CN109613623B - 一种基于残差网络的岩性预测方法 - Google Patents

一种基于残差网络的岩性预测方法 Download PDF

Info

Publication number
CN109613623B
CN109613623B CN201811281728.0A CN201811281728A CN109613623B CN 109613623 B CN109613623 B CN 109613623B CN 201811281728 A CN201811281728 A CN 201811281728A CN 109613623 B CN109613623 B CN 109613623B
Authority
CN
China
Prior art keywords
lithology
network
residual
model
residual error
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
Application number
CN201811281728.0A
Other languages
English (en)
Other versions
CN109613623A (zh
Inventor
李克文
苏兆鑫
刘文英
周广悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201811281728.0A priority Critical patent/CN109613623B/zh
Publication of CN109613623A publication Critical patent/CN109613623A/zh
Application granted granted Critical
Publication of CN109613623B publication Critical patent/CN109613623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于残差网络的岩性预测方法，解决了岩性定性分析问题，利用残差网络可构建更深层卷积网络的特点挖掘地震属性与岩性之间的内在关系，在训练好预测模型后，能够根据地震属性形成的特征图得出其相对应的岩性类别，根据数据中岩性类别的种类个数决定输出标签的个数，即输出层神经元个数，每个神经元的输出值代表这组数据属于对应岩性类别的概率，可以更精确的表示它的岩性特征。

Description

一种基于残差网络的岩性预测方法
技术领域
本发明属于地球物理勘探领域和深度学习领域，具体涉及到残差神经网络在岩性预测中的研究与应用。
背景技术
寻找岩性油气藏是一个重要的研究课题,岩性预测对发现岩性油气藏具有重要的意义。尽管岩性预测方法很多,但由于各个地区的地质条件不同,各种方法都只是在特定地区及特定条件下方能取得较好的应用效果。
测井数据与地震数据是最常用的数据，依靠地质学家们通过经验建立的数学模型或反演技术是对未知区域的岩性进行定性预测的常用技术。经验公式或建立地质模型对于一般地质储层参数的获取有一定的指导意义，但对于解决复杂地质问题还是有很大的局限性。并且不同位置的预测精度大小受到井的数量与位置分布的影响。
深度学习是大数据时代下发展起来的自动特征提取方法与预测方法，已经成功应用于图像识别、语音识别与人脸识别等领域，但在石油勘探领域的应用仍较少。
发明内容
岩性预测问题与大多数的分类问题类似，为克服现有预测问题上的不足，本发明提供了一种应用于岩性预测问题的残差网络模型建立方法。相对于传统的地质建模方法，深度学习可以通过组合低层特征形成更加抽象的高层特征，高层特征是低层特征的非线性组合，更具有区分性及类别指示性。本发明将深度学习引入地质勘探领域，能够有效地解决岩性识别分类问题并提高识别精度。并且以地震数据为主要数据，在横向预测上有更高的准确度。
为实现上述目的，本发明的技术方案是：
首先准备训练模型所需要的数据，将一个工区内由井数据中得到的岩性数据，经过现有的时深转换方法转换到时间域，与地震数据尺度对齐。然后解析工区内地震数据，将井位置处对应的地震属性数据作为训练数据，已有的岩性数据作为标记数据。
下一步把得到的训练数据输入残差网络中，建立一个应用于岩性预测方面的残差网络模型。将地震属性排列成一个矩阵，根据地震属性的数量，设计输入矩阵的大小、卷积核的大小与残差块的大小。根据标记类别的数量确定输出层神经元的个数，若只有泥岩和砂岩，则有两个神经元。卷积层激活函数采用ReLU函数。输出层各个神经元输出只能无限接近1和0，而不能达到1和0，代表属于该类别的概率。
本发明的有益效果是：将深度学习方法引入了岩性预测中，相对于传统的采用公式建模的方式能在已有的属性中发现更多隐藏的信息，解决了岩性预测定性分析问题，在预测模型训练好后，能够根据工区内的地震属性得出其相对应位置的岩性概率，岩性标签是多个在[0,1]范围内的浮点型数据，大小表示其属于该岩性类别的隶属程度，可以更精确地表示它的岩性特征。
附图说明
附图1是基于残差网络的岩性预测方法的流程图
附图2是本发明的网络模型期望输出形式
附图3是ResNet残差网络模型结构图
附图4是残差块模型结构图
具体实施方式
下面将结合本发明说明书附图，对本发明的具体实施方式中的方案进行详细描述：
图1是基于残差网络的岩性预测方法的流程图，本预测方法分为四个阶段，具体包括：
A.输入特征图形成11：残差网络在进行训练之前将井上位置对应的地震网格处的地震属性经过筛选组成N*N大小的矩阵，形成单通道特征图，作为网络的输入,井上岩性标记作为输出标签。
B.残差块的设计12：残差块使网络达到很深的深度，通过残差块内部卷积层是否采用0填充的方式来控制处理前后的特征图的大小的改变。
C.残差网络结构设计13：使用B中得到的残差块，结合池化层、BN层与softmax层构建网络模型。将准备好的地震属性特征图和岩性标签分批输入残差网络模型进行有监督的训练，进行网络训练的时候根据准确率调整网络中残差块的数量、BN层位置以及学习率，最终保留能够使学习效果最好的网络结构15。
D.预测同工区内未探明岩性位置的岩性16：通过C中获得网络训练预测模型，然后按照11规定的特征图排列方式将地震属性输入模型，通过训练好的预测模型预测出其相对应的各类岩性类别的隶属度。岩性分类的标签是一个在[0,1]范围内的浮点型数据，表示属于该类岩性的概率大小。
图4是本发明采用的残差块模型结构图，残差网络通过在几个卷积层首尾叠加y＝x的层(称identity mappings，恒等映射)，可以让网络随深度增加而不退化。
残差块学习的是残差函数F(x)＝H(x)-x,这里如果F(x)＝0,那么结构就是上面提到的恒等映射。如果深层网络的后面那些残差块是恒等映射，那么模型就退化为一个浅层网络。直接让一些层去拟合一个潜在的恒等映射函数H(x)＝x，比较困难，这可能就是深层网络难以训练的原因。但是，如果把网络设计为H(x)＝F(x)+x就可以转换为学习一个残差函数F(x)＝H(x)–x。只要F(x)＝0，就构成了一个恒等映射H(x)＝x。拟合残差更加容易。
以上所述，仅是本发明的较佳实施例，任何熟悉本专业的技术人员可能利用上述阐述的技术方案加以改型或变更为等同变化的等同实例。凡未脱离本发明技术方案内容，依据发明的技术方案对上述实施例进行的任何简单修改、变更或改型，均属于发明技术方案的保护范围。

