本發(fā)明涉及石油地球物理勘探技術(shù)領(lǐng)域，具體而言，涉及一種儲層檢測方法及裝置。

背景技術(shù)：

地球物理勘探的目標(biāo)日漸深部化、微小化，勘探環(huán)境更趨復(fù)雜化，一些在淺層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效應(yīng)、高頻陰影等無法滿足勘探要求。儲層的含油氣性預(yù)測其本質(zhì)是巖石孔隙流體屬性與飽和度的判識與評價，儲層孔隙流體的體積與質(zhì)量只占儲集層巖石的極小一部分，并且是填充在固態(tài)巖石骨架的孔隙中，地震響應(yīng)非常微弱。地震記錄如果對巖石孔隙流體變化有響應(yīng)，只可能反映在地震事件的細結(jié)構(gòu)中。描述地震波傳播的波動方程是在一定假設(shè)條件下(如完全彈性介質(zhì)等)獲得的近似方程，能很好地表征波動的“主相”，但未必能反映孔隙流體響應(yīng)的“微相”。因此，基于波動方程的油氣檢測缺乏嚴格的數(shù)理基礎(chǔ)，會造成較大的誤差。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明實施例的目的在于提供一種儲層檢測方法及裝置，以解決在復(fù)雜勘探環(huán)境下，現(xiàn)有技術(shù)無法檢測其儲層特征如含油氣性的問題。

第一方面，本發(fā)明實施例提供了一種儲層檢測方法，所述方法包括：

根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地震道數(shù)據(jù)；

基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型；

基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；

獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；

基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。

第二方面，本發(fā)明實施例提供了一種儲層檢測裝置，所述裝置包括：

提取地震數(shù)據(jù)單元，用于根據(jù)標(biāo)定的目標(biāo)層位，提取井旁地震道數(shù)據(jù)；

建立儲層檢測深度學(xué)習(xí)單元，用于將基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型；

獲得高層特征單元，用于基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；

獲取預(yù)設(shè)位置儲層特征單元，用于獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；

確定目標(biāo)層位儲層特征單元，用于基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征；

本發(fā)明實施例提供的一種儲層檢測方法及裝置，通過目標(biāo)層位提取的井旁地震道數(shù)據(jù)和深度學(xué)習(xí)方法，建立儲層特征檢測深度學(xué)習(xí)模型提取儲層弱地震響應(yīng)特征，能夠更簡單高效地確定儲層特征，提高地震勘探數(shù)據(jù)的儲層如油氣、烴類檢測精度。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明實施例了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。通過附圖所示，本發(fā)明的上述及其它目的、特征和優(yōu)勢將更加清晰。在全部附圖中相同的附圖標(biāo)記指示相同的部分。并未刻意按實際尺寸等比例縮放繪制附圖，重點在于示出本發(fā)明的主旨。

圖1為一種可應(yīng)用于本本發(fā)明實施例中的電子設(shè)備的結(jié)構(gòu)框圖；

圖2為本發(fā)明第一實施例提供的儲層檢測方法的流程圖；

圖3為本發(fā)明第一實施例提供的井旁地震道數(shù)據(jù)提取示意圖；

圖4為本發(fā)明第一實施例提供的儲層檢測深度學(xué)習(xí)模型流程圖；

圖5為本發(fā)明第一實施例提供的儲層檢測深度學(xué)習(xí)模型的高層基函數(shù)的示意圖；

圖6為本發(fā)明第一實施例提供的W1井、W2井及W3井的連井剖面圖；

圖7為本發(fā)明第一實施例提供的儲層檢測方法的高層特征1的示意圖；

圖8為本發(fā)明第一實施例提供的儲層檢測方法的高層特征2的示意圖；

圖9為本發(fā)明第二實施例提供的儲層檢測方法的流程圖；

圖10為本發(fā)明第三實施例提供的儲層檢測裝置的結(jié)構(gòu)框圖；

圖11為本發(fā)明第四實施例提供的儲層檢測裝置的結(jié)構(gòu)框圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設(shè)計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

