河流相儲層通常具有橫向變化快、地震反射特征多解性強的特點,因而河流相儲層地震預(yù)測難度大。將測井信息與地震多屬性相結(jié)合實現(xiàn)河流相儲層地震預(yù)測,傳統(tǒng)的方法包括多元線性回歸方法、地質(zhì)統(tǒng)計學方法和BP神經(jīng)網(wǎng)絡(luò)等。人工智能深度學習方法為井震信息的融合提供了新的解決思路。通過構(gòu)建井震學習樣本,提出了一種基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的井震融合儲層預(yù)測方法。從儲層沉積連續(xù)性角度,將地震數(shù)據(jù)看成具有縱向聯(lián)系的時序數(shù)據(jù),以CD地區(qū)100余口井館上段地層的儲層和非儲層為學習樣本,構(gòu)建雙向循環(huán)神經(jīng)網(wǎng)絡(luò)儲層預(yù)測方法,通過訓練優(yōu)選超參數(shù)建立井震融合的深度學習儲層預(yù)測模型。該預(yù)測模型應(yīng)用于CD地區(qū)河流相儲層預(yù)測的效果顯著,細小河道形態(tài)清楚,預(yù)測精度高,有效指導了CD地區(qū)的勘探部署。 

【文章頁數(shù)】：8 頁

【文章目錄】：
1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的構(gòu)建
    1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    1.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2 樣本構(gòu)成及網(wǎng)絡(luò)模型訓練
    2.1 樣本數(shù)據(jù)準備
    2.2 數(shù)據(jù)預(yù)處理
    2.3 超參數(shù)和優(yōu)化方法選擇
    2.4 模型訓練
3 模型應(yīng)用
4 結(jié)論


【參考文獻】：
期刊論文
[1]基于深度學習的地震巖相反演方法[J]. 劉力輝,陸蓉,楊文魁.  石油物探. 2019(01)
[2]基于深度學習卷積神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)隨機噪聲去除[J]. 韓衛(wèi)雪,周亞同,池越.  石油物探. 2018(06)
[3]地震油氣儲層的小樣本卷積神經(jīng)網(wǎng)絡(luò)學習與預(yù)測[J]. 林年添,張棟,張凱,王守進,付超,張建彬,張沖.  地球物理學報. 2018(10)
[4]地震多屬性孔隙因子參數(shù)反演及其在伊拉克M油田碳酸鹽巖儲層預(yù)測中的應(yīng)用[J]. 張顯文,曹樹春,聶妍,趙衛(wèi)平,段曉夢,楊喜彥.  石油物探. 2018(05)
[5]基于支持向量機的交互檢驗儲層預(yù)測[J]. 張向君,張曄.  石油物探. 2018(04)
[6]無監(jiān)督與監(jiān)督學習下的含油氣儲層預(yù)測[J]. 林年添,付超,張棟,金興,張凱,文博,魏乾乾,張沖.  石油物探. 2018(04)
[7]基于深度學習的測井巖性識別方法研究與應(yīng)用[J]. 安鵬,曹丹平.  地球物理學進展. 2018(03)
[8]多波地震深度學習的油氣儲層分布預(yù)測案例[J]. 付超,林年添,張棟,文博,魏乾乾,張凱.  地球物理學報. 2018 (01)
[9]多屬性分析及斷裂識別技術(shù)在酒泉盆地油氣勘探中的應(yīng)用[J]. 孫成田,趙偉,雷福平,朱俊杰,肖文華,魏浩元.  石油地球物理勘探. 2017(S2)
[10]卷積神經(jīng)網(wǎng)絡(luò)在儲層預(yù)測中的應(yīng)用研究[J]. 段友祥,李根田,孫歧峰.  通信學報. 2016(S1)



本文編號：3657360