CN115808710A - 一种致密储层叠前地震数据特征提取方法 - Google Patents
一种致密储层叠前地震数据特征提取方法 Download PDFInfo
- Publication number
- CN115808710A CN115808710A CN202211651154.8A CN202211651154A CN115808710A CN 115808710 A CN115808710 A CN 115808710A CN 202211651154 A CN202211651154 A CN 202211651154A CN 115808710 A CN115808710 A CN 115808710A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- feature
- formula
- attention mechanism
- seismic data
- 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
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
一种致密储层叠前地震数据特征提取方法,涉及地球物理勘探解释技术及深度学习技术领域,包括如下步骤:(1)数据准备;(2)基于卷积变分自编码器构建特征集中式存储技术框架;(3)基于视觉注意机制实现储层段信息聚焦;(4)基于正则项分解的储层特征差异增强;(5)效果验证。本发明针对致密储层叠前地震数据特征提取的难点,基于卷积变分自编码器构建新的技术框架,采用一系列方法分别实现特征集中式存储、储层段信息聚焦、储层特征差异增强,探索出一套全新有效的的叠前地震数据特征提取方法。
Description
技术领域
本发明涉及地球物理勘探解释技术及深度学习技术领域,具体涉及一种致密储层叠前地震数据特征提取方法。
背景技术
随着国民经济对油气需求的不断上升和常规油气藏储量的不断下降,对非常规致密储层的勘探开发需求越来越迫切。非常规致密储层包括致密油、致密气、页岩气等,具有岩性复杂、物性差、非均质性强等特点,对地震数据精细解释技术提出了新的挑战:地震解释结果决定了井位设计和水平井钻井设计,并直接影响储层甜点钻遇率,以准噶尔盆地吉木萨尔致密油储层为例,统计对比2020-2021年试采的78口水平井储层甜点钻遇率和产量数据发现,井平均日产量只有预计产量的33%-45%,并与水平井“甜点”钻遇率(35%-42%)吻合、且呈正比关系。可见当前的地震解释技术难以满足致密储层勘探开发的需要,研究更有效的致密储层地震数据解释方法迫在眉睫。
地震解释的主要处理对象是叠加后地震数据,具有信噪比高、处理简单的优点,但可会造成叠加前数据中重要细节信息的损失,叠前数据中隐藏着更为丰富的储层特征,由于数据量过大常规方法难以处理,大数据与深度学习技术的不断成熟为叠前地震数据特征提取的实现提供可能。致密储层叠前地震数据特征提取与解释面临以下难题:①叠前数据本身信号庞杂、波形多变,特征提取难度大。②致密储层物性差、流体地震信号响应弱,甜点和非甜点特征差异不明显,很难准确区分。
2017年,电子科技大学信息地学研究中心首次尝试采用带卷积的自编码器(CAE)提取叠前数据特征,同时指出叠前数据特征提取难度大但特征丰富,效果比叠后数据更好。2019年,电子科技大学采用一个多尺度卷积生成对抗网络(MCGAN)处理叠前数据,通过重构数据的方式将数据特征映射到多层卷积特征图中(一种基于多尺度特征融合的叠前地震反射模式识别方法CN110609320B),然后优选特征图作为输入进行聚类,取得比卷积自编码器更好的效果。2020年,中国石油大学(北京)的研究人员采用深度卷积生成对抗网络(DCGAN)进行叠前数据特征提取,用同样的方法进行了聚类分析。此外,中科院地质与地球物理研究所、吉林大学、中国地质大学、中国石油大学(华东)、西南石油大学、长江大学等单位也进行过相关研究。CAE或GAN将叠前数据看作普通图像,通过数据重构的方式还原和提取特征,方法存在以下不足:
①卷积自编码器和生成对抗网络的主要优势是图像重构,在叠前数据特征提取上没有针对性,导致提取的特征分散存放在整个网络中,只能优选部分特征图进行后续处理分类,特征提取的不完整给分类结果带来较大的不确定性,同时也很难对特征提取的过程进行监测和评价。
②与普通图像不同,叠前数据需要先截取储层段再处理,由于储层厚度不均,需要截取较大时窗的数据以保证储层段完整,然而时窗较大时会混入较多的围岩干扰信息,影响特征提取的准确性。
发明内容