應(yīng)注意到：相似的標(biāo)號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。同時，在本發(fā)明的描述中，術(shù)語“第一”、“第二”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。

請參閱圖1，圖1示出了一種可應(yīng)用于本申請實施例中的電子設(shè)備100的結(jié)構(gòu)框圖。該電子設(shè)備100可以作為用戶終端、計算機或服務(wù)器，如圖1所示，電子設(shè)備100可以包括存儲器110、存儲控制器111、處理器112和儲層檢測裝置。

存儲器110、存儲控制器111、處理器112、儲層檢測裝置各元件之間直接或間接地電連接，以實現(xiàn)數(shù)據(jù)的傳輸或交互。例如，這些元件之間可以通過一條或多條通訊總線或信號總線實現(xiàn)電連接。所述儲層檢測方法分別包括至少一個可以以軟件或固件(firmware)的形式存儲于存儲器110中的軟件功能模塊，例如所述儲層檢測裝置包括的軟件功能模塊或計算機程序。

存儲器110可以存儲各種軟件程序以及模塊，如本申請實施例提供的儲層檢測方法及裝置對應(yīng)的程序指令/模塊。處理器112通過運行存儲在存儲器110中的軟件程序以及模塊，從而執(zhí)行各種功能應(yīng)用以及數(shù)據(jù)處理，即實現(xiàn)本申請實施例中的儲層檢測方法。存儲器110可以包括但不限于隨機存取存儲器(Random Access Memory，RAM)，只讀存儲器(Read Only Memory，ROM)，可編程只讀存儲器(Programmable Read-Only Memory，PROM)，可擦除只讀存儲器(Erasable Programmable Read-Only Memory，EPROM)，電可擦除只讀存儲器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

處理器112可以是一種集成電路芯片，具有信號處理能力。上述處理器可以是通用處理器，包括中央處理器(Central Processing Unit，簡稱CPU)、網(wǎng)絡(luò)處理器(Network Processor，簡稱NP)等；還可以是數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。其可以實現(xiàn)或者執(zhí)行本申請實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。

第一實施例

請參閱圖2，本發(fā)明實施例提供了一種儲層檢測方法，本實施例描述的是針對于已獲取的井旁地震道數(shù)據(jù)的處理流程，所述方法包括：

步驟S210：根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地道數(shù)據(jù)；

步驟S220：基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型；

步驟S230：基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；

步驟S240：獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；

步驟S250：基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。

進一步地，基于步驟S110，所述根據(jù)標(biāo)定的目標(biāo)層位，提取地震數(shù)據(jù)，包括：沿標(biāo)定的目標(biāo)層位，以預(yù)先設(shè)定的時窗寬度提取井道旁地震數(shù)據(jù)。沿標(biāo)定的目標(biāo)層位，首先提取三口井W1井、W2井及W3井旁地震道數(shù)據(jù)，請參閱圖3，黑色圓點表示一道，以某一點作為原點，向鄰近周圍方向各沿一道，共產(chǎn)生3*3＝9道，每道開取時窗為20ms，按2ms的采樣間隔，每道10個采樣點。一個訓(xùn)練樣本為90采樣點?？臻g滑動距離為1個間隔，時窗移動距離一般取小于等于時窗長度，直到空間區(qū)域邊界及時間區(qū)域邊界。上述原點周圍道數(shù)、滑動距離、時窗移動距離、空間區(qū)域邊界、時間區(qū)域邊界可按實際情況選定。作為一種實施方式，本實施例中預(yù)先設(shè)定的時窗寬度為150ms，然后每道的150ms將分為各個小時窗寬度即20ms。

步驟S220：基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型。

進一步地，請參閱圖4，建立儲層檢測深度學(xué)習(xí)模型，具體地分為兩個部分：預(yù)訓(xùn)練深度學(xué)習(xí)模型和調(diào)整深度學(xué)習(xí)模型。

步驟S221：將所述井旁地震道數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，預(yù)訓(xùn)練儲層檢測深度學(xué)習(xí)模型的配置參數(shù)。

