本發明涉及石油天然氣勘探開發領域，更具體地，涉及一種基于卷積神經網絡的ovt域疊前裂縫預測方法及裝置。
背景技術：
1、卷積神經網絡(convolutional?neural?network，cnn)是一種廣泛應用于圖像分類、語音識別等領域的前饋型神經網絡。在地球物理方面，針對裂縫性儲層，卷積神經網絡的應用主要集中在構造解釋、斷層識別、裂縫預測等方面。隨著地震采集處理技術的進步，基于疊前資料的疊前方位各向異性反演、疊前方位屬性橢圓擬合、疊前方位彈性阻抗反演及傅里葉級數展開等方法已成為裂縫預測的主流方法。近年來，寬方位地震采集和ovt處理技術的進步使得基于ovt域數據的疊前裂縫預測研究得到廣泛應用。
2、目前，國內外的相關研究方法主要存在以下問題：
3、①卷積神經網絡算法主要應用于正演模型及疊后數據的大尺度斷層或疊后尺度的裂縫檢測，此類方法受限于傳統相干、曲率等幾何屬性所提供的訓練樣本，預測精度較低，無法檢測出微小尺度裂縫發育特征。
4、②基于ovt域數據的疊前各向異性裂縫預測系列方法需要對ovt域疊前道集的分方位、分角度疊加數據進行多次反演及地震屬性計算，實現過程較為復雜，數據量大，預測效率較低，無法從地震數據直接獲得裂縫密度。
技術實現思路
1、本發明的目的是提出一種基于卷積神經網絡的ovt域疊前裂縫預測方法及裝置，實現簡化傳統ovt域裂縫預測方法，減少中間計算過程，直接實現端到端的裂縫預測，為油氣勘探提供重要參考。
2、為實現上述目的，第一方面，本發明提出了一種基于卷積神經網絡的ovt域疊前裂縫預測方法，包括：
3、選取研究區內有代表性的局部區域開展ovt域疊前彈性阻抗裂縫預測，獲得局部區域的裂縫密度預測結果；
4、結合測井解釋成果對所述裂縫密度預測結果進行分類評價，獲得局部區域的裂縫密度分類結果，將局部區域不同方位的多個入射角疊加數據體及對應的裂縫密度分類結果作為訓練樣本；
5、構建基于卷積神經網絡的裂縫密度預測模型，并利用所述訓練樣本對所述裂縫密度預測模型進行訓練；
6、將完成訓練的所述裂縫密度預測模型應用于研究區內其他區域的裂縫預測，獲得全區裂縫預測結果。
7、可選地，所述選取研究區內有代表性的局部區域開展ovt域疊前彈性阻抗裂縫預測，獲得局部區域的裂縫密度預測結果，包括：
8、將局部區域的ovt域道集數據進行分方位、分入射角疊加，得到不同方位的多個入射角疊加數據體；
9、利用測井數據和地震解釋層位格架建立不同方位彈性阻抗預測模型，結合不同方位的入射角疊加數據體開展方位彈性阻抗反演獲得不同方位的彈性阻抗；
10、對不同方位的彈性阻抗進行傅里葉級數展開，獲得局部區域的裂縫密度預測結果。
11、可選地，所述對不同方位的彈性阻抗進行傅里葉級數展開通過以下公式實現：
12、ln?eia(φ,θ)＝a0(θ)+a2(θ)cos(2φ)
13、其中，θ為入射角，φ為地震觀測方位與裂縫法向之間的夾角；ei(θ，φ)表示方位彈性阻抗；a0為零階傅里葉系數，與觀測方位無關，背景項；a2為二階傅里葉系數，只與入射角和各向異性參數有關，反映了裂縫的各向異性特征，即裂縫密度。
14、可選地，所述結合測井解釋成果對所述裂縫密度預測結果進行分類評價，包括：
15、根據研究區內測井分析成果，將所述裂縫密度預測結果按照設定的閾值進行分類評價，將所述裂縫密度預測結果劃分為裂縫發育、裂縫較發育及裂縫不發育三類。
16、可選地，所述裂縫密度預測模型包括依次連接的三層卷積層和兩層全連接網絡；
17、其中，卷積層包括卷積核和池化層，卷積核大小為3*3，卷積步長為1，池化層大小為2*2，步長1。
18、可選地，在兩層全連接網絡中加入dropout控制，三層卷積層和兩層全連接網絡中的激活函數均為sigmoid函數。
19、可選地，所述利用所述訓練樣本對所述裂縫密度預測模型進行訓練，包括：
