一种低幅度构造成图方法、设备及存储设备与流程

本发明涉及油气勘探开发领域，尤其涉及一种低幅度构造成图方法、设备及存储设备。

背景技术：

1、准确的构造成图是油气勘探开发井位部署、资源量评价、投资决策等的先决条件，是油气勘探开发过程中不可或缺的重要环节。低幅度构造是指构造幅度几米到几十米的一类构造，受地震勘探分辨率的制约，准确落实其构造形态难度较大，当存在较大的横向速度变化时，还会进一步增加构造落实难度。

2、目前工业界针对低幅度构造落实难题，主要有两种技术途径，一是井、震资料结合建立精度更高的速度场，开展针对目标区的三维地震资料叠前深度偏移处理得到深度域地震资料，再基于深度域地震资料解释得到深度构造图，该方法费用较高，且受地震偏移速度场精度制约，在实际应用中精度提升空间有限；二是基于常规时间域地震资料，在油田开发阶段通过拟合多井沿层平均速度对时间域地震资料构造解释成果进行时深转换得到深度构造，该方法能一定程度上提高构造成图精度，但对钻井分布要求较高，且井点之外可靠性不高，不能解决横向速度突变导致的构造畸变。本申请提出了一种基于常规井、震资料及深度卷积神经网络算法的低幅度构造成图方法，与常规方法相比能明显提高低幅度构造成图精度。

技术实现思路

1、为了解决现有技术针对低幅度构造成图精度不高的难题，本发明提供了一种低幅度构造成图方法、设备及存储设备，方法包括以下步骤：

2、s1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；

3、s2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；

4、s3：将样本集中数据进行归一化处理，并分成测试集和训练集；

5、s4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层，特征提取模块包括：卷积层、正则化层和池化层；

6、s5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；

7、s6：利用测试集测试所述训练好的模型，得到最终模型；

8、s7：将目标区低幅度构造数据输入至最终模型，得到预测的目标区深度构造数据并进行成图。

9、一种存储设备，所述存储设备存储指令及数据用于实现所述的一种低幅度构造成图方法。

10、一种低幅度构造成图设备，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现一种低幅度构造成图方法。

11、本发明提供的有益效果是：提出了一种基于深度卷积神经网络的低幅度构造成图方法，采用该方法能够有效地提高低幅度构造成图精度。

技术特征：

1.一种低幅度构造成图方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种低幅度构造成图方法，其特征在于：步骤s1具体为：

3.如权利要求1所述的一种低幅度构造成图方法，其特征在于：所述真实样本数据集以钻井分层深度数据作为样本标签，以钻井分层对应的时间和深度构造网格、沿层平均速度、平面地震属性作为样本特征属性。

4.如权利要求1所述的一种低幅度构造成图方法，其特征在于：所述虚拟样本数据集的建立过程如下：

5.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～4所述的任意一种低幅度构造成图方法。

6.一种低幅度构造成图设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～4所述的任意一种低幅度构造成图方法。

技术总结
本发明公开了一种低幅度构造成图方法、设备及存储设备，方法基于常规时间和深度偏移地震资料，地震偏移速度场、钻井分层数据，结合地震属性分析选取的能反映区域横向速度变化规律的地震属性，以钻井分层深度数据为标签，以井分层对应的时间和深度域地震解释层位网格、沿层地震速度、地震属性为特征属性，建立样本数据集；为弥补勘探开发实践中钻井数量有限，样本数据不足的缺陷，在井点四周临近位置构建虚拟样本点补充样本数据集。然后通过构建深度卷积神经网络模型对样本数据集进行训练，进而将训练好的模型应用到目标区进行深度构造预测及构造成图。本发明有益效果是：有效地提高低幅度构造成图精度。

技术研发人员：彭光荣,宋亚民,肖张波,吴琼玲,张志伟,黄鑫,刘强虎
受保护的技术使用者：中海石油(中国)有限公司深圳分公司
技术研发日：
技术公布日：2024/1/13