具體地，將所述井旁地震數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，利用受限玻爾茲曼機或連續(xù)受限玻爾茲曼機，預(yù)訓(xùn)練儲層檢測深度學(xué)習(xí)模型的配置參數(shù)；更新所述配置參數(shù)，直到完成包含多層受限玻爾茲曼機或連續(xù)受限玻爾茲曼機的儲層檢測深度學(xué)習(xí)模型的深度置信網(wǎng)絡(luò)，其中，所述配置參數(shù)包括模型深度、模型每層神經(jīng)元節(jié)點數(shù)、神經(jīng)元激活函數(shù)及稀疏目標(biāo)函數(shù)。

目前所用的限制性玻爾茲曼機是玻爾茲曼機和專家乘積系統(tǒng)的結(jié)合，模型結(jié)構(gòu)仍保持有玻爾茲曼機的單隱層隨機神經(jīng)網(wǎng)絡(luò)，模型訓(xùn)練算法是專家乘積系統(tǒng)中的對比散度算法。

玻爾茲曼機(Boltzmann Machine，BM)是Hinton在1986年提出的，該網(wǎng)絡(luò)是一種基于統(tǒng)計力學(xué)的隨機神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)中的神經(jīng)元屬于隨機神經(jīng)元，只有兩種輸出狀態(tài)(激活與未激活)，一般用二進制0和1表示，狀態(tài)的取值根據(jù)統(tǒng)計規(guī)則決定。玻爾茲曼機由隨機神經(jīng)元全連接組成的反饋神經(jīng)網(wǎng)絡(luò)，且對稱連接，無自反饋，包含一個可視層和一個隱層。玻爾茲曼機具有強大的無監(jiān)督學(xué)習(xí)能力，能夠?qū)W習(xí)原始數(shù)據(jù)中的結(jié)構(gòu)性特征，但是訓(xùn)練時間是相當(dāng)長的，不僅難以準確計算玻爾茲曼機所表示的分布，而且得到服從玻爾茲曼分布的隨機樣本也是十分困難的。為了解決這類問題，Smolensky引入了玻爾茲曼機的限制版本(Restricted Boltzmann Machine，RBM)，RBM同樣是具有一個可見層和一個隱層，層間全連接，層內(nèi)無連接。在給定可見層單元狀態(tài)時，各隱層單元的激活狀態(tài)條件獨立，同理，在給定隱層單元狀態(tài)時，可視層單元的激活狀態(tài)也是條件獨立的。Roux和Bengio從理論上證明了只要隱單元的數(shù)目足夠多，RBM就能擬合任意離散分布。

限制玻爾茲曼機(Restricted Boltzmann Machine，RBM)根植于統(tǒng)計力學(xué)，能量函數(shù)是描述整個系統(tǒng)狀態(tài)的測度，系統(tǒng)有序或概率分布越集中，整個系統(tǒng)的能量就越小。訓(xùn)練RBM參數(shù)主要是使下面的能量函數(shù)最小，假設(shè)RBM包含n個輸入層單元和m個隱層單元，用向量v和h別表示可視層單元的及隱層單元的狀態(tài)，那么RBM的能量函數(shù)定義如下(單個樣本)：

$E(v,h|\mathrm{\θ})=-\underset{i=1}{\overset{n}{\Σ}}{a}_i{v}_i-\underset{j=1}{\overset{m}{\Σ}}{b}_j{h}_j-\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{v}_i{w}_{ij}{h}_j$

θ＝{w_ij,a_i,b_j}是RBM的參數(shù)。其中，w_ij是可視單元i與隱單元j之間的連接權(quán)重，a_i表示可視層單元i的偏置，b_j表示隱層單元j的偏置。利用Hinton提出的對比散度算法可得到權(quán)值的更新：

${\mathrm{\Δw}}_{ij}=p(h_j^{\left(0\right)}=1|v^{\left(0\right)})v_i^{\left(0\right)}-p(h_j^{\left(1\right)}=1|v^{\left(1\right)})v_i^{\left(1\right)}$

