基于地震数据深度学习的储层预测方法及其应用研究

发布时间：2020-07-14 03:46

【摘要】：天然气是我国紧缺的战略性洁净能源,加大天然气的勘探开发力度是国家能源战略的重要组成部分。传统储层预测方法在浅层勘探中具有较好的应用效果,但在深部勘探中表现出了不适应性。本文针对深部勘探目标,引入了人工智能领域研究热点“深度学习”的理论与方法,并通过构建深度学习无监督特征学习网络模型提取地震数据的含气性响应特征。川中元古界震旦系灯影组碳酸盐岩天然气储层具有埋藏深,演化时间长与储层特征复杂等特点。本文以该地区为应用对象,开展了基于地震数据深度学习的储层预测方法及其应用研究。本文的主要研究内容与成果如下:1.构建适用于地震数据的深度学习无监督特征学习网络模型,有利于提取含气性响应特征。地震数据属于实值数据,并且在时间空间上具有连续性,本文结合地震数据特点引入了具有模拟连续型数据概率分布的连续限制玻尔兹曼机(CRBM)作为深层网络的浅层模型。深层网络具有逐层抽象特征的能力,本文通过堆叠CRBM形成深度置信网络(DBN)并对称展开获得深层自编码器。训练前加入了适量的高斯噪声并使用原始数据进行反向微调,使网络输出尽可能逼近原始数据。通过以上方法最终构建出以CRBM为浅层模型的深度连续降噪自编码器(Deep-CRBM-Denoising AutoEncoder,DCDAE)。2.深层无监督特征学习网络的目标特征优选需结合可视化技术与特征分析方法共同评价。深度学习高层特征具有高度抽象性,为分析高层特征与目标之间的联系,需将高层特征进行可视化用于对比分析。本文通过引入深度学习特征可视化技术并应用于地震数据的高层特征可视化中。深层网络完成无监督特征学习后,往往会获得大量的特征,为筛选目标响应特征,提出了SOM拓扑特征分析方法。根据目标样本与同一隐藏层可视化特征在拓扑图上的类别分布,筛选出有利特征,便于进一步精细刻画含气性分布。为验证一系列方法的可行性,构建了川中正演模型,结合相关方法完成网络训练与目标特征的优选,对比分析目标特征与其它类别特征对研究数据的具体影响。3.针对研究区域分别采用了一维训练样本与三维训练样本进行深度学习含气性检测方法研究。聚类分析是分析不同数据对象关系的重要方法,Kmeans算法具有简单实用、易实现等优点,限于中心点的随机初始化,聚类效果并不稳定。本文采用SOM的无监督聚类方法获取较为稳定的聚类结果。完成深层网络训练后,对比原始数据聚类与不同隐藏层全部特征激活聚类的类别分布,推断目标特征可能存在的隐藏层层次。根据SOM拓扑特征分析方法优选出相应隐藏层的目标特征,结合聚类方法确定最优目标特征并划分研究区域的含气区间。结果表明,两种训练模式皆能达到含气性检测的效果。相较而言,三维训练样本的含气性检测结果表现出更好的连续性,更清晰的划分研究区域的含气性分布。
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P618.13;P631.4
【图文】：

路线图,地震数据,含气性,检测技术

基于地震数据深度学习的含气性检测技术路线图

人工智能方法,机器学习,神经网络方法,随机生成

传统的神经网络方法局限于权重的随机生成，导致在训练中容部最小值，每一次的初值生成都有可能影响最终的训练结果。随着支持亮相，神经网络一度不被重视。深度学习的一系列方法很好的解决了传络的缺陷，它在各大竞赛中异军突起，打败了众多的传统机器学习方法今最为人所信赖的人工智能方法，深度学习基本模型如下图。

激活函数,公式,修正线,函数

激活函数无疑是逐层抽象特征的关转化到非线性空间中，有助于网络模型学习更复：Sigmoid 函数，修正线性单元(Rectifiedlinearu函数。各激活函数的具体表现形态如图 2-2 所示。

【参考文献】