CN115657132A - 一种基于机器学习的储层预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的储层预测方法及系统，属于储层预测技术领域，所述方法包括如下步骤：获取带有孔隙度数据标签信息的地震相训练数据集；分别构建轻量级地震相预测网络和孔隙度预测网络；得到训练好的轻量级地震相预测网络和孔隙度预测网络；将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；基于孔隙度预测结果，得到储层预测结果；所述系统用于实现所述方法记载的储存预测方法；本发明解决了在成本和样本不足条件下难以实现准确预测储层的问题。

Description

一种基于机器学习的储层预测方法及系统

技术领域

本发明属于应变测量技术领域，尤其涉及一种基于机器学习的储层预测方法及系统。

背景技术

储层是油气藏形成的重要部分，其包含地震相和孔隙度，储层预测可以在不同的勘探开发阶段提供重要的储层信息，为钻井开发提供重要的参考信息；

沉积相是在一定地质条件下形成的沉积体及其沉积环境的总和。地震相则是沉积体在地震波上的响应，不同的地震波相位、振幅和频率表示不同沉积环境下的沉积体，在地下介质中沉积体物理性质的变化会导致地震属性的变化，现有技术提出利用神经网络通过线性拟合来解决储存预测上存在的问题，虽然取得了一定进展，但需要极大量的测井样本用于训练网络，钻井成本高昂，这使得大成本才能得以实现的大量样本预测极为不易，因此小样本条件下对储层进行预测是必要的；

孔隙度是指岩石中的孔隙体积与岩石总体积的比，能够反映储层的储油能力，孔隙度通常由很多地质因素综合影响，目前常用的孔隙度预测方法主要是通过钻井岩芯进行测定，通过构建岩石物理模型和机器学习分析等，钻井岩芯测量结果准确，但测量成本高昂，获取测量结果涉及范围极小，不适用于对工区整体孔隙度测量；岩石物理模型是构建测井中其它特征参数与孔隙度建立线性回归关系，但针对岩性构造复杂地区，线性回归关系的建立难度极大；机器学习方法能够拟合多个参数之间的复杂线性关系，得到较好的预测结果，因此，小样本条件下通过机器学习实现储存预测是亟需的。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于机器学习的储层预测方法及系统，基于相控约束，联合海量无标签数据和少量标签数据，解决了在成本和样本不足条件下难以实现准确预测储层的问题。

为了达到上述发明目的，本发明采用的技术方案为：

本发明提供一种基于机器学习的储层预测方法，包括如下步骤：

S1、获取带有孔隙度数据标签信息的地震相训练数据集；

S2、分别构建轻量级地震相预测网络和孔隙度预测网络；

S3、将地震相训练数据集中各地震相图片分别输入轻量级地震相预测网络和孔隙度预测进行训练，得到训练好的轻量级地震相预测网络和孔隙度预测网络；

S4、将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；

S5、基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；

S6、基于孔隙度预测结果，得到储层预测结果。

进一步地，所述步骤S2包括如下步骤：

S21、利用Mobilenetv2轻量级网络模块替换Deeplabv3+中的骨干网络模块；

S22、将Mobilenetv2轻量级网络模块的输入端作为轻量级地震相预测网络的输入端，并将Mobilenetv2轻量级网络模块的地震相主要特征输出端分别与金字塔模块的输入端和二次下采样模块的输入端连接；

S23、将二次下采样模块的输出端与低级特征模块的输入端连接；

S24、将金字塔模块的输出端与多尺度特征融合模块的输入端连接；

S25、将多尺度特征融合模块的输出端与两次上采样模块的输入端连接；

S26、将低级特征模块的输出端与两次上采样模块的输出端拼接后与卷积模块的输入端连接；

S27、将卷积模块的输出端和四次上采样模块的输入端连接；

S28、将四次上采样模块的输出端作为轻量级地震相预测网络的输出端。

进一步地，所述Mobilenetv2轻量级网络模块为直筒型结构，包括依次连接的卷积子模块、第一倒残差子模块、第二倒残差子模块、第三倒残差子模块、第四倒残差子模块、第五倒残差子模块、第六倒残差子模块和第七倒残差子模块；

