[发明专利]基于深度融合模型的储层多分类预测方法

权利要求书

1.基于深度融合模型的储层多分类预测方法，其特征在于，该基于深度融合模型的储层多分类预测方法包括：

步骤1：获取井震数据并进行预处理；

步骤2：通过特征优选算法获得更能代表储层特征的属性输入模型；

步骤3：通过卷积神经网络进行横向切片特征学习；

步骤4：设计时序特征并输入到循环神经网络分支进行预测；

步骤5：将深度特征数据输入到深度特征网络中进行训练；

步骤6：使用特征交叉方式进行自动特征工程计算；

步骤7：进行多分类储层预测，获得储层预测结果。

2.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤1中，将地震处理后的叠后地震数据以及相关解释文件进行预处理，将整个地震体处理成一个三维矩阵，由线号line、道号cdp以及时间time维度构成；在生成了地震体特征文件后，用时深关系转化的方法将其对应的储层标记数据由深度转化为时间维度。

3.根据权利要求2所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤1中，根据现场工程师在勘探过程中记录的每个勘测点的时间和深度对应关系，建立一个线性模型去拟合一个时间-深度的转化函数，根据该模型拟合的线性方程将数据中的所有时间参数转换为深度。

4.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤2中，利用xgboost模型进行计算，按照时序顺序分别输入每个步骤1中的特征文件的点位值和标记，其中每个特征文件对应了一个提升树，通过设计的损失函数对模型进行拟合学习，最终确定参数并得到排序特征向量，获得特征重要性排名。

5.根据权利要求4所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤2中，先将所有特征文件表示为数据集D，然后使用k个提升树模型进行xgboost排序训练；在进行xgboost模型计算时，按照时序顺序分别输入每个特征文件的点位值和标记即储层或者非储层，其中每个特征文件对应了一个提升树，通过设计的损失函数对模型进行拟合学习，最终确定参数并得到排序特征向量，获得特征重要性排名；然后对排名靠前的特征数据进行横向切片、垂向切片、深度点位特征和采样点统计特征进行生成。

6.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤3中，设计卷积神经网络模块进行横向特征的提取，通常地质体在横向上的展布范围要比垂向上的大得多，使用14×14的网格地震数据水平切片作为输入数据，利用卷积神经网络提取更高维度的特征，横向特征提取能够抽取得到更多的有效特征。

7.根据权利要求6所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤3中，该卷积神经网络包括3个卷积层、2个池化层和一个全连接层，全连接层的长度为64个，激活函数为relu。

8.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，步骤4中，通过双向门控循环单元来对地震体的垂向层级特征进行提取，双向门控循环单元采用上下5个采样点作为输入，结果拼接作为输出。

9.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，步骤5中，获取所有井位点的训练数据，并将每一个点的深度转化到(1,n)的序列中，n为地震数据的采样点个数，通过逐个编码的形式将深度信息转化为n维向量d，再初始化一个特征嵌入权重w，将深度特征从高维度转化为低维度，然后输入到融合模块中进行储层分类预测。

10.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤6中，对多个特征进行特征交叉计算，使用特征交叉公式对所有的特征进行线性计算相加和二阶组合计算并相加。

11.根据权利要求1所述的基于深度融合模型的储层多分类预测方法，其特征在于，在步骤7中，对上述卷积神经网络分支和循环神经网络分支的输出向量进行多种方式融合；将步骤3、4、5、6得到特征向量进行拼接，获得融合特征向量，然后通过全连接层进行进一步特征计算，最后接入多分类器获得储层预测结果。