多波地震深度学习的油气储层分布预测案例

有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法（Deep Learning Method）.首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明：本论文方案不仅具有可行性,且具有有效性.     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.     

基于深度学习网络的地震地质灾害识别研究

遥感影像识别方法是破坏性地震震后地质灾害快速、准确获取的重要方法之一,传统的遥感影像识别方法主要以人工目视识别方法和半自动识别方法为主,需投入大量的人力和时间。针对破坏性地震震后地质灾害解译时间长、投入人力多等问题,以2017年8月8日四川九寨沟7.0级地震震后高分辨率无人机遥感影像为研究样本,提出基于深度学习网络的地震地质灾害识别方法。首先结合震后遥感影像解译资料和现场调查资料,提取九寨沟地震地质灾害无人机遥感影像特征,并构建研究区地震地质灾害解译指标和分类数据集;然后采用DeepLabv3+网络结构及softmax损失函数,建立基于深度学习网络的地震地质灾害遥感影像图像语义分割模型方法;最后采用半监督学习方法进行结果验证。研究结果表明,基于深度学习网络的地震地质灾害识别方法可有效识别九寨沟地震地质灾害分布信息,整体分类识别准确率为94.22%,F₁分数值为0.77,结果具有较好的一致性和准确性,可提升地震现场灾情获取和重点地震隐患识别等工作效率及服务能力。     

基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法

岩性作为一种重要的储层物性,其包含了重要的流体信息及储层特征,对其准确的识别可以为储层预测工作提供重要基础.我国一些河流相油气藏沉积环境复杂,多期叠置等问题造成储层砂体隐蔽的现象.为有效的识别隐蔽河道砂体,本文发展了一种基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法.该方法以远减近地震衰减梯度属性凸显隐蔽河道砂体为基础,以此为输入,河道砂体作为标签,借助Bi-LSTM深度神经网络构建输入数据与砂体岩性间的非线性关系.应用该方法进行川西中江气田某工区隐蔽河道砂体识别,识别出了此前未曾发现的隐蔽河道砂体,并刻画出了2条隐蔽河道.     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

基于线性预测倒谱系数的地震相分析

本文借鉴语音识别技术中的线性预测倒谱系数(LPCC系数)特征参数提取方法对地震数据进行分解,这种方法的优点是:可以获得将子波和反射系数信息分离的地震语音特征参数,对地质现象边界具有较好的描述能力,使我们可以从不同维度更细致地观察隐藏在地震数据中的地质特征.理论模型分析表明,基于LPCC系数的地震分析具有较高的地震相划分能力.实际地震资料应用表明,LPCC系数对储层特征的描述比常规三瞬属性更为细致,不同阶次LPCC系数在描述储层不同特征时也保持了内在的联系.采用K均值聚类方法对提取的12阶和24阶LPCC系数进行聚类分析,聚类结果与目的层段古地形较为吻合,较好地反映了研究区的断裂、礁滩相带、深水扇和储层的分布特征,说明在地震相分析中采用LPCC系数作为特征参数是可行和有效的.     

基于U-Net网络的端到端地震高分辨率处理技术

拓展频带提高地震资料分辨率是薄储层预测和岩性尖灭点识别的关键手段.目前提升分辨率主要依靠反褶积谱蓝化、Q补偿等技术,这些方法存在假设条件苛刻、参数求取过程复杂、需要井提供额外信息等问题,为实际工作带来诸多不便.本文采用纯地震数据驱动的思想,通过构建大量三维地震伪反射系数模型,与不同主频的地震子波进行褶积获得不同分辨率的正演地震样本及标签数据,然后采用U-Net深度学习网络开展训练和测试并应用到东海某凹陷实际地震资料进行效果评估.这是一个从输入数据直接得到期望结果的"端到端"模型.结果表明,U-net网络高分辨率处理后地震带宽有效展宽了30％,主频从27.5 Hz提升到了37.5 Hz,对靶区主要目的层多期河道叠置关系的分辨效果提升明显.     

基于地震属性各向异性的火山机构识别技术

本文通过对地震资料的分方位处理,分别提取各方位的地震属性,筛选出最具代表性的地震属性,通过属性方位椭圆拟合,求取该属性椭圆的"扁率",用椭圆"扁率"来表征储层的各向异性,并在此基础上识别火山机构.本文提出了基于地震属性各向异性的火山机构识别方法,利用叠前地震资料分方位提取地震属性,并对方位地震属性值进行椭圆拟合,利用椭...     

