[发明专利]基于深度融合模型的储层多分类预测方法

说明书

本发明提供一种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。该基于深度融合模型的储层多分类预测方法能够快速的进行地震多特征的储层预测，解决了由于地质构造的复杂性以及地震数据特征多样性和冗余性而导致的储层预测难度大，准确率低，耗费人力和资源过多的问题。

技术领域

本发明涉及地球物理勘探地震解释与深度学习技术领域的应用技术领域，特别是涉及到一种基于深度融合模型的储层多分类预测方法。

背景技术

当前，地震属性分析法是储层预测中利用地震纵波数据的进行预测的重要方法，现今经过多方验证并且得到广泛认可与应用的地震方向特征属性已经达60多种，其中较为常见的地震属性有振幅、频率、时间、相位、地震波与地震反射波的吸收衰减等等。这60多种地震属性又可以与几何、统计方向数据进行叠加评价，再加上综合以及衍生的地震属性如何成功有效地管理这多达上百种的不同地震属性并科学合理地提取有效参数是进行地质储层预测的核心分析技术。然而，当前的技术在数据整合，参数分析方面主要通过传统的波形分析和属性优选等传统方法进行，在特征量巨大的油气储层预测场景中存在普适性差，耗时长，准确度偏低等缺点。

在申请号：CN202010830939.6的中国专利申请中，涉及到涉及一种多模型融合的储层预测系统，包括：数据获取模块、提升树模型、模型调用模块、多模多专家深度网络；一种储层预测方法，包括如下步骤：步骤一、提取目标层段数据；步骤二、获取特征重要性排名；步骤三、对重要性排名靠前的特征进行切片，作为横向原始特征输入非对称卷积模块；对地震体垂向层级特征进行建模，作为纵向原始特征输入到双向门控循环单元；对地震体深度信息进行建模，作为深度特征输入到嵌入层；步骤四、特征融合，再输入到全连接神经网络，最终输出储层预测的分类结果。

在申请号：CN202010280776.9的中国专利申请中，涉及到一种油气储层渗透率预测模型的构建方法及其应用，方法包括获取待测油井目标样本集和辅助油井辅助样本集；从辅助样本集选出多个样本构成分类训练样本集，结合目标样本集二类训练分类器；采用训练的分类器生成辅助样本集中各样本与待测油井相关性大小以作为该样本初始权重，从辅助样本集中确定初始权重大于过滤阈值的多个样本构成辅助训练样本集；调整该多个样本初始权重使得各样本权重加和不大于目标样本集中各样本权重加和；基于目标样本集、辅助训练样本集以及各样本权重训练渗透率预测模型。

在申请号：CN201810069113.5的中国专利申请中，涉及到一种少井条件下的储层预测方法，包括以下步骤：获取勘探目标的测井数据和地震数据，对勘探目标的地震数据进行三维解释追踪，获得勘探目标的地质层位解释结果；定性划分勘探目标的典型测线地震相；定量划分勘探目标的三维地震数据体的地震相；对定量划分的勘探目标三维地震数据体的地震相进行沉积相解释，得到勘探目标宏观上的储层展布趋势认识；确定能够反映储层特征的储层敏感参数的种类及储层对应的能够反映储层特征的储层敏感参数的数值范围；计算能够反映储层特征的储层敏感参数的值；提取储层敏感参数属性平面图；在储层敏感参数属性平面图中重新划定储层对应的能够反映储层特征的储层敏感参数的数值范围，进而预测储层分布规律。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的基于深度融合模型的储层多分类预测方法。

发明内容

本发明的目的是提供一种能够快速的进行地震多特征的储层预测。的基于深度融合模型的储层多分类预测方法。

本发明的目的可通过如下技术措施来实现：基于深度融合模型的储层多分类预测方法，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；