本发明提供了一种致密储层叠前地震数据特征提取方法,针对致密储层叠前地震数据特征提取的难点,基于卷积变分自编码器构建新的技术框架,采用一系列方法分别实现特征集中式存储、储层段信息聚焦、储层特征差异增强,探索出一套全新有效的的叠前地震数据特征提取方法。
为达到上述目的,本发明技术方案为:
一种致密储层叠前地震数据特征提取方法,包括如下步骤:(1)数据准备;(2)基于卷积变分自编码器构建特征集中式存储技术框架;(3)基于视觉注意机制实现储层段信息聚焦;(4)基于正则项分解的储层特征差异增强;(5)效果验证。
优选的,所述的步骤(1)包括如下具体步骤:
(11)采用二维的叠前数据作为模型输入,数据获取途径有两类,一类是合成地震数据:以Zeoppritz近似式为理论指导,考虑复杂储层及上下岩层的厚度、波阻抗、速度、储层孔隙度、裂缝发育程度及流体饱和度作为参数,编制程序模拟储层的地震波反射模式,据此获取仿真信号;第二类是真实地震数据,包括来自真实环境中的致密油储层的叠前地震数据;
(12)对叠前地震数据进行道集优化处理,所述的道集优化处理包括拉平、滤波,并对信噪比较低的数据通过部分叠加形成超道集或者分方位道集;
(13)根据目标层位,选择合适的时窗取出每个反射点的叠前反射波形,对某单个炮点整体信号道集确定纵向截取时窗的尺寸和采样间隔。
优选的,所述的步骤(2)包括如下具体步骤:
(21)变分自编码器以变分推断证据下界(Evidence Lower Bound,ELBO)为损失函数,优化目标如式(1)所示:
式(1)中第一项为重构损失,第二项为推断先验和估计后验隐空间变量概率分布之间的KL散度;p为解码器,q为编码器,解码和编码均采用卷积神经网络;θ为解码器的模型参数,φ为编码器的模型参数;
(22)设计优化卷积神经网络结构,包括卷积层数、卷积核数、卷积尺寸,针对叠前地震信号特点确定参数范围,通过数据实验进行结构优选;采用“重参数”方式(Reparameterization Trick)将所有隐空间变量分布对齐到正态分布,将问题简化为拟合多分量正态分布的平均值和方差,使得误差可以全过程反向传播,顺利实现网络的拟合;训练网络得到每个样本对应的隐空间变量概率分布,对其可视化实现特征连续性表达;
(23)设样本数为N,对每个样本进行编号索引;设有特征解耦的基准(Groundtruth)隐空间变量隐空间变量zj和vk之间的经验互信息以使用形如式(2)的联合概率分布来表示;假设解码过程p(n|vk)已知,则有式(3)的形式,其中H(zj)是zj的香农熵,为p(n|vk)的支撑集;式(3)的互信息值越高,说明zj包含vk的信息量越大,解耦效果越好;因0≤I(zj;vk)≤H(vk),则I(zj;vk)/H(vk)可作为度量;一个基准隐空间变量可与多个解耦隐空间变量有高互信息值,将每对互信息值减去除此之外的最大互信息值,则得到互信息差(Mutual Information Gap,MIG);将隐空间变量和基准隐空间变量轴对齐,最终的MIG度量如式(4),其中j(k)=argmaxjIn(zj;vk);MIG值在0和1之间,计算时需要遍历整个数据集,采用互信息差度量叠前地震信号特征解耦程度:
式(2)中,n为每一个训练样本对应的唯一整数索引标识,其服从1~N均匀分布。
优选的,所述的步骤(3)中,所述的视觉注意机制包括通道注意机制和空间注意机制,参考卷积模块注意模型(Convolutional Block Attention Module,CBAM),设计通道注意机制和空间注意机制两种方式的最佳组合,包括如下步骤:
(31)设计通道注意机制:首先将多个通道的特征图分别进行全局平均池化(AvgPool)和最大池化(MaxPool)操作,从而得到与通道相同长度的向量和经相同权重矩阵相乘和激活操作后合并得到Mc∈RC×1×1,如式(5)所示:
式(5)中,F∈RC×H×W表示待处理的特征图,MLP是具有1个隐层的网络,包括W0和W1两个权重矩阵,σ为激活函数;W0∈RC/r×C,W1∈RC×C/r,其中r为压缩率;
(32)设计空间注意机制:先对单个特征图分别实施平均池化和最大池化后,将其按通道维度拼接得到二维特征图,然后使用包含1个卷积核的隐藏层对其进行卷积操作,通过灵活调整卷积移动步长保持特征图在空间维度上输出与输入的一致性,如式(6)所示:
(33)通道注意机制更关注不同特征图之间的差异,空间注意机制则更关注特征图内的不同区域差异,将通道注意机制和空间注意机制组合使用,在数据正交实验的基础上,结合卷积神经网络设计出两种视觉注意机制的最佳融合方式。
优选的,所述的步骤(4)包括如下步骤:
(41)特征解耦质量的好坏取决于两个方面:样本及其隐空间变量之间的互信息,以及隐空间变量之间的独立性;损失函数中的KL散度正则项经过一系列推导最终分解成三个子项,如式(7)所示:
