CN115809587A - 基于深度网络与avo分析相结合的叠前含气性预测方法 - Google Patents
基于深度网络与avo分析相结合的叠前含气性预测方法 Download PDFInfo
- Publication number
- CN115809587A CN115809587A CN202111071187.0A CN202111071187A CN115809587A CN 115809587 A CN115809587 A CN 115809587A CN 202111071187 A CN202111071187 A CN 202111071187A CN 115809587 A CN115809587 A CN 115809587A
- Authority
- CN
- China
- Prior art keywords
- neural network
- gas
- dnn neural
- representing
- magnitude
- 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
本发明涉及石油地球物理勘探领域,具体涉及一种基于深度网络与AVO分析相结合的叠前含气性预测方法,包括步骤S1,利用测井、地质和合成地震记录资料准确标定待预测目标层;S2,获取待预测叠前数据;S3,将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络,所述DNN神经网络输出预测结果为含气或不含气;所述DNN神经网络预先经过训练;训练DNN神经网络的步骤包括:S31,获取训练样本集,每条训练样本包含振幅随偏移距的变化特征和相应的标签,所述标签为含气或不含气;S32,将所述训练样本集输入所述DNN神经网络进行训练,当预测准确率达到预设阈值时,所述DNN神经网络训练完成。通过数据作为结果的驱动,减少了误差,提高预测准确度。
Description
技术领域
本发明涉及石油地球物理勘探领域,具体涉及一种基于深度网络与AVO分析相结合的叠前含气性预测方法。
背景技术
随着勘探深度的加深和难度的加大,油气勘探目标发生了变化,从浅层转移到深层,从常规油气田到非常规油气田。直接从地震数据得到含气性是油气勘探领域一直研究的重点。以叠前和叠后数据为基础发展了许许多多的方法,因其叠前数据相对于叠后数据具有更多的信息如偏移距、方位角等,所以油气检测方法越来越趋向于叠前数据。在叠前数据的基础上发展了许许多多的油气检测方法,其中AVO分析从20世纪80年代提出以来一直占据着举足轻重的作用。Muskat和Meres(1940)指出当深度一定的时候,入射角和炮检距成正比关系为AVO含气性检测奠定了良好的理论基础,Shuey(1985)引入角度变量,给定了随角度变化的反射系数方程式,这个方程式明确了AVO异常与入射角之间的关系,将AVO特征识别从定性的阶段引入定量的阶段,给AVO含气性识别带来了一场革命性的改变,这也是目前运用最为广泛的近似方法,Batzle et al.(2006)在实验室模拟获得了速度与频率的定量关系,随后Wilson et al.(2009)推导建立了频散AVO流体识别算子,推进了AVO含气性预测的进程。但是不论从分频还是反演的角度出发都存在一定的累积误差,如分频方法对结果的影响等,预测准确度较低,直接建立地震数据与含气性之间的关系一直是研究的难点以及重点。
人工智能为许许多多的油气勘探问题提供了新的思路和方法,深度学习通过逐层组合低层特征形成更加抽象的高层属性类别或特征表征,因此能深度挖据数据的本质信息,在识别、分类等问题中显示出了其独有的优势和特点。目前深度学习在地震勘探中的主要应用有断层识别、初至拾取、噪声压制、速度模型构建等,均有着良好的效果。在含气性预测中,宋建国等(2016)等运用随机森林网络回归法对地震储层进行了预测,效果较好。Holdaway et al.(2016)通过将地震图像进行分块处理,结合监督与无监督学习的各自特点成功的运用到三维地震数据的碳氢化物识别中。总体来讲,深度学习目前在油气地震勘探领域的应用主要还是替换已有算法(如用卷积神经网络替换相干分析等)、替换人力,解决表观可以判别正误的问题(如对断层的识别的是否正确,直观就可以判断),而在解决表观无法判识正误的问题方面,如从地震记录数据区分含气层与非气层响应的问题,运用较少。
发明内容
本发明的目的在于克服现有技术中AVO含气性预测不论从分频还是反演的角度出发都存在一定的累积误差、预测准确度较低的问题,通过引入深度学习DNN算法搭建振幅随偏移距的特征与含气性之间的非线性映射关系,提供一种基于深度网络与AVO分析相结合的叠前含气性预测方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于深度网络与AVO分析相结合的叠前含气性预测方法,包括以下步骤:
S1,利用测井、地质和合成地震记录资料准确标定待预测目标层;
S2,获取待预测叠前数据;