所述卷积子模块的输入端为Mobilenetv2轻量级网络模块的输入端，用于输入地震相图片；所述卷积子模块的卷积核大小为3×3，步长为2，通道数为32；所述第一倒残差子模块的步长为1，通道数为16；所述第二倒残差子模块包括依次连接的步长为2，通道数为24的第一倒残差单元和步长为1，通道数为24的第二倒残差单元；所述第三倒残差子模块包括依次连接的步长为2，通道数为32的第3倒残差单元、步长均为1，通道数均为32的第四倒残差单元和第五倒残差单元；所述第四倒残差子模块包括依次连接的步长均为1，通道数均为64的第六倒残差单元、第七倒残差单元、第八倒残差单元和第九倒残差单元；所述第五倒残差子模块包括依次连接的步长均为1，通道数均为96的第十倒残差单元、第十一倒残差单元和第十二倒残差单元；所述第六倒残差子模块包括依次连接的步长均为1，通道数均为160的第十三倒残差单元、第十四倒残差单元和第十五倒残差单元；所述第七倒残差子模块为Mobilenetv2轻量级网络模块的输出端；所述第七倒残差子模块的步长为1，通道数为320；所述Mobilenetv2轻量级网络模块输出地震相主要特征至金字塔模块和二次下采样模块。

进一步地，所述金字塔模块用于获取地震相主要特征中的多尺度特征信息；所述金字塔模块采用并行的1×1卷积（1×1 Conv）、3组空洞率分别为6、12和18的深度可分离卷积（3×3 Conv Rate 6、3×3 Conv Rate 12和3×3 Conv Rate 18）以及全局池化层（Imagepooling）对地震相主要特征进行卷积，得到具有不同感受野的特征，并通过对各不同感受野的特征进行1×1的卷积操作，得到地震相主要特征中的多尺度特征信息；

所述多尺度特征融合模块通过1×1的卷积将多尺度特征信息进行通道压缩，并将通道压缩结果依次通过二次上采样模块进行2倍上采样，得到上采样地震相特征信息；

所述二次下采样模块通过对地震相主要特征连续进行两次下采样，得到地震相主要特征的低级特征信息，并通过对低级特征信息进行1×1的卷积操作，得到下采样地震相特征信息；

所述上采样地震相特征信息和下采样地震相特征信息通过Concat拼接，得到串联后的地震相特征信息；

所述卷积模块通过3×3的卷积将串联后的地震相特征信息进行通道压缩，得到初始预测结果；

所述四次上采样模块通过若干次卷积对初始预测结果进行4倍上采样，得到与输入的地震相图片尺寸相同的地震相预测结果图。

进一步地，所述孔隙度预测网络包括依次连接的：

BiGRU模块，用于获取孔隙度数据标签信息的高频信息；

1DCNN模块，用于获取孔隙度数据标签信息的低频信息；

Unet残差网络模块，用于对高频信息和低频信息进行步长为2的卷积，得到孔隙度数据标签信息的编码结果；

解码模块，用于根据孔隙度数据标签信息的编码结果，建立孔隙度与合成地震数据间的关系，得到孔隙度初始预测结果。

进一步地，所述孔隙度预测网络的训练方法包括如下步骤：

A1、获取地震相训练数据集中各地震相图片归一化为单通道的灰度图像；

A2、将灰度图像中75%的地震坡面进行随机遮掩，得到遮掩后的图像，并将未遮掩的灰度图像作为真实图像；

A3、将遮掩后的图像输入孔隙度预测网络进行迭代训练，得到初始预测结果，直至初始预测结果与真实图像一致，保存训练权重，得到初始孔隙度预测网络；

A4、将地震相训练数据集中各地震相图片与若干无孔隙度标签信息的地震相图片通过滑动窗口进行图像裁剪，得到若干与未裁剪图片孔隙度标签一致的子图块，其中，无孔隙度标签信息的子图块依然无孔隙度标签信息；

