1.面向地震油气储层分布的卷积神经网络学习与预测方法,其特征在于,包括如下步骤:s1.首先以原始地震数据为基础,提取能够表征油气特征的地震属性;
其中,提取的地震属性包括瞬时振幅、瞬时相位和瞬时频率;
将地震道f(t)看成是解析信号,也可作为复地震信号F(t)的实部,即:F(t)=f(t)+if*(t) (1)瞬时振幅公式:瞬时相位公式如下:
-1 *
θ(t)=tan [f(t)/f(t)] (3)瞬时频率公式如下:s2.设计卷积神经网络模型,将优选的振幅、频率、相位地震属性作为网络的输入层,提取井位处的振幅、频率、相位地震属性值;
以井位处的孔隙度、渗透率、含油性作为训练样本,通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b参数,直到模型训练完成;
其中,卷积神经网络模型的设计过程如下:将网络结构中的卷积核、权值W和偏置b置成[0,1]的随机值,并初始化参数与学习率,对输入井位处地震属性与一个可学习的核进行卷积后加偏置进行输出,从而获的能够表征地震油气储层特征的卷积层C1、C2、C3,C4;
卷积计算如下式所示:
其中, 为l层选择集合区域的卷积和,l为层数;
k表示卷积核, 表示所获取的地震属性, 表示偏置;
通过卷积计算后,将卷积层进行激活处理,再此选择Sigmoid函数进行激活:通过Sigmoid函数激活后,能够凸显表征地震油气储层特征,压制异常干扰;
卷积后预测结果与输入样本之间计算全局误差E:在通过BP神经网络进行反向传播,不断修改卷积核、权值W和偏置b参数;
为了获得最小的全局误差E,选用累计误差的BP全局算法来对wjk进行调整;
调整的具体方法见下式:
其中,符号η表示的是神经网络的学习率;
此外,将过程中的误差信号进行以下定义:上式中:
以及
是对输出层传递函数进行的偏微分计算;
这样,式(9)就改写成:
然后,依据链定理,上式就变成:
最终,将隐层的各个神经元的权重改进公式为:通过多次迭代,在满足所设计误差允许的范围内,停止运算,训练结束;
s3.随后输入无井区的振幅、频率、相位地震属性的数据进行测试,利用训练完成的模型实现由有井区到无井区储层的跨区域的横向预测;
在获取多种储层参数后,结合研究区的地质条件,对油气储层做出综合预测。