CN114994759B 基于gan网络的碳封存箱智能识别方法和系统 （中国科学院地质与地球物理研究所）

所号GB201503212D0,2015基于GAN网络的碳封存箱智能识别方法和系统具体涉及了一种基于GAN网络的碳封存箱智能识的分析精度不足难以为断裂带区域CO2封存条件细识别，为断裂带区域CO2封存工作提供地质条2HungVoThanh等.Integratedwor3获取叠前单炮地震数据和测井资料，进而获取将所述叠后地震数据与测井资料进行井震标定获取时-基于所述叠后地震数据计算三维方差属性体，并划定稳定沉积区域的地震波形数据，基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的生成基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构的波通过去除三维方差属性体中低于平均值的区域，保留2.根据权利要求1所述的基于GAN网络的碳封4基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波阻抗以目的层段地震主频为依据构建雷克子波，将雷克子波与反射系数曲线褶积计算后，将每个钻井井位井眼处的标志层深度数据与标志层三维4.根据权利要求1所述的基于GAN网络的碳封存箱智能识将采样区域进行纵向和横向平移，遍历计算所有采样区对所述三维方差属性体进行切片，获取方差属性数据在平面上的分5.根据权利要求1所述的基于GAN网络的碳5所述生成器包括4组下采样卷积层与池化层、全连接层和4层6.根据权利要求5所述的基于GAN网络的碳封存通过全连接层将所述抽象特征表示进行保留特征图分辨率与个数的分类整合和归一将未经过生成器处理的所述稳定沉积区域的地震波形数据与所述精细稳定沉积背景设置生成器的目标函数objf为：通过交替迭代判别器的目标函数最大化与生成器的目标生成器输出的精细稳定沉积背景地震波形数据与未经过生成器处理的稳定沉积区域的地震波形数据的分类准确度低于预设的阈值，获得训练好的基于GAN神经网络的背景波阻抗7.根据权利要求4所述的基于GAN网络的碳封基于所述稳定沉积背景地震波形数据，设未知地下波阻抗模型参数m为维空间向量6;通过非线性函数核G建立未知地下波阻抗模型参数和k维数d=G(m)+nAG(m)=G(m)-G(m')=AAm=A(m-m')通过一次地震采集过程获得叠前深度域偏移地震剖面d'，假设反演深度域模型参数有先验概率分布P(M=m)，根据贝叶斯公式有概率分布为：7n为噪音且服从高斯分布均值为0，cn为一等值的对角矩阵且对角线元素为数据中心对于反演深度域模型参数先验概率分布P(M=m)，设置初始模型，且有P(M=m)=p(m=m'+Am)=p(Am=m-m')；设等价的深度域模型概率分布服从高斯分布，有8Am=m-m'，通过不断迭代更新未知地下波阻抗模型的参数，直至Am出现正负值震荡，此时的mtt1为低频波阻抗反演数据；基于虚拟井井位平面坐标与地震数据平面坐标的相关关系频波阻抗反演数据的一一对应关系，进而将虚拟井井旁低频波阻抗反演数据对虚拟井赋基于波阻抗反演数据体提取虚拟井井位波阻抗数据，8.根据权利要求1所述的基于GAN网络的碳封存根据叠后地震数据中的目标层位地震波形数据根据井位坐标与地震资料平面坐标，使测井声波时差曲线9将所述地震波形振幅样本集输入基于井间地震波形结构的波阻抗值预测模型获取三第Layer层第u个神经元的输入等于Layer-1层的神经元乘以权值后加Layer层第u个神经元的输出表示为：表示第Layer层第u个神经元与前一层第h个神经元的连接权值，9.根据权利要求8所述的基于GAN网络的碳封存箱z'=w'a-1+bl表示第l-1层的神经元输出，bl表示第l层的偏置项量；重复迭代至误差错误低于预设的误差阈值，或达到地震资料预处理模块，配置为获取叠前单炮地震数据和测井资料，进而获；；等时地层格架模型获取模块，配置为基于叠后地震数时-深转化关系获取模块，配置为将所述叠后地震数据与测井资料进行井震标定获取稳定沉积区域获取模块，配置为基于所述叠后地震数稳定沉积背景地震波形数据反演体获取模块，配置为过基于GAN神经网络的背景波形数据填充模型的生成器，获取精细稳定沉积背景地震波形化关系通过基于井间地震波形结构的波阻抗值预测模型获波阻抗异常数据体获取模块，配置为计算所述稳碳封存箱波阻抗数据体获取模块，配置为通过模型解释模块，配置为对所述井旁地质解释结果和碳封存箱波[0003]油气田天然的封存环境为CO2的封存提供了新的思路。