CN108830421B - 致密砂岩储层的含气性预测方法及装置 - Google Patents
致密砂岩储层的含气性预测方法及装置 Download PDFInfo
- Publication number
- CN108830421B CN108830421B CN201810643335.3A CN201810643335A CN108830421B CN 108830421 B CN108830421 B CN 108830421B CN 201810643335 A CN201810643335 A CN 201810643335A CN 108830421 B CN108830421 B CN 108830421B
- Authority
- CN
- China
- Prior art keywords
- seismic data
- sandstone reservoir
- stack seismic
- gas content
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 155
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 77
- 238000012795 verification Methods 0.000 claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 38
- 238000011176 pooling Methods 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 17
- 238000013526 transfer learning Methods 0.000 claims description 17
- 238000010200 validation analysis Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 10
- 238000013508 migration Methods 0.000 description 10
- 230000005012 migration Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提供了一种致密砂岩储层的含气性预测方法及装置,含气性预测方法包括:根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签;将所述叠前地震数据样本划分为训练集和验证集;基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型;以及根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。本发明能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种致密砂岩储层的含气性预测方法及装置。
背景技术
随着油气勘探对象逐渐面向勘探难度越来越大的构造、介质、地表、孔隙结构、流体类型均较为复杂的深层非常规油气藏,取得的油气勘探“亮点”越来越少,在深层非常规油气藏中寻找油气已经成为现阶段石油工业保持稳产或提高产量的主要研究方向之一,也对保障我国石油工业可持续发展和能源安全具有重要的现实意义。
现有技术中,传统的含气性检测技术基于气藏在地震资料上形成的反射特征,通过找“亮点”进行含气性检测,但是,深层致密砂岩非常规油气藏在地层中同样会形成“亮点”,容易被误判为含气。因此,近年来,学者们提出利用叠前弹性反演(如叠前AVA反演、叠前AVAF反演、叠前AVAZ反演以及全波形反演等)方法所获得的敏感弹性参数来进行含气性预测,这些叠前反演方法通常受到单一界面、(黏)弹性介质等假设条件的制约,需要模型驱动进行参数反演。
然而,地震勘探中的含气性预测、尤其是致密砂岩等非常规储层的含气性预测存在较大难度。现有的叠前弹性反演方法获得敏感弹性参数进行含气性预测的技术,通常受到单一界面、(黏)弹性介质和流体类型等假设条件的约束,需要苛刻模型驱动进行参数建模及反演,参数的选取是一件费力、启发式(需要专业知识)的方法,很大程度上依靠经验,而且深层非常规油气储层具有较强的非均质性、各向异性,正演模拟方程中的假设近似引入了误差,使得储层地质、地震资料与测井响应之间呈现非常复杂的非线性联系,现有的理论还难以解析或数值表达,因此通过现有的模型驱动的叠前反演技术获得的敏感弹性参数进行含气性识别会存在较大偏差。
发明内容
针对现有技术中的问题,本发明提供一种致密砂岩储层的含气性预测方法及装置,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种致密砂岩储层的含气性预测方法,所述含气性预测方法包括:
根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签;
将所述叠前地震数据样本划分为训练集和验证集;
基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型;
以及,根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。
一实施例中,所述根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签,包括:
将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本;
其中,所述高维叠前地震数据的维度至少包括2个空间维度、1个时间维度和1个偏移距维度,所述叠前地震数据样本为用于表示时间域和偏移距域之间的对应关系的二维矩阵;
以及,将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签。
一实施例中,所述将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本,包括:
采集致密砂岩储层的高维叠前地震数据;其中,所述高维叠前地震数据包括地震监测井对应的致密砂岩储层的地震道和井旁道图像;
根据空间位置信息在所述高维叠前地震数据提取叠前剖面,其中,所述叠前剖面用于表示深度和偏移距域之间的对应关系;
以及,对各个所述叠前剖面在时间域上进行采样处理,得到各个所述叠前地震数据样本。
一实施例中,所述将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签,包括:
以所述叠前地震数据样本的采样间隔为标准,降低对应的井数据的分辨率,使所述叠前地震数据样本与对应的井数据的分辨率相同,得到所述叠前地震数据样本和对应的标签。
一实施例中,所述将所述叠前地震数据样本划分为训练集和验证集,包括:
将目标地区内的各个地震监测井划分为训练井和验证井;
根据所述训练井对应得所述叠前地震数据样本和对应的标签生成训练集;
以及,根据所述验证井对应得所述叠前地震数据样本和对应的标签生成验证集。
一实施例中,所述基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型,包括:
基于所述训练集,使得所述卷积神经网络自动提取所述叠前地震数据样本与致密砂岩储层的含气性之间的关联特征,采用系列卷积和非线性激活函数组合建立用于表示所述叠前地震数据样本与所述致密砂岩储层的含气性之间的数学物理关系的所述致密砂岩储层的含气性预测模型。
一实施例中,所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,且各层均由多个独立神经元组成;
所述输入层用于接收所述训练集中的各个所述叠前地震数据样本及对应的标签;