式(7)中zj代表隐空间变量的第j维;
分解后的每一项具有更清晰的统计学含义:分解后的第一项为索引编码互信息,即每个样本与其相应隐空间变量之间的互信息,该项值越高,样本自身特征表示越强,样本间解耦效果越好;第二项为全相关,刻画了所有隐空间变量之间的依赖程度,该项越小,后验概率分布中语义的统计独立性越强,解耦效果越好,若此项为0,则表示所有的隐空间变量分布相互独立,特征完全解耦;第三项为维度KL散度,表示先验和后验隐空间变量在每一维度上的散度,此项对特征解耦影响较小,要求不能偏离太大,鼓励较低的全相关值、增加索引编码互信息,以此实现储层特征最大解耦;
对各分解项分别赋权,最终的损失函数如式(8)所示:
式(8)中,α、β、γ为惩罚系数,通过试验寻求最佳的α、β、γ惩罚系数组合,进而达到特征完全解耦和特征差异增强的目的;
(42)进行卷积神经网络结构、视觉注意机制融入方式、损失函数正则项分解惩罚系数三种结构参数的整体优化组合,得到特征最大化解耦的方案;
(43)调整参数组合反复进行网络训练,得到不同参数组合下样本集映射到隐空间中特征向量的各种组合;若有待预测的新样本,将其输入解码器得到隐空间映射的特征点,计算该特征点到特征向量组合的距离,便可通过不同特征向量距离的远近量化该样本的地质学含义。
优选的,所述的步骤(5)中,实现特征解耦后将样本集中每一个训练样本所对应隐空间中的特征点取出,形成特征向量,将该特征向量作为原始输入进行储层识别;识别时,基于相邻数据标签相似或相同的基本假设,采用半监督标签传播聚类算法实现储层识别;包括如下具体步骤:
(51)计算距离作为索引样本隐空间特征向量之间相似性度量,所述的距离为选择欧氏距离或马氏距离或高斯距离;
(52)建立近邻连接图:以近邻连接表示全连接的稀疏,以基于K近邻或者ε-半径构图;其中K近邻构图是指对于每个特征点基于欧氏距离找出其K个最近邻点,建立一个近邻连接图;ε-半径构图是指通过指定距离阈值ε,对每个特征点规定距离小于ε的点为该点的近邻点,从而建立近邻图;
(53)以测井解释或试油气结论作为井旁地震道集的标签,使用标签传播算法完成半监督聚类算法实现储层识别。
本发明一种致密储层叠前地震数据特征提取方法的有益效果:
本发明针对致密储层叠前地震数据特征提取的难点,基于卷积变分自编码器构建新的技术框架,采用一系列方法分别实现特征集中式存储、储层段信息聚焦、储层特征差异增强,探索出一套全新有效的的叠前地震数据特征提取方法,具体体现在:针对传统深度学习方法(CAE、GAN)提取特征分散、难以完整提取的技术瓶颈,提出基于卷积变分自编码器的技术框架,将特征集中式映射到隐空间的特征向量中的方法,在此基础上,本发明针对纵向截取地震数据容易引入围岩噪音的问题,将视觉注意机制融入卷积层聚焦储层段信息,并针对致密储层甜点和非甜点特征差异微弱、难以区分的特点,提出对变分自编码器的损失函数正则项进行分解,通过调整惩罚系数组合实现特征的“完全解耦”,对储层特征进行放大和增强,进而精确刻画特征差异,有效提高了致密储层叠前地震数据特征提取的效果。
附图说明
图1、本发明致密储层叠前地震数据特征提取方法的原理图;
图2、共中心点地震信号集及相应的二维图像示例;
具体实施方式
以下所述,是以阶梯递进的方式对本发明的实施方式详细说明,该说明仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
本发明的描述中,需要说明的是,术语“上”“下”“左”“右”“顶”“底”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作,因此不能理解为对本发明的限制。
一种致密储层叠前地震数据特征提取方法,如图1、2所示,包括如下步骤:(1)数据准备;(2)基于卷积变分自编码器构建特征集中式存储技术框架;(3)基于视觉注意机制实现储层段信息聚焦;(4)基于正则项分解的储层特征差异增强;(5)效果验证。
如图1、2所示,所述的步骤(1)包括如下具体步骤:
(11)采用二维的叠前数据作为模型输入,数据获取途径有两类,一类是合成地震数据:以Zeoppritz近似式为理论指导,考虑复杂储层及上下岩层的厚度、波阻抗、速度、储层孔隙度、裂缝发育程度及流体饱和度作为参数,编制程序模拟储层的地震波反射模式,据此获取仿真信号;第二类是真实地震数据,包括准噶尔盆地致密油储层的叠前地震数据;
(12)对叠前地震数据进行道集优化处理,所述的道集优化处理包括拉平、滤波,并对信噪比较低的数据通过部分叠加形成超道集或者分方位道集;
