【技術實現步驟摘要】
本專利技術屬于石油天然氣勘探開發，具體涉及一種基于三維地震屬性融合的沉積相預測裝置及方法。
技術介紹
1、經過多年勘探，未探明構造油氣藏愈發少見，巖性油氣藏逐漸成為焦點。廣泛分布的巖性油氣藏潛在產量巨大，因此，對巖性儲集體分布的預測和三維地質建模至關重要。從分布規律來看，巖性圈閉都是受沉積相帶控制的，不同的沉積相限定了巖性圈閉分布范圍及儲集性能。因而，探尋巖性圈閉對沉積相分布的預測具有很強的依托性。
2、在沉積相分布預測方面，相關技術中提出了例如序貫指示模擬方法和地震沉積相預測方法。這些方法在沉積相識別方面達到了一定的效果，但是預測得到的沉積相分布與研究區真實情況具有較大的差異。
技術實現思路
1、為了克服現有技術的不足，本專利技術提供一種基于三維地震屬性融合的沉積相預測裝置及方法，通過三維地震數據和主成分分析法，確定主成分三維地震屬性體；構建并訓練三維卷積神經網絡模型，利用井筒數據和主成分三維地震屬性體之間的關系，利用三維卷積數據網絡模型對沉積相進行預測并構建三維概率數據體，并使用序貫高斯同位協同模擬構建沉積相地質模型，進而提供一種巖性儲集體的找尋方法。
2、本專利技術的上述目的是通過以下技術方案實現的：
3、基于三維地震屬性融合的沉積相預測裝置，包括：
4、確定模塊，用于基于目標井區的三維地震數據和主成分分析法，確定所述目標井區的主成分三維地震屬性體；
5、訓練模塊，用于構建并訓練三維卷積神經網絡模型，學習所述目標井區
6、預測模塊，用于基于訓練完成的所述三維卷積數據網絡模型對無井區的沉積相進行預測并構建三維概率數據體；
7、構建模塊，用于基于所述三維概率數據體，通過序貫高斯同位協同模擬構建沉積相地質模型，所述沉積相地質模型用于巖性儲集體的找尋。
8、本專利技術的另一目的是保護上述基于三維地震屬性融合的沉積相預測裝置的預測方法，步驟為：
9、1.基于目標井區的三維地震數據和主成分分析法，確定所述目標井區的主成分三維地震屬性體；
10、2.構建并訓練三維卷積神經網絡模型，學習所述目標井區的井筒數據和所述主成分三維地震屬性體之間的關系；所述井筒數據包括測井數據和沉積相數據；
11、3.基于訓練完成的所述三維卷積數據網絡模型對無井區的沉積相進行預測并構建三維概率數據體；
12、4.基于所述三維概率數據體，通過序貫高斯同位協同模擬構建沉積相地質模型，所述沉積相地質模型用于巖性儲集體的找尋。
13、進一步的，所述步驟1具體為：基于所述三維地震數據進行體屬性提取，獲取所述目標井區的原始三維地震屬性體；利用主成分分析法對所述原始三維地震屬性體進行篩選，得到所述目標井區的主成分三維地震屬性體。
14、進一步的，所述步驟2中訓練三維卷積神經網絡模型具體為：對主成分三維地震屬性體進行數據拆分，以同等大小的小三維數據體作為所述三維卷積神經網絡模型的輸入；將輸入數據依次經過第一卷積層、第一下采樣層、激活函數、第二卷積層、第二下采樣層、激活函數、第三卷積層、第三下采樣層、激活函數、第四卷積層、第四下采樣層、激活函數，將所述第四卷積層得到的特征數據體轉換為列向量數據；將所述列向量數據依次經過第一全連接層、第二全連接層和softmax分類層，輸出列向量作為不同沉積相的概率。
15、進一步的，所述步驟2中三維卷積神經網絡的訓練采取最小批量梯度下降優化法。
16、進一步的，所述步驟3具體為：對所述無井區的主成分三維地震屬性體進行數據拆分，截取為同等大小的小三維數據體；將所述小三維數據體輸入訓練完成的所述三維卷積神經網絡模型，輸出沉積相概率，作為所述無井區的沉積相預測結果并構建三維概率數據體。
17、進一步的，所述步驟4具體為：通過對所述目標井區的單井解釋，獲取所述目標井區的巖相在不同方向的變差函數；基于所述三維概率數據體、所述變差函數和所述沉積相數據，通過序貫高斯同位協同模擬構建沉積相地質模型。
18、本專利技術與現有技術相比的有益效果是：通過主成分分析法對三維地震屬性體進行篩選，并以井區的數據對三維卷積數據網絡的訓練，從而實現對無井區的沉積相的預測，同步利用序貫高斯同位協同模擬對預測結果進行優化，獲得最終的沉積相地質模型，實現巖性儲集體的找尋，預測結果受多種數據的約束，準確度更高，更符合真實的地質模式，同時預測效率提高，人為干擾度降低。