所述卷积层用于根据预设激活函数确定所述训练集中的叠前地震数据样本对应的多个第一数据特征;
所述池化层用于应用求平均值的方式对所述训练集中的叠前地震数据样本进行二次特征提取,得到所述训练集中的叠前地震数据样本对应的多个第二数据特征,其中,所述卷积层和池化层交叉放置;
所述全连接层将最后一个卷积层或池化层与输出层连接;
其中,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。
一实施例中,在所述基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型之前,所述含气性预测方法还包括:
对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理。
一实施例中,所述含气性预测方法还包括:
应用迁移学习的方式,将已训练的网络权值和偏置迁移到所述卷积神经网络中进行训练。
第二方面,本发明提供一种致密砂岩储层的含气性预测系统,所述含气性预测系统包括:
样本及标签获取模块,用于根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签;
训练集和验证集划分模块,用于将所述叠前地震数据样本划分为训练集和验证集;
含气性预测模型生成模块,用于基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型;
含气性预测模块,用于根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。
一实施例中,所述样本及标签获取模块包括:
降维处理单元,用于将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本;
其中,所述高维叠前地震数据的维度至少包括2个空间维度、1个时间维度和1个偏移距维度,所述叠前地震数据样本为用于表示时间域和偏移距域之间的对应关系的二维矩阵;
统一尺度处理单元,用于将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签。
一实施例中,所述降维处理单元包括:
高维叠前地震数据采集子单元,用于采集致密砂岩储层的高维叠前地震数据;其中,所述高维叠前地震数据包括地震监测井对应的致密砂岩储层的地震道和井旁道图像;
叠前剖面提取子单元,用于根据空间位置信息在所述高维叠前地震数据提取叠前剖面,其中,所述叠前剖面用于表示深度和偏移距域之间的对应关系;
采样处理子单元,用于对各个所述叠前剖面在时间域上进行采样处理,得到各个所述叠前地震数据样本。
一实施例中,所述统一尺度处理单元包括:
分辨率降低子单元,用于以所述叠前地震数据样本的采样间隔为标准,降低对应的井数据的分辨率,使所述叠前地震数据样本与对应的井数据的分辨率相同,得到所述叠前地震数据样本和对应的标签。
一实施例中,所述训练集和验证集划分模块包括:
训练井和验证井划分单元,用于将目标地区内的各个地震监测井划分为训练井和验证井;
训练集生成单元,用于根据所述训练井对应得所述叠前地震数据样本和对应的标签生成训练集;
验证集生成单元,用于根据所述验证井对应得所述叠前地震数据样本和对应的标签生成验证集。
一实施例中,所述含气性预测模型生成模块包括:
含气性预测模型生成单元,用于基于所述训练集,使得所述卷积神经网络自动提取所述叠前地震数据样本与致密砂岩储层的含气性之间的关联特征,采用系列卷积和非线性激活函数组合建立用于表示所述叠前地震数据样本与所述致密砂岩储层的含气性之间的数学物理关系的所述致密砂岩储层的含气性预测模型。
一实施例中,所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,且各层均由多个独立神经元组成;
所述输入层用于接收所述训练集中的各个所述叠前地震数据样本及对应的标签;
所述卷积层用于根据预设激活函数确定所述训练集中的叠前地震数据样本对应的多个第一数据特征;
所述池化层用于应用求平均值的方式对所述训练集中的叠前地震数据样本进行二次特征提取,得到所述训练集中的叠前地震数据样本对应的多个第二数据特征,其中,所述卷积层和池化层交叉放置;
所述全连接层将最后一个卷积层或池化层与输出层连接;
其中,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。
一实施例中,所述含气性预测系统还包括:
初始化处理网络模块,用于对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理。
一实施例中,所述含气性预测系统还包括:
迁移学习模块,用于应用迁移学习的方式,将已训练的网络权值和偏置迁移到所述卷积神经网络中进行训练。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的致密砂岩储层的含气性预测方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的致密砂岩储层的含气性预测方法的步骤。
由上述技术方案可知,本发明的实施例提供一种致密砂岩储层的含气性预测方法,通过根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签;将所述叠前地震数据样本划分为训练集和验证集;基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型;以及根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测,通过采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一中的致密砂岩储层的含气性预测方法的流程示意图;
图2是本发明的致密砂岩储层的含气性预测方法中的信息交互示意图;
图3是本发明的致密砂岩储层的含气性预测方法中步骤100的流程示意图;
图4是本发明的致密砂岩储层的含气性预测方法中步骤200的流程示意图;
图5是本发明的包含有步骤A00的致密砂岩储层的含气性预测方法的流程示意图;
图6是本发明的包含有步骤B00的致密砂岩储层的含气性预测方法的流程示意图;
图7是本发明的应用实例中的致密砂岩储层的含气性预测方法的流程示意图;
图8是本发明的应用实例中的建立叠前地震数据与含气性之间的数学物理关系的深层卷积神经网络流程图;
图9A是本发明的应用实例中的训练井实际含气饱和度与网络输出的含气饱和度对比图;
图9B是本发明的应用实例中的预测井实际含气饱和度与网络输出的含气饱和度对比图;
图10A是本发明的应用实例中的该工区目标层1(泥岩盖层)的含气性预测结果;
图10B是本发明的应用实例中的工区目标层2(致密砂岩储层)的含气性预测结果;
图11A是本发明的应用实例中的迁移学习后该工区目的层1(泥岩盖层)的含气性预测结果示意图;
图11B是本发明的应用实例中的迁移学习后该工区目的层2(致密砂岩储层)的含气性预测结果示意图;
图12A是本发明的应用实例中的训练网络迭代15000次的误差收敛曲线示意图;
图12B是本发明的应用实例中的迁移学习时原始工区训练网络迭代5000次的误差收敛曲线示意图;
图12C是本发明的应用实例中的迁移学习时新工区训练网络迭代5000次的误差收敛曲线示意图;
图13是本发明实施例二中的致密砂岩储层的含气性预测系统的结构示意图;
图14是本发明实施例三中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例一提供一种致密砂岩储层的含气性预测方法的具体实施方式,参见图1和图2,所述致密砂岩储层的含气性预测方法具体包括如下内容:
步骤100:根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签。