${\mathrm{\Δa}}_i=v_i^{\left(0\right)}-v_i^{\left(1\right)}$

${\mathrm{\Δb}}_j=p(h_j^{\left(0\right)}=1|v^{\left(0\right)})-p(h_j^{\left(1\right)}=1|v^{\left(1\right)})$

其中，

進一步地，當(dāng)使用訓(xùn)練數(shù)據(jù)初始化v⁽⁰⁾時，僅需要采樣k步就可以得到足夠好的近似，也就是說，Gibbs采樣k步后，RBM生成模型將越來越接近原始數(shù)據(jù)的分布。

為了模擬連續(xù)數(shù)據(jù)，連續(xù)受限玻爾茲曼機(Continuous Restricted Boltzmann Machine，CRBM)在可視層單元sigmoid函數(shù)中加入一個均值為0、方差為，常數(shù)σ和N_j(0,1)共同產(chǎn)生了高斯輸入分量n_j服從σN_j(0,1)分布，其概率密度為：

$p\left(n_j\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp \left(\frac{-n_j^2}{2{\mathrm{\σ}}^2}\right)$

因此，隱藏層狀態(tài)h_j由可視層單元狀態(tài)v_i表示為：

其中，函數(shù)的表達式如下：

θ_L和θ_H分別為sigmoid函數(shù)的下漸近線和上漸近線，參數(shù)a_j是控制sigmoid函數(shù)斜率的變量，當(dāng)a_j由小變大時，單元就可以從無噪聲的確定性狀態(tài)到二進制隨機狀態(tài)平滑過渡；如果a_j在噪音范圍內(nèi)使sigmoid函數(shù)變?yōu)榫€性，那么h_j將會服從均值為方差為σ²的高斯分布。權(quán)值更新公式為：

${\mathrm{\Δw}}_{ij}={\mathrm{\η}}_w(\<v_i^{\left(0\right)}{h}_j^{\left(0\right)}\>-\<v_i^{\left(1\right)}{h}_j^{\left(1\right)}\>)$

稀疏RBM的目標(biāo)函數(shù)表達式如下：

$-\underset{l=1}{\overset{m}{\Σ}}log\underset{h}{\Σ}p(v^{\left(l\right)},h^{\left(l\right)})+\mathrm{\λ}\underset{j=1}{\overset{n}{\Σ}}|p-\frac{1}{m}\underset{l=1}{\overset{m}{\Σ}}E\[h_j^{\left(l\right)}|v^{\left(l\right)}\]{|}^2$

步驟S222：基于所述井旁地震道數(shù)據(jù)及與所述井旁地震道數(shù)據(jù)對應(yīng)的目標(biāo)數(shù)據(jù)，調(diào)整預(yù)訓(xùn)練完成的儲層檢測深度學(xué)習(xí)模型，從而建立儲層檢測深度學(xué)習(xí)模型。

具體地，基于步驟S222，基于所述井旁地震道數(shù)據(jù)及與所述井旁地震道數(shù)據(jù)對應(yīng)的目標(biāo)數(shù)據(jù)，基于反向傳播算法，利用批量隨機梯度下降算法求解所述多層受限玻爾茲曼機或連續(xù)受限玻爾茲曼機的儲層檢測深度學(xué)習(xí)模型的深度置信網(wǎng)絡(luò)，調(diào)整預(yù)訓(xùn)練完成的儲層檢測深度學(xué)習(xí)模型參數(shù)，直至滿足預(yù)設(shè)條件，從而建立儲層檢測深度學(xué)習(xí)模型。

假設(shè)有樣本集{(x⁽¹⁾,y⁽¹⁾),...(x^(m),y^(m))}，共m個樣本，x指輸入向量，y是目標(biāo)向量。使用批量隨機梯度下降算法求解展開后的多層受限玻爾茲曼機或連續(xù)受限玻爾茲曼機的儲層檢測深度學(xué)習(xí)模型的深度置信網(wǎng)絡(luò)。整個數(shù)據(jù)集上的代價函數(shù)為：