20、將局部區域的不同方位的多個入射角疊加數據體和裂縫密度分類結果作為所述裂縫密度預測模型的輸入樣本，其中隨機選取80％樣本作為訓練樣本，其余20％作為測試樣本，并在訓練過程中進行交叉驗證。
21、第二方面，本發明提出一種電子設備，所述電子設備包括：
22、至少一個處理器；以及，
23、與所述至少一個處理器通信連接的存儲器；其中，
24、所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行第一方面所述的基于卷積神經網絡的ovt域疊前裂縫預測方法。
25、第三方面，本發明提出一種非暫態計算機可讀存儲介質，該非暫態計算機可讀存儲介質存儲計算機指令，該計算機指令用于使計算機執行第一方面所述的基于卷積神經網絡的ovt域疊前裂縫預測方法。
26、第四方面，本發明提出一種基于卷積神經網絡的ovt域疊前裂縫預測裝置，包括：
27、局部區域ovt域疊前裂縫預測模塊，用于選取研究區內有代表性的局部區域開展ovt域疊前彈性阻抗裂縫預測，獲得局部區域的裂縫密度預測結果；
28、訓練數據制作模塊，用于結合測井解釋成果對所述裂縫密度預測結果進行分類評價，獲得局部區域的裂縫密度分類結果，將局部區域不同方位的多個入射角疊加數據體及對應的裂縫密度分類結果作為訓練樣本；
29、預測模型構建及訓練模塊，用于構建基于卷積神經網絡的裂縫密度預測模型，并利用所述訓練樣本對所述裂縫密度預測模型進行訓練；
30、裂縫預測模塊，用于將完成訓練的所述裂縫密度預測模型應用于研究區內其他區域的裂縫預測，獲得全區裂縫預測結果。
31、本發明的有益效果在于：
32、本發明的方法首先選取研究區內有代表性的小面積局部區域開展傳統的ovt域疊前裂縫預測，然后結合測井解釋成果對裂縫密度進行分類評價，小面積區域裂縫預測結果作為卷積神經網絡的輸入訓練樣本，通過卷積神經網絡提取不同方位角、入射角部分疊加數據體與裂縫密度的特征映射，從而建立裂縫密度預測模型，再將此網絡結構應用于未參與訓練的其他區域，最終通過疊前地震數據直接預測出地下介質裂縫密度，實際應用表明，本發明的方法能夠有效減少ovt域裂縫預測運算過程，提高預測效率的同時具有較高的預測精度，在實際工區應用結果表明，本方法預測所得裂縫發育區對應的水平井段破裂壓力相對較低，能夠有效指導水平井設計施工。
33、本發明的系統具有其它的特性和優點，這些特性和優點從并入本文中的附圖和隨后的具體實施方式中將是顯而易見的，或者將在并入本文中的附圖和隨后的具體實施方式中進行詳細陳述，這些附圖和具體實施方式共同用于解釋本發明的特定原理。
1.一種基于卷積神經網絡的ovt域疊前裂縫預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述選取研究區內有代表性的局部區域開展ovt域疊前彈性阻抗裂縫預測，獲得局部區域的裂縫密度預測結果，包括：
3.根據權利要求2所述的方法，其特征在于，所述對不同方位的彈性阻抗進行傅里葉級數展開通過以下公式實現：
4.根據權利要求1所述的方法，其特征在于，所述結合測井解釋成果對所述裂縫密度預測結果進行分類評價，包括：
5.根據權利要求1所述的方法，其特征在于，所述裂縫密度預測模型包括依次連接的三層卷積層和兩層全連接網絡；
6.根據權利要求5所述的方法，其特征在于，在兩層全連接網絡中加入dropout控制，三層卷積層和兩層全連接網絡中的激活函數均為sigmoid函數。
7.根據權利要求1所述的方法，其特征在于，所述利用所述訓練樣本對所述裂縫密度預測模型進行訓練，包括：
8.一種電子設備，其特征在于，所述電子設備包括：
9.一種非暫態計算機可讀存儲介質，其特征在于，該非暫態計算機可讀存儲介質存儲計算機指令，該計算機指令用于使計算機執行權利要求1-7任一所述的基于卷積神經網絡的ovt域疊前裂縫預測方法。
10.一種基于卷積神經網絡的ovt域疊前裂縫預測裝置，其特征在于，包括：