在步骤100中,所述致密砂岩储层的含气性预测系统根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签。可以理解的是,所述致密砂岩储层的含气性预测系统可以体现为一种服务器,所述致密砂岩储层的含气性预测系统的硬件组成中也可以包括终端设备,所述终端设备可以具有显示功能。具体地,所述终端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
所述服务器可以与所述终端设备进行通信。所述服务器与所述终端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
可以理解的是,所述高维叠前地震数据所述高维叠前地震数据的维度至少包括2个空间维度、1个时间维度和1个偏移距维度,所述叠前地震数据样本为用于表示时间域和偏移距域之间的对应关系的二维矩阵。
步骤200:将所述叠前地震数据样本划分为训练集和验证集。
在步骤200中,所述致密砂岩储层的含气性预测系统将所述叠前地震数据样本划分为训练集和验证集。可以理解的是,训练井所在空间位置的地震道及井旁道对应叠前地震数据的时间-偏移距域子图像作为样本,通常多个样本对应一个标签。验证过程采用验证井数据作为标签,训练井所在空间位置对应的叠前地震数据提取的时间-偏移距域子图像作为标签,若验证结果与验证井标签基本吻合则证明网络具有一定泛化能力,将整个工区每个像素点提取的时间-偏移距域子图像作为网络的输入,得到的输出为预测该像素点对应空间位置的含气性预测结果。
步骤300:基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型。
在步骤300中,所述致密砂岩储层的含气性预测系统基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型。可以理解的是,所述卷积神经网络可以自动提取叠前高维数据与地下储层含气性之间的关联特征,采用系列卷积和非线性激活函数组合来建立叠前地震数据与含气性之间的数学物理关系。
步骤400:根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。
在步骤400中,所述致密砂岩储层的含气性预测系统根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测,若验证结果不满足预设条件,则根据具体应用情形调整所述训练集、验证集或所述卷积神经网络。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测方法,采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测方法中步骤100的具体实施方式,参见图3,所述步骤100具体包括如下内容:
步骤101:将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本。
在步骤101中,所述步骤101还具体包括如下内容:
步骤101a:采集致密砂岩储层的高维叠前地震数据;其中,所述高维叠前地震数据包括地震监测井对应的致密砂岩储层的地震道和井旁道图像。
步骤101b:根据空间位置信息在所述高维叠前地震数据提取叠前剖面,其中,所述叠前剖面用于表示深度和偏移距域之间的对应关系。
步骤101c:对各个所述叠前剖面在时间域上进行采样处理,得到各个所述叠前地震数据样本。
在上述描述中,所述致密砂岩储层的含气性预测系统使用高维的叠前地震数据作为网络的输入,叠前高维地震数据相比传统的叠后地震数据包含了更多维度的信息,可以为卷积神经网络提供更丰富的输入样本,避免过拟合现象,提高网络的泛化能力。本发明提到的叠前地震数据包括2个空间维、1个时间维和1个偏移距维等多个维度。样本选取过程中,某个空间位置上井对应道及井旁道位置分别提取深度-偏移距域的叠前剖面。每个叠前剖面在时间域对每个采样点开窗取样,每个样本为一个时间域-偏移距域的二维矩阵。这样的操作降低数据维度,同时一个标签所对应采样点涵盖了井所在地震道及井旁道的样本,增加样本数量,避免过拟合。
步骤102:将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签。
在步骤102中,所述步骤102还具体包括:以所述叠前地震数据样本的采样间隔为标准,降低对应的井数据的分辨率,使所述叠前地震数据样本与对应的井数据的分辨率相同,得到所述叠前地震数据样本和对应的标签。
在上述描述中,网络建立样本和标签的映射关系要求样本与标签一一对应或多个样本对应一个标签,不可一个样本对应多个标签。在实际工程中,井数据时间域分辨率要远高于地震数据分辨率,本发明中井数据以地震数据的采样间隔为标准,采用时间域对每个采样间隔内的井数据求平均值的方法降低井数据的分辨率,使其与地震数据分辨率一致。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测方法,能够有效提高所述叠前地震数据样本的获取的准确性,进而能够为后续的模型训练过程提供了更为准确的数据基础,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测方法中步骤200的具体实施方式,参见图4,所述步骤200具体包括如下内容:
步骤201:将目标地区内的各个地震监测井划分为训练井和验证井。
步骤202:根据所述训练井对应得所述叠前地震数据样本和对应的标签生成训练集。
步骤203:根据所述验证井对应得所述叠前地震数据样本和对应的标签生成验证集。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测方法,能够有效提高获取训练集和验证集的准确性,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测方法中步骤300的具体实施方式,所述步骤300具体包括如下内容:
基于所述训练集,使得所述卷积神经网络自动提取所述叠前地震数据样本与致密砂岩储层的含气性之间的关联特征,采用系列卷积和非线性激活函数组合建立用于表示所述叠前地震数据样本与所述致密砂岩储层的含气性之间的数学物理关系的所述致密砂岩储层的含气性预测模型。
可以理解的是,所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,且各层均由多个独立神经元组成;所述输入层用于接收所述训练集中的各个所述叠前地震数据样本及对应的标签;所述卷积层用于根据预设激活函数确定所述训练集中的叠前地震数据样本对应的多个第一数据特征;所述池化层用于应用求平均值的方式对所述训练集中的叠前地震数据样本进行二次特征提取,得到所述训练集中的叠前地震数据样本对应的多个第二数据特征,其中,所述卷积层和池化层交叉放置;所述全连接层将最后一个卷积层或池化层与输出层连接;其中,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。
可以理解的是,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。其重要思想架构为:局部区域感知,权值共享,空间或时间上采样。局部区域感知用于发现数据局部特征;权重共享减少训练参数,加快了训练速度,并使得训练的模型具有更强的泛化能力;下采样混淆特征的具体位置,优化了变形和扭曲样本的识别效果。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测方法,采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测方法执行在所述步骤300之前的步骤A00的具体实施方式,参见图5,所述步骤A00具体包括如下内容:
步骤A00:对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理。
