基于深度学习和进化学习的多尺度地质特征检测融合方法与流程

本发明涉及地质特征检测融合技术领域，具体为一种基于深度学习和进化学习的多尺度地质特征检测融合方法。

背景技术：

近几年来国内外的一些公司和研究机构在储层描述的研究方面取得了一些新的进展。曹俊兴等人的2017年的专利基于地震数据深度学习的储层检测方法；2016年成国建等应用深度学习算法研究岩石图像处理；2016年段友祥等应用卷积神经网络预测地质储层参数；2018年郑宇哲应用深度学习研究储层物性参数；2017年smith等应用深度学习进行数据融合研究等。

储层描述技术是应用于石油行业地震数据解释的一种技术，该技术利用地震数据的振幅，频率以及相位信息来提取地下石油储层的孔隙度，含水饱和度，以及含油气的成分，另外还可以计算地下含有油气储层的密度，地震波传播的速度等特性。目前基于测井数据和地震数据反演的分析方法不能完全准确识别储层的空隙度，流体成分以及油气的含量，目前的应用研究主要是将深度学习的现有技术应用在石油领域进行储层预测，对于智能学习的本质激励并没有深入的研究，

技术实现要素：

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于深度学习和进化学习的多尺度地质特征检测融合方法，解决了目前基于测井数据和地震数据反演的分析方法不能完全准确识别储层的空隙度，流体成分以及油气的含量，以及目前的应用研究主要是将深度学习的现有技术应用在石油领域进行储层预测，对于智能学习的本质激励并没有深入的研究的问题。

(二)技术方案

为达到以上目的，本发明采取的技术方案是：一种基于深度学习和进化学习的多尺度地质特征检测融合方法，包括以下步骤：

s1、储层评价参数的输出。

s1.01、根据输入的多数据体，地震数据，测井录井数据生成单体和多体联合特征数据，对特征数据进行标注。

s1.02、根据相关的地质数据寻找目标层位信息，将目标层位标注，包括联合目标层位标注和相关层位标注。

s1.03、将多个层位数据和数据形成新的结构体组合，对结构体数据进行组合。

s1.04、提取相关的结构体数据，利用新生的区域数据配置参数。

s1.05、输入学习的算法和网络结构。

s1.06、提取区域数据的学习结果和特征数据。

s1.07、将特征数据和学习结果重新输入组合分析。

s1.08、将分析结果输入评价函数，并生成评价的结果。

s1.09、将评价结果输入步骤s1.03，重复步骤s1.03到步骤s1.08，直到评价结果稳定。

s1.010、将评价的结果输入到分解函数，输出储层的评价参数。

s2、对储层的评价参数进行预测分析。

s2.01、利用输入函数按照次序输入多种数据体包括地震和测井，录井数据，对各自的数据进行数值区域分解与合成。

s2.02、对于分解后的数据进行数据融合和重分解。

s2.03、对充分解后的数据提取特征数据，基于数据的特点，重新匹配数据生成相关多体数据和联合体数据。

s2.04、根据数据和特征数据，对目标等位进行全自动标注和识别。

s2.05、对目标层位和多元数据体进行识别和组合，构建学习体系结构，生成新的结构体。

s2.06、根据结构体数据生成新的区域数据以及参数。

s2.07、在新的区域输入特征数据并运行智能学习算法。

s2.08、将智能学习的结果输入组合评价函数，根据评价函数的输出结果确定进一步学习的区域和数据。

s2.09、将智能学习的结果输入到信息分解函数，信息分解函数输出对各个储层的参数评价和预测。

优选的，所述步骤s2中智能学习的方法包括机器学习和深度学习，以及自适应学习，主要是提取和学习相关的数据以及提取一些相关的特征，根据不同的特征确定不同的学习方法。

优选的，所述进化学习包括输入已经解释的数据、地震数据、地震属性数据和地震地质特征挖掘数据，设计进化学习网络结构，测试数据，实际数据应用以及大数据并行计算模型训练及应用。

(三)有益效果

本发明的有益效果在于：

1、该基于深度学习和进化学习的多尺度地质特征检测融合方法，技术路线更复杂，更具有数据相对性，针对不同的数据会运用的各自的学习方法和数据结构，根据不同的数据实现不同的进化和学习，不同的模型可以针对不同的地质情况进行预测和评估，学习过程当中会实现模型的自我纠正和改进，以及参数的评估，学习过程不含固定的模型和模式，最终生成的储层参数更具有地质的意义，对于储层参数的预测也会更接近实际情况

2、该基于深度学习和进化学习的多尺度地质特征检测融合方法，其中不同的深度学习的方法对于不同的数据进行分析会产生不同的效果，本发明将利用多数据体以及合成数据特征，将目前比较成熟的智能技术应用于储层描述，并且生成客观稳定评价的办法。

附图说明

图1为本发明整体地质特征检测融合方法流程示意图；

图2为本发明进化学习网络结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-2所示，本发明提供一种技术方案：一种基于深度学习和进化学习的多尺度地质特征检测融合方法，包括以下步骤：

s1、储层评价参数的输出。

s1.01、根据输入的多数据体，地震数据，测井录井数据生成单体和多体联合特征数据，对特征数据进行标注。

s1.02、根据相关的地质数据寻找目标层位信息，将目标层位标注，包括联合目标层位标注和相关层位标注。

s1.03、将多个层位数据和数据形成新的结构体组合，对结构体数据进行组合。

s1.04、提取相关的结构体数据，利用新生的区域数据配置参数。

s1.05、输入学习的算法和网络结构。

s1.06、提取区域数据的学习结果和特征数据。

s1.07、将特征数据和学习结果重新输入组合分析。

s1.08、将分析结果输入评价函数，并生成评价的结果。

s1.09、将评价结果输入步骤s1.03，重复步骤s1.03到步骤s1.08，直到评价结果稳定。

s1.010、将评价的结果输入到分解函数，输出储层的评价参数。

s2、对储层的评价参数进行预测分析。

s2.01、利用输入函数按照次序输入多种数据体包括地震和测井，录井数据，对各自的数据进行数值区域分解与合成。

s2.02、对于分解后的数据进行数据融合和重分解。

s2.03、对充分解后的数据提取特征数据，基于数据的特点，重新匹配数据生成相关多体数据和联合体数据。

s2.04、根据数据和特征数据，对目标等位进行全自动标注和识别。

s2.05、对目标层位和多元数据体进行识别和组合，构建学习体系结构，生成新的结构体。

s2.06、根据结构体数据生成新的区域数据以及参数。

s2.07、在新的区域输入特征数据并运行智能学习算法。

s2.08、将智能学习的结果输入组合评价函数，根据评价函数的输出结果确定进一步学习的区域和数据。

s2.09、将智能学习的结果输入到信息分解函数，信息分解函数输出对各个储层的参数评价和预测，智能学习的方法包括机器学习和深度学习，以及自适应学习，主要是提取和学习相关的数据以及提取一些相关的特征，根据不同的特征确定不同的学习方法，进化学习包括输入已经解释的数据、地震数据、地震属性数据和地震地质特征挖掘数据，设计进化学习网络结构，测试数据，实际数据应用以及大数据并行计算模型训练及应用，其中进化学习网络结构示意图中input、outputs、actions和programnodes的中文含义分别为输入、输出、行为和项目节点。

本发明利用非常规地震数据属性，结合深度学习和进化学习的图像，利用数据处理以及特征融合的方法检测精细地质特征包括薄互层裂缝以及特殊复杂岩性。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。