基于深度学习的地震岩相反演方法

复杂岩性预测是地震储层预测的难题,基于机器学习的非线性反演是识别岩性的有效手段。常规方法多以测井特征曲线(伽马曲线等)为学习目标,利用BP神经网络建立非线性映射预测岩性体,但这种方法存在两个问题,一是井震分辨率不匹配,二是BP神经网络在反演过程中存在局部收敛、效果不稳定以及非线性表征能力弱的问题。为解决这些问题,一是通过引入地震岩相概念解决井震分辨率不匹配问题,二是将深度学习引入到地震岩相反演中,经过优化样本采样、抽取相控伪井解决大样本集的构建问题,采用增量学习的策略进一步提高预测模型的精度和稳定性。以分频地震数据作为预测模型的输入,井岩相曲线为反演目标,实现了基于深度学习的地震岩相反演,有效解决了复杂岩性预测的难题。将该方法应用于海上某深水陆坡水道沉积研究区(该区发育灰岩、钙质砂岩、砂岩和泥岩4种岩相,岩石物理规律复杂,区分困难)岩性预测,结果表明,基于深度学习的地震岩相反演结果与井资料吻合,与地质认识相符。与叠前反演方法和BP神经网络学习岩相反演方法相比,基于深度学习的地震岩相反演方法准确度和分辨率更高,证明该方法是复杂岩性预测的有效手段。