1.一种基于深度神经网络的多波地震油气储层预测方法,其特征在于,包括如下步骤:I.对地震属性进行优选优化获得深度神经网络的样本数据;
I.1.首先基于莱因达准则剔除地震属性中的异常值;
定义纵横波地震属性集E={c11,c12,…,c1N,c21,c22,…,cMN},M为crossline方向的道数,N为inline方向的道数;利用公式(1)和(2)分别计算得到地震属性的平均值 和剩余误差Δcij;
随后通过贝塞尔法求取均方根误差σ:对纵横波地震属性集E中的每个地震属性cij逐一进行判断,当地震属性cij的剩余误差Δcij>3σ时,则地震属性cij为异常点,应予以剔除;
对经过异常值剔除后的纵横波地震属性集E进行标准化处理;
I.2.基于粒子群优化的聚类分析法从纵横波地震属性集E中优选地震属性;
①确定聚类划分;
对于每一个地震属性cij,根据评价函数J来计算地震属性cij与聚类中心op的距离,并确定该地震属性cij的聚类划分;评价函数J表示形式为:其中,K表示已知的聚类数目,ωj表示ω={ω1,ω2,…,ωj}中某一聚类划分,p=1,
2,……,K;dist(cij,op)表示地震属性cij到对应的聚类中心op的欧式度量距离;
当聚类中心确定时,由最近邻法则决定聚类的划分,即对某一地震属性cij,若满足cij与对应的聚类中心op的距离是所有地震属性与聚类中心的最小值,如公式(5)所示:则地震属性cij属于聚类ωj;
其中,d(cij,op)表示地震属性cij到对应的聚类中心op的欧式距离的最小值;按照地震属性聚类划分的类别重新计算聚类中心op,以下列方式更新粒子的适应度函数f(c);
其中,ζ为常数;
用粒子新的适应度值shd和它先前的个体极值pbesthd进行比较,若f(shd)>f(pbesthd),则更新粒子的个体极值pbesthd,令pbesthd=shd;否则不更新;
用粒子新的个体极值pbesthd和全体极值pbestgd进行比较,若f(pbesthd)>f(pbestgd),则更新全体极值pbestgd,令pbestgd=pbesthd;否则不更新;
②更新粒子适应度;
通过公式(7)和式(8)对粒子状态进行更新,使误差不断下降,获得较好的聚类划分;
基本粒子群的速度更新方程为:
vhd(t+1)=θvhd(t)+a1r1(pbesthd‑shd(t))+a2r2(pbestgd‑shd(t)) (7)基本粒子群的位置更新方程为:
shd(t+1)=shd(t)+vhd(t+1),h=1,2,…,n;d=1,2,…,D (8)其中,a1和a2为加速常数,即学习因子;a1和a2分别用来表示个体和群体最好位置对粒子运动速度的影响;r1和r2表示在0到1开区间内的随机数;
n表示粒子维数,D表示空间维数;
t为粒子群算法的迭代次数;vhd(t)表示第h个粒子在第t次迭代中第d维上的速度;shd(t)表示第h个粒子在t次迭代时d维上的位置;θ是粒子的权重系数,其计算公式如下:其中,θmax为初始惯性权重值,θmin为终止惯性权重值,Tmax为最大迭代次数;
若当前迭代次数达到最大迭代次数Tmax或适应度值趋于零,则停止迭代,并输出最优聚类结果,基于粒子群优化的聚类分析法结束;通过聚类结果得到聚类谱系图;
对各类地震属性进行分析优选,获得经过聚类分析后的地震属性;
I.3.对基于粒子群优化的聚类分析法处理后得到的地震属性进行复合运算;
以αij表示在纵横波地震属性集中提取的目标层面的纵波类属性PP,如式(10)所示:以βij表示在纵横波地震属性集中提取的目的层的转换横波属性PS,如(11)式所示:其中,1≤i≤M,1≤j≤N,M为crossline方向的道数,N为inline方向的道数;
利用公式(12)和公式(13)给出的多波复合计算方法,对基于粒子群优化的聚类分析法优选后的地震属性进行复合运算,得到各类复合地震属性;
当一种地震属性集敏感,且另一种地震属性集不敏感,或者两种地震属性均对油气敏感,且其中一种地震属性的敏感程度与油气表征值呈负相关时,使用比值属性和差值属性来突出敏感区;比值属性和差值属性的计算公式如公式(12)所示;
其中,Aij表示差值属性,Bij表示比值属性,1≤i≤M,1≤j≤N;