S3,将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络,所述DNN神经网络输出预测结果为含气或不含气;所述DNN神经网络预先经过训练。
进一步的,步骤S3中训练所述DNN神经网络的步骤包括:
S31,获取训练样本集,每条训练样本包含振幅随偏移距的变化特征和相应的标签,所述标签为含气或不含气;
S32,获取待训练的DNN神经网络的初始模型参数,其中初始模型参数包括网络深度,激活函数,以及初始训练数据;
S33,设置DNN神经网络层数、神经元数、脱落率和学习率的值,设置DNN神经网络的输入和输出;
S34,输入训练样本;
S35,DNN神经网络的每一层使用Relu激活函数;在获得DNN神经网络的输出概率值后,使用偏执函数计算预测准确率;
S36,利用AVO分析中的振幅随偏移距计算斜率和截距参数,对每一层输出进行过滤,再进入下一层计算;
S37,当预测准确率达到预设阈值时,所述DNN神经网络训练完成。
进一步的,步骤S31中获取训练样本集之前,先对每条训练样本包含的振幅随偏移距的变化特征与含气性之间的关系进行标定,具体方法为,对含气位置处的振幅变化的标签值设定为1,对不含气处的振幅变化的标签值设定为0。
优选的,步骤S32中所述预设阈值设置为95%。
进一步的,步骤S31中所述振幅随偏移距的变化特征,是先利用Marmousi2模型得到地质模型,然后通过Zoeppritz方程或Shuey近似式对所述地质模型进行正演模拟来获取。
进一步的,所述Zoeppritz方程为:
其中,θ1代表纵波入射角,θ2代表纵波透射角,代表转换波反射角,代表转换波透射角,VP1代表上界面的纵波速度的大小,VS1代表上界面的横波速度的大小,ρ1代表上界面的密度的大小;VP2代表下界面的纵波速度的大小,VS2代表下界面的横波速度的大小,ρ2代表下界面的密度的大小,RPP代表纵波反射系数的大小,RPS代表转换横波反射系数的大小,TPP代表纵波透射系数的大小,TPS代表转换横波透射系数的大小。
优选的,对正演模拟获取到的振幅随偏移距的变化特征增加信噪比为0.1的随机噪声和扰动。
进一步的,所述DNN神经网络的损失函数为0-1损失函数,所述0-1损失函数公式如下:
其中,f(X)为预测值,Y为目标值。
优选的,所述DNN神经网络的神经元数设置为100,脱落率设置为0.2,层数设置为3,批量大小设置为40,epochs设置为1000,优化器为Adam优化算法,学习率Lr设置为0.0001。
基于本发明相同的构思,提出了一种基于深度网络与AVO分析相结合的叠前含气性预测装置,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比,本发明的有益效果:
1、利用AVO特征作为样本,含气性直接作为标签。突破传统方法的局限性,直接从数据出发标定储层特征。通过数据作为结果的驱动,而并非是一定的公式和拟合,减少了由于拟合和近似带来的误差,在有依据的基础上得到了升华。
2、含有多隐层的DNN网络能够深度挖掘振幅随偏移距变化的深层特征,建立与含气性之间的非线性关系,深度网络的深层非线性化特征,有效的挖掘了信号内部的特征信息,而并非常规方法的类别建立,增强了含气性预测的准确性,降低了多解性。
3、深度神经网络算法在建立网络之后,能够快速准确的对全区数据进行预测和分析,提高了含气性预测的效率,增强了其对海量叠前数据的适应性。
4、由于现有技术中通常采用一定的公式和拟合约束的方法,其近似性太强,缺乏针对性,本发明通过引入DNN神经网络,并通过训练提升DNN神经网络稳定性和抗噪性,对于含有噪声和扰动的数据,同样可以稳定可靠的标定储层的顶底位置,深度神经网络的深层特征有效的增强了其抗噪性,提高了分辨率。
附图说明
图1为一种基于深度网络与AVO分析相结合的叠前含气性预测方法的流程图;
图2为实施例1中Marmousi2地质模型设置参数及井位置;
图3为实施例1中基于Zoeppritz方程对地质模型进行正演模拟获得的叠前道集图;
图4为实施例1中训练样本集的建立过程示意图;
图5为实施例1中DNN神经网络算法示意图;
图6为实施例1中DNN神经网络训练次数与损失函数的关系示意图;
图7为实施例1中基于训练好的DNN神经网络对由地质模型得到的叠前数据进行预测的输出结果图;
图8为另一个实施例中对DNN神经网络进行训练以及使用训练好的DNN神经网络对叠前数据进行预测的流程图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
AVO(Amplitude variation with offset,振幅随偏移距的变化)技术用于研究地震反射振幅随炮点与接收器之间的距离即炮检距(或入射角)的变化特征来探讨反射系数响应随炮检距(或入射角)的变化,进而确定反射界面上覆、下伏介质的岩性特征及物性参数,由此可知,振幅随偏移距的变化和振幅随入射角的变化,本质上是一致的,振幅随偏移距的变化、振幅随入射角的变化为同一概念。
一种基于深度网络与AVO分析相结合的叠前含气性预测方法,包括以下步骤:
