地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.

基于U-Net网络的端到端地震高分辨率处理技术

拓展频带提高地震资料分辨率是薄储层预测和岩性尖灭点识别的关键手段.目前提升分辨率主要依靠反褶积谱蓝化、Q补偿等技术,这些方法存在假设条件苛刻、参数求取过程复杂、需要井提供额外信息等问题,为实际工作带来诸多不便.本文采用纯地震数据驱动的思想,通过构建大量三维地震伪反射系数模型,与不同主频的地震子波进行褶积获得不同分辨率的正演地震样本及标签数据,然后采用U-Net深度学习网络开展训练和测试并应用到东海某凹陷实际地震资料进行效果评估.这是一个从输入数据直接得到期望结果的"端到端"模型.结果表明,U-net网络高分辨率处理后地震带宽有效展宽了30%,主频从27.5 Hz提升到了37.5 Hz,对靶区主要目的层多期河道叠置关系的分辨效果提升明显.