当两种地震属性集均对油气敏感,且敏感程度与油气表征值呈正相关时,使用乘积属性和叠合属性突出敏感区域压制非敏感区域;乘积属性和叠合属性的计算公式如式(13)所示;
其中,Cij表示叠合属性,Dij表示乘积属性,1≤i≤M,1≤j≤N;
基于粒子群优化的聚类分析法优选后的地震属性进行复合运算,得到各类复合地震属性;
I.4.利用核主成分分析方法优化复合地震属性;
首先采用标准差标准化方法对步骤I.3中获得的多波复合地震属性进行预处理;然后,在高斯径向核函数的作用下,求取复合地震属性的协方差矩阵,并通过特征值分解获得特征值和特征向量;最后,计算主成分贡献率与累计贡献率,按贡献率由大到小的顺序对主成分进行排序,选择与最大特征值对应的特征向量与输入地震属性计算,得出主成分信息;
选择主成分具体数目主要遵循以下两个原则:①主成分的累计贡献率Q值设置为85%;②得到的各主成分特征值需要大于1;
利用公式(14)计算出累计贡献率Q值的大小,计算出前m个主成分的贡献值,从而得到累计贡献率大于或等于85%的前m个主成分;
其中,L为主成分的数量,k=1,2,…L,λk为特征值;
步骤I.3中的复合地震属性经核主成分分析后得到的主成分信息Fm由公式(15)表示为:Fm=γm1X1+γm2X2+…+γmnXn (15)其中,γm1,γm2,……,γmn为特征向量,X1,X2,……,Xn为标准化后的复合地震属性数据;
通过核主成分分析得到主成分数据,将这些数据作为深度神经网络的样本数据;
Ⅱ.基于深度神经网络进行多波地震油气储层的预测;
Ⅱ.1.首先构建深度神经网络模型;其中,深度神经网络某一神经元的输出为:式中, 为深度神经网络中第k层的第j个神经元的输出;
f为深度神经网络的激活函数;
为第k‑1层的第i个神经元到第k层的第j个神经元的连接权重; 表示为输入的地震k
属性样本x的第i个分量; 为深度神经网络模型第k层第j个神经元的偏置项;
Ⅱ.2.深度神经网络模型训练;
在步骤I.4中获得的样本数据中,提取已知井位周围的主成分数据作为深度神经网络模型的训练样本数据;其中,已知井位包括气井和干井;
将训练样本数据输入到深度神经网络模型中,并对深度神经网络模型进行训练;
将深度神经网络的预测输出与期望输出进行比较;若深度神经网络的预测输出与期望输出之间出现偏差,则进行误差反向传播过程;
在误差反向传播中,需要对深度神经网络的预测输出和期望输出进行计算,得到深度神经网络的预测输出和期望输出之间的误差,其误差ek计算公式为:式中,di为期望输出,yi为深度神经网络的预测输出;
深度神经网络在误差反向传播过程中,通过参数优化方法,不断更新各层的权值和偏置,使得深度神经网络的预测输出结果趋近于期望输出;
其中,对深度神经网络的权值和偏置的具体调整过程如下:深度神经网络隐含层的第i个神经元到输出层的第j个神经元的连接权重wij和偏置bj,其从第l个取值到第l+1个取值的更新方式为:wij(l+1)=wij(l)+Δw (18)bj(l+1)=bj(l)+Δb (19)Δw和Δb分别代表权值和偏置的增量,Δw和Δb的表达式如公式(20)和(21)所示:T ‑1 T
Δw=[J(w)J(w)+δI] J(w)ek (20)T ‑1 T
Δb=[J(b)J(b)+δI] J(b)ek (21)其中,J(w),J(b)代表雅可比矩阵,δ为学习率,I为单位矩阵;
在深度神经网络训练刚开始时,误差ek较大,学习率δ较大;随着深度神经网络训练的不断进行,误差ek越来越小,学习率δ逐渐变小;
在预测输出结果趋近于期望输出时,学习率δ趋于0,此时,公式(20)和(21)变为:T ‑1 T
Δw=[J(w)J(w)] J(w)ek (22)T ‑1 T
Δb=[J(b)J(b)] J(b)ek (23)当深度神经网络训练的均方误差满足小于0.001的精度要求时,停止更新并输出训练所得到的权值和偏置;此时,获得训练好的深度神经网络模型;
Ⅱ.3.油气储层预测;
将步骤I.4得到的所有主成分数据作为预测样本输入到经过步骤II.2训练好的深度神经网络模型中,进行仿真预测,进而得到地震油气储层评价图;
Ⅲ.油气储层评价图增强处理;
将步骤Ⅱ中获得的地震油气储层评价图进行图像增强处理;
具体过程如下:首先将图像由RGB空间转换到HSV空间进行图像的增强处理,然后将增强后的图像由HSV空间转换回RGB空间,即可得到地区的油气储层评价图。