$J(W,b;X,Y)=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}J(W,b;x^{\left(i\right)},y^{\left(i\right)})+\frac{\mathrm{\λ}}{2}\underset{l=1}{\overset{L-1}{\Σ}}\underset{k}{\overset{N_l}{\Σ}}\underset{j=1}{\overset{N_{l+1}}{\Σ}}{\left(W_{jk}^{\left(l\right)}\right)}^2$

L代表整個深度置信網(wǎng)絡(luò)的深度，包括輸入層、隱藏層、輸出層。N_l表示第l層的神經(jīng)元個數(shù)，N_l+1表示l+1的神經(jīng)元個數(shù)。

作為一種實施方式，本實施例中可視層單元即輸入層為1，隱藏層為5，整個深度置信網(wǎng)絡(luò)的深度L＝2*隱層數(shù)+1為11，J(W,b；X,Y)為均方誤差函數(shù)。

步驟230：基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征。

具體地，基于步驟230，計算所述儲層檢測深度學(xué)習(xí)模型的每層基函數(shù)，所述每層基函數(shù)包括高層基函數(shù)；基于所述目標(biāo)層位與所述高層基函數(shù)的相關(guān)系數(shù)，確定所述目標(biāo)層位的高層特征。

儲層檢測深度學(xué)習(xí)模型建立后，只取儲層檢測深度學(xué)習(xí)模型的編碼層部分用于提取特征。指定區(qū)域數(shù)據(jù)提取過程：先確定層位，然后提取出層位數(shù)據(jù)，確定目標(biāo)區(qū)域，將目標(biāo)區(qū)域數(shù)據(jù)拉成一維向量輸入訓(xùn)練好的深度學(xué)習(xí)模型。

深度學(xué)習(xí)模型中每層神經(jīng)元激活值可作為原始數(shù)據(jù)的新的特征表達，并不是所有的特征都適合于描述儲層特征；

按照深度學(xué)習(xí)理論，低層特征檢測原始數(shù)據(jù)的局部信息，高層特征是低層特征的組合，是原始數(shù)據(jù)的抽象表示，高層特征對原始數(shù)據(jù)的突發(fā)變化有更強的魯棒性；為了確定適合于描述儲層特征的高層深度學(xué)習(xí)特征，需要計算深度學(xué)習(xí)模型每層基函數(shù)，第一層基函數(shù)是深度學(xué)習(xí)模型第一層的權(quán)值，后面各層的基函數(shù)是第一層到該層權(quán)值的累乘；提取目標(biāo)地震響應(yīng)值，利用該樣本與基函數(shù)相關(guān)系數(shù)確定所述目標(biāo)層位的高層特征。

請參閱圖5，圖5是目標(biāo)樣本以及與該目標(biāo)樣本極大正相關(guān)與極大負相關(guān)的高層基函數(shù)，相關(guān)系數(shù)分別為0.8779、-0.8766。同時，高層基函數(shù)更為平滑，對原始數(shù)據(jù)的突發(fā)變化有更強的魯棒性。

步驟S240：獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征。

所述儲層特征包括含水、含氣、含氣量少、巖性及烴類中至少一種。

請參閱圖6，圖6為W1井、W2井及W3井三口井的連井剖面，橢圓標(biāo)記的是目標(biāo)層位處，其中W1井含水，W2井含氣，W3井含氣量少。從圖6的合成地震記錄的剖面上可以看出含水層和含氣層地震記錄表現(xiàn)差異微小，幾乎無法區(qū)別，因而需要根據(jù)本發(fā)明的方案進一步處理。