可以理解的是,所述致密砂岩储层的含气性预测系统设定卷积层和池化层的层数及每层卷积核的个数,并且对卷积层和全连接层的卷积核(权重)和偏置进行初始化,本发明中对卷积核的权重初始化为随机值,而对偏置进行全为0初始化。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测方法,在基于所述训练集对预设的卷积神经网络进行数据训练之前,通过对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理,能够进一步提高应用致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测的准确性。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测方法中步骤B00的具体实施方式,参见图6,所述步骤B00具体包括如下内容:
步骤B00:应用迁移学习的方式,将已训练的网络权值和偏置迁移到所述卷积神经网络中进行训练。
可以理解的是,迁移学习是把已学训练好的网络权值和偏置迁移到新的网络来帮助新网络训练。大部分数据或任务是存在相关性的,通过迁移学习可以将已学到的特征分享给新网络从而加快并优化网络的学习效率。
上述具体实施方式中采用迁移学习将在一个工区应用成功的卷积神经网络所有层或前几层的权值和偏置作为另一个工区训练神经网络过程中卷积网络前几层或所有层的权值和偏置的初始化值,加快了应用于新工区的卷积神经网络的训练速度,优化了训练效果。
为进一步地说明本方案,本发明还提供一种致密砂岩储层的含气性预测方法的具体应用实例,参见图7,所述致密砂岩储层的含气性预测方法的具体应用实例具体包括如下内容:
卷积神经网络是一种受人体视觉系统启发提出的深度学习算法,在人脸识别、手写字体识别等相关领域取得了领先成果。参见图8,卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成。通常输入层为二维矩阵,接着卷积层(特征提取层)与池化层(二次提取特征并求解局部平均特征)交叉放置,池化层可视实际情况决定放置数量及是否放置,全连接层将最后一个卷积层或池化层与输出层连接。该网络多次自动提取特征,具有一定泛化能力,每一层由多个独立神经元组成,其结构简单,网络参数较少,鲁棒性较好且训练速度较快。
S1:叠前地震数据与井数据预处理
该应用实例中主要进行两方面的数据预处理,一方面是叠前高维地震数据的降维,另一方面是井数据与叠前地震数据在尺度上的统一。
首先是叠前高维地震数据的降维预处理,该发明中使用高维的叠前地震数据作为网络的输入,叠前高维地震数据相比传统的叠后地震数据包含了更多维度的信息,可以为卷积神经网络提供更丰富的输入样本,避免过拟合现象,提高网络的泛化能力。本发明提到的叠前地震数据包括2个空间维、1个时间维和1个偏移距维等多个维度。样本选取过程中,某个空间位置上井对应道及井旁道位置分别提取深度-偏移距域的叠前剖面。每个叠前剖面在时间域对每个采样点开窗取样,每个样本为一个时间域-偏移距域的二维矩阵。这样的操作降低数据维度,同时一个标签所对应采样点涵盖了井所在地震道及井旁道的样本,增加样本数量,避免过拟合。
另一项预处理操作为实现井数据与叠前地震数据尺度的统一。网络建立样本和标签的映射关系要求样本与标签一一对应或多个样本对应一个标签,不可一个样本对应多个标签。在工程中,井数据时间域分辨率要远高于地震数据分辨率,本发明中井数据以地震数据的采样间隔为标准,采用时间域对每个采样间隔内的井数据求平均值的方法降低井数据的分辨率,使其与地震数据分辨率一致。
S2:井震标定
本应用实例中深度学习网络的训练过程,测井含气饱和度数据二值化后作为卷积神经网络的标签,训练井所在空间位置的地震道及井旁道对应叠前地震数据的时间-偏移距域子图像作为样本,通常多个样本对应一个标签。验证过程采用验证井数据作为标签,训练井所在空间位置对应的叠前地震数据提取的时间-偏移距域子图像作为标签,若验证结果与验证井标签基本吻合则证明网络具有一定泛化能力,将整个工区每个像素点提取的时间-偏移距域子图像作为网络的输入,得到的输出为预测该像素点对应空间位置的含气性预测结果。
S3:输入输出数据表征
卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。其重要思想架构为:局部区域感知,权值共享,空间或时间上采样。局部区域感知用于发现数据局部特征;权重共享减少训练参数,加快了训练速度,并使得训练的模型具有更强的泛化能力;下采样混淆特征的具体位置,优化了变形和扭曲样本的识别效果。
S4:初始化网络结构
设定卷积层和池化层的层数及每层卷积核的个数,并且对卷积层和全连接层的卷积核(权重)和偏置进行初始化,本发明中对卷积核的权重初始化为随机值,而对偏置进行全为0初始化。
S5:网络训练及应用
(1)输入层
输入层数据为井数据对应偏移距域的叠前地震数据对每一时间域像素点在时间域上开窗后扩展的子图像,本发明中子图像为一个二维矩阵,其两个维度分别为:时间维度和偏移距维度。
(2)卷积层
卷积层又称特征提取层,输入层、前一个卷积层或池化层的数据分别经过多个卷积核的卷积操作,之后分别通过相应的激活函数(sigmoid、tanh或relu)输出该层提取的多个特征,除第一个卷积层外,其他卷积层输出的是前一层所有特征经过每一个不同卷积核得到的特征集合:
其中,M是输入层神经元节点的集合,激活函数中每个输出特征是前一层每个输出结果与权值(卷积核)卷积操作后与偏置b相加的结果,不同卷积层的卷积核不同,同一层的多个卷积核规格相同但权值和偏置的值都不相同。一个神经元感受野的大小是由卷积核的大小所决定的,当卷积核过小或过大时,都无法提取有效的局部特征。因此结合地震数据特征,含气性预测的原理及运算速度等因素确定卷积核大小。用卷积核对输入数据的每个时窗做卷积,最终每个时窗获得一个二维特征信号。
然后通过对每一层中所有节点进行求和,计算权值的梯度
(3)池化层
池化层是一个特征映射层,又称子采样层。典型的操作是对其前一个卷积层中所有互不重叠的大小为n×m的子块求和后取平均,用这个平均值代表该子块,提取输入层对于输出层的高级特征,子采样计算过程为:
(4)全连接层
全连接层与最后一个卷积层或池化层相连,其主要操作是将最后一个卷积层或池化层得到特征光栅化为一个一维数组,整合所有卷积核对原始数据提取出的高级特征。这个一维数组中的每个神经元通常连接一个或多个权值,每个神经元连接的权值数量通常与输出层神经元数量相同。
(5)输出层
在本应用实例中,对于二维横向空间域的每个坐标点,其纵向时间域(或深度域)的每个像素点的标签对应输入层中一个时间域-偏移距域的子图像,每个像素点对应两种分类结果“含气”或“不含气”。输出层为2×1矩阵。在训练数据中,[0,1]表示该时间-偏移距域的子图像对应的空间域像素点“不含气”,[1,0]表示该像素点“含气”。测试数据中,我们根据采用误差求和的办法,求出每一点输出值与[1,0]的误差之和,根据测试结果设置阈值以判断该时间-偏移距域的子图像对应的空间域像素点是否含气。
(6)反向传输调整权重
卷积神经网络的反向传输通过最小化残差来调整权重和偏置,使卷积神经网络根据训练数据不断更新,最终实现能够根据时窗内地震数据判断该位置是否为初至。反向传播算法步骤如下:
1)进行前馈传导计算,利用前向传导公式,得到l2,l3...直到输出层ln1的激活值。并引入样例(x,y)。
2)对输出层(第n1层),计算:
δ(nl)=-(y-a(nl))·f'(z(nl))
3)对于l=n1-1,n1-2,n1-3,…,2的各层,计算:
δ(l)=((W(l))Tδ(l+1))·f'(z(l))
4)计算最终需要的偏导数值:
5)计算更新后的ΔW(1),Δb(1)
6)更新权重参数:
最后重复梯度下降法的迭代步骤减小代价函数的值,进而求解网络。
(7)迁移学习
