标签的训练集样本对预设神经网络模型进行初步训练。
S3、通过迁移学习技术微调网络模型。具体来说,在目标工区中人工解释少量实际断控缝洞体数据用于迁移学习,对预设神经网络模型的权重参数进行微调。
S4、对目标工区地震数据进行断控缝洞体自动识别。具体来说,将目标工区地震数据输入微调后的预设神经网络模型进行预测,从而对断控缝洞体进行识别。
图3显示了根据本发明的一个实施例的预设神经网络结构模型。
如图3所示,U-net模块的编码部分共5层,每层包含两个卷积核尺寸为3×3的卷积层与一个池化核尺寸为2×2的最大池化层;U-net模块的解码部分共4层,每层包含两个核尺寸为3×3的卷积层及一个核尺寸为2×2的上采样层,U-net模型在解码部分中,将具有相同尺寸的特征图通过跳跃结构进行连接。
如图3所示,金字塔池化模块由尺寸大小分别为1×1,2×2,3×3,6×6四个等级的池化层并联组成,将U-net模块提取的特征图分别输入四个级别的池化层后分别经由1×1的卷积核将通道数分别降为原本的1/4,再分别通过上采样层获得未池化前的尺寸,与未经过金字塔池化模块的特征图合并在一起。
预设神经网络模型的最后一层是使用预设函数(例如sigmoid函数)的分类层,将输入地震图像中的每个像素点映射到0到1之间。
在一个实施例中,表1显示了预设神经网络模型模型结构参数设置。
表1预设神经网络模型模型结构参数设置
在本发明的一个实施例中,采用中国西北S区地震数据进行断控缝洞体识别。图4以及图5为用于网络模型训练的部分训练数据,其中,图4所示为经由波动方程正演模拟制作的深度偏移成像地震剖面,图5所示为根据速度阈值确定的对应精确断控缝洞体标签。
选取一个大小为128×128个像素点的滑动窗口,选取滑动步长32,在原始地震剖面上滑动截取训练网络模型所需的小块地震数据。图6a所示是实际工区中inline号为630的地震振幅体切片图。图6b所示为通过本发明提供的方法对inline号为630的地震振幅体切片的断控缝洞体识别结果图。图6c所示为现有技术中的梯度结构张量属性计算结果。
图7a所示是实际工区中inline号为690的地震振幅体切片图。图7b所示为通过本发明提供的方法对inline号为690的地震振幅体切片的断控缝洞体识别结果图。图7c所示为现有技术中的梯度结构张量属性计算结果。
从图6a-6c以及图7a-7c可以看出,现有技术中的梯度结构张量属性计算结果在同相轴能量强的层段较为明显,但无法识别出深层同相轴能量较弱层段的断控缝洞体,且纵向上连续性较差。本发明提供的方法对于断控缝洞体的边界识别更为清晰,在纵向上具有良好的连续性,且不受地震数据同相轴能量影响。
图8所示为实际工区地震数据断控缝洞体识别结果4747ms时间切片图。图9所示为全工区地震数据断控缝洞体识别结果三维图。从图8以及图9中可以看出本发明提供的方法能够较好地识别断控缝洞体,识别结果精度远高于现有技术中的梯度结构张量属性等地震属性。且本发明提供的方法在识别流程中不需要人工调试参数,一定程度上避免了解释人员的主观性对结果的影响。
综上,与现有技术相比较,本发明识别过程不需要人工选择算法参数,计算效率高于传统基于地震属性提取算法或地震数据反演算法,识别结果更为准确,不受地震数据同相轴能量强弱影响。
本发明还提供一种存储介质,其包含用于执行碳酸盐岩断控缝洞体自动识别方法步骤的一系列指令。
图10显示了根据本发明的一个实施例的碳酸盐岩断控缝洞体自动识别装置结构框图。
如图10所示,碳酸盐岩断控缝洞体自动识别装置1000包含第一模块1001、第二模块1002、第三模块1003以及第四模块1004。
第一模块1001用于建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据。
第二模块1002用于基于训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型。
第三模块1003用于通过目标区域内的已知断控缝洞体数据对初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型。
第四模块1004用于将目标区域的地震数据输入微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。
综上,本发明提供的碳酸盐岩断控缝洞体自动识别方法及装置依据神经网络可以自主学习数据特征的优势,将深度学习引入碳酸盐岩断控缝洞体识别领域,并利用正演数值模拟与迁移学习的方法解决了实际数据中有标签样本不充分的问题,从而实现了比较准确的断控缝洞体检测识别。本发明计算效率高,计算时间远小于综合地震叠后反演与地震属性方法,并且识别精度远高于张量等地震属性。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种碳酸盐岩断控缝洞体自动识别方法,其特征在于,所述方法包含以下步骤:
建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据;
基于所述训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型;
通过目标区域内的已知断控缝洞体数据对所述初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型;
将目标区域的地震数据输入所述微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。
2.如权利要求1所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,构建训练数据包含以下步骤:
针对目标区域实际地震剖面上展现的不同类型断裂特征,基于地质和地震资料解释,初步构建地层格架和不同类型不同尺度的一系列断控缝洞体速度模型,并根据给定速度阈值确定精确的断控缝洞体轮廓,作为所述训练样本集的标签。
3.如权利要求1所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,构建训练数据包含以下步骤:
基于波动方程正演模拟得到目标区域断控缝洞体的地震波场,通过克希霍夫偏移成像技术得到叠后深度域地震偏移剖面,作为所述训练样本集的所述地震振幅图像,并对振幅值做标准化处理。
4.如权利要求1所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,构建训练数据包含以下步骤:
将所述地震振幅图像与对应的所述断控缝洞体标签根据一定的滑动步长截取边长为预设数量个像素点的正方形小块。
5.如权利要求1所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,所述预设神经网络模型包含U-net模块以及金字塔池化模块。
6.如权利要求5所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,所述U-net模块包含编码部分以及解码部分,其中,所述编码部分共5层,每层包含两个卷积层与一个池化层,所述解码部分共4层,每层包含两个卷积层以及一个上采样层。
7.如权利要求5所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,所述金字塔池化模块由四个不同尺寸等级的池化层并联组成。
