【技术实现步骤摘要】
本专利技术涉及地震勘探，特别涉及一种基于深度学习的偏前道集保幅性智能量化评价方法和系统。
技术介绍
1、随着油气勘探技术不断发展以及对更深层次油气资源的需求，对隐蔽性油气藏的勘探开始逐渐成为油气勘探领域研究工作的重要方向。岩性油气藏是隐蔽性油气藏中一种重要的类别，但关于岩性油气藏的勘探预测工作面临着诸多挑战。
2、保幅处理是指在保持原始地震资料有效反射地震信息不发生相对畸变的前提下，采用合理有效的处理手段来提升地震资料品质的过程，保幅性地震资料处理的结果体现在对反射子波波形特征和反射系数特征的相对保持上。
3、关于岩性油气藏的从定性到定量、从储层岩性到物性和油气性判别等研究工作面临着诸多挑战。岩性圈闭识别方法要求较高品质的地震资料，同时要求经过处理后的地震资料具有较高的保幅性。如果经过处理后地震资料的相对保幅性很低，精细储层预测技术的应用通常不会取得较好效果。因此，如何使得地震资料在经过处理后仍能保持较高的相对保幅性，从而提高岩性油气藏储层预测的精度，是当前迫切需要解决的问题。
4、现有的对于地震资料保幅处理的判别和评价方法分别以不同的角度对多种地震资料处理技术进行了保幅性评价，通过将地震波振幅特征、频率特征、地震属性切片、波阻抗与测井结果的一致性等方面作为评价基础，但是这些方法存在一个共同缺陷都是依赖于模型的假设或者先验知识，使得保幅性评价应用具有局限性。当违背这些假设和先验的时候，则会导致保幅性评价性能大幅度下降。
技术实现思路
1、为了解决
2、第一方面，本专利技术实施例提供一种基于深度学习的偏前道集保幅性智能量化评价方法，包括以下步骤：
3、构建无监督深度学习模型；
4、将待测工区地震数据切片地震图像输入无监督深度学习模型进行训练，得到偏前道集保幅性智能量化评价模型；
5、将待评估的二维偏前道集数据输入偏前道集保幅性智能量化评价模型，得到对应的量化评估数据。
6、具体的，构建无监督深度学习模型，包括以下步骤：
7、构建偏前道集特征提取网络，包括依次设置通道数分别为32、32、64、64、128、128、256、256、512、512的10个卷积层，第一卷积层为偏前道集特征提取网络输入端，在第二和第三卷积层之间设置第一池化层，在第四和第五卷积层之间设置第二池化层，在第六和第七卷积层之间设置第三池化层，在第八和第九卷积层之间设置第四池化层，在第十卷积层之后设置第五池化层，第五池化层为偏前道集特征提取网络输出端；
8、构建地震图像质量量化评估网络，在偏前道集特征提取网络输出端之后依次设置通道数为512的第一全连接层和通道数为1的第二全连接层，第二全连接层为地震图像质量量化评估网络输出端。
9、具体的，将待测工区地震数据切片地震图像输入无监督深度学习模型进行训练，得到偏前道集保幅性智能量化评价模型，包括以下步骤：
10、将待测工区地震数据切片地震图像输入构建偏前道集特征提取网络，得到目标地震图像特征；
11、采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型。
12、具体的，将待测工区地震数据切片地震图像输入构建偏前道集特征提取网络，得到目标地震图像特征，包括以下步骤：
13、将待测工区地震数据切片地震图像分成多个区域，输入偏前道集特征提取网络输入端，经第一和第二卷积层进行特征提取，得到第一地震图像特征；
14、将第一地震图像特征输入激活函数进行处理，得到第二地震图像特征；
15、将第二地震图像特征输入第一池化层进行特征选择和信息过滤，得到第三地震图像特征；
16、经过第三和第四卷积层，对第三地震图像特征进行特征提取，得到第四地震图像特征；
17、将第四地震图像特征输入第二池化层进行特征选择和信息过滤，得到第五地震图像特征；
18、经过第五和第六卷积层，对第五地震图像特征进行特征提取，得到第六地震图像特征；
19、将第六地震图像特征输入第三池化层进行特征选择和信息过滤，得到第七地震图像特征；
20、经过第七和第八卷积层，对第七地震图像特征进行特征提取，得到第八地震图像特征；
21、将第八地震图像特征输入第四池化层进行特征选择和信息过滤，得到第九地震图像特征；
22、经过第九和第十卷积层，对第九地震图像特征进行特征提取，得到第十地震图像特征；
23、将第十地震图像特征输入第五池化层进行特征选择和信息过滤，得到目标地震图像特征。
24、具体的，采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型，还包括以下步骤：
25、经过第三至第十任一卷积层后，在输入下一卷积层或池化层前，将对应卷积层输出的地震图像特征输入激活函数进行处理，所述激活函数为
26、
27、其中g、wi、ai分别表示输出、权重以及输入，i表示序号。
28、具体的，待测工区地震数据切片地震图像输入偏前道集特征提取网络的区域大小为32×32，进行端对端训练，特征提取函数为：
29、yr＝f(x，{wi})+x1