S1,利用测井、地质和合成地震记录资料准确标定目标层;
S2,获取待预测叠前数据;
S3,将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络,所述DNN神经网络输出预测结果为含气或不含气;所述DNN神经网络预先经过训练。
其中,步骤S3中训练所述DNN神经网络的步骤包括:
S31,获取训练样本集,每条训练样本包含振幅随偏移距的变化特征和相应的标签,所述标签为含气或不含气;
首先,本实施例使用Marmousi2提供的地质模型剖面来获取训练样本集,模拟数据储层为致密砂岩储层,如图2所示,设置Marmousi2地质模型的参数及井位置,图2a设置密度参数以及井位置,从左往右竖线处依次为井1、井2和井3,图2b设置纵波速度,图2c设置横波速度,图2d设置是该地质模型对应的含气不含气情况所显示的标签;
然后,通过密度参数、纵波速度和横波速度三个模型参数进行正演模拟获得叠前道集,叠前道集包含该地质模型的振幅随偏移距的变化特征,本实施例所述叠前道集指CRP道集;
具体地,本实施例利用Zoeppritz方程对Marmousi2地质模型进行叠前道集正演模拟;根据和弹性波有关的学术研究角度来看,能够由应力及位移连续的具体边界条件并经过测算归纳整理,得到Zoeppritz方程(Hampson et al.,1990),如下:
其中,θ1代表纵波入射角,θ2代表纵波透射角,代表转换波反射角,代表转换波透射角,VP1代表上界面的纵波速度的大小,VS1上界面的横波速度的大小,ρ1代表上界面的密度的大小;VP2代表下界面的纵波速度的大小,VS2代表下界面的横波速度的大小,ρ2代表下界面的密度的大小,RPP代表纵波反射系数的大小,RPS代表转换横波反射系数的大小,TPP代表纵波透射系数的大小,TPS代表转换横波透射系数的大小;该方程全面的概括了不同入射角情况下,波在穿透介质分界面时发生的改变是叠前反演的基础方程;尽管Zoeppritz方程能够让人们推演出精准平面波振幅,却始终未给此幅度是如何与差异性的物理参数产生关联的一个直观的理解,所以多年来对Zoeppritz方程做过许多的近似。
其中Shuey(1985)发表了一个更接近Zoeppritz方程的近似式形式,它包含了α,ρ,σ(泊松比),Shuey近似式方程如下:
这里:σ=(σ1+σ2)/2,Δσ=σ2-σ1。
Shuey提到反射系数的AVO截距和梯度的具体含义,证实了相对反射系数伴随入射角的移动梯度根本上是随泊松比的运动来敲定的。现在假设θ<30°,σ=1/3,即A0=-1,可以得到:
R(θ)=Rp+[9/4Δσ-Rp]sin2θ=P+Gsin2θ (4)
公式(4)中P是接近于零偏移距下的和纵波有关的反射振幅,同时也被叫做AVO截距,它的数值范围受相邻层次彼此间纵波波阻抗差异的实时影响;G则是跟着入射角的移动梯度发生变化的纵波反射振幅,同样也可以被叫做AVO斜率,它的数值受泊松比变化的影响,P和G参数的不同组合表征着不同的含气性特性,R(θ)为反射系数,使用频率为40Hz的雷克子波进行褶积并随深度变化增加一定的衰减以模拟真实情况得到模型单炮记录。
获得叠前道集后,为了贴近现实,对正演模拟结果增加了信噪比为0.1的随机噪声和扰动;
本实施例使用Marmousi2提供的地质模型进行正演模拟获得的叠前道集图如图3所示;
然后,对深度阈含气性特征通过时深转换获得与时间阈道集数据进行匹配,
即,对每条训练样本包含的振幅随偏移距的变化特征与含气性之间的关系进行标定,建立标签,以图2a中的井3为例,如图4所示,图4a为井3位置,图4b为井3对应的叠前道集,选取叠前道集中三处振幅变化特征(横向箭头标记处),三处振幅变化特征对应的含气性已知,从上到下分别为含气、不含气、含气,其对应的振幅随偏移距变化特征如图4c所示,将含气位置处的振幅变化的标签值设定为1,对不含气出的振幅变化的标签值设定为0;
本发明利用AVO特征作为样本,含气性直接作为标签,突破了传统方法不论从分频还是反演的角度出发都存在一定的累积误差、无法直接建立地震数据与含气性之间的关系的局限性,直接从数据出发标定储层特征,通过数据作为结果的驱动,而并非是一定的公式和拟合,减少了由于拟合和近似带来的误差,在以数据为依据的基础上,提高基于叠前数据的含气性预测准确度。
S32,将步骤S31构建的训练样本集输入所述DNN神经网络进行训练,当预测准确率达到预设阈值时,所述DNN神经网络训练完成;本实施例中预设阈值设置为95%;
神经网络技术起源于上世纪五、六十年代,当时叫感知机(perceptron),拥有输入层、输出层和一个隐含层,输入的特征向量通过隐含层变换达到输出层,在输出层得到分类结果,DNN可以理解为有很多隐藏层的神经网络。从DNN按不同层的位置划分,DNN内部的神经网络层可以分为三类,输入层,隐藏层和输出层,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层,层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是从小的局部模型来说,还是和感知机一样,即一个线性关系:
z=∑wixi+b (5)
其中z为输出,xi为第i个输入,wi为第i个输入的权重值,b为偏置,然后再加上最终激活函数σ(z),形成了DNN的基本结构。DNN为包含多层隐藏层的神经网络算法,前向传播阶段,隐藏层将前一层的输出作为后一层的输入:
首先,relu函数是常见的激活函数中的一种,表达形式如下:
f(x)=max(0,x) (8)
Relu函数其实是分段线性函数,把所有的负值都变为0,而正值不变,这种操作被成为单侧抑制,在输入是负值的情况下,它会输出0,那么神经元就不会被激活,这意味着同一时间只有部分神经元会被激活,从而使得网络很稀疏,进而对计算来说是非常有效率的,尤其体现在深度神经网络模型(如CNN)中,当模型增加N层之后,理论上Relu神经元的激活率将降低2的N次方倍,因此:1)没有饱和区,不存在梯度消失问题,2)没有复杂的指数运算,计算简单、效率提高,3)实际收敛速度较快,比Sigmoid/tanh快很多,4)比Sigmoid更符合生物学神经激活机制;
如图5所示,本步骤以AVO特征为基础,定义DNN网络输入层为振幅随偏移距的变化特征,输出层位含气与不含气结果,定义了一个多层DNN神经网络结构,将训练样本集输入DNN神经网络进行训练,当预测准确率达到预设阈值时,所述DNN神经网络训练完成,建立标签数据集与训练数据集之间非线性映射关系,形成预测网络;
本实施例步骤S32具体包括:
S321,获取待训练的DNN模型的初始模型参数,其中初始模型参数包括网络深度,激活函数,以及初始训练数据;
S322,设定深度网络层数作为3层,振幅随偏移距的变化特征作为输入,含气性作为输出,0-1表示概率;
神经元数设置为100,脱落率设置为0.2,批量大小设置为40,epochs设置为1000,优化器为Adam优化算法(自适应矩估计),Lr(学习率)设置为0.0001;
损失函数为0-1损失函数,所述0-1损失函数公式如下:
其中,f(X)为预测值,Y为目标值;
S323,输入训练样本;
S324,每一层使用Relu激活函数,在获得DNN神经网络的输出概率值后,计算准确率的时候使用偏执函数,更偏向于预测为含气的准确性,解决因为样本偏差(不含气的样本更多)而造成的误差;
S325,利用常规AVO分析中的振幅随偏移距计算斜率和截距参数,对网络的每一层输出进行过滤,再进入下一层计算,增强算法的准确性;
S326,当预测准确率达到预设阈值时,所述DNN神经网络训练完成。由于现有技术中通常采用一定的公式和拟合约束的方法,其近似性太强,缺乏针对性,而本发明通过引入DNN神经网络,并通过训练提升DNN神经网络稳定性和抗噪性,对于含有噪声和扰动的数据,同样可以稳定可靠的标定储层的顶底位置,深度神经网络的深层特征有效的增强了其抗噪性,提高了分辨率;
如图6所示,DNN神经网络训练次数与损失函数的关系,损失函数表征着网络的准确率,从图6中可以看出DNN神经网络很快收敛,很快就达到准确度95%以上的预测标准。
将Marmousi2提供的地质模型进行正演模拟得到的叠前数据所含振幅随偏移距的变化特征输入到训练好的DNN神经网络,所述DNN神经网络输出的含气或不含气的预测结果如图7所示,从结果可以看出,准确度得到了大大的提升,在气层顶底位置响应明显,与图2d的模型含气性标签吻合,验证了本发明的有效性,本发明一方面基于数据驱动的含气性预测方法,能够更准确的识别储层含气性特征,直接从振幅随偏移距的变化特征的数据出发,降低累积误差,因此提高了基于叠前数据的含气性预测准确度,有效的指示含气层的顶底位置和含气性,另一方面,含有多隐层的DNN神经网络能够深度挖掘振幅随偏移距变化的深层特征,建立与含气性之间的非线性关系,深度网络的深层非线性化特征,有效的挖掘了信号内部的特征信息,而并非常规方法的类别建立,增强了含气性预测的准确性,降低了多解性。
利用训练好的DNN神经网络,在实际应用中可通过步骤S1~S3使用工区搜集的叠前数据输入神经网络进行预测。
在另一个实施例中,可通过如图8所示的流程,对DNN神经网络进行训练,以及使用训练好的DNN神经网络对叠前数据进行预测,包括如下步骤:
步骤一,获取待训练的DNN模型的初始模型参数,其中初始模型参数包括网络深度,激活函数,以及初始训练数据;
步骤二,判别叠前道集质量,进行优化处理,对叠前道集进行重拍列,以振幅随偏移距的变化特征作为训练样本;
步骤三,对深度阈含气性特征通过时深转换获得与时间阈道集数据进行匹配,获得标签数据,作为训练集输入;
步骤四,设定深度网络层数作为3层,振幅随偏移距的变化特征作为输入,含气性作为输出,0-1表示概率;
步骤五,每一层使用Relu激活函数,在获得概率后,计算准确率的时候使用偏执函数,更偏向于预测为含气的准确性,解决因为样本偏差(不含气样本多)而造成的误差;
步骤六,得到训练网络之后,对所需数据进行预测,并对预测结果加入一个高斯平滑窗,加强数据预测结果的连续性。
