论文部分内容阅读
天然气是我国紧缺的战略性清洁能源。加快页岩气开发是国家洁净能源战略的重要组成部分。我国页岩气分布广、埋藏深、形成时间早、演化程度高、非均质性强。常规的含气性检测如亮点技术、AVO等方法存在局限。深度学习具有通过多重非线性变换而自动学习数据本质特征的能力。本文将深度学习与地震信号时频分析结合应用于页岩含气性识别。通过对模型提取的高层特征分析表明,本文提出的相关模型能够对页岩含气分布进行精确刻画。本文研究内容与成果如下:1.在常用的深度学习网络基础上,研究了卷积神经网络、循环神经网络、自编码器、深度信念网络等。研究深度学习参数优化算法以及特征提取方法。重点研究稀疏自编码网络与卷积自编码网络两种无监督算法网络,并通过TensorFlow搭建深度学习框架,设计并建立相关网络模型。2.根据地震信号时频分析方法理论,重点研究短时傅里叶变换、连续小波变换、S变换、匹配追踪以及希尔伯特变换。根据理论,对模拟地震信号进行时频分析效果对比,优选用于稀疏自编码属性融合的时频分析方法。3.构建7层的稀疏自编码(SAE)网络,设定稀疏系数为0.1,采用Adam优化方法对网络进行逐层优化。以达到在编码过程中,对优选的地震属性提取融合特征的目的。构建17层卷积自编码(CAE)网络,采用ReLu激活函数和Adam算法优化网络参数,用于对融合特征进行含气性特征提取。4.提取川东南DS地区页岩五峰-龙马溪储层段的地震数据,使用稀疏自编码网络对目的段地震数据的短时傅里叶变换、连续小波变换、S变换、基于Morlet小波的匹配追踪、希尔伯特变换等属性体进行特征融合,结果表明该模型能剔除属性中的冗余信息,加强融合数据体中的含气性敏感特征。5.使用卷积自编码对融合特征样本提取含气特征。提取每个融合数据样本最高层的32个卷积特征,通过分析每个卷积特征与含气区域目标特征的相关系数,优选能指定含气类别的相关特征。通过加权平均算法对特征值叠加,再进行K-means聚类分析获得含气性分布。通过与井位的对比,所预测的含气储层分布清晰,与测井结果对应良好。研究结果表明基于该种方法的检测结果是可靠的。该方法为储层识别提供了一条新的思路。