地震相是储层表征的方法之一，通过对目标区域有利层序内地震相的研究,可以确定储层的沉积相及横向的分布范围,从而为储层的综合预测奠定基础。
01 地震相介绍
地震相是指沉积相在地震资料上的响应，地震相一词来源于沉积相，可以理解为沉积相在地震剖面上表现的总和。地震相包括在地震剖面上的响应，在水平切片或层振幅平面图上的响应，在反演速度剖面上或正演模型上的响应等。地震相分析的方法就是识别每个层序内独特的地震反射波组特征及其形态组合，并将其赋予一定的地质含义，进而进行沉积相的解释，这一过程称为地震相分析。
地震相分类是储层表征的步骤之一，三维地震和地震属性等油气储层表征技术的进步丰富了专家对地下的描述。然而，对这一巨大数据量的分析却成了一项复杂的任务，人工分析已经不能适应工程上的需要。本文后续将带领大家探索使用深度学习在地震相分类中的应用。
02 深度学习进行储层学习的原理在深度学习储层预测应用中，我们可以训练模型建立测井处的测井特性（包括测井曲线、地震相、产量特性等）与地震数据之间的关系，再用来预测整个地震工区的特征。
深度学习预测的目标可以包括：孔隙度、油水饱和度、地震相、油气产量等等，几乎包括了所有的储层参数，使用起来非常灵活。
卷积神经网络（CNN）适用于处理二维、三维以上的数据，常用于开展地震储层预测。在CNN的模型训练过程中，将井旁地震数据作为输入，将敏感测井属性作为标签，通过多次迭代训练神经网络模型。一般CNN模型需要设定卷积核尺寸、多个卷积层进行叠加，最后通过全连接神经元输出目标属性。
本次实战项目使用荷兰F3的数据。荷兰北海区域富含碳氢化合物沉积物，北海大陆架位于荷兰海岸附近，被划分为不同的地理区域，用字母表的不同字母来描述；在这些区域内是标有数字的较小区域。其中一个区域是尺寸为16km x 24km的矩形，称为F3区块，见图。