基于像素差分神经网络的断层识别方法

断层识别是地震解释的一项重要任务.相对传统的基于人工或半人工的断层检测方法,基于深度学习的断层检测方法具有自动化程度高等特点,近年来已经吸引了业界广泛兴趣.目前,大多数利用深度学习的断层识别方法都是基于语义分割或图像分类,但基于语义分割或图像分类的方法预测出的断层噪声较多.而边缘检测网络可以通过学习断层在地震剖面中不连续的特征,从而提高网络的抗噪能力.为了利用边缘检测网络的抗噪优点并提升其性能,本文采用基于像素差分的卷积运算构建出像素差分网络模型(Pixel Difference Networks, Pidinet).相较于传统的边缘检测网络,Pidinet将传统的边缘检测算子与深度学习网络结合,有效地提升了边缘检测的效果.为了使Pidinet网络更好地预测断层,本文对原始Pidinet网络进行了优化,去掉了相对断层识别任务而言多余的分支结构和卷积层.相对于传统的卷积运算,基于像素差分的卷积运算可以让神经网络更好地学习断层信息.为了让网络充分学习数据中的断层特征,本文将真实地震样本与合成地震样本混合得到训练所用数据集.实验证明Pidinet在交并比(Intersection over ...     

利用倒谱辅助识别终止相——以9·21集集地震为例

应用倒谱对终止相识别的理论依据,根据厦门地震遥测中心记录的9·21集集地震进行实例分析,认为倒谱分析可以辅助识别终止相,结合传统的终止相走时特征和动力学特征识别方法,进而提高终止相识别的准确度。     

基于地震多属性利用ES-DBN网络估算裂缝孔隙度

地震数据中蕴含丰富的地层信息,裂缝孔隙度作为表征致密碎屑岩储层品质及产能评价的关键参数,目前无法利用常规线性反演方法从地震数据中挖掘出裂缝孔隙度的有效信息.为了有效获取致密碎屑岩地震信号中储层与非储层数据特征之间的差异,本文借助深度置信网络(DBN)强大的特征提取能力,利用回声状态网络(ESN)中的回归层代替DBN网络中的误差反向传播算法组合搭建出ES-DBN网络.ES-DBN网络能够较好的捕捉地震数据中的动态时序信息,每次训练都独立于前次的DBN学习过程,且只考虑回归层最终的输出权值矩阵,通过模型测试对比发现,该网络的学习效率和预测准确率均高于传统的DBN网络.以井中裂缝孔隙度为预测目标,基于提取的多种井旁敏感的叠前叠后裂缝属性,利用构建出的网络模型对研究工区地下地层裂缝孔隙度进行预测,预测结果表明：该网络能够较好的实现致密碎屑岩储层的裂缝孔隙度的三维表征,取得了良好的应用效果.     

量子粒子群模糊神经网络碳酸盐岩流体识别方法研究

根据不同流体性质在角度道集上所反映特征的差异,构建了多属性角度叠加数据体组合流体识别因子.并将量子粒子群与模糊神经网络相结合,利用量子粒子群方法来优化模糊神经网络中的连接权值和隶属函数参数,并进行一系列的改进措施,显著提高了算法的全局寻优能力.将近远角度叠加数据体组合流体识别因子作为改进模糊神经网络的输入,流体性质作为输出,同时引入“相控流体识别”的思想,利用碳酸盐岩储集相进行控制,建立了碳酸盐岩流体识别模型.通过塔中实际井区进行验证,证明该方法能够提高流体的识别精度,具有很好的实际应用价值.     

一种基于改进的U-Net网络的初至自动拾取研究

针对传统的地震波初至拾取方法对低信噪比资料拾取精度较低、算法的鲁棒性较差,以及目前提出的基于深度学习的初至拾取方法制作训练样本耗时耗力、训练样本尺寸太大或网络结构太深导致训练和测试网络模型效率较低等缺点,本文对经典的U-Net网络结构进行了改进,将经典的U-Net网络结构中的跳跃连接改为包含多个卷积块的残差连接,减小了网络结构中融合的两个图像特征的差异,并使用自动拾取的小尺寸训练和测试样本,对本文用于初至拾取的经典U-Net网络模型和改进的U-Net网络模型分别进行了训练和测试.结果 表明,改进的U-Net网络模型的训练准确率更高,初至拾取的精度也更高,尤其对低信噪比地震道初至拾取效果较好.     

基于深度信念网络的多采样点岩性识别

岩性识别是储层预测中的一个重要环节.一方面,传统的机器学习算法缺少特征自动提取的过程,且不能有效利用地震数据局部特征预测储层;另一方面,采用单一采样点作为输入,缺失相邻数据关联关系反映层位信息.针对此不足,本文以多个相邻采样点的地震数据作为输入和测井岩性数据作为输出,利用受限玻尔兹曼机(RBM)对多采样点地震数据进行特征提取,逐层堆叠受限玻尔兹曼机(RBM)构建深度信念网络(DBN),并采用随机梯度下降算法对误差进行反向传递学习,最终构建岩性识别模型.以多点地震数据为输入,利用该模型实现地层岩性识别.通过多种智能建模方法实验对比,证实了多个采样点作为输入,隐含利用了部分地层信息,有效地提高了岩性识别的精度.     

