基于LinkNet的地震相自动划分

地震相人工解释需要耗费大量的时间和精力，并存在很大的主观性和不确定性，从而直接影响地震资料解释的准确性。虽然深度学习算法已经广泛用于地震相划分，然而由于地震相出现的模式及其空间尺度的多样性，在保证高分辨率以及高精度的同时，提高计算效率仍是一项具有挑战性的任务。为此，提出基于LinkNet的地震相自动划分方法，采用多分类交叉熵与Tversky的加权线性组合作为网络训练的损失函数。Tversky通过调整参数平衡假正类和假负类，进而提升召回率等指标以提高不均衡数据中少数类地震相边界的刻画精度。LinkNet解码层共享编码层的学习特征，使解码层的结构更精简，大大提高了计算效率。在荷兰北海F3区块的测试结果表明：所提方法刻画地震相的精度高于U-Net+PPM(金字塔池化模块),在面对不均衡数据时，对占比较小的类别的关注度更高，并具有更好的边界刻画能力；LinkNet计算速度快，可以在配置更低的设备上运行，较U-Net+PPM更实用。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

沉积相智能地震识别技术研究及应用

通常利用地震反射同相轴的几何形状、横向连续性、振幅、频率和层速度等参数描述沉积相类型。传统的沉积相地震识别方法利用人工解释目标沉积体,受限于解释人员对目标工区的地质认识,工作强度大、效率低,存在多解性。在很多地震勘探工区只能够标定少量标签,这些标签不足以支撑完成强监督学习,此时小样本学习可以作为好的解决方案。为此,以小样本学习为切入点,主要研究碳酸盐岩丘滩体沉积相预测方法,探讨了基于小样本学习方法在沉积相识别方面的应用效果。在小样本弱监督学习方面,首先根据地震反射构型以及钻井信息建立了典型地震剖面地震相标签库,在川中地区灯影组地震数据中共解释了14条地震剖面作为训练标签,占总数的2.8%。其次,基于层序地层格架控制的沉积相智能分类方法,利用地震层序格架构建隐式标量场,引入地震层位的空间变化信息,避免了深度学习在地震相预测过程中未引入地质信息的缺陷,提高了沉积相智能预测精度。利用所提方法刻画了四川盆地川中地区灯影组碳酸盐岩微生物丘滩体,结果表明：礁体受控于台地边缘斜坡,对礁体边界等的预测结果与地震信息高度吻合,符合地质规律;在平面上,礁体呈条带状分布,与台地边缘的分布基本吻合,与沉积相一...     

地震倒谱特征参数谱聚类地震相分析方法

常用的地震相分析方法有随机模拟、神经网络、聚类算法和深度学习等。随机模拟结果易受随机模型影响,而且在地质结构复杂地区难以准确划分地震相。神经网络和深度学习具有较强的容错性和泛化能力,但需要海量训练样本数据,同时训练网络的计算量巨大。K均值聚类、C模糊聚类等经典聚类算法在简单数据集上均获得了理想的聚类结果,但对于非凸数据集并不能实现全局最优。为此,提出一种基于地震数据倒谱特征参数的谱聚类地震相分析方法。该方法以地震倒谱特征参数为谱聚类的输入变量,然后通过井标定,建立地震相与地质体间的对应关系。以图论为基础的谱聚类方法将数据的聚类转化为图的分割问题,通过图的最优分割实现数据的精确聚类。通过优化相似度矩阵计算方法,构建稀疏相似度矩阵,可以解决矩阵维度过大引起的存储和计算量大的问题,使谱聚类更适用于划分三维空间地震相。地震倒谱特征参数一方面能减少数据的维数,降低计算复杂度;另一方面能消除波形的影响,提高划分精度。模型试验和实际数据应用表明,与地震瞬时振幅、多地震属性地震相划分结果相比,所提方法划分的地震相带与古地貌吻合更好,边界更清晰,可解释性也更好,可为油气勘探和油藏评价提供数据支撑。     

