本發(fā)明涉及地質(zhì)工程，尤其涉及一種基于多模態(tài)深度學習的地應(yīng)力預(yù)測方法。

背景技術(shù)：

1、地應(yīng)力預(yù)測在油氣藏開發(fā)、鉆井設(shè)計與井壁穩(wěn)定性評估中具有重要作用。地應(yīng)力的準確預(yù)測能夠有效減少鉆井風險、優(yōu)化開采方案和提高油氣采收率。然而，傳統(tǒng)的地應(yīng)力預(yù)測方法主要依賴于測井數(shù)據(jù)和地震屬性分析，存在一些局限性。近年來，深度學習技術(shù)在圖像識別、自然語言處理等領(lǐng)域取得了顯著進展，并逐漸應(yīng)用于地質(zhì)工程領(lǐng)域。深度學習方法通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，能夠自動從大量數(shù)據(jù)中提取高層次特征，具有強大的非線性建模能力和數(shù)據(jù)融合能力。因此，基于深度學習的地應(yīng)力預(yù)測方法逐漸受到關(guān)注?，F(xiàn)有的深度學習地應(yīng)力預(yù)測方法主要集中在單一數(shù)據(jù)源的應(yīng)用，如利用地震數(shù)據(jù)或測井數(shù)據(jù)進行預(yù)測。然而，單一數(shù)據(jù)源的方法存在數(shù)據(jù)不完整、特征提取不充分等問題，難以全面反映地下地質(zhì)特征，導致預(yù)測精度受限。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明的目的在于提供一種基于多模態(tài)深度學習的地應(yīng)力預(yù)測方法，通過將地震屬性與層位特征進行融合，采用多模態(tài)深度學習方法，能夠更準確地預(yù)測地應(yīng)力，為油氣勘探和開發(fā)提供重要的地質(zhì)參數(shù)支持。

2、為實現(xiàn)上述發(fā)明目的，本發(fā)明提供一種基于多模態(tài)深度學習的地應(yīng)力預(yù)測方法，所述方法包括：

3、s11、獲取油氣藏區(qū)域的地震數(shù)據(jù)、層位數(shù)據(jù)和測井數(shù)據(jù)，并對獲取的地震數(shù)據(jù)和層位數(shù)據(jù)進行預(yù)處理；

4、s12、利用卷積神經(jīng)網(wǎng)絡(luò)從地震數(shù)據(jù)中提取深層特征，使用雙向長短時記憶網(wǎng)絡(luò)對層位數(shù)據(jù)進行序列建模，捕捉層位變化的時序特征；

5、s13、構(gòu)建多模態(tài)地應(yīng)力預(yù)測模型，所述多模態(tài)地應(yīng)力預(yù)測模型包括層位數(shù)據(jù)子網(wǎng)絡(luò)和地震數(shù)據(jù)子網(wǎng)絡(luò)，所述層位數(shù)據(jù)子網(wǎng)絡(luò)用于處理層位變化的時序特征，所述地震數(shù)據(jù)子網(wǎng)絡(luò)用于處理地震屬性的空間特征，通過融合層將地震數(shù)據(jù)子網(wǎng)絡(luò)和層位數(shù)據(jù)子網(wǎng)絡(luò)輸出的時序特征和空間特征進行融合，生成綜合特征；

6、s14、將多模態(tài)地應(yīng)力預(yù)測模型應(yīng)用于新的地震數(shù)據(jù)和層位數(shù)據(jù)進行地應(yīng)力預(yù)測，并生成展示預(yù)測結(jié)果的報告。

7、進一步的，步驟s11中，對獲取的地震數(shù)據(jù)和層位數(shù)據(jù)進行預(yù)處理，具體包括：

8、s21、采用daubechies小波變換方法對地震數(shù)據(jù)進行去噪處理；

9、s22、利用速度模型將時間域地震數(shù)據(jù)轉(zhuǎn)換為深度域地震數(shù)據(jù)；

10、s23、利用自動提取算法對層位數(shù)據(jù)進行處理，生成層位模型。

11、進一步的，步驟s22中，利用速度模型將時間域地震數(shù)據(jù)轉(zhuǎn)換為深度域地震數(shù)據(jù)，具體包括：

12、s31、利用地質(zhì)統(tǒng)計學反演技術(shù)，結(jié)合地震數(shù)據(jù)、層位數(shù)據(jù)和測井數(shù)據(jù)進行反演，獲得速度模型；

13、s32、采用速度模型對地震數(shù)據(jù)按照等間隔的時間域依次進行時深轉(zhuǎn)換，獲得深度域地震數(shù)據(jù)；

14、s33、將深度域地震數(shù)據(jù)與測井數(shù)據(jù)進行融合，形成能夠反應(yīng)地震數(shù)據(jù)的剖面融合圖。

15、進一步的，步驟s12中，利用卷積神經(jīng)網(wǎng)絡(luò)從地震數(shù)據(jù)中提取深層特征，具體包括：

16、s41、在卷積神經(jīng)網(wǎng)絡(luò)resnet-50中引入殘差連接和多尺度結(jié)構(gòu)，對地震數(shù)據(jù)中的微小特征進行提取；

