[发明专利]基于深度学习和进化学习的多尺度地质特征检测融合方法

说明书

本发明公开了一种基于深度学习和进化学习的多尺度地质特征检测融合方法，涉及地质特征检测融合技术领域，其包括以下步骤：S1、储层评价参数的输出，S1.01、根据输入的多数据体，地震数据，测井录井数据生成单体和多体联合特征数据，对特征数据进行标注。该基于深度学习和进化学习的多尺度地质特征检测融合方法，针对不同的数据会运用的各自的学习方法和数据结构，根据不同的数据实现不同的进化和学习，不同的模型可以针对不同的地质情况进行预测和评估，学习过程当中会实现模型的自我纠正和改进，以及参数的评估，学习过程不含固定的模型和模式，最终生成的储层参数更具有地质的意义，对于储层参数的预测也会更接近实际情况。

技术领域

本发明涉及地质特征检测融合技术领域，具体为一种基于深度学习和进化学习的多尺度地质特征检测融合方法。

背景技术

近几年来国内外的一些公司和研究机构在储层描述的研究方面取得了一些新的进展。曹俊兴等人的2017年的专利基于地震数据深度学习的储层检测方法；2016年成国建等应用深度学习算法研究岩石图像处理；2016年段友祥等应用卷积神经网络预测地质储层参数；2018年郑宇哲应用深度学习研究储层物性参数；2017年Smith等应用深度学习进行数据融合研究等。

储层描述技术是应用于石油行业地震数据解释的一种技术，该技术利用地震数据的振幅，频率以及相位信息来提取地下石油储层的孔隙度，含水饱和度，以及含油气的成分，另外还可以计算地下含有油气储层的密度，地震波传播的速度等特性。目前基于测井数据和地震数据反演的分析方法不能完全准确识别储层的空隙度，流体成分以及油气的含量，目前的应用研究主要是将深度学习的现有技术应用在石油领域进行储层预测，对于智能学习的本质激励并没有深入的研究，

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于深度学习和进化学习的多尺度地质特征检测融合方法，解决了目前基于测井数据和地震数据反演的分析方法不能完全准确识别储层的空隙度，流体成分以及油气的含量，以及目前的应用研究主要是将深度学习的现有技术应用在石油领域进行储层预测，对于智能学习的本质激励并没有深入的研究的问题。

(二)技术方案

为达到以上目的，本发明采取的技术方案是：一种基于深度学习和进化学习的多尺度地质特征检测融合方法，包括以下步骤：

S1、储层评价参数的输出。

S1.01、根据输入的多数据体，地震数据，测井录井数据生成单体和多体联合特征数据，对特征数据进行标注。

S1.02、根据相关的地质数据寻找目标层位信息，将目标层位标注，包括联合目标层位标注和相关层位标注。

S1.03、将多个层位数据和数据形成新的结构体数据，对结构体数据进行组合。

S1.04、提取相关的结构体数据，利用新生的区域数据配置参数。

S1.05、输入学习的算法和网络结构。

S1.06、提取区域数据的学习结果和特征数据。

S1.07、将特征数据和学习结果重新输入组合分析。

S1.08、将分析结果输入评价函数，并生成评价的结果。

S1.09、将评价结果输入步骤S1.03，重复步骤S1.03到步骤S1.08，直到评价结果稳定。

S1.010、将评价的结果输入到分解函数，输出储层的评价参数。

S2、对储层的评价参数进行预测分析。

S2.01、利用输入函数按照次序输入多种数据体包括地震和测井，录井数据，对各自的数据进行数值区域分解与合成。