CN109343122A - 一种面向深度学习的储层预测样本扩充方法 - Google Patents

Abstract

本发明提供了一种面向深度学习的储层预测样本扩充方法，通过井震结合，抽取得到井旁地震数据，并将地震数据转换为能够反映储层分布的字符串形式；通过时深转换建立井震储层对应关系，然后根据井上储层分布建立地震字符串匹配模式；将这一字符串模式与井周围一定范围内的地震道进行字符串匹配，记录相匹配地震道对应的时间点，将该点对应的地震采样点作为符合对应储层的样本标记；依次记录这些标记点得到能够反映不同储层类型并符合地质特点的样本标签。为实现储层预测的大数据分析提供大量有效训练样本。

Description

一种面向深度学习的储层预测样本扩充方法

技术领域

本发明属于地球物理勘探地震数据解释及综合研究领域，具体涉及一种面向深度学习的储层预测样本扩充方法。

背景技术

大数据分析技术在银行、通信及互联网等领域发挥了巨大的作用，IBM、ORACLE、微软、谷歌、亚马逊、Facebook等跨国巨头以及阿里、腾讯、百度等国内企业也因大数据技术的发展而更加具有竞争力。在石油勘探领域中，储层预测是寻找有利勘探目标的重要研究内容，其涉及的数据包括地震、测井、录井、试油等大量数据，这些数据都是地下岩石的间接反映，相互之间都具有相关性，符合大数据分析的规律，但目前还未见到储层预测大数据分析的成功案例，其中一个重要的原因就是在石油勘探领域中由于钻井数量的限制，能够准确反映储层信息的样本数量较少，仅仅依靠这些少量的样本就无法使用目前最为流行的深度学习等大数据新技术，降低了大数据分析的应用效果。因此，需要在保证样本可靠性的前提下寻找一种储层标记样本的扩充方法，以增加大量可利用的样本。

发明内容

本发明的目的是：针对现有技术的不足，提供一种面向深度学习的储层预测样本扩充方法，解决由于储层样本不足而无法使用深度学习等大数据分析新技术的问题。

本发明采用的技术方案是：

一种面向深度学习的储层预测样本扩充方法，通过井震结合，抽取得到井旁地震数据，并将地震数据转换为能够反映储层分布的字符串形式；通过时深转换建立井震储层对应关系，然后根据井上储层分布建立地震字符串匹配模式；将这一字符串模式与井周围一定范围内的地震道进行字符串匹配，记录相匹配地震道对应的时间点，将该点对应的地震采样点作为符合对应储层的样本标记；依次记录这些标记点得到能够反映不同储层类型并符合地质特点的样本标签。

上述方案进一步包括：

A：通过井坐标转换，将井坐标转换为地震线道号，通过线道号寻找到井旁地震道数据；

B；抽取井旁地震道数据，并将地震数据转换为字符串；

C：根据录井或/和测井数据确定井上储层分布；

D：将储层分布与地震字符串建立一一对应关系，并记录每一种类型储层的字符串特征；

E:根据每一种储层对应的地震字符串特征，在井周围按照设定的范围自动寻找特征一致的地震波形特征，记录相应的时间值，将该时间值对应的地震采样点作为该类型储层的样本数据；

F：针对每一口井，重复A-E步骤，最终得到所有井的储层样本扩充数据。

更进一步的上述步骤B包括下列步骤：

B1：在地震数据体中找出振幅最大值和最小值，根据最大值、最小值将地震数据归一化到[-1,1]范围内；

B2：选择字符串个数，每个字符串对应一个值域范围；

B3:根据地震归一化后的数值将地震数据转换为字符，将整道地震数据按照上述规则依次转换为字符形成字符串。

更进一步的上述步骤D的储层字符串特征建立方法包括如下步骤：

D1：通过时深转换将井上不同位置的储层对应到地震时间；

D2：根据一定的地震时窗，选择对应的字符串；

D3：根据不同储层对应的字符串，建立字符串特征模式。

更进一步的上述步骤E的自动追踪方法包括如下步骤：

E1：根据储层对应的地震字符串模式，调整字符串匹配参数；

E2：以井旁地震道为中心，设定一个追踪的半径，半径的大小需要能够保证范围内的地震道特征能够代表井上的储层；

E3：按照上述设定的范围，依次抽取地震道并转换为字符串，在储层对应的时窗范围内寻找能够与设定模式匹配的点；

E4：将工区内的每口井依次寻找并保存这些点，最终得到不同储层对应的井外围样本数据。

本发明所述方法针对目前油田勘探开发中利用深度学习等大数据分析技术开展储层预测过程中样本数量不足的问题，依据储层沉积的连续性特点，通过井震结合抽取井旁道地震数据，将地震波形数据转换成字符串方式，根据井上的储层分布匹配地震波形，按照不同的储层类型自动追踪相应的地震数据，得到不同储层类型并符合地质特点的样本标签。本发明在地震地质的约束下实现了储层样本的自动扩充，有助于开展面向储层预测的大数据分析研究工作，为实现储层预测的大数据分析提供大量有效训练样本。

附图说明

图1 本发明的一种实施例流程图；

图2 本发明的一种实施例井旁地震道转换成字符串后显示示意图；

图3 本发明的一种实施例井上储层分布与地震字符串匹配建立字符串模式；

图4 本发明的一种实施例限定井附近半径为10时的自动匹配结果；

图5 本发明的一种实施例每口井通过样本扩充后在三维空间上分布情况。

具体实施方式

下面结合附图对本发明作进一步详细描述：

实施例1，一种面向深度学习的储层预测样本扩充方法，首先通过井震结合找到井旁地震道，抽取井旁地震数据，并将地震数据转换为能够反映储层分布的字符串形式，建立井震储层对应关系，然后根据井上储层分布建立的地震字符串匹配模式，将这一模式与井周围一定范围内的地震道进行匹配，记录相匹配地震道的时间点作为符合该储层的样本标记，最终记录这些标记点得到能够反映不同储层类型并符合地质特点的样本标签。

前述方法具体包括以下步骤：

a.通过井坐标转换，将井坐标转换为地震线道号，通过线道号寻找到井旁地震道数据;

b.抽取井旁地震道数据，并将地震数据转换为字符串。具体步骤如下；首先在地震数据体中找出振幅最大值和最小值，根据最大最小值将地震数据归一化到[-1,1]范围内；其次根据井上的储层分布特征选择字符串个数，并将每个字符串对应一个值域范围，如a=[-1,0],b=[0,0.2],c=[0.2,1]；最后根据地震归一化后的数值将地震数据转换为字符，如地震归一化后的数值为0.4，其对应的字符为c，将整道地震数据按照上述规则依次转换为字符，一道地震数据就转换形成了字符串。

c.根据录井或测井数据确定井上储层分布,如果该井有录井数据可以直接根据录井岩性分布来确定储层分布，如果没有录井数据则需要根据测井解释后的岩性分布来确定储层分布；

d.将储层分布与地震字符串建立一一对应关系，并记录每一种类型储层的字符串特征。具体步骤如下：首先通过时深转换将井上不同位置的储层对应到地震时间；其次根据一定的地震时窗，选择对应的字符串；最后根据不同储层对应的字符串，建立字符串特征模式，如某一段储层对应的地震字符串为cccaaaaacbbbb，其对应的字符串模式为cab；

e.根据每一种储层对应的地震字符串特征，在井周围按照设定的范围自动寻找特征一致的地震波形特征，记录相应的时间值，将该时间值对应的地震采样点作为该类型储层的样本数据。具体步骤如下：首先根据储层对应的地震字符串模式，调整字符串匹配参数，如字符串模式为cab，可以调整为c{1,3}a{1,5}b{1,4}，即允许C的个数为1-3，a的个数为1-5，c个数为1-4；其次以井旁地震道为中心，设定一个追踪的半径，半径的大小需要能够保证范围内的地震道特征能够代表井上的储层；按照上述设定的范围，依次抽取地震道并转换为字符串，在储层对应的时窗范围内寻找能够与设定模式匹配的时间点；最后将该时间值对应的地震采样点作为该类型储层的样本数据。

f：针对每一口井，重复a-e步骤，最终得到所有井的储层样本扩充数据。

实施例2，一种面向深度学习的储层预测样本扩充方法，图1为本方法主要步骤和流程，其具体实施方式如下：

（1）根据井坐标匹配地震线道号并抽取对应的地震道数据。

（2）在地震数据体中找出振幅最大值和最小值，根据最大最小值将地震数据归一化到[-1,1]范围内；根据井上的储层分布特征选择字符串个数，并将每个字符串对应一个值域范围，如c=[-1,0],b=[0,0.2],a=[0.2,1]；将每一种字符赋予特定的颜色后能将地震道显示出来，图2将a赋予红色代表波峰，b为蓝色代表0点附近，c为黄色代表波谷，地震波形特征转换为了字符串。

（3）通过井震时深转换将井上的储层信息转换为对应的地震字符串模式，如图3在井上找到储层位置并将其匹配到地震道上，在地震道上选取一定的时窗得到对应的地震字符串作为储层对应的字符串模式。

（4）在井周围按照一定的距离抽取井附近的地震道数据，并将其转换为相应的字符串，采用字符串匹配的方法，将井上储层字符串模式与井附近地震道进行匹配，寻找能够相匹配的地震时间点并记录。图4为设定井附近范围10时自动匹配后的地震时间点投影到地震剖面上的结果。

（5）针对每一口井，重复上述步骤，最终可以得到所有井在三维空间上的储层样本扩充数据。图5为所有井通过样本自动扩充后，储层样本数据点在空间上的分布情况。

Claims (6)

1.一种面向深度学习的储层预测样本扩充方法，其特征在于：该方法通过井震结合，抽取得到井旁地震数据，并将地震数据转换为能够反映储层分布的字符串形式；通过时深转换建立井震储层对应关系，然后根据井上储层分布建立地震字符串匹配模式；将这一字符串模式与井周围一定范围内的地震道进行字符串匹配，记录相匹配地震道对应的时间点，将该点对应的地震采样点作为符合对应储层的样本标记；依次记录这些标记点得到能够反映不同储层类型并符合地质特点的样本标签。

2.如权利要求1所述的面向深度学习的储层预测样本扩充方法，其特征在于该方法包括下列步骤：

A：通过井坐标转换，将井坐标转换为地震线道号，通过线道号寻找到井旁地震道数据；

B；抽取井旁地震道数据，并将地震数据转换为字符串；

C：根据录井或/和测井数据确定井上储层分布；

D：将储层分布与地震字符串建立一一对应关系，并记录每一种类型储层的字符串特征；

E:根据每一种储层对应的地震字符串特征，在井周围按照设定的范围自动寻找特征一致的地震波形特征，记录相应的时间值，将该时间值对应的地震采样点作为该类型储层的样本数据；

F：针对每一口井，重复A-E步骤，最终得到所有井的储层样本扩充数据。

3.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于上述步骤B包括下列步骤：

B1：在地震数据体中找出振幅最大值和最小值，根据最大值、最小值将地震数据归一化到[-1,1]范围内；

B2：选择字符串个数，每个字符串对应一个值域范围；

B3:根据地震归一化后的数值将地震数据转换为字符，将整道地震数据按照上述规则依次转换为字符形成字符串。

4.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于上述步骤D的储层字符串特征建立方法包括如下步骤：

D1：通过时深转换将井上不同位置的储层对应到地震时间；

D2：根据一定的地震时窗，选择对应的字符串；

D3：根据不同储层对应的字符串，建立字符串特征模式。

5.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于上述步骤E的自动追踪方法包括如下步骤：

E1：根据储层对应的地震字符串模式，调整字符串匹配参数；

E2：以井旁地震道为中心，设定一个追踪的半径，半径的大小需要能够保证范围内的地震道特征能够代表井上的储层；

E3：按照上述设定的范围，依次抽取地震道并转换为字符串，在储层对应的时窗范围内寻找能够与设定模式匹配的点；

E4：将工区内的每口井依次寻找并保存这些点，最终得到不同储层对应的井外围样本数据。

6.根据权利要求2所述的面向深度学习的储层预测样本扩充方法，其特征在于：

上述步骤B包括下列步骤：

B1：在地震数据体中找出振幅最大值和最小值，根据最大值、最小值将地震数据归一化到[-1,1]范围内；

B2：选择字符串个数，每个字符串对应一个值域范围；

B3:根据地震归一化后的数值将地震数据转换为字符，将整道地震数据按照上述规则依次转换为字符形成字符串；

上述步骤D的储层字符串特征建立方法包括如下步骤：

D1：通过时深转换将井上不同位置的储层对应到地震时间；

D2：根据一定的地震时窗，选择对应的字符串；

D3：根据不同储层对应的字符串，建立字符串特征模式；

上述步骤E的自动追踪方法包括如下步骤：

E1：根据储层对应的地震字符串模式，调整字符串匹配参数；

E2：以井旁地震道为中心，设定一个追踪的半径，半径的大小需要能够保证范围内的地震道特征能够代表井上的储层；

E3：按照上述设定的范围，依次抽取地震道并转换为字符串，在储层对应的时窗范围内寻找能够与设定模式匹配的点；

E4：将工区内的每口井依次寻找并保存这些点，最终得到不同储层对应的井外围样本数据。