CN103364831B - 基于神经网络算法的物性参数量化方法 - Google Patents
基于神经网络算法的物性参数量化方法 Download PDFInfo
- Publication number
- CN103364831B CN103364831B CN201310321457.8A CN201310321457A CN103364831B CN 103364831 B CN103364831 B CN 103364831B CN 201310321457 A CN201310321457 A CN 201310321457A CN 103364831 B CN103364831 B CN 103364831B
- Authority
- CN
- China
- Prior art keywords
- parameter
- neural network
- input
- physical
- physical parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000000704 physical effect Effects 0.000 title claims abstract description 15
- 238000011002 quantification Methods 0.000 title claims abstract description 10
- 230000007935 neutral effect Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 12
- 241001269238 Data Species 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000000205 computational method Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于神经网络算法的物性参数量化方法，包括：在地震数据中提取与物性参数有关的属性，加到神经网络的输入端；将已知的物性参数加到神经网络的输出端，然后按照神经网络的算法建立输出与输入的关系，并将该关系应用到所有地震数据上，实现物性参数的量化预测。本发明结合已知物性参数与地震属性参数来实现物性参数量化预测，预测的结果是量化数据，且可以得到储层的各类物性参数值。
Description
技术领域
本发明涉及一种基于神经网络算法的物性参数量化方法，属于油气田勘探开发的地震资料储层预测领域。
背景技术
油气勘探开发往往需要知道储层情况，即储层具有什么物性特征、地质特征等，这些特征通过各种参数来表达。特别需要知道参数值的大小，以对储层进行精细刻画，获得准确的储层信息，从而为勘探开发研究、评价和工程作业提供必要而有效的量化依据。这就要求从通常的储层定性研究发展到定量研究，则在前期需要开展量化预测。
物性参数预测一般都通过地震资料来实现，可以直接用地震资料采用一定的算法计算，也可结合其他已知储层信息来建立与地震数据的关系，再将关系应用于所有地震数据，达到预测目的。例如，《西南石油大学学报》第6期29卷于2007年12月公开的基于微粒群算法的神经网络储层物性参数预测，建立了一个具有自适应、复杂非线性储层预测模型，在计算方法上，由于多层前向型神经网络BP算法存在易陷入局部最优的缺点，而微粒群算法具有较强鲁棒性和全局收敛的优点。结合二者长处，利用基于微粒群算法的神经网络计算方法,对神经网络结构进行了改进。利用四川洛带地区气田的测井资料,用所设计的算法对储层的物性参数(孔隙度、渗透率)进行预测。
现有应用地震资料计算储层参数的方法中，采用神经网络是较普遍的方法，但这种方法一般都用于分类或模式识别，即只是分出类别。分类或模式识别时事先会对已有样本所属类别人为定义一个参数，我们发现，预测过程中，不同的样本会得到不同的预测结果，预测值的大小与样本差别具有一致性。为此，我们提出将样本的某种属性或特征进行量化，按量化值大小而非人为固定的类别值输入神经网络中，建立输入参数与输出参数（即量化值）的关系，再将该关系应用到预测中，获得预测样本的量化值。
应用实践表明，这样的方式可以克服模式识别或分类问题中的三个主要问题。一是分类时会常常因为认识不足、影响因素多强制性地将有差别或不同的样本确定为同一类，造成关系建立不正确，从而导致预测结果出现大偏差、分类不正确；二是在关系建立时因对模式把握不准出现收敛能力弱、分类误差大以致多次试验、效果难于把握，得不到认同等问题；三是预测结果大大削弱了其物理意义，且弱化了丰富的连续变化的地震、地质信息。此外，这样的方法延展了地震资料神经网络算法的预测功能，且量化预测因为物理参数直接、准确往往更易成功。
发明内容
本发明的目的在于克服现有地震资料计算储层参数的方法存在的上述问题，提供一种基于神经网络算法的物性参数量化方法，本发明结合已知物性参数与地震属性参数来实现物性参数量化预测，预测的结果是量化数据，且可以得到储层的各类物性参数值。
为实现上述目的，本发明采用的技术方案如下：
一种基于神经网络算法的物性参数量化方法，其特征在于：在地震数据中提取与物性参数有关的属性，加到神经网络的输入端；将已知的物性参数加到神经网络的输出端，然后按照神经网络的算法建立输出与输入的关系，并将该关系应用到所有地震数据上，实现物性参数的量化预测。
所述方法具体包括如下步骤：
a、搜集各地区或地质构造已钻井的物性参数，选定待预测参数的类别，并确定该参数值的大小；
b、将已知的物性参数归一化；
C、对地震数据剖面按照地震层位对比方式进行层位对比，确定储层空间位置；
d、计算储层的各种地震属性参数，并归一化；
e、将地震属性参数输入到神经网络输入端；将物性参数输入到神经网络输出端；
f、按照神经网络算法建立物性参数与地震属性参数的非线性映射关系；
