【技术实现步骤摘要】
本专利技术属于石油天然气勘探开发，具体涉及一种基于三维地震属性融合的沉积相预测装置及方法。
技术介绍
1、经过多年勘探，未探明构造油气藏愈发少见，岩性油气藏逐渐成为焦点。广泛分布的岩性油气藏潜在产量巨大，因此，对岩性储集体分布的预测和三维地质建模至关重要。从分布规律来看，岩性圈闭都是受沉积相带控制的，不同的沉积相限定了岩性圈闭分布范围及储集性能。因而，探寻岩性圈闭对沉积相分布的预测具有很强的依托性。
2、在沉积相分布预测方面，相关技术中提出了例如序贯指示模拟方法和地震沉积相预测方法。这些方法在沉积相识别方面达到了一定的效果，但是预测得到的沉积相分布与研究区真实情况具有较大的差异。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种基于三维地震属性融合的沉积相预测装置及方法，通过三维地震数据和主成分分析法，确定主成分三维地震属性体；构建并训练三维卷积神经网络模型，利用井筒数据和主成分三维地震属性体之间的关系，利用三维卷积数据网络模型对沉积相进行预测并构建三维概率数据体，并使用序贯高斯同位协同模拟构建沉积相地质模型，进而提供一种岩性储集体的找寻方法。
2、本专利技术的上述目的是通过以下技术方案实现的：
3、基于三维地震属性融合的沉积相预测装置，包括：
4、确定模块，用于基于目标井区的三维地震数据和主成分分析法，确定所述目标井区的主成分三维地震属性体；
5、训练模块，用于构建并训练三维卷积神经网络模型，学习所述目标井区
6、预测模块，用于基于训练完成的所述三维卷积数据网络模型对无井区的沉积相进行预测并构建三维概率数据体；
7、构建模块，用于基于所述三维概率数据体，通过序贯高斯同位协同模拟构建沉积相地质模型，所述沉积相地质模型用于岩性储集体的找寻。
8、本专利技术的另一目的是保护上述基于三维地震属性融合的沉积相预测装置的预测方法，步骤为：
9、1.基于目标井区的三维地震数据和主成分分析法，确定所述目标井区的主成分三维地震属性体；
10、2.构建并训练三维卷积神经网络模型，学习所述目标井区的井筒数据和所述主成分三维地震属性体之间的关系；所述井筒数据包括测井数据和沉积相数据；
11、3.基于训练完成的所述三维卷积数据网络模型对无井区的沉积相进行预测并构建三维概率数据体；
12、4.基于所述三维概率数据体，通过序贯高斯同位协同模拟构建沉积相地质模型，所述沉积相地质模型用于岩性储集体的找寻。
13、进一步的，所述步骤1具体为：基于所述三维地震数据进行体属性提取，获取所述目标井区的原始三维地震属性体；利用主成分分析法对所述原始三维地震属性体进行筛选，得到所述目标井区的主成分三维地震属性体。
14、进一步的，所述步骤2中训练三维卷积神经网络模型具体为：对主成分三维地震属性体进行数据拆分，以同等大小的小三维数据体作为所述三维卷积神经网络模型的输入；将输入数据依次经过第一卷积层、第一下采样层、激活函数、第二卷积层、第二下采样层、激活函数、第三卷积层、第三下采样层、激活函数、第四卷积层、第四下采样层、激活函数，将所述第四卷积层得到的特征数据体转换为列向量数据；将所述列向量数据依次经过第一全连接层、第二全连接层和softmax分类层，输出列向量作为不同沉积相的概率。
15、进一步的，所述步骤2中三维卷积神经网络的训练采取最小批量梯度下降优化法。
16、进一步的，所述步骤3具体为：对所述无井区的主成分三维地震属性体进行数据拆分，截取为同等大小的小三维数据体；将所述小三维数据体输入训练完成的所述三维卷积神经网络模型，输出沉积相概率，作为所述无井区的沉积相预测结果并构建三维概率数据体。
17、进一步的，所述步骤4具体为：通过对所述目标井区的单井解释，获取所述目标井区的岩相在不同方向的变差函数；基于所述三维概率数据体、所述变差函数和所述沉积相数据，通过序贯高斯同位协同模拟构建沉积相地质模型。