迁移学习是把已学训练好的网络权值和偏置迁移到新的网络来帮助新网络训练。大部分数据或任务是存在相关性的,通过迁移学习可以将已学到的特征分享给新网络从而加快并优化网络的学习效率。
本应用实例中采用迁移学习将在一个工区应用成功的卷积神经网络所有层或前几层的权值和偏置作为另一个工区训练神经网络过程中卷积网络前几层或所有层的权值和偏置的初始化值,加快了应用于新工区的卷积神经网络的训练速度,优化了训练效果。
(8)用已知井样本检测网络
为了检验致密砂岩储层的含气性预测模型的应用效果,我们选取一个工区的叠前地震数据进行实验,该工区包括多口井,井位置含气饱和度已知,还包括两个目的层。
在一个工区中,已有部分预探井,井位置各个深度的含气性已知,选用一些已知井为训练井,其他井为预测井,用训练井位置的数据为样本训练卷积神经网络,预测井位置的样本输入训练好的卷积神经网络(即所述致密砂岩储层的含气性预测模型),得到的含气性预测结果与已知含气性结果对比。参见图9A和图9B,图9A和图9B分别为训练井和预测井实际含气饱和度示意图与网络输出的含气饱和度示意图(值为0,不含气;值为2,含气可能性较大;黑色实线为井数据反应的含气性结果,黑色虚线为使用本发明方法预测的含气性结果)。
图10A为该工区目标层1(泥岩盖层)的含气性预测结果,黑色部分代表有含气的概率较大;图10B为该工区目标层2(致密砂岩储层)的含气性预测结果,黑色部分含气可能性较大。在该工区中有两个目标层,目标层1为泥岩盖层,基本不含气,目标层2为致密砂岩储层,根据井数据及生产单位提供的信息,该层含气。图11A为迁移学习后该工区目的层1(泥岩盖层)的含气性预测结果,黑色部分含气可能性较大;图11B为迁移学习后该工区目的层2(致密砂岩储层)的含气性预测结果,黑色部分含气可能性较大,图10B与图11B中黑色圈所标注位置为预测结果与圈内多口预探井吻合,且多个预测结果普遍相同的位置。
图12A为该训练网络迭代15000次的误差收敛曲线;图12B为迁移学习时原始工区训练网络迭代5000次的误差收敛曲线;图12C为迁移学习时新工区训练网络迭代5000次的误差收敛曲线。
(9)空间含气性预测与表征
本应用实例属于大数据信号处理及地学中勘探地球物理处理、解释领域,其独有的卷积神经网络技术能够从数据驱动的角度,挖掘叠前高维地震数据与致密砂岩储层含气性的非线性内禀关系,表征与预测致密砂岩储层的含气性。其使用的迁移学习技术,能够加快训练速度,避免小样本训练时神经网络过拟合问题,同时该发明的思想也可用于地震资料处理反演和解释等诸多方面,应用领域极其广泛,且本应用实例阐述了卷积神经网络技术的基本原理;给出了叠前高维地震数据作为输入数据导入卷积神经网络的预处理过程和叠前高维地震数据与井数据的标定和尺度校正方法;给出了卷积神经网络在叠前高维地震数据致密砂岩储层含气性表征与预测中的应用及算法流程,分别对卷积神经网络输入层,卷积层,池化层,全连接层,输出层的应用方法进行详细介绍;利用本发明给出的叠前高维地震数据致密砂岩储层含气性表征与预测方法对实际数据进行测试,并通过迁移学习加快训练速度,该方法能够较为准确的预测储层含气性信息,从而为油气勘探提供更有力的技术支持。
本发明的实施例二提供一种能够实现所述致密砂岩储层的含气性预测方法的致密砂岩储层的含气性预测系统的具体实施方式,参见图13,所述致密砂岩储层的含气性预测系统具体包括如下内容:
样本及标签获取模块10,用于根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签。
训练集和验证集划分模块20,用于将所述叠前地震数据样本划分为训练集和验证集。
含气性预测模型生成模块30,用于基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型。
含气性预测模块40,用于根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。
本申请提供的致密砂岩储层的含气性预测系统的实施例具体可以用于执行上述致密砂岩储层的含气性预测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测系统,采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测系统中样本及标签获取模块10的具体实施方式,所述样本及标签获取模块10具体包括如下内容:
降维处理单元11,用于将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本。
在降维处理单元11中,所述降维处理单元11还具体包括如下内容:
高维叠前地震数据采集子单元11a,用于采集致密砂岩储层的高维叠前地震数据;其中,所述高维叠前地震数据包括地震监测井对应的致密砂岩储层的地震道和井旁道图像;
叠前剖面提取子单元11b,用于根据空间位置信息在所述高维叠前地震数据提取叠前剖面,其中,所述叠前剖面用于表示深度和偏移距域之间的对应关系;
采样处理子单元11c,用于对各个所述叠前剖面在时间域上进行采样处理,得到各个所述叠前地震数据样本。
其中,所述高维叠前地震数据的维度至少包括2个空间维度、1个时间维度和1个偏移距维度,所述叠前地震数据样本为用于表示时间域和偏移距域之间的对应关系的二维矩阵。
统一尺度处理单元12,用于将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签。
在统一尺度处理单元12中,所述统一尺度处理单元12还具体包括如下内容:
分辨率降低子单元12a,用于以所述叠前地震数据样本的采样间隔为标准,降低对应的井数据的分辨率,使所述叠前地震数据样本与对应的井数据的分辨率相同,得到所述叠前地震数据样本和对应的标签。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测系统,能够有效提高所述叠前地震数据样本的获取的准确性,进而能够为后续的模型训练过程提供了更为准确的数据基础,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测系统中训练集和验证集划分模块20的具体实施方式,所述训练集和验证集划分模块20具体包括如下内容:
训练井和验证井划分单元21,用于将目标地区内的各个地震监测井划分为训练井和验证井;
训练集生成单元22,用于根据所述训练井对应得所述叠前地震数据样本和对应的标签生成训练集;
验证集生成单元23,用于根据所述验证井对应得所述叠前地震数据样本和对应的标签生成验证集。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测系统,能够有效提高获取训练集和验证集的准确性,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率。
在一种具体实施方式中,本发明还提供所述致密砂岩储层的含气性预测系统中含气性预测模型生成模块30的具体实施方式,所述含气性预测模型生成模块30具体包括如下内容:
含气性预测模型生成单元31,用于基于所述训练集,使得所述卷积神经网络自动提取所述叠前地震数据样本与致密砂岩储层的含气性之间的关联特征,采用系列卷积和非线性激活函数组合建立用于表示所述叠前地震数据样本与所述致密砂岩储层的含气性之间的数学物理关系的所述致密砂岩储层的含气性预测模型。
其中,所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,且各层均由多个独立神经元组成;所述输入层用于接收所述训练集中的各个所述叠前地震数据样本及对应的标签;所述卷积层用于根据预设激活函数确定所述训练集中的叠前地震数据样本对应的多个第一数据特征;所述池化层用于应用求平均值的方式对所述训练集中的叠前地震数据样本进行二次特征提取,得到所述训练集中的叠前地震数据样本对应的多个第二数据特征,其中,所述卷积层和池化层交叉放置;所述全连接层将最后一个卷积层或池化层与输出层连接;其中,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测系统,采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率。