本文檔來自技高網...【技術保護點】
1.基于三維地震屬性融合的沉積相預測裝置，其特征在于，包括確定模塊、訓練模塊、預測模塊、構建模塊。
2.基于權利要求1所述的三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，步驟為：
3.根據權利要求2所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟S1具體為：基于所述三維地震數據進行體屬性提取，獲取所述目標井區的原始三維地震屬性體；利用主成分分析法對所述原始三維地震屬性體進行篩選，得到所述目標井區的主成分三維地震屬性體。
4.根據權利要求2所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟S2中訓練三維卷積神經網絡模型具體為：對主成分三維地震屬性體進行數據拆分，以同等大小的小三維數據體作為所述三維卷積神經網絡模型的輸入；將輸入數據依次經過第一卷積層、第一下采樣層、激活函數、第二卷積層、第二下采樣層、激活函數、第三卷積層、第三下采樣層、激活函數、第四卷積層、第四下采樣層、激活函數，將所述第四卷積層得到的特征數據體轉換為列向量數據；將所述列向量數據依次經過第一全連接層、第二全連接層和Soft
5.根據權利要求4所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟S2中三維卷積神經網絡的訓練采取最小批量梯度下降優化法。
6.根據權利要求2所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟S3具體為：對所述無井區的主成分三維地震屬性體進行數據拆分，截取為同等大小的小三維數據體；將所述小三維數據體輸入訓練完成的所述三維卷積神經網絡模型，輸出沉積相概率，作為所述無井區的沉積相預測結果并構建三維概率數據體。
7.根據權利要求2所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟S4具體為：通過對所述目標井區的單井解釋，獲取所述目標井區的巖相在不同方向的變差函數；基于所述三維概率數據體、所述變差函數和所述沉積相數據，構建沉積相地質模型。
8.根據權利要求7所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，通過序貫高斯同位協同模擬構建沉積相地質模型。
...【技術特征摘要】
1.基于三維地震屬性融合的沉積相預測裝置，其特征在于，包括確定模塊、訓練模塊、預測模塊、構建模塊。
2.基于權利要求1所述的三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，步驟為：
3.根據權利要求2所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟s1具體為：基于所述三維地震數據進行體屬性提取，獲取所述目標井區的原始三維地震屬性體；利用主成分分析法對所述原始三維地震屬性體進行篩選，得到所述目標井區的主成分三維地震屬性體。
4.根據權利要求2所述的基于三維地震屬性融合的沉積相預測裝置的預測方法，其特征在于，所述步驟s2中訓練三維卷積神經網絡模型具體為：對主成分三維地震屬性體進行數據拆分，以同等大小的小三維數據體作為所述三維卷積神經網絡模型的輸入；將輸入數據依次經過第一卷積層、第一下采樣層、激活函數、第二卷積層、第二下采樣層、激活函數、第三卷積層、第三下采樣層、激活函數、第四卷積層、第四下采樣層、激活函數，將所述第四卷積層得到的特征數據體轉換為列向量數據；將所述列向量數據依次經過第一全連...
【專利技術屬性】
技術研發人員：張輝，陳栗，馬文艷，趙宏宇，吳海瑞，程志遠，劉奇，蘭雪，王直，趙妍，
申請(專利權)人：中國石油天然氣股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。