請參閱圖7和圖8，圖7為本發(fā)明第一實施例提供的儲層檢測方法的高層特征1；圖8為本發(fā)明第一實施例提供的儲層檢測方法的高層特征2。在圖7和圖8中，橫坐標(biāo)是共深度點(CDP)號，縱坐標(biāo)分別是相應(yīng)正相關(guān)高層基函數(shù)和負相關(guān)高層基函數(shù)獲得的高層特征。CDP即地震數(shù)據(jù)處理時才有的基本道集形式，具有共同中心反射點的相應(yīng)各記錄道組成共中心點道集。在圖7中，W1、W2及W3標(biāo)記分別表示W(wǎng)1井、W2井及W3井，W1井、W2井及W3井表示目標(biāo)層位上的預(yù)先參考位置，W1井、W2及W3井對應(yīng)的高層特征值差異明顯，W1井對應(yīng)的高層特征值為-1.1左右，W2井對應(yīng)的高層特征值為-1.25左右，W3井對應(yīng)的高層特征值為-1.28左右。在圖8中，W1、W2及W3標(biāo)記分別表示W(wǎng)1井、W2井及W3井，W1井、W2井及W3井表示目標(biāo)層位上的預(yù)先參考位置，W1井、W2及W3井對應(yīng)的高層特征值差異明顯，W1井對應(yīng)的高層特征值為1.1左右，W2井對應(yīng)的高層特征值為-1.18左右，W3井對應(yīng)的高層特征值為1.16左右。

結(jié)合已知W1井含水，W2井含氣，W3井含氣量少的地質(zhì)資料，得出含水層W1井和含氣層W2井的對應(yīng)高度特征差異明顯，能夠較易區(qū)別處含水層和含氣層，W2井含氣和W3井含氣量少的對應(yīng)高度特征很接近，這與實際情況一致，說明本發(fā)明實施例能夠說明含水層和含氣層之間的地質(zhì)參數(shù)的微小區(qū)別能夠從深度學(xué)習(xí)高層特征反映出來。此外，根據(jù)井資料確定不同巖性、流體引起的地震深度學(xué)習(xí)特征的差異，再將不同的巖性、流體引起的不同的地震深度學(xué)習(xí)特征外推到無井區(qū)域，進而進行含油、巖性、烴類檢測。

步驟S250：基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。

請參閱圖7和圖8，W1、W2及W3標(biāo)記分別表示W(wǎng)1井、W2井及W3井，W1井、W2井及W3井表示目標(biāo)層位上的預(yù)先參考位置，結(jié)合已知W1井含水，W2井含氣，W3井含氣量少的地質(zhì)資料，與W1井高度特征相同的區(qū)域可能會有相同的儲層特征如含水；與W2井高度特征相同的區(qū)域可能會有相同的儲層特征如含氣；與W3井高度特征相同的區(qū)域可能會有相同的儲層特征如含氣量少。因此，本發(fā)明實施例可以通過高度特征來檢測出相同或相似的儲層特征。

本發(fā)明實施例提供的一種儲層檢測根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地震道數(shù)據(jù)；基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型；基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。本發(fā)明中采用的深度學(xué)習(xí)高層特征對地震信號的特征的敏感度很高，能夠區(qū)分出不同巖性、流體等引起的地震信號微弱變化，適合進行巖性、油氣儲層等檢測。

第二實施例

請參閱圖9，本發(fā)明第二實施例提供的一種儲層檢測方法，本實施例描述的是針對于標(biāo)定目標(biāo)層位及井旁地震道數(shù)據(jù)的處理流程，所述方法包括：

步驟S310：利用測井、錄井和合成地震記錄標(biāo)定目標(biāo)層位。

步驟S320：根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地震道數(shù)據(jù)；

步驟S330：基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型；

步驟S340：基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；

步驟S350：獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；

步驟S360：基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。

可以理解，本實施例與第一實施例提供的信息處理方法最主要的區(qū)別在于，本實施例提供的儲層檢測方法還包括利用測井、錄井和合成地震記錄標(biāo)定目標(biāo)層位。其他的數(shù)據(jù)處理原理與第一實施例中的原理相似，相似之處可以參考第一實施例中的內(nèi)容，本實施例中不再贅述。

本發(fā)明實施例提供的一種儲層檢測方法，利用測井、錄井和合成地震記錄標(biāo)定目標(biāo)層位；根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地震道數(shù)據(jù)；基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型；基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。本發(fā)明中采用的深度學(xué)習(xí)高層特征對地震信號的特征的敏感度很高，能夠區(qū)分出不同巖性、流體等引起的地震信號微弱變化，適合進行巖性、油氣儲層等檢測。