在一种具体实施方式中,本发明的所述致密砂岩储层的含气性预测系统执行中还具体包括如下内容:
初始化处理网络模块A0,用于对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理。
从上述描述可知,本发明的实施例提供的致密砂岩储层的含气性预测系统,在基于所述训练集对预设的卷积神经网络进行数据训练之前,通过对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理,能够进一步提高应用致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测的准确性。
在一种具体实施方式中,本发明的所述致密砂岩储层的含气性预测系统执行中还具体包括如下内容:
迁移学习模块B0,用于应用迁移学习的方式,将已训练的网络权值和偏置迁移到所述卷积神经网络中进行训练。
上述具体实施方式中采用迁移学习将在一个工区应用成功的卷积神经网络所有层或前几层的权值和偏置作为另一个工区训练神经网络过程中卷积网络前几层或所有层的权值和偏置的初始化值,加快了应用于新工区的卷积神经网络的训练速度,优化了训练效果。
本发明的实施例三提供能够实现上述实施例一中的致密砂岩储层的含气性预测方法中全部步骤的一种电子设备的具体实施方式,参见图14,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线1204完成相互间的通信;所述通信接口603用于实现用户终端、服务器以及数据库等相关设备之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例一中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签。
步骤200:将所述叠前地震数据样本划分为训练集和验证集。
步骤300:基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型。
步骤400:根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。
从上述描述可知,本发明的实施例提供的电子设备,采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
本发明的实施例四提供能够实现上述实施例一中的致密砂岩储层的含气性预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例一的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到所述叠前地震数据样本和对应的标签。
步骤200:将所述叠前地震数据样本划分为训练集和验证集。
步骤300:基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型。
步骤400:根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测。
从上述描述可知,本发明的实施例提供的计算机可读存储介质,采用深度学习技术,通过优化的不同层不同类型卷积核深入挖掘隐藏在地震数据中的内禀特征,建立出叠前高维地震数据与致密砂岩储层含气性的非线性映射关系,从而打破现有理论不能精准表征地震数据与地下物性弹性参数之间精准关系的瓶颈,能够有效提高致密砂岩储层的含气性预测的准确性,且能够可靠地提高致密砂岩储层的含气性的预测效率,致密砂岩储层的含气性预测过程的精度高且泛化程度较好。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (12)
1.一种致密砂岩储层的含气性预测方法,其特征在于,所述含气性预测方法包括:
根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到叠前地震数据样本和对应的标签,包括:将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本;其中,所述高维叠前地震数据的维度至少包括2个空间维度、1个时间维度和1个偏移距维度,所述叠前地震数据样本为用于表示时间域和偏移距域之间的对应关系的二维矩阵;以及,将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签;
将所述叠前地震数据样本划分为训练集和验证集;
基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型;
以及,根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测;
其中,所述将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本,包括:
采集致密砂岩储层的高维叠前地震数据;其中,所述高维叠前地震数据包括地震监测井对应的致密砂岩储层的地震道和井旁道图像;
根据空间位置信息在所述高维叠前地震数据提取叠前剖面,其中,所述叠前剖面用于表示深度和偏移距域之间的对应关系;
以及,对各个所述叠前剖面在时间域上进行采样处理,得到各个所述叠前地震数据样本;
其中,所述基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型,包括:
基于所述训练集,使得所述卷积神经网络自动提取所述叠前地震数据样本与致密砂岩储层的含气性之间的关联特征,采用系列卷积和非线性激活函数组合建立用于表示所述叠前地震数据样本与所述致密砂岩储层的含气性之间的数学物理关系的所述致密砂岩储层的含气性预测模型;
所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,且各层均由多个独立神经元组成;
所述输入层用于接收所述训练集中的各个所述叠前地震数据样本及对应的标签;
所述卷积层用于根据预设激活函数确定所述训练集中的叠前地震数据样本对应的多个第一数据特征;
所述池化层用于应用求平均值的方式对所述训练集中的叠前地震数据样本进行二次特征提取,得到所述训练集中的叠前地震数据样本对应的多个第二数据特征,其中,所述卷积层和池化层交叉放置;
所述全连接层将最后一个卷积层或池化层与输出层连接;
其中,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。
2.根据权利要求1所述的含气性预测方法,其特征在于,所述将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签,包括:
以所述叠前地震数据样本的采样间隔为标准,降低对应的井数据的分辨率,使所述叠前地震数据样本与对应的井数据的分辨率相同,得到所述叠前地震数据样本和对应的标签。
3.根据权利要求1所述的含气性预测方法,其特征在于,所述将所述叠前地震数据样本划分为训练集和验证集,包括:
将目标地区内的各个地震监测井划分为训练井和验证井;
根据所述训练井对应的所述叠前地震数据样本和对应的标签生成训练集;
以及,根据所述验证井对应的所述叠前地震数据样本和对应的标签生成验证集。
4.根据权利要求1所述的含气性预测方法,其特征在于,在所述基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型之前,所述含气性预测方法还包括:
对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理。