四川盆地西部地区窄河道砂岩精细刻画关键技术

四川盆地西部地区陆相中侏罗统沙溪庙组和上侏罗统蓬莱镇组河道砂体整体表现为厚度薄、宽度窄、多期叠置且岩性致密的特点,单河道相带与储层空间刻画、储层定量预测与描述困难,制约了对该区气藏的开发评价。为此,在地震资料高保真、高分辨率目标处理的基础上,采用时频域频变能量融合、三维可视化子体追踪多域多属性相带空间融合刻画技术,基于射线参数域的改进三参数反演的砂体定量预测技术和基于孔隙介质渐进方程反演的流体识别技术,围绕沉积相、岩相、物相、流体相开展河道砂岩精细刻画,形成了河道砂岩储层精细刻画系列技术,并进行了现场应用。研究结果表明：①河道砂岩气藏地震资料目标处理关键技术可实现致密砂岩气藏地震资料高效高品质处理,为区内河道砂岩的边界识别、分期次刻画及精细定量描述等夯实了基础;②多域多属性相带刻画技术可有效刻画不同河道的边界及内部的非均质性,突出地质体空间轮廓,实现复合相位内叠置河道分期次精细刻画;③基于射线参数域的改进三参数反演的定量预测技术和基于孔隙介质渐进方程反演的流体识别技术能够有效提高储层物性和含气性的预测。结论认为,该系列技术提高了川西致密岩性气藏地震资料的分辨率,增强了对复合相位内叠置河道砂期次的识别能力,实现了对河道砂岩储层外形空间及内幕的精细刻画,突破了薄层岩相、物相及流体相高精度定量预测技术瓶颈,从根本上破解了制约陆相薄层、叠置窄河道致密砂岩气藏高效开发的难题。     

地震分频解释技术在川西陆相砂岩储层预测中的应用

分频解释技术是沿着目的储层或固定时窗对地震反射成分中各种频率成分对应的调谐能量进行识别成像,有效地避免了常规属性分析的调谐陷阱,提高了薄储层识别能力,能更客观反映地质体外形,刻画薄储层分布,寻找岩性油气藏边界,对于陆相砂岩储层预测意义重大。将该技术运用于川西侏罗系千佛崖组冲积扇相砾岩储层、上三叠统须四段河流三角洲相砂岩储层预测中,识别的冲积扇、三角洲水下分流河道等地质体外形和边界清晰,冲积扇内辫状河道相薄层砾岩储层亦得到清晰刻画,识别了一直困扰勘探的复杂地层结构中的薄有效储层。预测结果与钻井情况吻合。     

东濮凹陷西南洼沙二下砂泥岩薄互层地震描述技术

东濮凹陷是一个典型的陆相盐湖断陷盆地,砂泥岩薄互层是常见的沉积叠加样式,同时西南洼地区沙二下储层以浅水三角洲沉积体系为主,单层砂体薄,岩性横向变化快,且受到复杂断裂影响,储层边界刻画不清.为此,提出了一种基于地震相控储层反演技术流程:首先,通过精细岩性标定及井震统计分析,优选反映砂岩厚度的敏感地震属性;然后,运用多属性融合技术刻画地震相,并以地震相进行约束,建立反演低频模型,开展叠后反演;最后,通过坐标旋转与叠前反演技术相结合,实现储层的精细预测.应用结果表明,该技术流程能够有效解决薄储层砂体边界刻画不清以及垂向识别能力不足的问题,可为东部其他区域砂泥岩薄互层地震识别提供借鉴.     

基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用

准确描述并预测裂缝空间分布是裂缝型潜山油藏储层开发的前提条件,裂缝型潜山油藏构造复杂、断层发育、地震反射多表现为空白或杂乱反射,传统的依赖模型的反演方法难以表征复杂的潜山断裂系统。为此,提出了以测井裂缝敏感参数FIC c为训练目标的深度信念网络反演方法。首先基于碳酸盐岩裂缝在测井曲线上的响应特征,综合伽马、井径等曲线,构建敏感性裂缝识别参数FIC c;然后以基于优选井计算的FIC c曲线作为训练目标、以井旁地震数据作为训练特征构成训练样本,通过训练深度信念网络,建立井旁地震数据与FIC c曲线之间的非线性映射关系;最后将训练成熟的网络模型应用到整个地震数据体,反演得到裂缝识别参数FIC c,进而预测裂缝空间分布。S区潜山裂缝预测的应用结果表明,测井裂缝识别参数FIC c识别结果与成像测井裂缝识别结果基本吻合,FIC c作为训练目标在S区裂缝预测中具有较好的可靠性;应用深度信念网络反演的解释结果表明S区潜山主要发育北东向裂缝,呈带状沿断层大面积发育,与熵属性刻画的裂缝发育带一致性较好,钻井吻合率达71%。     

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。     

波形分类中半自动确定分类数的方法

 波形分类方法是现今比较成熟的地震相分析方法,此法已在岩性预测、砂体预测、裂缝性油气藏和隐蔽性油气藏预测中得到广泛的应用。然而,在以往实际应用中采用输入层为二维Kohonen网络进行地震相分类数的选择都是靠经验或试验方法确定的,增加了分类的不确定性和相应的工作量。本文提出了用改进的输出层为一维的自组织神经网络,半自动地估计地震相分类数。理论模型验证和实例应用表明,改进的Kohonen网络能很好地估计地震相分类数,从而实现快速准确地划分地震相。     