17、s42、在殘差連接后加入注意力機制，提取地震數(shù)據(jù)中深層特征；

18、s43、通過3個3*3卷積將微小特征和深層特征進行整合，對地震數(shù)據(jù)的空間特征進行捕捉。

19、進一步的，步驟s13中，通過地震數(shù)據(jù)子網(wǎng)絡(luò)處理地震屬性特征，具體包括：

20、s51、將步驟s43中空間特征通過全局平均池化，并在空間維度對輸入特征進行聚合，獲得全局信息；

21、s52、根據(jù)通道數(shù)自適應(yīng)計算出局部跨通道交互的覆蓋范圍；

22、s53、通過大小為k的一維卷積核卷積實現(xiàn)每個通道及其k個近鄰?fù)ǖ赖慕换ァ?/p>

23、進一步的，步驟s12中，使用雙向長短時記憶網(wǎng)絡(luò)對層位數(shù)據(jù)進行序列建模，捕捉層位變化的時序特征，具體包括：

24、s61、將原始層位數(shù)據(jù)依據(jù)時間先后順序輸入雙向長短時記憶網(wǎng)絡(luò)進行正向和反向的信息提?。?/p>

25、s62、將步驟s61提取的信息輸入長短時記憶網(wǎng)絡(luò)進一步提取時間依賴關(guān)系；

26、s63、加入時間注意力機制，實現(xiàn)對深度時間序列特征進行自適應(yīng)加權(quán)，捕捉層位變化的時序特征。

27、進一步的，步驟s13中，通過層位數(shù)據(jù)子網(wǎng)絡(luò)處理層位變化的時序特征，具體包括：

28、s71、將步驟s63輸出的時序特征進行歸一化，將其作為注意力層的輸入特征，采用tanh函數(shù)激活；

29、s72、將步驟s71的輸出結(jié)果與注意力參數(shù)矩陣相乘，加上偏置權(quán)重經(jīng)softmax函數(shù)非線性激活，獲得窗口內(nèi)時間序列特征的權(quán)重得分；

30、s73、通過矩陣廣播機制，將步驟s72中的權(quán)重得分與步驟s71輸入的時序特征進行hadamard乘積，對s71輸入的時序特征進行加權(quán)。

31、進一步的，步驟s13中，通過融合層將地震數(shù)據(jù)子網(wǎng)絡(luò)和層位數(shù)據(jù)子網(wǎng)絡(luò)輸出的時序特征和空間特征進行融合，具體包括：

32、s81、融合層采用自注意力機制分別對時序特征和空間特征進行學習；

33、s82、將s81的輸出與空間特征進行殘差連接相連，并進行層歸一化，根據(jù)時序特征和空間特征的重要程度進行權(quán)重分配；

34、s83、通過前饋神經(jīng)網(wǎng)絡(luò)將s82的輸出融合為綜合特征。

35、進一步的，步驟s14中，所述地應(yīng)力預(yù)測具體為，將步驟s83融合后的綜合特征通過全連接層映射為地應(yīng)力預(yù)測值。

36、進一步的，步驟s14中，所述報告包括地應(yīng)力預(yù)測剖面圖和地應(yīng)力分布圖。

37、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

38、本發(fā)明提供的一種基于多模態(tài)深度學習融合地震屬性與層位特征的地應(yīng)力預(yù)測方法，通過構(gòu)建多模態(tài)深度學習模型，融合地震數(shù)據(jù)和層位數(shù)據(jù)，實現(xiàn)了對地應(yīng)力的高精度預(yù)測，并將預(yù)測結(jié)果與測井數(shù)據(jù)進行對比驗證，取得了顯著的效果，具體包括：

39、(1)提高地應(yīng)力預(yù)測的精度：通過融合地震數(shù)據(jù)和層位數(shù)據(jù)，本發(fā)明的方法能夠自動提取和融合多種數(shù)據(jù)中的高層次特征，地震數(shù)據(jù)提供了廣泛的空間信息，層位數(shù)據(jù)提供了詳細的地質(zhì)層位變化特征，多模態(tài)深度學習模型將兩者有機結(jié)合，增強了模型的預(yù)測能力。

40、(2)擴展地應(yīng)力預(yù)測的適用范圍：本發(fā)明的方法能夠適用于不同地質(zhì)條件下的地應(yīng)力預(yù)測，通過融合地震數(shù)據(jù)和層位數(shù)據(jù)，可以在未鉆井區(qū)域進行有效的地應(yīng)力預(yù)測，提供更大范圍內(nèi)的地應(yīng)力分布信息，為油氣勘探和開發(fā)提供全面的地質(zhì)參數(shù)支持。

41、(3)實現(xiàn)預(yù)測過程的自動化和高效化：本發(fā)明的方法采用深度學習技術(shù)，實現(xiàn)了地應(yīng)力預(yù)測過程的自動化和高效化，多模態(tài)深度學習模型能夠自動從地震數(shù)據(jù)和層位數(shù)據(jù)中提取特征，減少了人工干預(yù)，簡化了預(yù)測過程，提高了工作效率，此外，深度學習模型的高并行計算能力，顯著縮短了預(yù)測時間。

42、(4)與測井數(shù)據(jù)進行對比驗證，提高結(jié)果可靠性：本發(fā)明的方法不僅能夠獨立進行地應(yīng)力預(yù)測，還可以將預(yù)測結(jié)果與實際測井數(shù)據(jù)進行對比分析，評估和驗證模型的預(yù)測精度和可靠性，通過與測井數(shù)據(jù)的對比驗證，進一步提高了地應(yīng)力預(yù)測結(jié)果的可信度，為油氣藏開發(fā)和井壁穩(wěn)定性評估提供更為可靠的地質(zhì)參數(shù)支持。

43、(5)提供綜合的地質(zhì)信息支持：本發(fā)明的方法通過融合地震數(shù)據(jù)和層位數(shù)據(jù)，提供了更加綜合和詳細的地質(zhì)信息，地震數(shù)據(jù)和層位數(shù)據(jù)的結(jié)合，使得地應(yīng)力預(yù)測結(jié)果不僅具有高精度，還能夠反映地質(zhì)層位的變化情況，為油氣藏開發(fā)、鉆井設(shè)計和地質(zhì)災(zāi)害防治等多方面應(yīng)用提供了重要的地質(zhì)信息支持。