第三實施例

請參閱圖10，本發(fā)明第三實施例提供了一種儲層檢測裝置400，所述裝置400包括：

提取地震數(shù)據(jù)單元410，用于根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地震道數(shù)據(jù)。

建立儲層檢測深度學(xué)習(xí)單元420，用于將基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型。

獲得高層特征單元430，用于基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；

獲取預(yù)設(shè)位置儲層特征單元440，用于獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；

確定目標(biāo)層位儲層特征單元450，用于基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。

作為一種實施方式，所述建立儲層檢測深度學(xué)習(xí)單元420，包括：

預(yù)訓(xùn)練儲層檢測深度學(xué)習(xí)單元421，用于將所述井旁地震道數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，預(yù)訓(xùn)練儲層檢測深度學(xué)習(xí)模型的配置參數(shù)；

調(diào)整儲層檢測深度學(xué)習(xí)單元422，基于所述井旁地震道數(shù)據(jù)及與所述井旁地震道數(shù)據(jù)對應(yīng)的目標(biāo)數(shù)據(jù)，調(diào)整預(yù)訓(xùn)練完成的儲層檢測深度學(xué)習(xí)模型，從而建立儲層檢測深度學(xué)習(xí)模型。

需要說明的是，本實施例中的各單元可以是由軟件代碼實現(xiàn)，以上各單元同樣可以由硬件例如集成電路芯片實現(xiàn)。

第四實施例

請參閱圖11，本發(fā)明第四實施例提供了一種儲層檢測裝置500，所述裝置500包括：

標(biāo)定目標(biāo)層位單元510：利用測井、錄井和合成地震記錄標(biāo)定目標(biāo)層位。

提取地震數(shù)據(jù)單元520，用于根據(jù)標(biāo)定的目標(biāo)層位，獲取與所述目標(biāo)層位對應(yīng)的井旁地震道數(shù)據(jù)。

建立儲層檢測深度學(xué)習(xí)單元530，用于將基于所述井旁地震道數(shù)據(jù)，建立儲層檢測深度學(xué)習(xí)模型。

獲得高層特征單元540，用于基于所述儲層檢測深度學(xué)習(xí)模型及所述目標(biāo)層位，獲得所述目標(biāo)層位的高層特征；

獲取預(yù)設(shè)位置儲層特征單元550，用于獲取所述目標(biāo)層位上的預(yù)設(shè)參考位置的儲層特征；

確定目標(biāo)層位儲層特征單元560，用于基于所述預(yù)設(shè)參考位置的儲層特征，確定所述目標(biāo)層位上與所述預(yù)設(shè)參考位置的高層特征相同的區(qū)域的儲層特征。

作為一種實施方式，所述建立儲層檢測深度學(xué)習(xí)單元530，包括：

預(yù)訓(xùn)練儲層檢測深度學(xué)習(xí)單元531，用于將所述井旁地震道數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，預(yù)訓(xùn)練儲層檢測深度學(xué)習(xí)模型的配置參數(shù)；

調(diào)整儲層檢測深度學(xué)習(xí)單元532，基于所述井旁地震道數(shù)據(jù)及與所述井旁地震道數(shù)據(jù)對應(yīng)的目標(biāo)數(shù)據(jù)，調(diào)整預(yù)訓(xùn)練完成的儲層檢測深度學(xué)習(xí)模型，從而建立儲層檢測深度學(xué)習(xí)模型。

需要說明的是，本實施例中的各單元可以是由軟件代碼實現(xiàn)，以上各單元同樣可以由硬件例如集成電路芯片實現(xiàn)。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的裝置和方法，也可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個實施例的裝置、方法和計算機程序產(chǎn)品的可能實現(xiàn)的體系架構(gòu)、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實現(xiàn)方式中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機指令的組合來實現(xiàn)。

另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一起形成一個獨立的部分，也可以是各個模塊單獨存在，也可以兩個或兩個以上模塊集成形成一個獨立的部分。

所述功能如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。應(yīng)注意到：相似的標(biāo)號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。