發(fā)布時間：2018-04-14 12:24

  本文選題：含氣性檢測 + 深度學習�。� 參考：《成都理工大學》2017年碩士論文

【摘要】：儲層的含氣性評價是天然氣勘探的核心,目前大部分儲層埋藏較深,地震響應特征微弱,孔隙流體響應微弱,儲層與非儲層差異微弱,導致天然氣儲層的含氣性檢測十分困難。經過幾十年的持續(xù)努力,地震勘探學家已經研究發(fā)展了一些在一定條件下效用顯著的含氣性檢測方法技術,如“亮點”技術、AVO技術等。這些方法技術都有成功的案例,但這些方法也存在局限性,其成功應用須滿足一定前提條件。利用地震資料進行儲層含氣性評價,仍是世界性難題。為了更好地進行儲層的烴類檢測,提高地震勘探資料的利用率,充分挖掘地震數據中的有效孔隙流體信息,進一步豐富地震屬性種類,本文將人工智能領域的研究熱門—深度學習自動特征提取技術引入地震勘探領域,目標是使用深度學習方法從地震數據中挖掘“三弱”天然氣儲層的內稟地震特征,以期識別天然氣儲層。論文的主要研究內容與成果如下:1.研究適用于儲層地震特征提取的深度學習模型。2006年Hinton提出的深度學習原形—深度置信網絡(DBN)是由無監(jiān)督淺層學習模型之一的限制玻爾茲曼機(RBM)堆疊形成。RBM是概率生成模型,在建模二值圖像數據、提取圖像特征表現出了優(yōu)越的能力,但是在模擬連續(xù)數據時效果卻不盡人意。因此,本文采用連續(xù)限制玻爾茲曼機(CRBM)構建出連續(xù)深度置信網絡(CDBN)模型。CRBM是RBM的連續(xù)版本,它在保持RBM的所有性質下,能很好地模擬連續(xù)數據。本文也將稀疏限制加入了CRBM產生連續(xù)稀疏限制玻爾茲曼機(CSRB M),并構建連續(xù)稀疏深度置信網絡(CSDBN)。在此基礎上將CDBN或CSDB N遷移到堆疊自編碼器,構成連續(xù)深度自編碼神經網絡(CDAE)或連續(xù)稀疏降噪深度自編碼神經網絡(CSDDAE),完成了整個深度學習特征提取模型的程序設計。2.研究提出了深度學習類別指定性特征的選取方法。深度學習模型訓練完成后會得到多個特征,并不是所有特征都對目標任務(含氣性識別)有指示作用。在獲得的特征較多的情況下通過相似性參數(例如相關系數、距離)選擇類別指定性特征。3.將CRBM結合支持向量機(SVM)形成CRBM-SVM模型對川西海相灰?guī)r及白云巖進行識別,正確率達到了81.9%,基于同樣的支持向量機,CRBM提取特征識別正確率要高于主成分分析(PCA)提取特征,無監(jiān)督淺層特征學習模型CRBM提取的特征比PCA得到的特征更具有區(qū)分性。4.對川西海相碳酸鹽巖儲層開展了基于地震數據深度學習特征提取的應用研究。研究區(qū)目標層位于雷口坡頂部,地震響應特征微弱,該區(qū)域目前僅有三口井,測井資料少,儲層預測和含氣性檢測困難。本文提出了三維地震數據及一維地震數據深度學習特征提取方法,聚類分析結合測井資料表明分類結果較準確地區(qū)分含氣井、含水井。同時對三維地震數據深度學習特征聚類分析及一維地震數據深度學習特征聚類分析進行了對比。認為三維地震數據的深度學習特征聚類結果類別劃分界限更清晰,噪音更少,連續(xù)性更強。5.對深度學習高層特征聚類分析、淺層特征聚類分析及原始數據聚類分析進行了對比,認為深度學習高層特征聚類效果比淺層特征及原始數據聚類效果好,類別劃分界限更清晰。6.通過聚類分析優(yōu)選出了深度學習最高層含氣指示性特征并進行了分析。指定性特征在孝深1井、川科1井以及新深1井的分布與測井資料基本符合,驗證了基于地震數據深度學習的特征提取方法用于天然氣儲層檢測是可行的。
[Abstract]:......
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：P618.13

【引證文獻】

相關期刊論文 前1條

1 曹俊興;;深度學習及其在深層天然氣儲層預測中的應用實驗[J];物探化探計算技術;2017年06期

，

本文編號：1749309