8.如权利要求1所述的碳酸盐岩断控缝洞体自动识别方法,其特征在于,得到微调后的预设神经网络模型包含以下步骤:
将所述训练后的预设神经网络模型除最后一层外全部冻结,用于提取断控缝洞体特征图像;
将目标区域中实际过井地震数据与专家根据井资料标注过的真实断控缝洞体解释标签输入冻结后的预设神经网络模型,分别进行正向传播与反向传播;
对所述训练后的预设神经网络模型中最后一层的权重与偏置参数进行微调,得到所述微调后的预设神经网络模型。
9.一种存储介质,其特征在于,其包含用于执行如权利要求1-8中任一项所述的方法步骤的一系列指令。
10.一种碳酸盐岩断控缝洞体自动识别装置,其特征在于,通过如权利要求1-8中任一项所述的方法进行碳酸盐岩断控缝洞体自动识别,所述装置包含:
第一模块,其用于建立用于碳酸盐岩断控缝洞体自动识别的训练样本集,并将构建得到的地震振幅图像以及已经标记好的断控缝洞体标签作为训练数据;
第二模块,其用于基于所述训练样本集,对构建的预设神经网络模型进行初步训练,得到初步训练后的预设神经网络模型;
第三模块,其用于通过目标区域内的已知断控缝洞体数据对所述初步训练后的预设神经网络模型进行微调,得到微调后的预设神经网络模型;
第四模块,其用于将目标区域的地震数据输入所述微调后的预设神经网络模型进行预测,从而对目标区域内的断控缝洞体进行自动识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409758.0A CN115220098A (zh) | 2021-04-16 | 2021-04-16 | 碳酸盐岩断控缝洞体自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409758.0A CN115220098A (zh) | 2021-04-16 | 2021-04-16 | 碳酸盐岩断控缝洞体自动识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115220098A true CN115220098A (zh) | 2022-10-21 |
Family
ID=83605385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409758.0A Pending CN115220098A (zh) | 2021-04-16 | 2021-04-16 | 碳酸盐岩断控缝洞体自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115220098A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410049A (zh) * | 2022-10-31 | 2022-11-29 | 中国石油大学(华东) | 一种岩体溶蚀程度的分类评估方法及装置 |
-
2021
- 2021-04-16 CN CN202110409758.0A patent/CN115220098A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410049A (zh) * | 2022-10-31 | 2022-11-29 | 中国石油大学(华东) | 一种岩体溶蚀程度的分类评估方法及装置 |
CN115410049B (zh) * | 2022-10-31 | 2023-01-31 | 中国石油大学(华东) | 一种岩体溶蚀程度的分类评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526693B (zh) | 裂缝识别方法和装置 | |
CN110705457A (zh) | 一种遥感影像建筑物变化检测方法 | |
CN110308487B (zh) | 一种断溶体型油藏定量表征方法 | |
US20110029291A1 (en) | Method for fracture surface extraction from microseismic events cloud | |
EP3362640B1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CN105954804A (zh) | 页岩气储层脆性地震预测方法及装置 | |
BR112012028653B1 (pt) | método para análise sísmica de sistema de hidrocarbonetos | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
US10890688B2 (en) | Method for generating secondary data in geostatistics using observed data | |
CN111722277A (zh) | 用于断溶体油气藏勘探的断溶体圈闭描述方法及装置 | |
EP3211594B1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
CN115308803A (zh) | 煤层厚度预测方法、装置、设备和介质 | |
EP3217354A2 (en) | Seismic modeling system providing seismic survey data frequency domain inpainting and related methods | |
CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN112489208A (zh) | 基于蚂蚁算法的裂缝片提取方法和三维地质模型构建方法 | |
CN112946743B (zh) | 区分储层类型的方法 | |
CN115220098A (zh) | 碳酸盐岩断控缝洞体自动识别方法及装置 | |
US11143769B2 (en) | Seismic modeling system providing seismic survey data spatial domain exemplar inpainting and related methods | |
Li et al. | Fracture extraction from FMI based on multiscale mathematical morphology | |
CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
CN112034512B (zh) | 基于深度学习模型的地震数据不连续性检测方法和系统 | |
CN114898160A (zh) | 基于多任务的断层智能识别方法 | |
EP3482235B1 (en) | Method of characterising a subsurface region using multiple point statistics | |
CN116256801B (zh) | 基于图像融合的深地油气精准导航断层表征方法与系统 |
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 |