(13)根据目标层位,选择合适的时窗取出每个反射点的叠前反射波形,对某单个炮点整体信号道集确定纵向截取时窗的尺寸和采样间隔。例如,纵向上以最大程度覆盖储层厚度为原则,采样间隔可设为1ms,在储层段附近纵向等时窗采样50个点,横向上按每1°角取一个值,尽量多取,信噪比低时可合并。
图2给出了一个简单示例,左图显示了经对齐后的共中心点地震信号集。纵向表示信号经某反射点返回地面的时间,从上至下依次增加,横向代表不同入射角度的信号,从左向右依次增大,数据经归一化处理后得到标准的叠前地震反射图像样本。
如图1、2所示,所述的步骤(2)包括如下具体步骤:
(21)变分自编码器以变分推断证据下界(Evidence Lower Bound,ELBO)为损失函数,优化目标如式(1)所示:
式(1)中第一项为重构损失,第二项为推断先验和估计后验隐空间变量概率分布之间的KL散度;p为解码器,q为编码器,解码和编码均采用卷积神经网络;θ为解码器的模型参数,φ为编码器的模型参数;
(22)设计优化卷积神经网络结构,包括卷积层数、卷积核数、卷积尺寸,针对叠前地震信号特点确定参数范围,通过数据实验进行结构优选;采用“重参数”方式(Reparameterization Trick)将所有隐空间变量分布对齐到正态分布,将问题简化为拟合多分量正态分布的平均值和方差,使得误差可以全过程反向传播,顺利实现网络的拟合;训练网络得到每个样本对应的隐空间变量概率分布,对其可视化实现特征连续性表达;
(23)设样本数为N,对每个样本进行编号索引;设有特征解耦的基准(Groundtruth)隐空间变量隐空间变量zj和vk之间的经验互信息以使用形如式(2)的联合概率分布来表示;假设解码过程p(n|vk)已知,则有式(3)的形式,其中H(zj)是zj的香农熵,为p(n|vk)的支撑集;式(3)的互信息值越高,说明zj包含vk的信息量越大,解耦效果越好;因0≤I(zj;vk)≤H(vk),则I(zj;vk)/H(vk)可作为度量;一个基准隐空间变量可与多个解耦隐空间变量有高互信息值,将每对互信息值减去除此之外的最大互信息值,则得到互信息差(Mutual Information Gap,MIG);将隐空间变量和基准隐空间变量轴对齐,最终的MIG度量如式(4),其中j(k)=argmaxjIn(zj;vk);MIG值在0和1之间,计算时需要遍历整个数据集,采用互信息差度量叠前地震信号特征解耦程度:
式(2)中n为每一个训练样本对应的唯一整数索引标识,其服从1~N均匀分布。
如图1、2所示,所述的步骤(3)中,所述的视觉注意机制包括通道注意机制和空间注意机制,参考卷积模块注意模型(Convolutional Block Attention Module,CBAM),设计通道注意机制和空间注意机制两种方式的最佳组合,包括如下步骤:
(31)设计通道注意机制:首先将多个通道的特征图分别进行全局平均池化(AvgPool)和最大池化(MaxPool)操作,从而得到与通道相同长度的向量和经相同权重矩阵相乘和激活操作后合并得到Mc∈RC×1×1,如式(5)所示:
式(5)中,F∈RC×H×W表示待处理的特征图,MLP是具有1个隐层的网络,包括W0和W1两个权重矩阵,σ为激活函数;W0∈RC/r×C,W1∈RC×C/r,其中r为压缩率;
(32)设计空间注意机制:先对单个特征图分别实施平均池化和最大池化后,将其按通道维度拼接得到二维特征图,然后使用包含1个卷积核的隐藏层对其进行卷积操作,通过灵活调整卷积移动步长保持特征图在空间维度上输出与输入的一致性,如式(6)所示:
(33)通道注意机制更关注不同特征图之间的差异,空间注意机制则更关注特征图内的不同区域差异,将通道注意机制和空间注意机制组合使用,在数据正交实验的基础上,结合卷积神经网络设计出两种视觉注意机制的最佳融合方式。
如图1、2所示,所述的步骤(4)包括如下步骤:
(41)特征解耦质量的好坏决定于两个方面:样本及其隐空间变量之间的互信息,以及隐空间变量之间的独立性;损失函数中的KL散度正则项经过一系列推导最终分解成三个子项,如式(7)所示:
式子中zj代表隐空间变量的第j维;
分解后的每一项具有更清晰的统计学含义:分解后的第一项为索引编码互信息,即每个样本与其相应隐空间变量之间的互信息,该项值越高,样本自身特征表示越强,样本间解耦效果越好;第二项为全相关,刻画了所有隐空间变量之间的依赖程度,该项越小,后验概率分布中语义的统计独立性越强,解耦效果越好,若此项为0,则表示所有的隐空间变量分布相互独立,特征完全解耦;第三项为维度KL散度,表示先验和后验隐空间变量在每一维度上的散度,此项对特征解耦影响较小,要求不能偏离太大,鼓励较低的全相关值、增加索引编码互信息,以此实现储层特征最大解耦;
对各分解项分别赋权,最终的损失函数如式(8)所示:
式(8)中,α、β、γ为惩罚系数,通过试验寻求最佳的α、β、γ惩罚系数组合,进而达到特征完全解耦和特征差异增强的目的;
(42)进行卷积神经网络结构、视觉注意机制融入方式、损失函数正则项分解惩罚系数三种结构参数的整体优化组合,得到特征最大化解耦的方案;
(43)调整参数组合反复进行网络训练,得到不同参数组合下样本集映射到隐空间中特征向量的各种组合;若有待预测的新样本,将其输入解码器得到隐空间映射的特征点,计算该特征点到特征向量组合的距离,便可通过不同特征向量距离的远近量化该样本的地质学含义。
如图1、2所示,所述的步骤(5)中,实现特征解耦后将样本集中每一个训练样本所对应隐空间中的特征点取出,形成特征向量,将该特征向量作为原始输入进行储层识别;识别时,基于相邻数据标签相似或相同的基本假设,采用半监督标签传播聚类算法实现储层识别;包括如下具体步骤:
(51)计算距离作为索引样本隐空间特征向量之间相似性度量,所述的距离为选择欧氏距离或马氏距离或高斯距离;
(52)建立近邻连接图:以近邻连接表示全连接的稀疏,参数量少不易产生冗余,以基于K近邻或者ε-半径构图;其中K近邻构图是指对于每个特征点基于欧氏距离找出其K个最近邻点,建立一个近邻连接图;ε-半径构图是指通过指定距离阈值ε,对每个特征点规定距离小于ε的点为该点的近邻点,从而建立近邻图;
(53)以测井解释或试油气结论作为井旁地震道集的标签,使用标签传播算法完成半监督聚类算法实现储层识别。
Claims (6)
1.一种致密储层叠前地震数据特征提取方法,其特征为:包括如下步骤:(1)数据准备;(2)基于卷积变分自编码器构建特征集中式存储技术框架;(3)基于视觉注意机制实现储层段信息聚焦;(4)基于正则项分解的储层特征差异增强;(5)效果验证。
2.如权利要求1所述的一种致密储层叠前地震数据特征提取方法,其特征为:所述的步骤(1)包括如下具体步骤:
(11)采用二维的叠前数据作为模型输入,数据获取途径有两类,一类是合成地震数据:以Zeoppritz近似式为理论指导,考虑复杂储层及上下岩层的厚度、波阻抗、速度、储层孔隙度、裂缝发育程度及流体饱和度作为参数,编制程序模拟储层的地震波反射模式,据此获取仿真信号;第二类是真实地震数据,包括来自真实环境中的致密油储层的叠前地震数据;
(12)对叠前地震数据进行道集优化处理,所述的道集优化处理包括拉平、滤波,并对信噪比较低的数据通过部分叠加形成超道集或者分方位道集;
(13)根据目标层位,选择合适的时窗取出每个反射点的叠前反射波形,对某单个炮点整体信号道集确定纵向截取时窗的尺寸和采样间隔。
3.如权利要求2所述的一种致密储层叠前地震数据特征提取方法,其特征为:所述的步骤(2)包括如下具体步骤:
(21)变分自编码器以变分推断证据下界为损失函数,优化目标如式(1)所示:
式(1)中第一项为重构损失,第二项为推断先验和估计后验隐空间变量概率分布之间的KL散度;p为解码器,q为编码器,解码和编码均采用卷积神经网络;θ为解码器的模型参数,φ为编码器的模型参数;
(22)设计优化卷积神经网络结构,包括卷积层数、卷积核数、卷积尺寸,针对叠前地震信号特点确定参数范围,通过数据实验进行结构优选;采用重参数方式将所有隐空间变量分布对齐到正态分布,将问题简化为拟合多分量正态分布的平均值和方差,使得误差可以全过程反向传播,顺利实现网络的拟合;训练网络得到每个样本对应的隐空间变量概率分布,对其可视化实现特征连续性表达;
(23)设样本数为N,对每个样本进行编号索引;设有特征解耦的基准隐空间变量隐空间变量zj和vk之间的经验互信息以使用形如式(2)的联合概率分布来表示;假设解码过程p(n|vk)已知,则有式(3)的形式,其中H(zj)是zj的香农熵,为p(n|vk)的支撑集;式(3)的互信息值越高,说明zj包含vk的信息量越大,解耦效果越好;因0≤I(zj;vk)≤H(vk),则I(zj;vk)/H(vk)可作为度量;一个基准隐空间变量可与多个解耦隐空间变量有高互信息值,将每对互信息值减去除此之外的最大互信息值,则得到互信息差;将隐空间变量和基准隐空间变量轴对齐,最终的MIG度量如式(4),其中j(k)=arg maxjIn(zj;vk);MIG值在0和1之间,计算时需要遍历整个数据集,采用互信息差度量叠前地震信号特征解耦程度:
式(2)中,n为每一个训练样本对应的唯一整数索引标识,其服从1~N均匀分布。
4.如权利要求3所述的一种致密储层叠前地震数据特征提取方法,其特征为:所述的步骤(3)中,所述的视觉注意机制包括通道注意机制和空间注意机制,参考卷积模块注意模型,设计通道注意机制和空间注意机制两种方式的最佳组合,包括如下步骤:
式(5)中,F∈RC×H×W表示待处理的特征图,MLP是具有1个隐层的网络,包括W0和W1两个权重矩阵,σ为激活函数;W0∈RC/r×C,W1∈RC×C/r,其中r为压缩率;
(32)设计空间注意机制:先对单个特征图分别实施平均池化和最大池化后,将其按通道维度拼接得到二维特征图,然后使用包含1个卷积核的隐藏层对其进行卷积操作,通过灵活调整卷积移动步长保持特征图在空间维度上输出与输入的一致性,如式(6)所示:
(33)通道注意机制更关注不同特征图之间的差异,空间注意机制则更关注特征图内的不同区域差异,将通道注意机制和空间注意机制组合使用,在数据正交实验的基础上,结合卷积神经网络设计出两种视觉注意机制的最佳融合方式。
5.如权利要求4所述的一种致密储层叠前地震数据特征提取方法,其特征为:所述的步骤(4)包括如下步骤:
(41)损失函数中的KL散度正则项经过一系列推导最终分解成三个子项,如式(7)所示:
式(4)中,zj代表隐空间变量的第j维;
分解后的第一项为索引编码互信息,即每个样本与其相应隐空间变量之间的互信息,该项值越高,样本自身特征表示越强,样本间解耦效果越好;第二项为全相关,刻画了所有隐空间变量之间的依赖程度,该项越小,后验概率分布中语义的统计独立性越强,解耦效果越好,此项为0表示所有的隐空间变量分布相互独立,特征完全解耦;第三项为维度KL散度,表示先验和后验隐空间变量在每一维度上的散度,此项对特征解耦影响较小,要求不能偏离太大,鼓励较低的全相关值、增加索引编码互信息,以此实现储层特征最大解耦;
对各分解项分别赋权,最终的损失函数如式(8)所示:
式(8)中,α、β、γ为惩罚系数,通过试验寻求最佳的α、β、γ惩罚系数组合,进而达到特征完全解耦和特征差异增强的目的;
(42)进行卷积神经网络结构、视觉注意机制融入方式、损失函数正则项分解惩罚系数三种结构参数的整体优化组合,得到特征最大化解耦的方案;
(43)调整参数组合反复进行网络训练,得到不同参数组合下样本集映射到隐空间中特征向量的各种组合;若有待预测的新样本,将其输入解码器得到隐空间映射的特征点,计算该特征点到特征向量组合的距离,便可通过不同特征向量距离的远近量化该样本的地质学含义。
6.如权利要求5所述的一种致密储层叠前地震数据特征提取方法,其特征为:所述的步骤(5)中,实现特征解耦后将样本集中每一个训练样本所对应隐空间中的特征点取出,形成特征向量,将该特征向量作为原始输入进行储层识别;识别时,基于相邻数据标签相似或相同的基本假设,采用半监督标签传播聚类算法实现储层识别;包括如下具体步骤:
(51)计算距离作为索引样本隐空间特征向量之间相似性度量,所述的距离为选择欧氏距离或马氏距离或高斯距离;
(52)建立近邻连接图:以近邻连接表示全连接的稀疏,以基于K近邻或者ε-半径构图;其中K近邻构图是指对于每个特征点基于欧氏距离找出其K个最近邻点,建立一个近邻连接图;ε-半径构图是指通过指定距离阈值ε,对每个特征点规定距离小于ε的点为该点的近邻点,从而建立近邻图;
(53)以测井解释或试油气结论作为井旁地震道集的标签,使用标签传播算法完成半监督聚类算法实现储层识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211651154.8A CN115808710A (zh) | 2022-12-21 | 2022-12-21 | 一种致密储层叠前地震数据特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211651154.8A CN115808710A (zh) | 2022-12-21 | 2022-12-21 | 一种致密储层叠前地震数据特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115808710A true CN115808710A (zh) | 2023-03-17 |
Family
ID=85486440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211651154.8A Pending CN115808710A (zh) | 2022-12-21 | 2022-12-21 | 一种致密储层叠前地震数据特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115808710A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736372A (zh) * | 2023-06-05 | 2023-09-12 | 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 |
