基于地震数据深度学习的四川盆地三弱天然气储层预测理论方法研究

Natural gas is not only a clean-energy but also a scarce resource in China. Sichuan Basin is rich both in conventional gas resource and shale gas resource. However, the proven rate remains low till now. The reason is mainly due to the facts that most gas reservoirs in Sichuan Basin are of “three-weak” features (weak heterogeneity, weak seismic response and weak pore fluid information). The “three-weak” features of the gas reservoirs may make existing reservoir "sweet spot" detection techniques disable. To cope with this matter, a new machine learning approaches named Deep Learning will be applied to fully mine the intrinsic features of the seismic data of the gas “sweet spots” in “three-weak” reservoirs. Treating seismic data as pseudo-voice signals and 2D or 3D images, we can mirror the successful deep learning algorithms developed in speech signal processing fields and image processing fields to develop deep learning algorithms for seismic data. By deep learning of the 3D seismic data obtained in main gas exploration blocks in Sichuan Basin, we will obtain the deep network expression of the intrinsic features of the seismic mapping data of “three-weak” gas reservoirs. Then, we can develop a novel gas reservoir "sweet spot" detection approaches based on deep learning of 3D seismic data. The novel approaches will greatly promote the natural gas exploration in Sichuan Basin, China.

天然气是我国紧缺的洁净能源。四川盆地常规天然气和页岩气资源储量巨大但探明率低。制约四川盆地天然气增储上产的主要因素是储层的三弱特性（弱非均质、弱地震响应、弱孔隙流体信息）导致现有储层“甜点”预测方法技术难以发挥效用。针对三弱天然气储层“甜点”预测难题，拟用人工智能领域新近发展的深度学习（Deep Learning）方法从地震大数据挖掘三弱天然气储层“甜点”的内禀数据特征，拟分别视地震数据为拟声音信号和二维、三维图像，借鉴成功的语音和图像深度学习分类算法，系统分析测试DNN、DBN和CNN等深网络对三弱储层的地震映射表达能力，筛选建立储层的地震深网络映射表达；优选地震数据深度学习算法，通过对主要探区三维地震数据的深度学习，确定三弱天然气储层“甜点”的内禀特征表达，并以此为基础发展基于地震数据深度学习的三弱天然气储层“甜点”预测理论与方法技术,为四川盆地的天然气勘探和国家洁净能源战略服务。

天然气是我国紧缺的战略性洁净能源。四川盆地深层超深层天然气资源丰富但增储上产缓慢，其主要原因在于储层预测困难，钻探成功率低。现有储层地震预测理论方法以岩石物理建模和地震波场正演模拟与反演为基础，适用于储层与非储层物性差异大、地震数据信噪比较高的情况。深埋古老地层储层与非储层物性差异小，储层地震响应信号弱，使传统储层地震预测理论方法的适用性降低成功率减小。为加快四川盆地深层天然气勘探开发，迫切需要研究发展更有效的深层超深层天然气储层预测方法技术。.本项目旨在探索利用深度学习强大的非线性表征与知识发现能力发现深层天然气储集体地震响应的内禀特征，进而发展基于地震数据深度学习的深埋储层含气性检测方法技术。深度学习是一类以对象数据多隐层深度神经网络表征为特征的机器学习算法。依网络结构与训练方法的不同，深度学习可分为多种类型，以实现对不同类型数据更有效的表征。地震数据的深度神经网络表征可以类比为对地震数据作以深度神经网络隐层结点为基的分解。.项目在深入研究深度信念网络、深度自编码器、卷积神经网络、长短时记忆网络及随机森林等机器学习算法原理、特点的基础上，成功实现了对地震数据的连续稀疏降噪深度自编码器深度神经网络表征与含气储层地震响应内禀特征提取，进而发展了基于地震数据深度自编码器表征与储层特征提取的储层含气性检测方法技术，并在四川盆地多地深层超深层碳酸盐岩储层预测中进行了应用试验，结果表明新发展的方法能更好地识别深层含气储层。.项目同时研究发展了基于地震流体标识特征随机森林优选的储层含气性预测方法、基于地震属性空间分布概率约束的沉积相卷积神经网络识别方法。项目还利用迁移学习从ImageNet迁移学习形成了一个基于深度卷积神经网络的地震波初至拾取方法。.基于地震数据深度学习的储层含气性预测方法直接从地震数据入手，无需进行岩石物理建模与地震波场的正演模拟和反演计算，是数据驱动的储层预测方法，已获国家发明专利授权。