深层-超深层碳酸盐岩储层精细地质建模技术进展与攻关方向

深层-超深层碳酸盐岩油气是业界普遍关注的热点和重点领域。如何精准刻画深层-超深层碳酸盐岩储集体空间展布及储集参数分布特征,是高效勘探开发面临的重大技术问题。在对储层地质分析、测井评价、地震预测、地质建模等相关技术发展现状分析的基础上,针对深层-超深层碳酸盐岩储层研究面临资料少、品质差、精度低,加之储层非均质性强等难题,深入开展了深层碳酸盐岩优质储层发育机理与分布规律研究,研发集成了深层碳酸盐岩储层描述与建模的关键技术系列,包括：(1)多尺度、多属性深层碳酸盐岩储层知识库构建技术;(2)地质分析新技术——从宏观到微观的储层地质观测分析技术,储层微区原位沉积、成岩环境定性-定量分析技术,储层发育机理与过程实验和数值模拟分析技术;(3)深层碳酸盐岩储层测井解释新技术——基于全域测井仿真的储层类型识别与参数定量评价技术,基于机器学习的沉积微相识别技术;(4)深层碳酸盐岩储层地震预测新技术——深层碳酸盐岩地震岩石物理建模技术,岩石物理引导的机器学习储层参数预测与不确定性评价技术;(5)深层碳酸盐岩地质建模新技术——多点地质统计学新算法,地质过程模拟技术,人工智能地质建模技术。分别建立了面控、断控...     

地震分频技术在扇三角洲演化过程研究中的应用

地震分频是应用离散傅立叶变换(DFT)或最大熵方法,将地震数据分解成不同频率域的调谐体技术,该项技术一般应用在薄层预测方面的研究。根据储层的厚度及分布特征,选择合适时窗参数,提取地震主频率。根据地震主频在平面上的变化,可以检测沉积体边界的变化,为沉积相演化过程提供准确依据。根据地震主频率与储层厚度的转换关系,可以进一步计算储层厚度。TLG油田J2井区九佛堂组-沙海组地层发育扇三角洲沉积,通过应用地震分频技术,重点分析了研究区九佛堂组-沙海组扇三角洲的平面分布及其纵向演化规律,判断了南部边界断裂处物源在不同时期的变化特征。实例应用显示,该方法在克服常规预测沉积相边界不确定性的同时,大大提高了常规地震相识别的精细程度。     

数据增广和主动学习在波阻抗反演中的应用

在实际应用中,深度卷积网络以大量数据驱动模型进行网络训练,以获得地震数据与阻抗之间的映射关系,但需大量合成数据对网络训练后,再应用少量实际数据对网络进行迁移学习。为此,提出了一种基于数据增广和主动学习的地震波阻抗反演方法。数据增广首先通过同频率重采样对单道原波阻抗数据进行增广,再求取增广后的反射系数和随机核,最后计算增广后的地震数据。将增广后的地震和波阻抗数据作为训练集,结合主动学习思想选择最大误差样本对网络进行迭代训练。该方法不仅可以避免地震子波估计,而且能用少量的标签数据训练出预测精度更高的网络。Marmousi 2模型测试结果表明,该方法仅需十分之一标签数据和迭代次数就能达到与随机迭代训练方法相近的预测精度,且预测误差在剖面上分布更均匀。     

利用Kohonen神经网络划分二维地震相——以柴达木盆地E区风险勘探为例

为研究柴达木盆地E区大型背斜构造沉积相及砂体展布规律,在二维地震数据闭合差校正、邻区井标定引入及精细层位解释基础上,利用改进算法的Kohonen神经网络技术开展二维地震相划分研究,识别出三角洲前缘水下分流河道、分流间湾及滩坝等微相。本文研究认为,研究区古流向为南东—北西向,储集砂体较发育,主要富集于研究区中部,现今构造...     

无监督神经网络地震属性聚类方法在沉积相研究中的应用

基于自组织映射神经网络分析技术（SOMA）划分地震相是一种属性综合聚类方法,开展地震属性优选、确定聚类种数、分析地震相—沉积相关系是该方法应用过程中的关键。针对银额盆地白垩系苏红图组主力生油层系,充分挖掘叠后地震资料中反映的地震相类别信息,在地震沉积学理论指导下,应用SOMA进行属性聚类分析,并结合地质资料开展地震相—沉积相研究。优选均方根振幅、信息熵、混沌李、分形关联维等4种地震属性进行聚类分析。研究结果表明,艾特格勒凹陷苏红图组主要发育扇三角洲、辫状河三角洲、滨浅湖、深湖等沉积相。应用此技术降低了少井区地震相—沉积相分析结果的不可靠性,为油气新区勘探的沉积相分析提供了新的依据,是一种切实可行的技术。