一种基于机器学习的海陆过渡相页岩气评价方法技术

本发明专利技术涉及一种基于机器学习的海陆过渡相页岩气评价方法。包括获取用于叠前反演的测井数据、地震偏移数据和入射角道集；对测井数据应用交会图分析敏感属性，得到海陆过渡相页岩岩石物理量版；对地震偏移数据应用叠前同时反演方法，得到纵波阻抗、横波阻抗和纵横波速度比，根据岩石物理量版计算储层的TOC、孔隙度、地应力及脆性指数等弹性参数；根据地震数据，由数学运算，得到瞬时频率、相干体、蚂蚁体属性；分别对得到的弹性参数使用贪心算法，计算循环丢弃特征参数后的回归系数，得到优选属性；根据属性参数，由页岩气地质有利区分类标准，制作标签数据，将优选后的属性，输入以注意力机制和瓶颈残差结构搭建的U型神经网络。力机制和瓶颈残差结构搭建的U型神经网络。力机制和瓶颈残差结构搭建的U型神经网络。

【技术实现步骤摘要】
一种基于机器学习的海陆过渡相页岩气评价方法


[0001]本专利技术涉及页岩气评价
，具体为一种基于机器学习的海陆过渡相页岩气评价方法。

技术介绍

[0002]我国海陆过渡相页岩纵向岩性交互叠置、页岩厚度差异大、有机质组成多样、孔隙和微裂缝发育，尚未实现商业开采。常规页岩气评价方法通常依据南方海相页岩气的评价参数，包括含气量特征、有机碳(TOC)含量、地应力和脆性指数等，利用单因素分析和多因素综合叠加法一般划分为三类有利区。然而，每种评价参数反映构造、岩性和流体等特征，根据解释人员的地质经验优选参数，或是利用数学统计法计算属性间相关系数筛选敏感属性，简单利用线性回归拟合忽视了属性间的冗余信息和复杂非线性的特性。
[0003]目前，页岩气评价方法的重点是拟合测井曲线与单一评价参数的关系，例如聂海宽等(2012)利用多元回归分析建立有机碳含量、孔隙度和页岩气含气量的模型；周业鑫等(2021)利用回归方程定量计算含气量；王梦等(2021)建立TOC与密度的定量关系，利用叠前反演后的密度体计算TOC。评价页岩气有利区的另一个问题是，如何实现属性优选和多属性融合，在实际应用中大多用模糊数学法或层次分析法评估页岩气有利区，求解复杂且确定权重的主观性强，难以客观准确的预测页岩气有利区。