30、每个卷积层的函数为f(x)，第一个卷积层中出来的特征向量为x1，wi为第i层卷积的权重，yr表示经过无监督学习方式后输出的特征向量；
31、所有卷积层所采用卷积核大小为3×3，卷积核采用补零的策略，，使每个卷积层的输入输出大小一致，全部池化层设置为2×2。
32、具体的，采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型，包括以下步骤：
33、设置地震图像质量量化评估网络的神经网络单元暂时从网络中丢弃的概率为0.5，通过第一全连接层对目标地震图像特征的每个区域进行回归打分，通过第二全连接层学习权重，将学习到的权重分别赋予目标地震图像特征每个对应区域的打分结果中，得到偏前道集保幅性智能量化评价模型。
34、第二方面，本专利技术实施例提供一种基于深度学习的偏前道集保幅性智能量化评价系统，包括：
35、量化评价模型确定模块，用于构建无监督深度学习模型；将待测工区地震数据切片地震图像输入无监督深度学习模型进行训练，得到偏前道集保幅性智能量化评价模型；
36、量化评价模块，用于将待评估的二维偏前道集数据输入偏前道集保幅性智能量化评价模型，得到对应的量化评估数据。
37、第三方面，本专利技术实施例提供一种偏前道集保幅性智能量化评价模型构建方法，包括以下步骤：
38、构建偏前道集特征提取网络，包括依次设置通道数分别为32、32、64、64、128、128、256、256、512本文档来自技高网...
【技术保护点】
1.一种基于深度学习的偏前道集保幅性智能量化评价方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，构建无监督深度学习模型，包括以下步骤：
3.如权利要求2所述的方法，其特征在于，将待测工区地震数据切片地震图像输入无监督深度学习模型进行训练，得到偏前道集保幅性智能量化评价模型，包括以下步骤：
4.如权利要求3所述的方法，其特征在于，将待测工区地震数据切片地震图像输入构建偏前道集特征提取网络，得到目标地震图像特征，包括以下步骤：
5.如权利要求3所述的方法，其特征在于，采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型，还包括以下步骤：
6.如权利要求4所述的方法，其特征在于，待测工区地震数据切片地震图像输入偏前道集特征提取网络的区域大小为32×32，进行端对端训练，特征提取函数为：
7.如权利要求3所述的方法，其特征在于，采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型，包括以下步骤：
8.一种
9.一种偏前道集保幅性智能量化评价模型构建方法，其特征在于，包括以下步骤：
10.一种偏前道集保幅性智能量化评价模型构建系统，其特征在于，包括：
11.一种基于深度学习的偏前道集保幅性智能量化评价方法，其特征在于，包括以下步骤：
12.一种基于深度学习的偏前道集保幅性智能量化评价系统，其特征在于，包括：
13.一种电子设备，其特征在于，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7、11任一所述的基于深度学习的偏前道集保幅性智能量化评价方法或权利要求9所述的偏前道集保幅性智能量化评价模型构建方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1至7、11任一所述的基于深度学习的偏前道集保幅性智能量化评价方法或权利要求9所述的偏前道集保幅性智能量化评价模型构建方法。
...【技术特征摘要】
1.一种基于深度学习的偏前道集保幅性智能量化评价方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，构建无监督深度学习模型，包括以下步骤：
3.如权利要求2所述的方法，其特征在于，将待测工区地震数据切片地震图像输入无监督深度学习模型进行训练，得到偏前道集保幅性智能量化评价模型，包括以下步骤：
4.如权利要求3所述的方法，其特征在于，将待测工区地震数据切片地震图像输入构建偏前道集特征提取网络，得到目标地震图像特征，包括以下步骤：
5.如权利要求3所述的方法，其特征在于，采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型，还包括以下步骤：
6.如权利要求4所述的方法，其特征在于，待测工区地震数据切片地震图像输入偏前道集特征提取网络的区域大小为32×32，进行端对端训练，特征提取函数为：
7.如权利要求3所述的方法，其特征在于，采用地震图像质量量化评估网络对目标地震图像特征进行学习，得到偏前道集保幅性智能量化评价模型，包括以下步骤：<...
【专利技术属性】
技术研发人员：段文胜，孙海军，彭更新，肖又军，左安鑫，张晟，陈阳阳，
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。