CN109271898A - 基于优化卷积神经网络的溶洞体识别算法 - Google Patents

Abstract

本发明公开了一种基于优化卷积神经网络的溶洞体识别算法，包括以下步骤：S1、获取有标签的地质样本集；S2、建立卷积神经网络溶洞判别模型，使用有标签数据集训练；S3、导入目标层位并进行预测，判断目标层位的溶洞分布。本发明将正演数值模拟方法与卷积神经网络模型相结合，利用标记溶洞训练样本训练OCNN，生成溶洞判别模型，具有较高的精度，明显优于传统的识别方法和无深层结构的SOM方法，将深度学习引入碳酸盐岩溶洞储层识别领域，并利用正演数值模拟和多属性的方法解决有标签样本不充分的问题，实现了比较准确的溶洞识别，并在实际工区中取得了较好的效果。

Description

基于优化卷积神经网络的溶洞体识别算法

技术领域

本发明属于溶洞识别技术领域，特别涉及一种基于优化卷积神经网络的溶洞体识别算法。

背景技术

溶洞(溶蚀孔洞)型储层主要受成岩过程中古岩溶、溶烛、破裂作用等的影响，是天然的漏失通道。塔河油田缝洞型储层中裂缝溶洞异常发育，钻井过程中经常出现钻具放空，并伴随钻井液大量漏失溶洞既是有利的油气储渗空间，又是造成钻井工艺复杂的主要原因之一。准确评价储层段的溶洞大小、形态及分布方式，有利于采用正确的控制措施，减少复杂事故及防止储层损害的发生。由于地下情况异常复杂，溶洞的预测存在很大的难度。现行常用的是利用地球物理的方法来预测溶洞的分布，受地震分辨率影响，其预测精度不够，一般只能对直径25M以上的溶洞进行预测，更无法预测缝洞储集体内充填情况。

国内外对溶洞型储层的已有研究工作，总体来说主要针对如下几方面：①进行野外地质调查，研究岩溶的发育规律，对溶蚀孔洞、洞穴进行测量、描述并按一定标准分类；并客观分析影响溶蚀孔洞、洞穴形成的主要因素。②石油勘探过程中，地质研究利用岩心，来描述不同岩溶型储层，从而分类进行评价。但是由于钻井取心限制，仅在部分井孔、某一段取芯，使得对岩溶反映仅限于有限层段，对于岩溶的横向分布发育情况难以确定。③随着测井技术不断进步，尤其是成像测井技术的成熟，使得研究整套地层具有可能性。而且随着钻井的数量增加以及“有钻必测”，井点处纵向上缝洞型储层能够较好的认识。④三维地震勘探的发展，能够将井点之间连接起来，使得对岩溶型储层在空间上的发育情况进行研究成为可能，只需配套技术跟上步伐即可应用实现。

除了地球物理勘探的相关方法，根据溶洞体特殊的串珠状反射特征和地质属性，研究人员也提出了基于监督波形分类，SOM聚类和多属性融合分割等多种识别方法，但是识别的溶洞体精度仍然较低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种利用多属性融合作为训练集，有助于信息互补，使卷积神经网络更全面的建立判别模型，将深度学习引入碳酸盐岩溶洞储层识别领域，并利用正演数值模拟和多属性的方法解决有标签样本不充分的问题，实现了比较准确的溶洞识别的基于优化卷积神经网络的溶洞体识别算法。

本发明的目的是通过以下技术方案来实现的：基于优化卷积神经网络的溶洞体识别算法，包括以下步骤：

S1、获取有标签的地质样本集；

S2、建立卷积神经网络溶洞判别模型，使用有标签数据集训练；

S3、导入目标层位并进行预测，判断目标层位的溶洞分布。

进一步地，所述步骤S1中获取的地质样本集包括：

使用溶洞正演数值模拟的方法生成不同分布、尺度和填充的溶洞样本集；

专家标注过的真实溶洞数据及其属性值；

包含溶洞的物理模型数据及其属性值。

进一步地，所述步骤S2具体实现方法为：卷积神经网络溶洞判别模型的结构包括DAE和CNN两部分，DAE的编码部分用于增强深度学习模型的鲁棒性，包括五个全连通层，DAE使用交叉熵函数来评估编码解码过程的损失；CNN部分包含三个卷积层、三个池化层和五个全连接层；