-
2022
- 2022-12-21 CN CN202211651154.8A patent/CN115808710A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736372A (zh) * | 2023-06-05 | 2023-09-12 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
Shi et al. | Waveform embedding: Automatic horizon picking with unsupervised deep learning | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
CN107607992B (zh) | 基于卷积神经网络的多波匹配方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
US11899148B1 (en) | Seismic imaging free gas structure identification method and system | |
Su-Mei et al. | Incremental semi-supervised learning for intelligent seismic facies identification | |
Xu et al. | Joint use of multiseismic information for lithofacies prediction via supervised convolutional neural networks | |
CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
CN115808710A (zh) | 一种致密储层叠前地震数据特征提取方法 | |
Liu et al. | Simulation of complex geological architectures based on multi-stage generative adversarial networks integrating with attention mechanism and spectral normalization | |
Alameedy et al. | Evaluating machine learning techniques for carbonate formation permeability prediction using well log data | |
Li et al. | CNN-based network application for petrophysical parameter inversion: Sensitivity analysis of input–output parameters and network architecture | |
CN114460666A (zh) | 基于深度学习的地震资料提高分辨率方法 | |
US20230032044A1 (en) | Method and system for augmented inversion and uncertainty quantification for characterizing geophysical bodies | |
Liu et al. | A convolutional neural network for seismic dip estimation | |
Song et al. | Pre-stack-texture-based reservoir characteristics and seismic facies analysis | |
Yuan et al. | A convolutional neural network for prestack fracture detection | |
Bai et al. | Intelligent classification of carbonate reservoir quality using multisource geophysical logging and seismic data | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 |
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 |