g、将建立的关系应用于所有地震数据上，得到预测的每个位置的物性参数，并生成分布图，即完成量化预测。
所述a步骤中，待预测参数的类别可以是孔隙度或渗透率等。
所述b步骤中，归一化公式为：vv=（v-vmin）/（vmax-vmin）；其中，V为参数本身的大小，vv为归一化后的大小，vmin、vmax分别为最小值、最大值。
所述d步骤中，地震属性参数包括振幅、频率或相位等。
采用本发明的优点在于：
1、本发明预测的结果是量化数据，能够预测出物性参数值的大小，与通常只进行分类的模式识别不同。
2、本发明输入什么类型的物性参数得到什么类型的预测结果，可以得到储层的各类参数值，如孔隙度、渗透率、饱和度、产量大小等。
3、采用本发明，可以同时输入多口井，具体数量只受计算机或程序内存限制，采用的有效井数越多，效果一般越好，即量化精度越高。
4、本发明采用神经网络计算方式予以实现，且一个算法可预测不同参数，即改变输入输出而不改变算法及网络结构，采用神经网络计算，不需要具体的物理关系。
5、本发明限制在地震勘探中应用，地震勘探资料分为叠前、叠后两种，本发明只限制在叠后资料中。
附图说明
图1为神经网络模式识别及参数量化预测图
图2为本发明物性参数量化预测流程图。
具体实施方式
实施例1
一种基于神经网络算法的物性参数量化方法，在地震数据中提取与物性参数有关的属性，加到神经网络的输入端；将已知的物性参数加到神经网络的输出端，然后按照神经网络的算法建立输出与输入的关系，并将该关系应用到所有地震数据上，实现物性参数的量化预测。
所述方法具体包括如下步骤：
a、搜集各地区或地质构造已钻井的物性参数，选定待预测参数的类别（如孔隙度、渗透率），并确定该参数值的大小；
b、将已知的物性参数归一化，公式为：vv=（v-vmin）/（vmax-vmin）；
（V为参数本身的大小，vv为归一化后的大小，vmin、vmax分别为最小、最大值）；
C、对地震数据剖面按照通常的地震层位对比方式进行层位对比，准确确定储层空间位置；
d、计算储层的各种地震属性参数，如振幅、频率、相位等，并归一化（归一化方式同b步），计算方法可以采用现有的计算方法；
e、将地震属性参数输入到神经网络输入端；
f、将物性参数输入到神经网络输出端；
g、按照神经网络算法建立物性参数与地震属性参数的非线性映射关系，神经网络有多种结构，本发明采用BP结构建立映射关系，与通用算法相同。
h、将建立的关系应用于所有地震数据上，可得到预测的每个位置的物性参数，并生成分布图，即完成量化预测。
实施例2
图1为常用的BP网络结构示意图，网络由一个输入层、一个或几个中间层、一个输出层构成，每层含多个节点，层间节点相互连接，构成网络。已知信息X=（x1，x2，…，xn）从输入端输入，经过网络运算到达输出层，获得输出值Y=（y1，y2，…，ym）。在模式识别时，输出值表达分类结果，如1为第一类，0.5为第二类，0为第三类等。
作为物性参数量化预测，输出端的每个节点上都是同一类参数，但值的大小不一样，如y1=10，y2=4，y3=0等。
举例说明，假设某个地区或地质构造有3口井，井1的孔隙度为13，井2的孔隙度为6，井3的孔隙度为1，则从输入端输入井旁地震数据与孔隙度有关的参数，在输出端设置3个节点，分别用3口井的孔隙度值控制，然后经过计算，可以得到网络节点间的关系（权值），输出端则可得到一个接近于实际孔隙度的输出参数，同时确定网络节点关系（权值）。最后将网络权值应用于所有地震数据，可得到每个物理点的孔隙度预测值。
实施例3
本实施例为一个气田渗透率量化预测。
1、将下列已知井储层段的渗透率参数加到神经网络输出端。
2、对地震数据储层段的每一道提取多个属性参数，并输入到神经网络的输入端。
3、建立输入与输出的网络关系（权值）。
4、将权值应用到所有地震数据上，获得预测结果。
Claims (3)
1.一种基于神经网络算法的物性参数量化方法，其特征在于：在地震数据中提取与物性参数有关的属性，加到神经网络的输入端；将已知的物性参数加到神经网络的输出端，然后按照神经网络的算法建立输出与输入的关系，并将该关系应用到所有地震数据上，实现物性参数的量化预测；
所述方法具体包括如下步骤：
a、搜集各地区或地质构造已钻井的物性参数，选定待预测参数的类别，并确定该参数值的大小；
b、将已知的物性参数归一化；
C、对地震数据剖面按照地震层位对比方式进行层位对比，确定储层空间位置；
d、计算储层的各种地震属性参数，并归一化；
e、将地震属性参数输入到神经网络输入端；将物性参数输入到神经网络输出端；
f、按照神经网络算法建立物性参数与地震属性参数的非线性映射关系；
g、将建立的关系应用于所有地震数据上，得到预测的每个位置的物性参数，并生成分布图，即完成量化预测；
所述b步骤和d步骤中，归一化公式为：vv=（v-vmin）/（vmax-vmin）；其中，V为参数本身的大小，vv为归一化后的大小，vmin、vmax分别为最小值、最大值。
2.根据权利要求1所述的基于神经网络算法的物性参数量化方法，其特征在于：所述a步骤中，待预测参数的类别为孔隙度或渗透率。
3.根据权利要求2所述的基于神经网络算法的物性参数量化方法，其特征在于：所述d步骤中，地震属性参数包括振幅、频率或相位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310321457.8A CN103364831B (zh) | 2013-07-29 | 2013-07-29 | 基于神经网络算法的物性参数量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310321457.8A CN103364831B (zh) | 2013-07-29 | 2013-07-29 | 基于神经网络算法的物性参数量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103364831A CN103364831A (zh) | 2013-10-23 |