粗集理论在地震储层预测中的应用

在地震储层预测中,可采用的地震属性种类繁多,但太多地震属性常常会起到干扰作用,影响储层的预测精度,因此,为提高地震储层预测精度,把粗糙集理论融入到地震属性的优化中,利用粗糙集理论所具有的提取有用属性、简化信息处理的能力,优选出地震属性中的敏感属性是本文的研究目的,本文采用了一种基于属性方差的自组织神经网络量化方法,并运用基于区别矩阵的属性频率约简算法对地震属性进行优选,实例分析表明:该方法可行有效,可以最大限度地删除冗余地震属性,用优选出的敏感属性组合对多种储层参数进行预测均已取得了较好的效果.     

基于地震属性的煤层火成岩侵入预测

煤层火成岩侵入给煤矿生产以及经济效益带来了极大的影响,属于亟待解决的问题.本文充分发挥测井信息的作用,基于测井数据建立正演模型,获得不同侵入模型叠加记录,并提取多种地震属性;利用灰色关联和模糊聚类方法对提取的地震属性进行分类和优化,得到与地质目标相关性较好,且相互独立的4种地震属性;利用井旁道地震记录和井信息作为BP神经网络的学习样本进行训练,在训练好的BP神经网络中输入从地震数据中提取的优化后的地震属性,预测煤层火成岩侵入区的分布情况.从实际测区的预测情况看,该方法准确性和可靠性较高,可对实际生产进行理论指导.     

基于概率核地震属性融合的砂体预测方法研究

随着油气田开发程度越来越高,勘探难度越来越大,如东部的老油田已经进入开发的后期,如何识别薄层砂体是非常重要的工作之一,解决这些难题这势必需要更先进的技术.地震属性能够很好的反映砂体横向展布特征,但是单一属性无法定量预测砂体厚度,而多属性之间又存在多解性,因此有必要提炼地震属性之间的共同点,将地震属性进行信息融合,形成新的融合属性.针对这一问题,本文提出首先利用高频谐波提高地震数据的分辨率,在此基础上着重研究基于概率核的地震属性融合方法,融合了几种常见的地震属性,并结合波阻抗反演方法,预测了N873区块沙三6-3小层砂体厚度.结果显示该方法能够很好的反映砂体横向展布特征,避免了地震属性多解性问题,为提高砂体预测的精度,提供了新的思路和方法.     

基于3D U-Net++L3卷积神经网络的断层识别

断层解释在构造圈闭中起着十分重要的作用,是地震构造解释的基础和关键.使用传统的相干体、曲率等属性解释断层效率较低,并且受人为因数影响较大,致使断层识别能力有限,而传统的卷积神经网络虽然可以在一定程度上摆脱人为因素的干扰,但在断层识别精度上并没有明显的提高.为了解决断层识别困难的问题,本文提出了一种基于3D U-Net++L³卷积神经网络的断层智能识别方法,该方法是采用计算机视觉领域的图像语义分割技术,对输入数据体的每一个像素点进行判断是否为断层,随后输出断层概率体.测试结果表明,本文所选用的模型的测试精度可以提高至95%左右,损失函数值可以收敛至2%左右.实际应用表明,模型可以在实际地震数据中准确地估算断层位置,在断层连续性上面有所提高,解决了断层与背景在细节上难分问题.从而验证了图像语义分割技术在断层识别上具有一定的研究价值.     

基于粗糙集的BP神经网络在震例中的应用研究

采用《中国震例》作为数据源,通过初步整理分析和预处理,构建了较完备的震例研究样本集。尝试将粗糙集与BP神经网络相结合的方法引入到震例研究中,用基于粗糙集的属性约简算法从众多复杂的地震异常指标中筛选出对最终分类起决定作用的核心异常作为输入,震级作为输出,构建了泛化能力强的BP神经网络模型来模拟异常与地震之间的不确定关系。仿真测试结果表明:地震震级预测精度误差基本控制在-0.5～0.5级之间。     

基于最近邻支撑向量特征线融合算法的核爆地震识别

为增强核爆地震模式分类器的泛化能力以提高对核爆炸事件的准确识别能力,论文提出了一种选择支撑向量样本集来表征训练样本集的最近邻支撑向量特征线分类算法,用以训练时扩展核爆地震的训练样本库,提高分类器的泛化能力.该算法用于核爆炸和地震的识别结果发现,和最近邻特征线分类器相比,提出的算法降低了计算复杂度,但识别能力却有些许降低.对新算法的分析发现,纯粹的支撑向量集不能完全代表原始样本空间集,支撑向量比例在其中有重要作用,为发挥支撑向量比例的作用以提高核爆分类器的识别能力,提出了最近邻支撑向量特征线融合算法.最后以核爆地震数据库对上述算法进行了检验和分析,理论分析和识别结果证实,在相同的训练样本选择条件下,最近邻支撑向量特征线融合算法对于核爆炸的识别来说具有较好的泛化能力,正确识别率达到90.3%,且优于支持向量机算法和最近邻特征线算法.