卷积神经网络溶洞判别模型的最后一层是使用Softmax的分类层；卷积层可以顺序提取溶洞训练样本中存在的浅层和深层特征，然后该模型使用其参数由DAE预训练的完整连接层来使得最终分类的特征维数减少；

在层之间使用ReLU来解决消失的梯度问题，并使用drop out方法来减少信息的冗余。

本发明的有益效果是：本发明将正演数值模拟方法与卷积神经网络模型相结合，利用标记溶洞训练样本训练OCNN，生成溶洞判别模型。实验结果表明，该方法具有较高的精度，明显优于传统的识别方法和无深层结构的SOM方法。并通过实验证明，该算法可以达到以下有益效果：

1、原始地质数据体或者单一的属性无法使神经网络全面的学习和提取溶洞特征，使识别结果不够精确，对较小尺度的溶洞无法识别；本发明中的利用多属性融合作为训练集，有助于信息互补，使卷积神经网络更全面的建立判别模型。

2、本发明针对地质数据体噪声较强的数据特点，提出降噪自编码器预训练增强模型的鲁棒性，有助于建立更加有效的和更有泛化能力的溶洞判别模型。

3、本发明依据卷积神经网络可以不需要先验信息，自主的学习数据特征的优势，将深度学习引入碳酸盐岩溶洞储层识别领域，并利用正演数值模拟和多属性的方法解决有标签样本不充分的问题，实现了比较准确的溶洞识别，并在实际工区中取得了较好的效果。

附图说明

图1为本发明的基于优化卷积神经网络的溶洞体识别算法的流程图；

图2为本发明的卷积神经网络溶洞判别模型的结构图。

具体实施方式

碳酸盐溶洞储层中存在非常强的横向和纵向非均质性，从地震数据中提取有效特征对于识别岩溶洞穴储层变得更具挑战性。本发明提出了一种改进的深度学习模型，使用优化卷积神经网络(Optimizing Convolutional Neural Network,OCNN)来自主的识别溶洞。作为一种有监督的深度学习方法，所提出的方法从标记数据集中学习非线性，判别性和不变性特征，其中需要大量标记样本。我们将大量地震数值模拟结果添加到来自现场地震勘测的实际标记样本数据集中，以确保有标签样本的充分性。地震数据通常受到各种噪声的污染，因此使用去噪自动编码器(DAE)进行预训练，增强CNN的鲁棒性。实验结果全面证明了该方案的有效性，并表明它提供了比传统方法更高的精度。下面结合附图进一步说明本发明的技术方案。

如图1所示，基于优化卷积神经网络的溶洞体识别算法，包括以下步骤：

S1、获取有标签的地质样本集；获取的地质样本集包括：

使用溶洞正演数值模拟的方法生成不同分布、尺度和填充的溶洞样本集；

专家标注过的真实溶洞数据及其属性值；

包含溶洞的物理模型数据及其属性值。

OCNN是一种监督学习算法。在使用OCNN进行学习和训练的过程中，需要大量标记样本。然而，在实际案例研究中，通常缺乏足够有标记的碳酸盐溶洞地震响应样本。因此，利用基于波动方程的地震数值模拟方法，可以产生大量不同形状，尺度和速度填充的岩溶洞穴的地震响应，以及不同空间分布的多个洞穴，并将其与专家标注的实际样本一起添加到样本集中，改进经过优化的溶洞判别模型。根据地质数据普遍存在较大噪声干扰的情况，引入了降噪自编码器来进行初始参数预训练，增强整个模型预测的鲁棒性。最终实现对目标数据体内溶洞分布的准确识别。