5.根据权利要求1所述的含气性预测方法,其特征在于,所述含气性预测方法还包括:
应用迁移学习的方式,将已训练的网络权值和偏置迁移到所述卷积神经网络中进行训练。
6.一种致密砂岩储层的含气性预测系统,其特征在于,所述含气性预测系统包括:
样本及标签获取模块,用于根据目标地区内的致密砂岩储层的高维叠前地震数据和对应的各个地震监测井数据,得到叠前地震数据样本和对应的标签;
训练集和验证集划分模块,用于将所述叠前地震数据样本划分为训练集和验证集;
含气性预测模型生成模块,用于基于所述训练集对预设的卷积神经网络进行数据训练,得到致密砂岩储层的含气性预测模型;
含气性预测模块,用于根据所述验证集对所述致密砂岩储层的含气性预测模型进行验证,若验证结果满足预设条件,则应用该致密砂岩储层的含气性预测模型对所述致密砂岩储层的含气性进行预测;
其中,所述样本及标签获取模块包括:
降维处理单元,用于将致密砂岩储层的高维叠前地震数据进行降维处理,得到叠前地震数据样本;
其中,所述高维叠前地震数据的维度至少包括2个空间维度、1个时间维度和1个偏移距维度,所述叠前地震数据样本为用于表示时间域和偏移距域之间的对应关系的二维矩阵;
统一尺度处理单元,用于将所述叠前地震数据样本与对应的井数据进行统一尺度处理,得到所述叠前地震数据样本和对应的标签;
其中,所述降维处理单元包括:
高维叠前地震数据采集子单元,用于采集致密砂岩储层的高维叠前地震数据;其中,所述高维叠前地震数据包括地震监测井对应的致密砂岩储层的地震道和井旁道图像;
叠前剖面提取子单元,用于根据空间位置信息在所述高维叠前地震数据提取叠前剖面,其中,所述叠前剖面用于表示深度和偏移距域之间的对应关系;
采样处理子单元,用于对各个所述叠前剖面在时间域上进行采样处理,得到各个所述叠前地震数据样本;
所述含气性预测模型生成模块包括:
含气性预测模型生成单元,用于基于所述训练集,使得所述卷积神经网络自动提取所述叠前地震数据样本与致密砂岩储层的含气性之间的关联特征,采用系列卷积和非线性激活函数组合建立用于表示所述叠前地震数据样本与所述致密砂岩储层的含气性之间的数学物理关系的所述致密砂岩储层的含气性预测模型;
所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,且各层均由多个独立神经元组成;
所述输入层用于接收所述训练集中的各个所述叠前地震数据样本及对应的标签;
所述卷积层用于根据预设激活函数确定所述训练集中的叠前地震数据样本对应的多个第一数据特征;
所述池化层用于应用求平均值的方式对所述训练集中的叠前地震数据样本进行二次特征提取,得到所述训练集中的叠前地震数据样本对应的多个第二数据特征,其中,所述卷积层和池化层交叉放置;
所述全连接层将最后一个卷积层或池化层与输出层连接;
其中,所述卷积神经网络采用前向传播计算输出值,反向传播调整权重和偏置。
7.根据权利要求6所述的含气性预测系统,其特征在于,所述统一尺度处理单元包括:
分辨率降低子单元,用于以所述叠前地震数据样本的采样间隔为标准,降低对应的井数据的分辨率,使所述叠前地震数据样本与对应的井数据的分辨率相同,得到所述叠前地震数据样本和对应的标签。
8.根据权利要求6所述的含气性预测系统,其特征在于,所述训练集和验证集划分模块包括:
训练井和验证井划分单元,用于将目标地区内的各个地震监测井划分为训练井和验证井;
训练集生成单元,用于根据所述训练井对应的所述叠前地震数据样本和对应的标签生成训练集;
验证集生成单元,用于根据所述验证井对应的所述叠前地震数据样本和对应的标签生成验证集。
9.根据权利要求6所述的含气性预测系统,其特征在于,所述含气性预测系统还包括:
初始化处理网络模块,用于对所述卷积神经网络中的所述卷积层和全连接层的卷积核和偏置进行初始化处理。
10.根据权利要求6所述的含气性预测系统,其特征在于,所述含气性预测系统还包括:
迁移学习模块,用于应用迁移学习的方式,将已训练的网络权值和偏置迁移到所述卷积神经网络中进行训练。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一项所述的致密砂岩储层的含气性预测方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5任一项所述的致密砂岩储层的含气性预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810643335.3A CN108830421B (zh) | 2018-06-21 | 2018-06-21 | 致密砂岩储层的含气性预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810643335.3A CN108830421B (zh) | 2018-06-21 | 2018-06-21 | 致密砂岩储层的含气性预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830421A CN108830421A (zh) | 2018-11-16 |
CN108830421B true CN108830421B (zh) | 2022-05-06 |
Family
ID=64142775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810643335.3A Active CN108830421B (zh) | 2018-06-21 | 2018-06-21 | 致密砂岩储层的含气性预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830421B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515123B (zh) * | 2019-08-22 | 2021-03-30 | 中国海洋大学 | 基于小样本学习的卷积神经网络地震测井联合反演方法 |
CN110837115B (zh) * | 2019-10-31 | 2023-02-28 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
CN113393335A (zh) * | 2020-03-13 | 2021-09-14 | 中国石油天然气集团有限公司 | 基于多地震属性优化的储层油气预测方法及装置 |
CN111507048B (zh) * | 2020-04-23 | 2022-11-08 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
US11409015B2 (en) | 2020-06-12 | 2022-08-09 | Saudi Arabian Oil Company | Methods and systems for generating graph neural networks for reservoir grid models |
CN112396161B (zh) * | 2020-11-11 | 2022-09-06 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
US11630224B2 (en) * | 2020-12-11 | 2023-04-18 | Landmark Graphics Corporation | Subsurface fluid-type likelihood using explainable machine learning |
