多波地震深度学习的油气储层分布预测案例

被引：97

作者：

付超 ^{[1
,2
]}

林年添 ^{[1
,2
]}

张栋 ^{[3
]}

文博 ^{[4
]}

魏乾乾 ^{[5
]}

张凯 ^{[1
]}

机构：

[1] 山东省沉积成矿作用与沉积矿产重点实验室山东科技大学地球科学与工程学院

[2] 海洋国家实验室海洋矿产资源评价与探测技术功能实验室

[3] 海底科学与探测技术教育部重点实验室中国海洋大学地球科学学院

[4] 山东科瑞机械制造有限公司

[5] 山东省煤田地质局

来源：

地球物理学报 | 2018年 / 61卷 / 01期

关键词：

多波地震; 卷积神经网络; 支持向量机; 深度学习; 油气储层预测;

D O I：

暂无

中图分类号：

P618.13 [石油、天然气]; P631.4 [地震勘探];

学科分类号：

070403 [天体物理学];

摘要：

有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法(Deep Learning Method).首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明:本论文方案不仅具有可行性,且具有有效性.

引用

页码：293 / 303

页数：11

共 19 条

[1]

Modeling spatio-temporal distribution of soil moisture by deep learning-based cellular automata model.[J].SONG Xiaodong;ZHANG Ganlin;LIU Feng;LI Decheng;ZHAO Yuguo;YANG Jinling;.Journal of Arid Land.2016, 05

[2]

基于SOM和PSO的非监督地震相分析技术 [J].

张 ;

郑晓东 ;

李劲松 ;

路交通 ;

曹成寅 ;

隋京坤 .

地球物理学报, 2015, 58 (09) :3412-3423

[3]

基于SVM测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例 [J].

牟丹 ;

王祝文 ;

黄玉龙 ;

许石 ;

周大鹏 .

地球物理学报, 2015, 58 (05) :1785-1793

[4]

用于速度自动拾取的路径积分优化法与光顺处理技术 [J].

林年添 ;

刘洪 ;

李桂花 ;

汤健健 ;

魏立杰 .

地球物理学报, 2013, 56 (01) :246-254

[5]

基于支持向量机的非线性AVO反演 [J].

邴萍萍 ;

曹思远 ;

路交通 .

地球物理学报, 2012, 55 (03) :1025-1032

[6]

地震复合属性——地震属性提取与解释新方法 [J].

张军华 ;

朱焕 ;

高荣涛 ;

周振晓 .

新疆石油地质, 2007, (04) :494-496+503

[7]

神经网络结构风险最小油气预测 [J].

张向君 ;

李幼铭 ;

刘洪 .

石油地球物理勘探, 2002, (01) :73-76+98

[8]

利用BP神经网络进行测井资料外推 [J].

陆文凯 ;

牟永光 .

石油地球物理勘探, 1996, (05) :712-715+750

[9]

神经网络在油气评价和预测方面的研究现状 [J].

刘瑞林 ;

马在田 .

地球物理学进展, 1995, (02)

[10]

A survey on computational intelligence approaches for predictive modeling in prostate cancer.[J].Georgina Cosma;David Brown;Matthew Archer;Masood Khan;A. Graham Pockley.Expert Systems With Applications.2017,

← 1 2 →