18、本专利技术与现有技术相比的有益效果是：通过主成分分析法对三维地震属性体进行筛选，并以井区的数据对三维卷积数据网络的训练，从而实现对无井区的沉积相的预测，同步利用序贯高斯同位协同模拟对预测结果进行优化，获得最终的沉积相地质模型，实现岩性储集体的找寻，预测结果受多种数据的约束，准确度更高，更符合真实的地质模式，同时预测效率提高，人为干扰度降低。
本文档来自技高网...【技术保护点】
1.基于三维地震属性融合的沉积相预测装置，其特征在于，包括确定模块、训练模块、预测模块、构建模块。
2.基于权利要求1所述的三维地震属性融合的沉积相预测装置的预测方法，其特征在于，步骤为：
3.根据权利要求2所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤S1具体为：基于所述三维地震数据进行体属性提取，获取所述目标井区的原始三维地震属性体；利用主成分分析法对所述原始三维地震属性体进行筛选，得到所述目标井区的主成分三维地震属性体。
4.根据权利要求2所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤S2中训练三维卷积神经网络模型具体为：对主成分三维地震属性体进行数据拆分，以同等大小的小三维数据体作为所述三维卷积神经网络模型的输入；将输入数据依次经过第一卷积层、第一下采样层、激活函数、第二卷积层、第二下采样层、激活函数、第三卷积层、第三下采样层、激活函数、第四卷积层、第四下采样层、激活函数，将所述第四卷积层得到的特征数据体转换为列向量数据；将所述列向量数据依次经过第一全连接层、第二全连接层和Soft
5.根据权利要求4所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤S2中三维卷积神经网络的训练采取最小批量梯度下降优化法。
6.根据权利要求2所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤S3具体为：对所述无井区的主成分三维地震属性体进行数据拆分，截取为同等大小的小三维数据体；将所述小三维数据体输入训练完成的所述三维卷积神经网络模型，输出沉积相概率，作为所述无井区的沉积相预测结果并构建三维概率数据体。
7.根据权利要求2所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤S4具体为：通过对所述目标井区的单井解释，获取所述目标井区的岩相在不同方向的变差函数；基于所述三维概率数据体、所述变差函数和所述沉积相数据，构建沉积相地质模型。
8.根据权利要求7所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，通过序贯高斯同位协同模拟构建沉积相地质模型。
...【技术特征摘要】
1.基于三维地震属性融合的沉积相预测装置，其特征在于，包括确定模块、训练模块、预测模块、构建模块。
2.基于权利要求1所述的三维地震属性融合的沉积相预测装置的预测方法，其特征在于，步骤为：
3.根据权利要求2所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤s1具体为：基于所述三维地震数据进行体属性提取，获取所述目标井区的原始三维地震属性体；利用主成分分析法对所述原始三维地震属性体进行筛选，得到所述目标井区的主成分三维地震属性体。
4.根据权利要求2所述的基于三维地震属性融合的沉积相预测装置的预测方法，其特征在于，所述步骤s2中训练三维卷积神经网络模型具体为：对主成分三维地震属性体进行数据拆分，以同等大小的小三维数据体作为所述三维卷积神经网络模型的输入；将输入数据依次经过第一卷积层、第一下采样层、激活函数、第二卷积层、第二下采样层、激活函数、第三卷积层、第三下采样层、激活函数、第四卷积层、第四下采样层、激活函数，将所述第四卷积层得到的特征数据体转换为列向量数据；将所述列向量数据依次经过第一全连...
【专利技术属性】
技术研发人员：张辉，陈栗，马文艳，赵宏宇，吴海瑞，程志远，刘奇，兰雪，王直，赵妍，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。