基于地震多属性深度学习的薄互层储层预测方法技术

本发明专利技术提供一种基于地震多属性深度学习的薄互层储层预测方法，该基于地震多属性深度学习的薄互层储层预测方法包括：步骤1、根据研究层段的解释层位计算目的层段的多种地震属性，提取已钻井的砂岩厚度与岩相分类信息；步骤2、利用井点的砂岩厚度与岩相分类数据，以及提取的各种地震属性数据训练基于监督的机器学习模型；步骤3、将训练好的机器学习模型用于无井区域的砂岩厚度预测和岩相分类预测。该基于地震多属性深度学习的薄互层储层预测方法综合了井点数据与地震属性数据，并用井点数据约束了地震属性数据，提高了薄互层砂岩储层的预测精度。

Prediction method of thin interbed reservoir based on seismic multi-attribute deep learning

【技术实现步骤摘要】
基于地震多属性深度学习的薄互层储层预测方法
本专利技术涉及油田开发
，特别是涉及到一种基于地震多属性深度学习的薄互层储层预测方法。
技术介绍
薄互层储层作为隐蔽油气藏的重要类型之一，多发育在陆相断陷湖盆的缓坡带，以含油面积大、储量丰度中等著称，日益受到勘探开发的重视。薄互层储层由不同陆源沉积物组成，储层岩性以细砂岩为主，局部为砂质泥岩，构造-地层圈闭为主，为稀油油藏。地层超剥带滨浅湖相储层虽然潜力大,但是优质储层地震精细预测难。平面油气成藏规律复杂严重制约后续勘探开发。主要表现在以下几个方面：1)地层超剥带滨浅湖相储层为薄互层沉积，单层2-5m，识别难度大。2)地层超剥带滨浅湖相储层岩相、岩电、结构多样性导致了纵向岩性组合韵律复杂，后续平面储层预测难度较大。3)地层超剥带滨浅湖相储层整体厚度不大，往盆缘缓坡带储层快速减薄，纵向上岩性韵律组合复杂，受上覆层序界面屏蔽干扰纵向分辨率较低，内部超剥关系不清楚，常规地震资料下储层层间反射界面不清晰，多解性强，目前地层超剥带滨浅湖相储层预测还是以常规地震资料为基础，但是目的层分辨率不满足实际储层地震预测需要，地层超剥结构确定及储层预测严重依赖拓频资料，尤其缺乏地层超剥带滨浅湖相不同类型储层地震高分辨率解释性处理方法。4)地层超剥带滨浅湖相储层除了缓坡扇体之外大多为砂泥岩互层滩坝沉积，油藏产能的高低取决于储层状况，以前大时窗的砂组级别储层厚度地震预测技术精度较低，不同序级的储层与地震属性关系不明确，无法满足单层厚度预测实际需要。5)不同区域地层超剥带滨浅湖相储层成藏差异大，未形成针对性综合评价技术。为此地层超剥带滨浅湖相储层精细地震预测成为了目前亟需解决的重要问题，因此有必要进行研究。勘探实践证明，薄互层砂岩储层与储层的多种地震属性具有复杂的统计学关系。为此我们专利技术了一种新的基于地震多属性深度学习的薄互层储层预测方法，解决了以上技术问题。
技术实现思路
本专利技术的目的是提供一种可以提高地层超剥带滨浅湖相储层地震预测精度及应用针对性，指导后续勘探开发，降低勘探风险的基于地震多属性深度学习的薄互层储层预测方法。本专利技术的目的可通过如下技术措施来实现：基于地震多属性深度学习的薄互层储层预测方法，该基于地震多属性深度学习的薄互层储层预测方法包括：步骤1、根据研究层段的解释层位计算目的层段的多种地震属性，提取已钻井的砂岩厚度与岩相分类信息；步骤2、利用井点的砂岩厚度与岩相分类数据，以及提取的各种地震属性数据训练基于监督的机器学习模型；步骤3、将训练好的机器学习模型用于无井区域的砂岩厚度预测和岩相分类预测。本专利技术的目的还可通过如下技术措施来实现：步骤1包括：S11、利用地震解释的层位进行约束，提取目的层段的地震多属性，包括振幅、频率、相位这些统计类地震属性；S12、根据地震与钻井的对应关系，应用自然伽马和自然电位测井曲线资料统计目的层段的砂岩厚度与岩相分类；S13、建立地震属性与砂岩厚度与岩相分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置砂岩厚度和岩相分类与各种地震属性的数据库。步骤2包括：S21、统计井点的统计数据包括砂岩厚度与岩相分类以及各种地震属性，对数据进行按比例划分；S22、选择深度学习模式；S23、构架多层深度的学习模型的深度参数即模型学习与误差传递的次数与层级；S24、设定模型训练的结束阀值。在步骤S21中，一部分数据用于训练机器学习模型，一部分数据验证训练模型的精度，一部分数据用于测试训练模型的精度。在步骤S22中，基于多个受限玻尔兹曼机堆叠而成深度置信网络，受限玻尔兹曼机作为一种特殊的特征提取器，编码地震多属性数据和井点的砂在步骤S23中，设定从输入层到输出层的最长路径，模型经过一层学习得到一次知识，学习的深度为原始数据被逐层学习的次数。在步骤S24中，定义模型学习误差达到多少即满足预测的要求，模型停止训练并可预测无监督数据；应用井点的实际岩相分类数据和砂岩厚度数据与预测的数据进行误差分析，减小模型预测的误差，把误差控制在要求的精度之内，设定预测的精度要求并把模型得以应用。在步骤3包括：S31，根据第二步选择深度学习模型训练时间短，预测精度高的模型预测无井区域的砂岩厚度与岩相分类，优选预测精度高的训练模型对无井区域进行岩相分类预测和砂岩厚度分布预测。本专利技术中的基于地震多属性深度学习的薄互层储层预测方法，涉及应用地球物理与钻井数据联合预测岩相分类和砂岩厚度分布，特别是指基于井资料约束地震多属性算法的一种利用地震多属性与岩相分类和砂岩厚度分布相关关系的高精度预测砂岩分布的方法。该基于地震多属性深度学习的薄互层储层预测方法研究面向地层超剥带滨浅湖相隐蔽油气藏目标，从实际生产需求出发，研究适合地层超剥带滨浅湖相不同类型储层高分辨率地震目标处理及精细地震预测方法，解决地层超剥带滨浅湖相储层预测难的问题。其研究意义在于可以提高地层超剥带滨浅湖相储层地震预测精度及应用针对性，指导后续勘探开发，降低勘探风险。本专利技术中的基于地震多属性深度学习的薄互层储层预测方法，包括利用测井曲线划分确定薄砂岩厚度；以及在井点处统计分析地震各个属性与砂岩厚度，以及与岩性的相关关系过程中，利用井点的数据作为标签数据，训练不同的深度学习模型并预测砂岩厚度与岩性分类，优选训练模型精度高的算法模型为预测模型，进行工区的薄互层储层预测，包括砂岩厚度预测与岩性分类预测。该基于井点统计数据与地震属性相关分析，并测试不同的算法模型，优选精度较高的预测模型预测薄互层砂岩分布，该方法综合了井点数据与地震属性数据，并用井点数据约束了地震属性数据，提高了薄互层砂岩储层的预测精度。附图说明图1为本专利技术的基于地震多属性深度学习的薄互层储层预测方法的一具体实施例的流程图；图2为本专利技术的一具体实施例中计算的训练模型岩相分类精度图；图3为本专利技术的一具体实施例中训练砂岩厚度神经网络预测模型精度分析图；图4为本专利技术的一具体实施例中深度学习预测的岩相分布的示意图；图5为本专利技术的一具体实施例中深度学习预测的砂岩厚度分布的示意图。具体实施方式为使本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。如图1所示，图1为本专利技术的基于地震多属性深度学习的薄互层储层预测方法的流程图。S101、根据研究层段的解释层位计算目的层段的多种地震属性和提取已钻井的砂岩厚度与岩相分类信息：S11、利用地震解释的层位进行约束，提取目的层段的地震多属性，包括振幅、频率、相位这些统计类地震属性；S12、根据地震与钻井的对应关系，应用自然伽马和自然电位测井曲线资料统计目的层段的砂岩厚度与岩相分类；S13、建立地震属性与砂岩厚度与岩相分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置砂岩厚度和岩相分类与各种地震属性的数据库；S102、利用井点的砂岩厚度与岩相分类数据以及井点的地震属性数据训练不同类型的基于监督的机器学习模型：S21、分析井点的统计数据包括砂岩厚度与岩相分类以及各种地震属性，对数据进行按比例划分，其中一部分数据(70％)用于训练机器学习模型，一部分数据(20％)验证训练模型的精度，一部分数据(10％)用于测试训练模型的精度；S22、选择深度学习模式种类：本文档来自技高网...

【技术保护点】
1.基于地震多属性深度学习的薄互层储层预测方法，其特征在于，该基于地震多属性深度学习的薄互层储层预测方法包括：步骤1、根据研究层段的解释层位计算目的层段的多种地震属性,提取已钻井的砂岩厚度与岩相分类信息；步骤2、利用井点的砂岩厚度与岩相分类数据，以及提取的各种地震属性数据训练基于监督的机器学习模型；步骤3、将训练好的机器学习模型用于无井区域的砂岩厚度预测和岩相分类预测。

【技术特征摘要】
1.基于地震多属性深度学习的薄互层储层预测方法，其特征在于，该基于地震多属性深度学习的薄互层储层预测方法包括：步骤1、根据研究层段的解释层位计算目的层段的多种地震属性,提取已钻井的砂岩厚度与岩相分类信息；步骤2、利用井点的砂岩厚度与岩相分类数据，以及提取的各种地震属性数据训练基于监督的机器学习模型；步骤3、将训练好的机器学习模型用于无井区域的砂岩厚度预测和岩相分类预测。2.根据权利要求1所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，步骤1包括：S11、利用地震解释的层位进行约束，提取目的层段的地震多属性，包括振幅、频率、相位这些统计类地震属性；S12、根据地震与钻井的对应关系，应用自然伽马和自然电位测井曲线资料统计目的层段的砂岩厚度与岩相分类；S13、建立地震属性与砂岩厚度与岩相分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置砂岩厚度和岩相分类与各种地震属性的数据库。3.根据权利要求1所述的基于地震多属性深度学习的薄互层储层预测方法，其特征在于，步骤2包括：S21、统计井点的统计数据包括砂岩厚度与岩相分类以及各种地震属性，对数据进行按比例划分；S22、选择深度学习模式；S23、构架多层深度的学习模型的深度参数即模型学习与误差传递的次数与层级；S24、设定模型训练的结束阀值。4.根据权利要求3所述的基于地震多属性深度学习的薄互层储...

【专利技术属性】
技术研发人员：高秋菊，刘升余，韩宏伟，朱定蓉，金春花，师涛，苗永康，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司胜利油田分公司物探研究院，
类型：发明
国别省市：山东,37