基于小波变换的卷积神经网络岩相预测

摘要

岩相分析是寻找优质储层的基础，但对于无井区域或受限于井间复杂的地质条件，传统技术难以快速、准确识别岩相类型及其空间展布．故通过深度学习实现对岩相的高效识别，提出一种加入连续小波变换（CWT）的卷积神经网络（CNN）岩相识别方法．将该方法应用于准噶尔盆地征沙村地区克拉玛依组，主要步骤包括：依据岩心和测井特征划分典型岩相，基于合成记录的井震匹配对测井岩相与叠后地震资料进行匹配，利用Morlet小波变换将匹配的地震波转化为时频谱图，生成不同岩相的时频谱图数据集，并构建CNN模型进行训练、测试与验证．在层位约束条件下，研究不同岩相的平面展布．结果表明：Morlet小波结合CNN的模型可实现较高识别精度，X2盲井的4种岩相识别率均超过85%，显著提升了岩相识别的效率和精度．

关键词

岩相预测 / 卷积神经网络 / 连续小波变换 / 叠后地震资料 / 时频谱图 / 克拉玛依组