多波地震数据具有丰富的地震油气储层信息,有效利用纵波与转换横波对油气储层敏感度的差异,有助于提高油气藏预测精度。深层神经网络因其具有鲁棒性、泛化能力强、稳定性高等特点,能够很好的挖掘数据中的非线性关系,在储层特征提取、分类、识别及预测等方面得到广泛应用。基于此,本研究结合油气藏分布规律及其在地震响应上所具有的特点,以多波地震资料为基础,以人工智能技术为依托,设计了一种基于深层神经网络的多波地震油气识别与预测方法,通过无监督与监督学习算法提取油气特征,以实现地震油气藏的准确识别与预测。 面向多波地震油气储层分布预测的深层神经网络学习模型主要包括:首先,利用聚类非监督学习对纵、横波地震属性进行优选,获得对地震油气储层响应敏感的纵、横波地震属性;然后,利用纵波与转换横波对油气储层响应的差异性,进行多波属性复合,以增强地震油气响应特征;随后,将经过上述处理获得的多波复合地震属性进行主成分处理,降低数据冗余性,突出多波地震油气储层特征;最后,以井点处的地震属性作为训练样本,将三种主成分信息作为输入进行监督学习下的深层神经网络学习与预测,从而实现进行从已知到未知的地震油气储层预测。与传统的神经网络相比,深层神经网络具有较强的数据挖掘能力,刻画的油气储层边界更加清晰,取得了预期的效果。 结合研究区的地质资料与前期研究成果,将上述方案应用于HG地区进行地震油气储层预测,获得了较好的预测结果,该方法刻画的油气藏范围更加清晰,与实际情况具有很好的吻合度,并对有利勘探区做出预测。表明本方案具有一定的可行性与有效性,为油气藏的准确识别与预测提供了一种新的途径。