A5、将各子图块输入初始孔隙度预测网络进行训练，直至子图块的孔隙度标签识别结果与其对应的真实图像的孔隙度标签信息一致率达到预设准确率时，则保存训练权重参数，得到训练好的孔隙度预测网络。

本发明的有益效果为：本发明提供的一种基于机器学习的储层预测方法，通过引入Mobilenetv2轻量级网络模块改进网络结构，通过深度可分离卷积和倒残差结构使得网络模型更加轻量化，在小样本问题上更具有优势，通过对孔隙度标签信息的高频特征和低频特征获取，实现准确识别孔隙度标签特征，同时利用地震相控对孔隙度预测结果进行约束，实现基于相控的孔隙度预测，在小样本条件下完成基于孔隙度对储层的预测。

本发明还提供一种基于机器学习的储层预测方法的系统，包括：

第一模块，用于获取带有孔隙度数据标签信息的地震相训练数据集；

第二模块，用于分别构建轻量级地震相预测网络和孔隙度预测网络；

第三模块，用于将地震相训练数据集中各地震相图片分别输入轻量级地震相预测网络和孔隙度预测进行训练，得到训练好的轻量级地震相预测网络和孔隙度预测网络；

第四模块，用于将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；

第五模块，用于基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；

第六模块，用于基于孔隙度预测结果，得到储层预测结果。

本发明的有益效果为：本发明提供的一种基于机器学习的储层预测方法的系统，为基于上述一种基于机器学习的储层预测方法提出的系统，用于上述方法，实现在成本和样本不足条件下准确预测储层的问题。

附图说明

图1为本发明实施例中一种基于机器学习的储层预测方法的步骤流程图。

图2为本发明实施例中轻量级地震相预测网络的结构示意图。

图3为本发明实施例中基于机器学习的储层预测方法的系统的结构图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1

如图1所示，在本发明的一个实施例中，本发明提供一种基于机器学习的储层预测方法，包括如下步骤：

S1、获取带有孔隙度数据标签信息的地震相训练数据集；

S2、分别构建轻量级地震相预测网络和孔隙度预测网络；

如图2所示，所述步骤S2包括如下步骤：

S21、利用Mobilenetv2轻量级网络模块替换Deeplabv3+中的骨干网络模块；

所述Mobilenetv2轻量级网络模块为直筒型结构，包括依次连接的卷积子模块、第一倒残差子模块、第二倒残差子模块、第三倒残差子模块、第四倒残差子模块、第五倒残差子模块、第六倒残差子模块和第七倒残差子模块；

所述卷积子模块的输入端为Mobilenetv2轻量级网络模块的输入端，用于输入地震相图片；所述卷积子模块的卷积核大小为3×3，步长为2，通道数为32；所述第一倒残差子模块的步长为1，通道数为16；所述第二倒残差子模块包括依次连接的步长为2，通道数为24的第一倒残差单元和步长为1，通道数为24的第二倒残差单元；所述第三倒残差子模块包括依次连接的步长为2，通道数为32的第3倒残差单元、步长均为1，通道数均为32的第四倒残差单元和第五倒残差单元；所述第四倒残差子模块包括依次连接的步长均为1，通道数均为64的第六倒残差单元、第七倒残差单元、第八倒残差单元和第九倒残差单元；所述第五倒残差子模块包括依次连接的步长均为1，通道数均为96的第十倒残差单元、第十一倒残差单元和第十二倒残差单元；所述第六倒残差子模块包括依次连接的步长均为1，通道数均为160的第十三倒残差单元、第十四倒残差单元和第十五倒残差单元；所述第七倒残差子模块为Mobilenetv2轻量级网络模块的输出端；所述第七倒残差子模块的步长为1，通道数为320；所述Mobilenetv2轻量级网络模块输出地震相主要特征至金字塔模块和二次下采样模块；

S22、将Mobilenetv2轻量级网络模块的输入端作为轻量级地震相预测网络的输入端，并将Mobilenetv2轻量级网络模块的地震相主要特征输出端分别与金字塔模块的输入端和二次下采样模块的输入端连接；