极大推动了石油天然气勘储集体中注入CO2被证明能以更低的成本进行碳封存，并对临近废弃的油气井产量产生积[0005]近年来缝洞型油气藏的勘探开发成果表明，油气的地下流动与[0011]基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的[0012]基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构[0015]比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区降噪地震数据，表示第k2个卷积核提取的隐藏特[0034]通过全连接层将所述抽象特征表示进行保留特征图分辨率与个数的分类整合和[0036]将未经过生成器处理的所述稳定沉积区域的地震波形数据和所述精细稳定沉积[0037]训练过程中，设置所述基于GAN神经网络的背景波阻抗数据填充模型的目标函数v表示随机噪声向量，R(v)表[0042]设置生成器的目标函数objf为：对于生成器输出的精细稳定沉积背景地震波形数据与未经过生成器处理的稳定沉积区域的地震波形数据的分类准确度低于预设的阈值，获得训练好的基于GAN神经网络的背景波[0054]将所述地震波形振幅样本集输入基于井间地震波形结构的波阻抗值预测模型获[0058]第Layer层第u个神经元的输入等于Layer-1层的神经元乘以权值Layer层第u个神经元的输出表示为：[0062]σ表示激活函数，表示第Layer-1层第h个神经元的输出，表示第Layer层第u个神经元与前一层第h个神经元的连接权值，[0069]时-深转化关系获取模块，配置为将所述叠后地震数据与测井资料进行井震标定[0071]稳定沉积背景地震波形数据反演体获取模块，配置为基于稳定沉积背景波形数[0089]本发明提供一种基于GAN网络的碳封存箱智能识别方法，本方法通过根据断裂带对地震波形的扰动作用提取异常值，针对断控岩溶储层进行了断裂带内部储层精细识别，[0090]为了更清晰地对本发明基于GAN网络的碳封存箱智能识别方法进行说明，下面结[0098]卷积自编码器可以实现非地层信息的地震资料降噪，[0110]卷积自编码器的训练过程即为L1范数下的寻f用于确保迭代的稳定。[0125]基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波[0135]计算预设采样区域的采样点数据均方差，本实施例以3×3×3区域为[0139]基于稳定沉积背景波形数据，通过基于GAN神经网络的背景波形数据填充模型的缺失，本实施例通过使用GAN神经网络合成地震波形可以将这些缺失的部分按照波形规律[0145]在本实施例中，所述基于GAN神经网络的背景波阻抗数据填充模型，其训练方法[0148]通过全连接层将所述抽象特征表示进行保留特征图分辨率与个数的分类整合和加接近。在图5中上部分为训练过程中基于GAN神经网络的背景波阻抗数据填充模型的流v表示随机噪声向量，R(v)表[0156]设置生成器的目标函数objf为：对于生成器输出的精细稳定沉积背景地震波形数据与未经过生成器处理的稳定沉积区域[0160]基于所述稳定沉积背景地震波形数据，设未知地下波阻抗模型[0163]d=G(m)+n[0169]对所述正演模型进行泰勒展开并略去二次以上的高阶项，获得预测数据简略表[0174]其中，mf表示迭代了t次后的正演模型，m+1表示迭代了k+1次后的正演模d,为加噪预测数据；[0175]通过一次地震采集过程获得叠前深度域偏移地震剖面d'，假设反演深度域模型参数有先验概率分布P(M=m)，根据贝叶斯公式有概率分布为：P(M=m)=p(m=m'+Am)=p(Am=m-m')；mtt1为低频波阻抗反演数据；围针对所有虚拟井波阻抗数据的插值计算，设定计算区域为地质格架内工区的全部范围，[0203]基于所述测井资料、叠后地震数据和时-深转化关系通过基于井间地震波形结构[0213]将所述地震波形振幅样本集输入基于井间地震波形结构的波阻抗值预测模型获[0217]第Layer层第u个神经元的输入等于Layer-1层的神经元乘以权值Layer层第u个神经元的输出表示为：[0221]σ表示激活函数，表示第Layer-1层第h个神经元的输出，表示第Layer层第u个神经元与前一层第h个神经元的连接权值，zl表示的第l层神经元输入，wl表示第表示第l-1层的神经元输出，bl表示第l层的偏置项量地震波形所对应的波阻抗值，将地震波形对应的波阻抗值汇合为三维波阻抗预测数据体。由于数据点之间有重叠，将计算出的波阻抗数据重叠区域计算平均值作为波阻抗预测值，波阻抗异常数据，获得包含碳封存箱几何结构与内部波阻抗特征的碳封存箱波阻抗数据[0250]比对所述井旁地质解释结果和碳封存箱波阻抗数据体，划定孔洞储层特征值区封存箱波阻抗数据，划定波阻抗数据大于0.82的区域为裂缝储层，划定波阻抗数据处于其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之[0256