一种基于残差网络的岩性预测方法

本发明属于地球物理勘探领域和深度学习领域，具体涉及到残差神经网络 在岩性预测中的研究与应用。

寻岩性油气藏是一个重要的研究课题,岩性预测对发现岩性油气藏具有 重要的意义。尽管岩性预测方法很多,但由于各个地区的地质条件不同,各种方 法都只是在特定地区及特定条件下方能取得较好的应用效果。

测井数据与地震数据是最常用的数据，依靠地质学家们通过经验建立的数 学模型或反演技术是对未知区域的岩性进行定性预测的常用技术。经验公式或 建立地质模型对于一般地质储层参数的获取有一定的指导意义，但对于解决复 杂地质问题还是有很大的局限性。并且不同位置的预测精度大小受到井的数量 与位置分布的影响。

深度学习是大数据时代下发展起来的自动特征提取方法与预测方法，已经 成功应用于图像识别、语音识别与人脸识别等领域，但在石油勘探领域的应用 仍较少。

岩性预测问题与大多数的分类问题类似，为克服现有预测问题上的不足， 本发明提供了一种应用于岩性预测问题的残差网络模型建立方法。相对于传统 的地质建模方法，深度学习可以通过组合低层特征形成更加抽象的高层特征， 高层特征是低层特征的非线性组合，更具有区分性及类别指示性。本发明将深 度学习引入地质勘探领域，能够有效地解决岩性识别分类问题并提高识别精度。 并且以地震数据为主要数据，在横向预测上有更高的准确度。

为实现上述目的，本发明的技术方案是：

首先准备训练模型所需要的数据，将一个工区内由井数据中得到的岩性数 据，经过现有的时深转换方法转换到时间域，与地震数据尺度对齐。然后解析 工区内地震数据，将井位置处对应的地震属性数据作为训练数据，已有的岩性 数据作为标记数据。

下一步把得到的训练数据输入残差网络中，建立一个应用于岩性预测方面 的残差网络模型。将地震属性排列成一个矩阵，根据地震属性的数量，设计输 入矩阵的大小、卷积核的大小与残差块的大小。根据标记类别的数量确定输出 层神经元的个数，若只有泥岩和砂岩，则有两个神经元。卷积层激活函数采用 ReLU函数。输出层各个神经元输出只能无限接近1和0，而不能达到1和0，代 表属于该类别的概率。

本发明的有益效果是：将深度学习方法引入了岩性预测中，相对于传统的 采用公式建模的方式能在已有的属性中发现更多隐藏的信息，解决了岩性预测 定性分析问题，在预测模型训练好后，能够根据工区内的地震属性得出其相对 应位置的岩性概率，岩性标签是多个在[0,1]范围内的浮点型数据，大小表示其 属于该岩性类别的隶属程度，可以更精确地表示它的岩性特征。

附图1是基于残差网络的岩性预测方法的流程图

附图2是本发明的网络模型期望输出形式

附图3是ResNet残差网络模型结构图

附图4是残差块模型结构图

下面将结合本发明说明书附图，对本发明的具体实施方式中的方案进行详 细描述：

图1是基于残差网络的岩性预测方法的流程图，本预测方法分为四个阶段， 具体包括：

A.输入特征图形成11：本发明的残差网络在进行训练之前将井上位置对应 的地震网格处的地震属性经过筛选组成N*N大小的矩阵，形成单通道特征图， 作为网络的输入,井上岩性标记作为输出标签。

B.残差块的设计12：本发明采用的残差网络与普通卷积神经网络的区别在 于残差块的存在，可使网络达到很深的深度。可通过残差块内部卷积层是否采 用0填充的方式来控制处理前后的特征图的大小的改变。

C.残差网络结构设计13：本发明使用A中得到的残差块，结合池化层、BN 层与softmax层构建网络模型。将准备好的地震属性特征图和岩性标签分批输 入残差网络模型进行有监督的训练，进行网络训练的时候根据准确率调整网络 中残差块的数量、BN层位置以及学习率等网络参数，最终保留能够使学习效果 最好的网络结构15。

D.预测同工区内未探明岩性位置的岩性16：本发明通过B中获得网络训练 预测模型，然后按照11规定的特征图排列方式将地震属性输入模型，通过我们 训练好的预测模型预测出其相对应的各类岩性类别的隶属度。岩性分类的标签 是一个在[0,1]范围内的浮点型数据，表示属于该类岩性的概率大小，而不是简 单的0、1表示，可以更精确的表示它的岩性特征。

图4是本发明采用的残差块模型结构图，残差网络通过在几个卷积层首尾 叠加y＝x的层(称identity mappings，恒等映射)，可以让网络随深度增加而 不退化。

残差块学习的是残差函数F(x)＝H(x)-x,这里如果F(x)＝0,那么结 构就是上面提到的恒等映射。如果深层网络的后面那些残差块是恒等映射，那么 模型就退化为一个浅层网络。直接让一些层去拟合一个潜在的恒等映射函数H(x) ＝x，比较困难，这可能就是深层网络难以训练的原因。但是，如果把网络设计 为H(x)＝F(x)+x就可以转换为学习一个残差函数F(x)＝H(x)–x。只要 F(x)＝0，就构成了一个恒等映射H(x)＝x。拟合残差更加容易。

以上所述，仅是本发明的较佳实施例，任何熟悉本专业的技术人员可能利用 上述阐述的技术方案加以改型或变更为等同变化的等同实例。凡未脱离本发明 技术方案内容，依据发明的技术方案对上述实施例进行的任何简单修改、变更或 改型，均属于发明技术方案的保护范围。