所述金字塔模块用于获取地震相主要特征中的多尺度特征信息；所述金字塔模块采用并行的1×1卷积、3组空洞率分别为6、12和18的深度可分离卷积以及全局池化层对地震相主要特征进行卷积，得到具有不同感受野的特征，并通过对各不同感受野的特征进行1×1的卷积操作，得到地震相主要特征中的多尺度特征信息；

所述多尺度特征融合模块通过1×1的卷积将多尺度特征信息进行通道压缩，并将通道压缩结果依次通过二次上采样模块进行2倍上采样，得到上采样地震相特征信息；

所述二次下采样模块通过对地震相主要特征连续进行两次下采样，得到地震相主要特征的低级特征信息，并通过对低级特征信息进行1×1的卷积操作，得到下采样地震相特征信息；

S23、将二次下采样模块的输出端与低级特征模块的输入端连接；

S24、将金字塔模块的输出端与多尺度特征融合模块的输入端连接；

S25、将多尺度特征融合模块的输出端与两次上采样模块的输入端连接；

S26、将低级特征模块的输出端与两次上采样模块的输出端拼接后与卷积模块的输入端连接；

所述上采样地震相特征信息和下采样地震相特征信息通过Concat拼接，得到串联后的地震相特征信息；

S27、将卷积模块的输出端和四次上采样模块的输入端连接；

所述卷积模块通过3×3的卷积将串联后的地震相特征信息进行通道压缩，得到初始预测结果；

S28、将四次上采样模块的输出端作为轻量级地震相预测网络的输出端；

所述四次上采样模块通过若干次卷积对初始预测结果进行4倍上采样，得到与输入的地震相图片尺寸相同的地震相预测结果图；

所述孔隙度预测网络包括依次连接的：

BiGRU模块，用于获取孔隙度数据标签信息的高频信息；

1DCNN模块，用于获取孔隙度数据标签信息的低频信息；

Unet残差网络模块，用于对高频信息和低频信息进行步长为2的卷积，得到孔隙度数据标签信息的编码结果；

解码模块，用于根据孔隙度数据标签信息的编码结果，建立孔隙度与合成地震数据间的关系，得到孔隙度初始预测结果；

S3、将地震相训练数据集中各地震相图片分别输入轻量级地震相预测网络和孔隙度预测进行训练，得到训练好的轻量级地震相预测网络和孔隙度预测网络；

所述孔隙度预测网络的训练方法包括如下步骤：

A1、获取地震相训练数据集中各地震相图片归一化为单通道的灰度图像；

A2、将灰度图像中75%的地震坡面进行随机遮掩，得到遮掩后的图像，并将未遮掩的灰度图像作为真实图像；

A3、将遮掩后的图像输入孔隙度预测网络进行迭代训练，得到初始预测结果，直至初始预测结果与真实图像一致，保存训练权重，得到初始孔隙度预测网络；

A4、将地震相训练数据集中各地震相图片与若干无孔隙度标签信息的地震相图片通过滑动窗口进行图像裁剪，得到若干与未裁剪图片孔隙度标签一致的子图块，其中，无孔隙度标签信息的子图块依然无孔隙度标签信息；

无孔隙度标签信息的地震相图片数量远远大于地震相训练数据集中的地震相图片，通过与大量无孔隙度标签信息的地震相图片一同进行训练，能够有效提升孔隙度标签的识别准确率，提升孔隙度预测网络的准确性；

A5、将各子图块输入初始孔隙度预测网络进行训练，直至子图块的孔隙度标签识别结果与其对应的真实图像的孔隙度标签信息一致率达到预设准确率时，则保存训练权重参数，得到训练好的孔隙度预测网络；

