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(yīng)特征微弱,孔隙流體響應(yīng)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(jīng)過幾十年的持續(xù)努力,地震勘探學家已經(jīng)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(shù),如“亮點”技術(shù)、AVO技術(shù)等。這些方法技術(shù)都有成功的案例,但這些方法也存在局限性,其成功應(yīng)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(shù)據(jù)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(lǐng)域的研究熱門—深度學習自動特征提取技術(shù)引入地震勘探領(lǐng)域,目標是使用深度學習方法從地震數(shù)據(jù)中挖掘“三弱”天然氣儲層的內(nèi)稟地震特征,以期識別天然氣儲層。論文的主要研究內(nèi)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(wǎng)絡(luò)(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(shù)據(jù)、提取圖像特征表現(xiàn)出了優(yōu)越的能力,但是在模擬連續(xù)數(shù)據(jù)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(gòu)建出連續(xù)深度置信網(wǎng)絡(luò)(CDBN)模型。CRBM是RBM的連續(xù)版本,它在保持RBM的所有性質(zhì)下,能很好地模擬連續(xù)數(shù)據(jù)。本文也將稀疏限制加入了CRBM產(chǎn)生連續(xù)稀疏限制玻爾茲曼機(CSRB M),并構(gòu)建連續(xù)稀疏深度置信網(wǎng)絡(luò)(CSDBN)。在此基礎(chǔ)上將CDBN或CSDB N遷移到堆疊自編碼器,構(gòu)成連續(xù)深度自編碼神經(jīng)網(wǎng)絡(luò)(CDAE)或連續(xù)稀疏降噪深度自編碼神經(jīng)網(wǎng)絡(luò)(CSDDAE),完成了整個深度學習特征提取模型的程序設(shè)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(wù)(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(shù)(例如相關(guān)系數(shù)、距離)選擇類別指定性特征。3.將CRBM結(jié)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(shù)據(jù)深度學習特征提取的應(yīng)用研究。研究區(qū)目標層位于雷口坡頂部,地震響應(yīng)特征微弱,該區(qū)域目前僅有三口井,測井資料少,儲層預(yù)測和含氣性檢測困難。本文提出了三維地震數(shù)據(jù)及一維地震數(shù)據(jù)深度學習特征提取方法,聚類分析結(jié)合測井資料表明分類結(jié)果較準確地區(qū)分含氣井、含水井。同時對三維地震數(shù)據(jù)深度學習特征聚類分析及一維地震數(shù)據(jù)深度學習特征聚類分析進行了對比。認為三維地震數(shù)據(jù)的深度學習特征聚類結(jié)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(guān)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(yù)測中的應(yīng)用實驗[J];物探化探計算技術(shù);2017年06期

，

本文編號：1749309