| CN103364831B true CN103364831B (zh) | 2016-06-29 |
Family
ID=49366598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310321457.8A Active CN103364831B (zh) | 2013-07-29 | 2013-07-29 | 基于神经网络算法的物性参数量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103364831B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104635265B (zh) * | 2014-12-31 | 2017-07-07 | 中国石油天然气集团公司 | 一种可控神经网络式预测储层渗透率的方法 |
| CN106556863B (zh) * | 2015-09-29 | 2018-10-16 | 中国石油天然气股份有限公司 | 基于深度域叠前角道集的孔隙度预测方法 |
| CN106707335B (zh) * | 2017-03-15 | 2018-06-19 | 中国石油化工股份有限公司胜利油田分公司勘探开发研究院西部分院 | 一种叠后地震信号波形分类方法 |
| CN107742031B (zh) * | 2017-10-24 | 2021-05-28 | 重庆科技学院 | 基于实验和数学算法的驱替实验人造岩心分析制备方法 |
| CN112540408B (zh) * | 2019-09-20 | 2024-05-14 | 中国石油化工股份有限公司 | 一种基于深度学习的地震数据静校正处理方法及系统 |
| CN110988998A (zh) * | 2019-12-24 | 2020-04-10 | 王颜 | 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法 |
| CN113640879B (zh) * | 2021-08-16 | 2022-02-15 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6735748B1 (en) * | 2001-08-28 | 2004-05-11 | Cadence Design Systems, Inc. | Method and apparatus for performing extraction using a model trained with bayesian inference |
| CN101149439A (zh) * | 2007-11-13 | 2008-03-26 | 符力耘 | 高分辨率非线性储层物性反演方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8441891B2 (en) * | 2009-12-30 | 2013-05-14 | Westerngeco L.L.C. | Seismic data acquisition and processing quality control |
-
2013
- 2013-07-29 CN CN201310321457.8A patent/CN103364831B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6735748B1 (en) * | 2001-08-28 | 2004-05-11 | Cadence Design Systems, Inc. | Method and apparatus for performing extraction using a model trained with bayesian inference |
| CN101149439A (zh) * | 2007-11-13 | 2008-03-26 | 符力耘 | 高分辨率非线性储层物性反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| 改进人工神经网络原理对储层渗透率的预测;单敬福 等;《石油与天然气地质》;20070228;第28卷(第1期);第107页第1栏第1段第9-17行 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103364831A (zh) | 2013-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103364831B (zh) | 基于神经网络算法的物性参数量化方法 | |
| Park et al. | History matching and uncertainty quantification of facies models with multiple geological interpretations | |
| Chen et al. | Assisted history matching of channelized models by use of pluri-principal-component analysis | |
| Haugen et al. | History matching using the ensemble Kalman filter on a North Sea field case | |
| US20210131260A1 (en) | Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows | |
| Devegowda et al. | Efficient and robust reservoir model updating using ensemble Kalman filter with sensitivity-based covariance localization | |
| Yang et al. | Reservoir characterization using multi-component seismic data in a novel hybrid model based on clustering and deep neural network | |
| CN106156452A (zh) | 一种储层分析方法 | |
| Zhang et al. | Data assimilation by use of the iterative ensemble smoother for 2D facies models | |
| Kang et al. | Characterization of three-dimensional channel reservoirs using ensemble Kalman filter assisted by principal component analysis | |
| Bhark et al. | A multiscale workflow for history matching in structured and unstructured grid geometries | |
| Scheidt et al. | A multi-resolution workflow to generate high-resolution models constrained to dynamic data | |
| CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
| Li et al. | Simultaneous estimation of geologic and reservoir state variables within an ensemble-based multiple-point statistic framework | |
| Zhou et al. | Data driven modeling and prediction for reservoir characterization using seismic attribute analyses and big data analytics | |
| CN105700016A (zh) | 生物滩储层地震预测的方法 | |
| CN106446514A (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
| Alpak et al. | A flow-based pattern recognition algorithm for rapid quantification of geologic uncertainty | |
| Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
| Ping et al. | Data assimilation method for fractured reservoirs using mimetic finite differences and ensemble Kalman filter | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| Aulia et al. | A new history matching sensitivity analysis framework with random forests and Plackett-Burman design | |
| Lu et al. | Identifying flow units by FA-assisted SSOM—An example from the Eocene basin-floor-fan turbidite reservoirs in the Daluhu Oilfield, Dongying Depression, Bohai Bay Basin, China | |
| CN105589096B (zh) | 一种基于d-s证据理论的沉积相带划分方法 | |
| CN110309597A (zh) | 基于构型界面的阻流带模型确定方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200927 Address after: 100007 Beijing, Dongzhimen, North Street, No. 9, No. Patentee after: CHINA NATIONAL PETROLEUM Corp. Patentee after: CNPC Chuanqing Drilling Engineering Co.,Ltd. Address before: The 1 section of No. 3 company Chuanqing Drilling Technology Information Office Chenghua District Green Road 610051 Chengdu City, Sichuan Province Patentee before: CNPC Chuanqing Drilling Engineering Co.,Ltd. |