CN116597355B (zh) * | 2023-05-19 | 2024-02-13 | 长江生态环保集团有限公司 | 基于视觉系统的小微水体状态实时监控方法、系统及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556863A (zh) * | 2015-09-29 | 2017-04-05 | 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 |
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN107678059A (zh) * | 2017-09-05 | 2018-02-09 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及系统 |
CN107797139A (zh) * | 2016-08-31 | 2018-03-13 | 中国石油化工股份有限公司 | 页岩储层游离气含气量地震预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8510242B2 (en) * | 2007-08-31 | 2013-08-13 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
-
2018
- 2018-06-21 CN CN201810643335.3A patent/CN108830421B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556863A (zh) * | 2015-09-29 | 2017-04-05 | 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 |
CN107797139A (zh) * | 2016-08-31 | 2018-03-13 | 中国石油化工股份有限公司 | 页岩储层游离气含气量地震预测方法及系统 |
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN107678059A (zh) * | 2017-09-05 | 2018-02-09 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108830421A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830421B (zh) | 致密砂岩储层的含气性预测方法及装置 | |
US11599790B2 (en) | Deep learning based reservoir modeling | |
Fabien-Ouellet et al. | Seismic velocity estimation: A deep recurrent neural-network approach | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
Pham et al. | Automatic channel detection using deep learning | |
US10996372B2 (en) | Geophysical inversion with convolutional neural networks | |
Peters et al. | Multiresolution neural networks for tracking seismic horizons from few training images | |
US11989829B2 (en) | Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Zhang et al. | Automatic seismic facies interpretation using supervised deep learning | |
Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
Wu et al. | Deep learning for characterizing paleokarst collapse features in 3‐D seismic images | |
Bi et al. | Deep relative geologic time: A deep learning method for simultaneously interpreting 3‐D seismic horizons and faults | |
Gao et al. | ChannelSeg3D: Channel simulation and deep learning for channel interpretation in 3D seismic images | |
Ravasi et al. | A joint inversion-segmentation approach to assisted seismic interpretation | |
CN106291682A (zh) | 一种基于基追踪方法的叠后声波阻抗反演方法 | |
Bandura et al. | Machine learning in the interpreter’s toolbox: Unsupervised, supervised, and deep-learning applications | |
Wang et al. | Direct microseismic event location and characterization from passive seismic data using convolutional neural networks | |
Wang et al. | Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism | |
CN112731522A (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
Korjani et al. | Reservoir characterization using fuzzy kriging and deep learning neural networks | |
Liang et al. | Uncertainty quantification of geologic model parameters in 3D gravity inversion by Hessian-informed Markov chain Monte Carlo | |
Yang et al. | A multi-task learning method for relative geologic time, horizons, and faults with prior information and transformer | |
US11733424B2 (en) | Systems and methods for identifying subsurface features as functions of feature positions in a subsurface volume of interest | |
Brunsvik et al. | Three-dimensional paganica fault morphology obtained from hypocenter clustering (L'Aquila 2009 seismic sequence, Central Italy) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |