论文部分内容阅读
储层识别对油藏和气藏的勘探和开发具有非常重要的作用。随着油气勘探开发的不断推进,对包括弹性参数预测、物性参数预测和岩相识别的地震储层预测有了更高的要求。地震数据和测井数据中有着许多的弹性参数、物性参数和岩相信息。精确建立起原始海量数据与地震储层相关参数之间的对应关系有着极为重要的意义。而深度学习是机器学习领域近年来迅速发展的方法,具有可以深度提取大数据特征,结果准确率高的优点。将深度学习的算法应用于地球物理学科,对地震储层进行识别具有十分重要的意义。本文首先利用多层感知机预测方法建立常规测井数据和地震横波之间的非线性对应关系,实现利用常规测井数据对地震横波速度的预测,并使用预测值与真实值之间的相关系数对预测准确率进行评价,评价结果显示多层感知机神经网络在横波预测中具有很好的效果。随后,本文使用卷积神经网络的分类作用对井位的岩相进行了分类,进而抽取井旁道地震数据,以井旁道地震数据和地震专家解释出来的岩相信息为训练数据建立地震数据与岩相之间的非线性对应关系,并将这个关系应用于同一工区无井区域进行整个工区的岩相分类。分类结果显示卷积神经网络具有较好的分类性能。最后,应用地震数据反演出来的纵波速度、横波速度和密度对孔隙度进行预测,实际数据的预测结果显示深度神经网络在孔隙度预测中精度较高。本论文所做工作及结论证明了深度学习方法在地球物理学领域具有深远的应用前景。