S4、将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；

S5、基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；

S6、基于孔隙度预测结果，得到储层预测结果。

实施例2

如图3所示，本发明还提供一种基于机器学习的储层预测方法的系统，包括：

第一模块，用于获取带有孔隙度数据标签信息的地震相训练数据集；

第二模块，用于分别构建轻量级地震相预测网络和孔隙度预测网络；

第三模块，用于将地震相训练数据集中各地震相图片分别输入轻量级地震相预测网络和孔隙度预测进行训练，得到训练好的轻量级地震相预测网络和孔隙度预测网络；

第四模块，用于将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；

第五模块，用于基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；

第六模块，用于基于孔隙度预测结果，得到储层预测结果。

实施例提供的基于机器学习的储层预测方法的系统可以执行上述方法实施例基于机器学习的储层预测方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。

本发明实施例中，本申请可以根据基于机器学习的储层预测方法进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元既可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。

本发明实施例中，基于机器学习的储层预测方法的系统为了实现基于机器学习的储层预测方法的原理与有益效果，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本发明实施例中，本发明构建了一个基于机器学习的储层预测方法的系统，能够同时预测孔隙度和地震相，并通过加入地震相的约束来进一步提高孔隙度预测的精度，实现基于小样本的条件下完成对储层的预测。

Claims (7)

1.一种基于机器学习的储层预测方法，其特征在于，包括如下步骤：

S1、获取带有孔隙度数据标签信息的地震相训练数据集；

S2、分别构建轻量级地震相预测网络和孔隙度预测网络；

S3、将地震相训练数据集中各地震相图片分别输入轻量级地震相预测网络和孔隙度预测进行训练，得到训练好的轻量级地震相预测网络和孔隙度预测网络；

S4、将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；

S5、基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；

S6、基于孔隙度预测结果，得到储层预测结果。

2.根据权利要求1所述的基于机器学习的储层预测方法，其特征在于，所述步骤S2包括如下步骤：

S21、利用Mobilenetv2轻量级网络模块替换Deeplabv3+中的骨干网络模块；

S22、将Mobilenetv2轻量级网络模块的输入端作为轻量级地震相预测网络的输入端，并将Mobilenetv2轻量级网络模块的地震相主要特征输出端分别与金字塔模块的输入端和二次下采样模块的输入端连接；

S23、将二次下采样模块的输出端与低级特征模块的输入端连接；

S24、将金字塔模块的输出端与多尺度特征融合模块的输入端连接；

S25、将多尺度特征融合模块的输出端与两次上采样模块的输入端连接；

S26、将低级特征模块的输出端与两次上采样模块的输出端拼接后与卷积模块的输入端连接；

S27、将卷积模块的输出端和四次上采样模块的输入端连接；

S28、将四次上采样模块的输出端作为轻量级地震相预测网络的输出端。

3.根据权利要求2所述的基于机器学习的储层预测方法，其特征在于，所述Mobilenetv2轻量级网络模块为直筒型结构，包括依次连接的卷积子模块、第一倒残差子模块、第二倒残差子模块、第三倒残差子模块、第四倒残差子模块、第五倒残差子模块、第六倒残差子模块和第七倒残差子模块；

所述卷积子模块的输入端为Mobilenetv2轻量级网络模块的输入端，用于输入地震相图片；所述卷积子模块的卷积核大小为3×3，步长为2，通道数为32；所述第一倒残差子模块的步长为1，通道数为16；所述第二倒残差子模块包括依次连接的步长为2，通道数为24的第一倒残差单元和步长为1，通道数为24的第二倒残差单元；所述第三倒残差子模块包括依次连接的步长为2，通道数为32的第3倒残差单元、步长均为1，通道数均为32的第四倒残差单元和第五倒残差单元；所述第四倒残差子模块包括依次连接的步长均为1，通道数均为64的第六倒残差单元、第七倒残差单元、第八倒残差单元和第九倒残差单元；所述第五倒残差子模块包括依次连接的步长均为1，通道数均为96的第十倒残差单元、第十一倒残差单元和第十二倒残差单元；所述第六倒残差子模块包括依次连接的步长均为1，通道数均为160的第十三倒残差单元、第十四倒残差单元和第十五倒残差单元；所述第七倒残差子模块为Mobilenetv2轻量级网络模块的输出端；所述第七倒残差子模块的步长为1，通道数为320；所述Mobilenetv2轻量级网络模块输出地震相主要特征至金字塔模块和二次下采样模块。

