一种基于膨胀卷积神经网络的储层不连续界线识别方法与流程

技术特征：
1.一种基于膨胀卷积神经网络的储层不连续界线识别方法，其特征在于，包括以下步骤：s1：从地震数据中获取地震属性图x，x∈r
a
×
b
×
c
；s2：采用多层融合技术，将融合后的属性数据映射到低维向量空间；s3：通过对实际地质数据、测井数据，以及地震数据分析得出不连续界线类别，根据所划分的不连续界线类型得到标签y，y∈r
m
，m代表划分的不同界线类型总数；s4：采用卷积神经网络cnn从输入的地震属性中学习到深层次的特征s4：采用卷积神经网络cnn从输入的地震属性中学习到深层次的特征利用膨胀卷积dcnn从输入的地震属性中学习到非连续性特征用膨胀卷积dcnn从输入的地震属性中学习到非连续性特征s5：采用拼接技术，将s4学习到的多个特征进行拼接，计算公式为：s5：采用拼接技术，将s4学习到的多个特征进行拼接，计算公式为：代表拼接符号；拼接二者的结果得到其中c3＝c2 c1；s6：将拼接结果送入池化层，进行平均池化后送至全连接层，然后利用softmax函数计算得到输出结果输出结果根据大小判断得到不连续性界线的识别类型。2.根据权利要求1所述储层不连续界线识别方法，其特征在于，所述步骤s1的具体方法为：从地震数据中获取属性图x，x∈r
a
×
b
×
c
，其中a是属性图像的宽度，b是属性图像的高度，c是属性的个数；对每一张属性图随机初始化n维向量，得到属性图像张量x：3.根据权利要求1所述储层不连续界线识别方法，其特征在于，所述步骤s2的具体方法为：采用多层融合技术对属性数据进行融合处理，计算方式如下：其中α,β,γ代表权重；将融合后的属性数据转换成低维实值向量l∈r
a
×
b
×
n
，获得输入向量，获得输入向量n
′
是融合后的特征个数。4.根据权利要求1所述储层不连续界线识别方法，其特征在于，所述步骤s4的具体方法为：cnn网络通过卷积层提取界线深层次特征，计算公式为：其中w
*
表示权重参数(与输入数据同维数)，same表示运算类型，使得提取的深层次特征大小不变，b表示偏置向量；dcnn通过膨胀卷积层提取非连续性特征，计算公式如下：其中dr表示膨胀率。5.根据权利要求1所述储层不连续界线识别方法，其特征在于，所述步骤s6的具体方法
为：利用多分类交叉熵损失函数优化神经网络训练过程中的参数，计算方法如下：其中，i和j表示定位像素点，y表示真实值，表示预测值；当像素点i,j的类别是k，则否则等于0。

技术总结
本发明公开了一种基于膨胀卷积神经网络的储层不连续界线识别方法，包括以下步骤：从地震数据中获取属性图；采用多层融合技术，属性数据映射到低维向量空间；通过对地质数据、测井数据以及地震数据分析得出不连续界线类别，根据所划分的不连续界线类型得到标签；采用CNN从输入属性学习到深层次的特征r1；利用DCNN从输入属性学习到非连续性特征r2；采用拼接技术，特征进行拼接；将拼接结果送入池化层，平均池化后送至全连接层。利用Softmax函数输出结果得到识别类型。本发明优点是：能够自动学习特征，减少识别错误，准确的区分不连续界线类型；能够突出界线之间的特征差异；能够减少地震数据中假界线的干扰。减少地震数据中假界线的干扰。减少地震数据中假界线的干扰。


技术研发人员：尹成 魏彤 丁峰 张栋 王毓玮 赵虎 潘树林
受保护的技术使用者：西南石油大学
技术研发日：2021.08.23
技术公布日：2021/11/23