深度神经网络算法在建立网络之后,能够快速准确的对全区数据进行预测和分析,提高了含气性预测的效率,增强了其对海量叠前数据的适应性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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。
Claims (10)
1.一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,包括以下步骤:
S1,利用测井、地质和合成地震记录资料准确标定待预测目标层;
S2,获取待预测叠前数据;
S3,将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络,所述DNN神经网络输出预测结果为含气或不含气;所述DNN神经网络预先经过训练。
2.如权利要求1所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,步骤S3中训练所述DNN神经网络的步骤包括:
S31,获取训练样本集,每条训练样本包含振幅随偏移距的变化特征和相应的标签,所述标签为含气或不含气;
S32,获取待训练的DNN神经网络的初始模型参数,其中初始模型参数包括网络深度,激活函数,以及初始训练数据;
S33,设置DNN神经网络层数、神经元数、脱落率和学习率的值,设置DNN神经网络的输入和输出;
S34,输入训练样本;
S35,DNN神经网络的每一层使用Relu激活函数;在获得DNN神经网络的输出概率值后,使用偏执函数计算预测准确率;
S36,利用AVO分析中的振幅随偏移距计算斜率和截距参数,对每一层输出进行过滤,再进入下一层计算;
S37,当预测准确率达到预设阈值时,所述DNN神经网络训练完成。
3.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,步骤S31中获取训练样本集之前,先对每条训练样本包含的振幅随偏移距的变化特征与含气性之间的关系进行标定,具体方法为,对含气位置处的振幅变化的标签值设定为1,对不含气处的振幅变化的标签值设定为0。
4.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,步骤S32中所述预设阈值设置为95%。
5.如权利要求2所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,步骤S31中所述振幅随偏移距的变化特征,是先利用Marmousi2模型得到地质模型,然后通过Zoeppritz方程或Shuey近似式对所述地质模型进行正演模拟来获取。
7.如权利要求5所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,对正演模拟获取到的振幅随偏移距的变化特征增加信噪比为0.1的随机噪声和扰动。
9.如权利要求8所述的一种基于深度网络与AVO分析相结合的叠前含气性预测方法,其特征在于,所述DNN神经网络的神经元数设置为100,脱落率设置为0.2,层数设置为3,批量大小设置为40,epochs设置为1000,优化器为Adam优化算法,学习率Lr设置为0.0001。
10.一种基于深度网络与AVO分析相结合的叠前含气性预测装置,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071187.0A CN115809587A (zh) | 2021-09-13 | 2021-09-13 | 基于深度网络与avo分析相结合的叠前含气性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071187.0A CN115809587A (zh) | 2021-09-13 | 2021-09-13 | 基于深度网络与avo分析相结合的叠前含气性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809587A true CN115809587A (zh) | 2023-03-17 |
Family
ID=85481365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111071187.0A Pending CN115809587A (zh) | 2021-09-13 | 2021-09-13 | 基于深度网络与avo分析相结合的叠前含气性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809587A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217095A (zh) * | 2023-10-13 | 2023-12-12 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
-
