基于小波变换和卷积神经网络的地震储层预测方法及应用

P631; 提高储层预测的分辨率和准确性一直是油气藏表征的一个关键问题.将频谱分解与深度学习相结合,提出基于小波变换和卷积神经网络的地震岩性、储层类型预测方法.小波变换能够提供包含高频和低频信息的二维时频谱图,卷积神经网络具有超强的二维图像特征提取和分类能力,时频谱图作为卷积神经网络的输入,有助于充分挖掘地震数据高频和低频信息进行岩性和储层预测.将提出的方法应用于川西沙溪庙组储层预测中,首先利用叠后地震数据预测得到河道砂体分布,然后利用叠前地震数据在河道内部预测储层类型分布.结果表明,深度学习反演预测岩性和储层类型的分辨率和精度更高,能够识别小河道砂体,与生产测试情况更加吻合,优于常规地震反演...

Full description

Saved in:
Bibliographic Details
Published in中国石油大学学报（自然科学版） Vol. 44; no. 4; pp. 83 - 93
Main Authors 张国印, 王志章, 林承焰, 王伟方, 李令, 李诚
Format Journal Article
LanguageChinese
Published 中国石油大学(华东)地球科学与技术学院,山东青岛266580 20.08.2020
中国石油大学(北京)地球科学学院,北京102249%中国石油大学(北京)地球科学学院,北京,102249%中国石油大学(华东)地球科学与技术学院,山东青岛,266580
Subjects
卷积神经网络
地震储层预测
深度学习
岩性预测
时频谱图
Online AccessGet full text
ISSN1673-5005
DOI10.3969/j.issn.1673-5005.2020.04.010

Cover

More Information
Summary:P631; 提高储层预测的分辨率和准确性一直是油气藏表征的一个关键问题.将频谱分解与深度学习相结合,提出基于小波变换和卷积神经网络的地震岩性、储层类型预测方法.小波变换能够提供包含高频和低频信息的二维时频谱图,卷积神经网络具有超强的二维图像特征提取和分类能力,时频谱图作为卷积神经网络的输入,有助于充分挖掘地震数据高频和低频信息进行岩性和储层预测.将提出的方法应用于川西沙溪庙组储层预测中,首先利用叠后地震数据预测得到河道砂体分布,然后利用叠前地震数据在河道内部预测储层类型分布.结果表明,深度学习反演预测岩性和储层类型的分辨率和精度更高,能够识别小河道砂体,与生产测试情况更加吻合,优于常规地震反演方法.
ISSN:1673-5005
DOI:10.3969/j.issn.1673-5005.2020.04.010