4.根据权利要求3所述的基于机器学习的储层预测方法，其特征在于，所述金字塔模块用于获取地震相主要特征中的多尺度特征信息；所述金字塔模块采用并行的1×1卷积、3组空洞率分别为6、12和18的深度可分离卷积以及全局池化层对地震相主要特征进行卷积，得到具有不同感受野的特征，并通过对各不同感受野的特征进行1×1的卷积操作，得到地震相主要特征中的多尺度特征信息；

所述多尺度特征融合模块通过1×1的卷积将多尺度特征信息进行通道压缩，并将通道压缩结果依次通过二次上采样模块进行2倍上采样，得到上采样地震相特征信息；

所述二次下采样模块通过对地震相主要特征连续进行两次下采样，得到地震相主要特征的低级特征信息，并通过对低级特征信息进行1×1的卷积操作，得到下采样地震相特征信息；

所述上采样地震相特征信息和下采样地震相特征信息通过Concat拼接，得到串联后的地震相特征信息；

所述卷积模块通过3×3的卷积将串联后的地震相特征信息进行通道压缩，得到初始预测结果；

所述四次上采样模块通过若干次卷积对初始预测结果进行4倍上采样，得到与输入的地震相图片尺寸相同的地震相预测结果图。

5.根据权利要求4所述的基于机器学习的储层预测方法，其特征在于，所述孔隙度预测网络包括依次连接的：

BiGRU模块，用于获取孔隙度数据标签信息的高频信息；

1DCNN模块，用于获取孔隙度数据标签信息的低频信息；

Unet残差网络模块，用于对高频信息和低频信息进行步长为2的卷积，得到孔隙度数据标签信息的编码结果；

解码模块，用于根据孔隙度数据标签信息的编码结果，建立孔隙度与合成地震数据间的关系，得到孔隙度初始预测结果。

6.根据权利要求5所述的基于机器学习的储层预测方法，其特征在于，所述孔隙度预测网络的训练方法包括如下步骤：

A1、获取地震相训练数据集中各地震相图片归一化为单通道的灰度图像；

A2、将灰度图像中75%的地震坡面进行随机遮掩，得到遮掩后的图像，并将未遮掩的灰度图像作为真实图像；

A3、将遮掩后的图像输入孔隙度预测网络进行迭代训练，得到初始预测结果，直至初始预测结果与真实图像一致，保存训练权重，得到初始孔隙度预测网络；

A4、将地震相训练数据集中各地震相图片与若干无孔隙度标签信息的地震相图片通过滑动窗口进行图像裁剪，得到若干与未裁剪图片孔隙度标签一致的子图块，其中，无孔隙度标签信息的子图块依然无孔隙度标签信息；

A5、将各子图块输入初始孔隙度预测网络进行训练，直至子图块的孔隙度标签识别结果与其对应的真实图像的孔隙度标签信息一致率达到预设准确率时，则保存训练权重参数，得到训练好的孔隙度预测网络。

7.一种如权利要求1-6任一所述的基于机器学习的储层预测方法的系统，其特征在于，包括：

第一模块，用于获取带有孔隙度数据标签信息的地震相训练数据集；

第二模块，用于分别构建轻量级地震相预测网络和孔隙度预测网络；

第三模块，用于将地震相训练数据集中各地震相图片分别输入轻量级地震相预测网络和孔隙度预测进行训练，得到训练好的轻量级地震相预测网络和孔隙度预测网络；

第四模块，用于将待预测的地震相图片输入训练好的轻量级地震相预测网络，得到地震相预测结果图和孔隙度初始预测结果；

第五模块，用于基于地震相预测结果图对孔隙度初始预测结果相控约束，得到基于相控的孔隙度预测结果；

第六模块，用于基于孔隙度预测结果，得到储层预测结果。

Images