S2、建立卷积神经网络溶洞判别模型，使用有标签数据集训练；

降噪自编码器(Denosing Auto－encoder，DAE)基本思想为：首先对输入向量加入一定程度的噪声，即破坏(corruption)原始输入数据，再对加入噪声的输入数据进行编码和解码过程，目标是使解码后得到的输出尽可能与输入一致。而对于加入了噪声的输入，若能重构出原始的输入，那么网络应该具有更好的鲁棒性。设输入为x，经噪声干扰后为x’，由x’经过编码后为y，再由y解码后为z，所得到的z即为输入的x重构。与自编码相同，仍然需要计算重构后的损失函数L(x,z)作为重构误差。

栈式降噪自编码器(Stacked Denoising Auto－encoders，SDAEs)由多个DAE组合而成。各DAE之间，前一层的隐藏层输出作为下一层的输入，依次连接至输出层。采用逐层训练的方式，依次训练各层参数，此过程为无监督的预训练过程。预训练过程结束后，采用传统的后向传播(Back propagation，BP)算法进行有监督的训练。

步骤S2的具体实现方法为：卷积神经网络溶洞判别模型的结构包括DAE(降噪自编码器)和CNN两部分，DAE的编码部分用于增强深度学习模型的鲁棒性，包括五个全连通层，DAE使用交叉熵函数来评估编码解码过程的损失；CNN部分包含三个卷积层、三个池化层和五个全连接层；

卷积神经网络溶洞判别模型的最后一层是使用Softmax的分类层；卷积层可以顺序提取溶洞训练样本中存在的浅层和深层特征，然后该模型使用其参数由DAE预训练的完整连接层来使得最终分类的特征维数减少；

在层之间使用ReLU来解决消失的梯度问题，并使用drop out方法来减少信息的冗余，卷积神经网络溶洞判别模型的具体结构如图2所示。

S3、导入目标层位并进行预测，判断目标层位的溶洞分布。

在实验过程中，使用从原始数据中提取的不同属性分别训练分类器，最后将它们集成。单个地震属性通常仅反映洞穴的部分特征，为了对神经网络进行全面训练，本发明依据地质属性优选原则，从基于边缘的地震属性和基于区域的地震属性两个方面选择四个属性均方根振幅属性、能量属性、纹理同质性属性、相干属性作为输入数据，并建立相应的分类模型，以突出每个属性类别中最有效的信息。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.基于优化卷积神经网络的溶洞体识别算法，其特征在于，包括以下步骤：

S1、获取有标签的地质样本集；

S2、建立卷积神经网络溶洞判别模型，使用有标签数据集训练；

S3、导入目标层位并进行预测，判断目标层位的溶洞分布。

2.根据权利要求1所述的基于优化卷积神经网络的溶洞体识别算法，其特征在于，所述步骤S1中获取的地质样本集包括：

使用溶洞正演数值模拟的方法生成不同分布、尺度和填充的溶洞样本集；

专家标注过的真实溶洞数据及其属性值；

包含溶洞的物理模型数据及其属性值。

3.根据权利要求1所述的基于优化卷积神经网络的溶洞体识别算法，其特征在于，所述步骤S2具体实现方法为：卷积神经网络溶洞判别模型的结构包括DAE和CNN两部分，DAE的编码部分用于增强深度学习模型的鲁棒性，包括五个全连通层，DAE使用交叉熵函数来评估编码解码过程的损失；CNN部分包含三个卷积层、三个池化层和五个全连接层；

卷积神经网络溶洞判别模型的最后一层是使用Softmax的分类层；卷积层可以顺序提取溶洞训练样本中存在的浅层和深层特征，然后该模型使用其参数由DAE预训练的完整连接层来使得最终分类的特征维数减少；

在层之间使用ReLU来解决消失的梯度问题，并使用drop out方法来减少信息的冗余。