技术实现思路

[0004]鉴于现有技术中所存在的问题，本专利技术提供一种基于机器学习的海陆过渡相页岩气评价方法，通过机器学习实现页岩气多属性智能融合，解决页岩含气量等单属性的权重分配和经验赋值问题，更好地融合页岩含气量、TOC、孔隙度、地层压力和脆性指数等多属性。
[0005]为实现上述目的，本专利技术实现页岩气评价的具体过程包括步骤如下：步骤一、获取用于叠前反演的测井数据、地震偏移数据和入射角道集；步骤二、对测井数据应用交会图分析敏感属性，得到海陆过渡相页岩岩石物理量版；步骤三、对地震偏移数据应用叠前同时反演方法，得到纵波阻抗、横波阻抗和纵横波速度比，根据岩石物理量版计算储层的TOC、孔隙度、脆性指数；步骤四、根据地震偏移数据，计算得到瞬时频率、相干体和蚂蚁体属性；步骤五、分别对步骤三和步骤四得到数据使用贪心算法，计算循环丢弃特征参数后的回归系数，得到属性参数，属性参数包括纵波阻抗、横波阻抗、纵横波速度比、TOC、孔隙度、泊松比、杨氏模量、瞬时频率、瞬时相位、瞬时振幅、能量属性、相干体、蚂蚁体属性数据；步骤六、根据属性参数，由页岩气地质有利区分类标准，制作标签数据，将筛选后的属性，输入以注意力机制和瓶颈残差结构搭建的U型神经网络，基于U型神经网络的非线性回归算法对页岩气有利区带进行预测。
[0006]作为本专利技术的一种优选方案，步骤四中的瞬时频率为：其中，θ(t)为瞬时相位，ω(t)为瞬时频率；建立协方差矩阵，计算得到的相干体为：C
11
、C
22
、C
33
为第一、二、三道记录的自相关量，C
12
为第一道与第二道数据的互相关量；C
13
为第一道与第三道数据的互相关量；取各时窗中对应的最大相干值作为最终相干值：C1＝maxC1[0007]作为本专利技术的一种优选方案，步骤六所述U型神经网络的工作过程具体为：作为本专利技术的一种优选方案，步骤六所述U型神经网络的工作过程具体为：作为本专利技术的一种优选方案，步骤六所述U型神经网络的工作过程具体为：作为本专利技术的一种优选方案，步骤六所述U型神经网络的工作过程具体为：其中，F是输入特征，M
c
是通道注意力一维卷积，M
s
是空间注意力二维卷积，F
avg
是平均池化，F
max
是最大池化，σ是sigmoid函数，W1和W0是隐藏层权重参数，f7×7是卷积操作，是矩阵按元素相乘，F
′
和F”分别表示优化后的通道注意力和空间注意力特征映射。
[0008]本专利技术的有益效果：本专利技术提出的基于机器学习的评价方法，能够自动学习页岩气特征权重，达到准确预测页岩气有利区带的目的，以提高刻画页岩气有利储层的精度，从而准确预测纵向上富有机质页岩发育层段和横向上页岩综合甜点展布特征，该专利技术在研究海陆过渡相页岩的分布规律和勘探开采中具有重要应用价值。
附图说明
[0009]图1为本专利技术的工作流程框图；
[0010]图2为本专利技术的入射角道集；
[0011]图3为本专利技术的反演后纵横波速度比；
[0012]图4为本专利技术的蚂蚁体属性、振幅属性、能量属性；
[0013]图5为本专利技术中涉及的U型神经网络结构。
具体实施方式
[0014]实施例1
[0015]如图1所示，一种基于机器学习的海陆过渡相页岩气评价方法，包括步骤如下：步骤一、获取用于叠前反演的测井数据、地震偏移数据和入射角道集，其中入射角道集如图2所示；步骤二、对测井数据应用交会图分析敏感属性，得到海陆过渡相页岩岩石物理量版；
步骤三、对地震偏移数据应用叠前同时反演方法，得到纵波阻抗、横波阻抗和纵横波速度比，根据岩石物理量版计算储层的TOC、孔隙度、地应力及脆性指数等弹性参数；纵横波速度比图像如图3所示；步骤四、根据地震偏移数据，由数学运算，得到瞬时频率、相干体、蚂蚁体属性，如图4所示；瞬时频率为：其中，θ(t)为瞬时相位，ω(t)为瞬时频率；建立协方差矩阵，计算得到的相干体为：C
11
、C
22
、C
33
为第一、二、三道记录的自相关量，C
12
为第一道与第二道数据的互相关量；C
13
为第一道与第三道数据的互相关量；取各时窗中对应的最大相干值作为最终相干值：C1＝maxC1步骤五、分别对所述得到的弹性参数使用贪心算法，计算循环丢弃特征参数后的回归系数，得到属性参数，属性参数包括纵波阻抗、横波阻抗、纵横波速度比、TOC、孔隙度、泊松比、杨氏模量、瞬时频率、瞬时相位、瞬时振幅、能量属性、相干体、蚂蚁体属性数据；步骤六、根据属性参数，由页岩气地质有利区分类标准，制作标签数据，将筛选后的属性，输入以注意力机制和瓶颈残差结构搭建的U型神经网络，基于U型神经网络的非线性回归算法对页岩气有利区带进行预测；注意力机制和瓶颈残差具体为：性回归算法对页岩气有利区带进行预测；注意力机制和瓶颈残差具体为：性回归算法对页岩气有利区带进行预测；注意力机制和瓶颈残差具体为：性回归算法对页岩气有利区带进行预测；注意力机制和瓶颈残差具体为：其中，F是输入特征，M
c
是通道注意力一维卷积，M
s
是空间注意力二维卷积，F
avg
是平均池化，F
max
是最大池化，σ是sigmoid函数，W1和W0是隐藏层权重参数，f7×7是卷积操作，是矩阵按元素相乘，F
′
和F”分别表示优化后的通道注意力和空间注意力特征映射。
[0016]本文中未详细说明的部分为现有技术。
[0017]上述虽然对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的海陆过渡相页岩气评价方法，其特征在于，包括步骤如下：步骤一、获取用于叠前反演的测井数据、地震偏移数据和入射角道集；步骤二、对测井数据应用交会图分析敏感属性，得到海陆过渡相页岩岩石物理量版；步骤三、对地震偏移数据应用叠前同时反演方法，得到纵波阻抗、横波阻抗和纵横波速度比，根据岩石物理量版计算储层的TOC、孔隙度、脆性指数；步骤四、分别对步骤三和步骤四得到数据使用贪心算法，计算循环丢弃特征参数后的回归系数，得到属性参数，属性参数包括纵波阻抗、横波阻抗、纵横波速度比、TOC、孔隙度、泊松比、杨氏模量、瞬时频率、瞬时相位、瞬时振幅、能量属性、相干体、蚂蚁体属性数据；步骤六、根据属性参数，由页岩气地质有利区分类标准，制作标签数据，将筛选后的属性，输入以注意力机制和瓶颈残差结构搭建的U型神经网络，基于U型神经网络的非线性回归算法对页岩气有利区带进行预测。2.根据权利要求1所述的一种基于机器学习的海陆过渡相页岩气评价方法，其特征在于：步骤四中的瞬时频率为：其中，θ(t)为瞬时相位，ω(t)为瞬时频率；建立协方差矩阵，计算得到的相干体为：C
11
...

【专利技术属性】
技术研发人员：胡馨月，赵惊涛，彭苏萍，林朋，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：