2021
- 2021-09-13 CN CN202111071187.0A patent/CN115809587A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217095A (zh) * | 2023-10-13 | 2023-12-12 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
CN117217095B (zh) * | 2023-10-13 | 2024-05-28 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162316B (zh) | 一种avo波形数据驱动的高分辨率井震融合叠前反演方法 | |
CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
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 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN110568494B (zh) | 基于广义极值分布的叠前非高斯avo反演方法 | |
CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
NZ244467A (en) | Neural network profile interpretation of aeromagnetic data | |
CN111522063B (zh) | 基于分频联合反演的叠前高分辨率流体因子反演方法 | |
CN111239824A (zh) | 一种火山岩岩相的预测方法 | |
CN115809587A (zh) | 基于深度网络与avo分析相结合的叠前含气性预测方法 | |
CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
CN111722283A (zh) | 一种地层速度模型建立方法 | |
Yang et al. | Porosity prediction from pre-stack seismic data via a data-driven approach | |
Yang et al. | Deep-learning missing well-log prediction via long short-term memory network with attention-period mechanism | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
Cao et al. | The State-of-the-Art Techniques of Hydrocarbon Detection and Its Application in Ultra-Deep Carbonate Reservoir Characterization in the Sichuan Basin, China | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN115049173B (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
Li et al. | Pertinent multigate mixture-of-experts-based prestack three-parameter seismic inversion | |
CN107679614B (zh) | 一种基于粒子群优化的声波时差实时提取方法 | |
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 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
CN112882092B (zh) | 一种基于多属性cnn井震联合反演方法、系统、介质及应用 | |
Ramu et al. | Multi-attribute and artificial neural network analysis of seismic inferred chimney-like features in marine sediments: a study from KG Basin, India | |
Braga et al. | Facies Classification in 3D Seismic Data Volume of the Brazilian Pre-salt through Convolutional Neural Networks Technology |
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 |