基于深度学习的天然气储层检测方法研究

发布时间：2018-04-14 12:24

本文选题：含气性检测 + 深度学习　；参考：《成都理工大学》2017年硕士论文

【摘要】：储层的含气性评价是天然气勘探的核心,目前大部分储层埋藏较深,地震响应特征微弱,孔隙流体响应微弱,储层与非储层差异微弱,导致天然气储层的含气性检测十分困难。经过几十年的持续努力,地震勘探学家已经研究发展了一些在一定条件下效用显著的含气性检测方法技术,如“亮点”技术、AVO技术等。这些方法技术都有成功的案例,但这些方法也存在局限性,其成功应用须满足一定前提条件。利用地震资料进行储层含气性评价,仍是世界性难题。为了更好地进行储层的烃类检测,提高地震勘探资料的利用率,充分挖掘地震数据中的有效孔隙流体信息,进一步丰富地震属性种类,本文将人工智能领域的研究热门—深度学习自动特征提取技术引入地震勘探领域,目标是使用深度学习方法从地震数据中挖掘“三弱”天然气储层的内禀地震特征,以期识别天然气储层。论文的主要研究内容与成果如下:1.研究适用于储层地震特征提取的深度学习模型。2006年Hinton提出的深度学习原形—深度置信网络(DBN)是由无监督浅层学习模型之一的限制玻尔兹曼机(RBM)堆叠形成。RBM是概率生成模型,在建模二值图像数据、提取图像特征表现出了优越的能力,但是在模拟连续数据时效果却不尽人意。因此,本文采用连续限制玻尔兹曼机(CRBM)构建出连续深度置信网络(CDBN)模型。CRBM是RBM的连续版本,它在保持RBM的所有性质下,能很好地模拟连续数据。本文也将稀疏限制加入了CRBM产生连续稀疏限制玻尔兹曼机(CSRB M),并构建连续稀疏深度置信网络(CSDBN)。在此基础上将CDBN或CSDB N迁移到堆叠自编码器,构成连续深度自编码神经网络(CDAE)或连续稀疏降噪深度自编码神经网络(CSDDAE),完成了整个深度学习特征提取模型的程序设计。2.研究提出了深度学习类别指定性特征的选取方法。深度学习模型训练完成后会得到多个特征,并不是所有特征都对目标任务(含气性识别)有指示作用。在获得的特征较多的情况下通过相似性参数(例如相关系数、距离)选择类别指定性特征。3.将CRBM结合支持向量机(SVM)形成CRBM-SVM模型对川西海相灰岩及白云岩进行识别,正确率达到了81.9%,基于同样的支持向量机,CRBM提取特征识别正确率要高于主成分分析(PCA)提取特征,无监督浅层特征学习模型CRBM提取的特征比PCA得到的特征更具有区分性。4.对川西海相碳酸盐岩储层开展了基于地震数据深度学习特征提取的应用研究。研究区目标层位于雷口坡顶部,地震响应特征微弱,该区域目前仅有三口井,测井资料少,储层预测和含气性检测困难。本文提出了三维地震数据及一维地震数据深度学习特征提取方法,聚类分析结合测井资料表明分类结果较准确地区分含气井、含水井。同时对三维地震数据深度学习特征聚类分析及一维地震数据深度学习特征聚类分析进行了对比。认为三维地震数据的深度学习特征聚类结果类别划分界限更清晰,噪音更少,连续性更强。5.对深度学习高层特征聚类分析、浅层特征聚类分析及原始数据聚类分析进行了对比,认为深度学习高层特征聚类效果比浅层特征及原始数据聚类效果好,类别划分界限更清晰。6.通过聚类分析优选出了深度学习最高层含气指示性特征并进行了分析。指定性特征在孝深1井、川科1井以及新深1井的分布与测井资料基本符合,验证了基于地震数据深度学习的特征提取方法用于天然气储层检测是可行的。
[Abstract]:......
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：P618.13

【引证文献】