本发明涉及岩层勘测,尤其涉及一种针对火成岩的深度学习低频模型构建方法及系统。
背景技术:
1、火成岩储层埋藏深、非均质性强,制约储层发育和分布的因素非常复杂,采用常规储层预测方法难以解决储层预测难题。而地震反演中低频模型的精度对提高反演结果的质量具有至关重要的作用,特别是对于构造复杂、非均质性强火成岩的地层,常规构建的低频模型会因井插值而产生“牛眼”现象,会增加反演结果的不确定性。针对复杂构造和地质异常体的地区,目前常见的低频构建技术主要有两大类:第一类、应用速度场建立低频模型,由于地震层速度频率较低,无法完全弥补地震缺失的低频,预测精度低;第二类、迭代方法建立低频模型,由于没有井上参与,低频结果与井并不是完全符合,无法开展定量储层解释。
技术实现思路
1、针对上述所显示出来的问题,本发明提供了一种针对火成岩的深度学习低频模型构建方法及系统用以解决背景技术中提到的应用速度场建立低频模型,由于地震层速度频率较低,无法完全弥补地震缺失的低频,预测精度低,同时由于没有井上参与,低频结果与井并不是完全符合,无法开展定量储层解释的问题。
2、一种针对火成岩的深度学习低频模型构建方法,包括以下步骤:
3、建立风化带和内幕带岩性及物性识别岩石物理量板并优选岩性及储层敏感的地球物理参数;
4、获取火成岩的地层构造,分析地震层速度体与地层构造是否具有一致性,根据分析结果进行井控优化处理,同时基于优化后的地震层速度体创建初始低频模型;
5、基于初始低频模型对火成岩开展第一轮叠前地震反演得到火成岩的弹性参数和岩性体,并确定岩性体约束下火成岩的弹性趋势体;
6、将岩性体约束下火成岩的弹性趋势体、地震层速度体和第一轮叠前地震反演结果作为训练样本,以井上的目标函数曲线作为模型输出训练深度学习网络模型以构建深度学习低频模型。
7、优选的,所述建立风化带和内幕带岩性及物性识别岩石物理量板并优选岩性及储层敏感的地球物理参数,包括:
8、创建风化带和内幕带的岩石物理模型并配置模型参数;
9、利用风化带和内幕带的岩石物理模型创建不同类型的火成岩的岩石物理量板用于识别,获取识别结果;
10、根据识别结果获取每一类型的火成岩的岩性和弹性参数趋势,将每一类型的火成岩的岩性和弹性参数进行交会分析;
11、根据交会分析结果选择岩性及储层敏感的地球物理参数,其中,中基性火成岩为高纵横波速度比、中高纵波阻抗,酸性火成岩为低纵横波速度比、中纵波阻抗,特殊岩性蚀变辉绿岩表现为高纵横波速度比、低纵波阻抗。
12、优选的,获取火成岩的地层构造,分析地震层速度体与地层构造是否具有一致性,根据分析结果进行井控优化处理,同时基于优化后的地震层速度体创建初始低频模型,包括:
13、获取火成岩的地层构造,确定地震层速度体和火成岩的地层构造是否具有一致性趋势;
14、若是,确定地震层速度体可用,若否,确定地震层速度体不可用,进行井控优化处理,获取优化结果;
15、根据优化结果获取优化后的地震层速度体;
16、将火成岩的每种岩性的纵波阻抗和纵横波速度比和优化后的地震层速度体进行交会分析,将优化后的地层层速度体转为井上弹性趋势体以创建初始低频模型。
17、优选的,所述基于初始低频模型对火成岩开展第一轮叠前地震反演得到火成岩的弹性参数和岩性体,并确定岩性体约束下火成岩的弹性趋势体,包括:
18、通过初始低频模型对火成岩进行叠前反演获取反演得到的弹性参数;
19、基于贝叶斯判断开展岩相流体概率通过反演得到的弹性参数确定火成岩的岩性体以及各个岩性的概率体;
20、基于岩石物理量板创建每个岩性的概率密度函数;
21、通过每个岩性的概率密度函数基于贝叶斯概率分析法,将各个岩性的概率体转化为岩性体约束下火成岩的弹性趋势体。
22、优选的,所述将岩性体约束下火成岩的弹性趋势体、地震层速度体和第一轮叠前地震反演结果作为训练样本,以井上的目标函数曲线作为模型输出训练深度学习网络模型以构建深度学习低频模型,包括:
23、以井上波阻抗曲线、纵横波速度比曲线和密度曲线作为目标函数曲线;
24、将岩性体约束下火成岩的弹性趋势体、地震层速度体和第一轮叠前地震反演结果作为训练样本;
25、构建dbn深度学习网络模型,将目标函数曲线作为学习网络模型的模型输出,利用训练样本对dbn深度学习网络模型进行训练;
26、根据训练后的dbn深度学习网络模型生成火成岩的深度学习低频模型。
27、一种针对火成岩的深度学习低频模型构建系统,该系统包括:
28、选择模块,用于建立风化带和内幕带岩性及物性识别岩石物理量板并优选岩性及储层敏感的地球物理参数;
29、创建模块,用于获取火成岩的地层构造,分析地震层速度体与地层构造是否具有一致性,根据分析结果进行井控优化处理,同时基于优化后的地震层速度体创建初始低频模型;
30、确定模块,用于基于初始低频模型对火成岩开展第一轮叠前地震反演得到火成岩的弹性参数和岩性体,并确定岩性体约束下火成岩的弹性趋势体;
31、构建模块,用于将岩性体约束下火成岩的弹性趋势体、地震层速度体和第一轮叠前地震反演结果作为训练样本,以井上的目标函数曲线作为模型输出训练深度学习网络模型以构建深度学习低频模型。
32、优选的,所述选择模块,包括:
33、第一创建子模块,用于创建风化带和内幕带的岩石物理模型并配置模型参数;
34、识别子模块,用于利用风化带和内幕带的岩石物理模型创建不同类型的火成岩的岩石物理量板用于识别,获取识别结果;
35、分析子模块,用于根据识别结果获取每一类型的火成岩的岩性和弹性参数趋势,将每一类型的火成岩的岩性和弹性参数进行交会分析;
36、选择子模块,用于根据交会分析结果选择岩性及储层敏感的地球物理参数,其中,中基性火成岩为高纵横波速度比、中高纵波阻抗,酸性火成岩为低纵横波速度比、中纵波阻抗,特殊岩性蚀变辉绿岩表现为高纵横波速度比、低纵波阻抗。
37、优选的,所述创建模块,包括:
38、第一确定子模块,用于获取火成岩的地层构造,确定地震层速度体和火成岩的地层构造是否具有一致性趋势;
39、优化子模块,用于若是,确定地震层速度体可用,若否,确定地震层速度体不可用,进行井控优化处理,获取优化结果;
40、第一获取子模块,用于根据优化结果获取优化后的地震层速度体;
41、第二创建子模块,用于将火成岩的每种岩性的纵波阻抗和纵横波速度比和优化后的地震层速度体进行交会分析,将优化后的地层层速度体转为井上弹性趋势体以创建初始低频模型。
42、优选的,所述确定模块,包括:
43、第二获取子模块,用于通过初始低频模型对火成岩进行叠前反演获取反演得到的弹性参数;
44、第二确定子模块,用于基于贝叶斯判断开展岩相流体概率通过反演得到的弹性参数确定火成岩的岩性体以及各个岩性的概率体;
45、第三创建子模块,用于基于岩石物理量板创建每个岩性的概率密度函数;
46、转化子模块,用于通过每个岩性的概率密度函数基于贝叶斯概率分析法,将各个岩性的概率体转化为岩性体约束下火成岩的弹性趋势体。
47、优选的,所述构建模块,包括:
48、第一确认子模块,用于以井上波阻抗曲线、纵横波速度比曲线和密度曲线作为目标函数曲线;
49、第二确认子模块,用于将岩性体约束下火成岩的弹性趋势体、地震层速度体和第一轮叠前地震反演结果作为训练样本;
50、构建子模块,用于构建dbn深度学习网络模型,将目标函数曲线作为学习网络模型的模型输出,利用训练样本对dbn深度学习网络模型进行训练;
51、生成子模块,用于根据训练后的dbn深度学习网络模型生成火成岩的深度学习低频模型。
52、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
53、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。