Claims (1)

1.一种基于残差网络的岩性预测方法，其特征在于，包括以下步骤：
A.输入特征图形成：残差网络在进行训练之前将井上位置对应的地震网格处的地震属性经过筛选组成N*N大小的矩阵，形成单通道特征图，作为网络的输入，井上岩性标记作为输出标签；
B.残差块的设计：残差块使网络达到很深的深度，通过残差块内部卷积层是否采用0填充的方式来控制处理前后的特征图的大小的改变；
C.残差网络结构设计：使用B中得到的残差块，结合池化层、BN层与softmax层构建网络模型，将准备好的地震属性特征图和岩性标签分批输入残差网络模型进行有监督的训练，进行网络训练的时候根据准确率调整网络中残差块的数量、BN层位置以及学习率，最终保留能够使学习效果最好的网络结构；
D.预测同工区内未探明岩性位置的岩性：通过C获得网络训练预测模型，然后按照A规定的特征图排列方式将地震属性输入模型，通过训练好的预测模型预测出其相对应的各类岩性类别的隶属度，岩性分类的标签是一个在[0,1]范围内的浮点型数据，表示属于该类岩性的概率大小。
CN201811281728.0A 2018-10-31 2018-10-31 一种基于残差网络的岩性预测方法 Active CN109613623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811281728.0A CN109613623B (zh) 2018-10-31 2018-10-31 一种基于残差网络的岩性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811281728.0A CN109613623B (zh) 2018-10-31 2018-10-31 一种基于残差网络的岩性预测方法

Publications (2)

Publication Number Publication Date
CN109613623A CN109613623A (zh) 2019-04-12
CN109613623B true CN109613623B (zh) 2020-05-01

Family

ID=66003002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811281728.0A Active CN109613623B (zh) 2018-10-31 2018-10-31 一种基于残差网络的岩性预测方法

Country Status (1)

Country Link
CN (1) CN109613623B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147679B (zh) * 2019-06-26 2024-04-16 中国石油化工股份有限公司 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置
CN112990320A (zh) * 2021-03-19 2021-06-18 中国矿业大学(北京) 一种岩性的分类方法、装置、电子设备及存储介质
CN115393682A (zh) * 2022-08-17 2022-11-25 龙芯中科(南京)技术有限公司 目标检测方法、装置、电子设备及介质
CN116994155B (zh) * 2023-09-26 2024-02-23 中国地质大学（武汉） 一种地质岩性的解译方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016061335A1 (en) * 2014-10-16 2016-04-21 Schlumberger Canada Limited Methods and apparatuses to remove a net detected residual magnetization in a nuclear magnetic resonance (nmr) operation
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN108629072A (zh) * 2018-03-12 2018-10-09 山东科技大学 面向地震油气储层分布的卷积神经网络学习与预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016061335A1 (en) * 2014-10-16 2016-04-21 Schlumberger Canada Limited Methods and apparatuses to remove a net detected residual magnetization in a nuclear magnetic resonance (nmr) operation
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN108629072A (zh) * 2018-03-12 2018-10-09 山东科技大学 面向地震油气储层分布的卷积神经网络学习与预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Face Recognition Based on Convolution Neural Network;Kewen Yan et al.;《Proceedings of the 36th Chinese Control Conference》;20170728;第4077-4080页 *
川东北元坝地区长兴组岩相及裂缝表征预测;王浩等;《天然气勘探与开发》;20180930;第41卷(第3期);第26-32页 *

Also Published As

Publication number Publication date
CN109613623A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109613623B (zh) 一种基于残差网络的岩性预测方法
CN106291701B (zh) 储层检测方法及装置
Cranganu et al. Artificial intelligent approaches in petroleum geosciences
Wang et al. Distilling knowledge from an ensemble of convolutional neural networks for seismic fault detection
CN106886043B (zh) 基于地震数据深度学习的储层检测方法
US20090276157A1 (en) System and method for interpretation of well data
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN113902861A (zh) 一种基于机器学习的三维地质建模方法
Ye et al. Drilling formation perception by supervised learning: Model evaluation and parameter analysis
US20230176242A1 (en) Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries
CN117272841B (zh) 一种基于混合神经网络的页岩气甜点预测方法
Guoqiang et al. Construction of well logging knowledge graph and intelligent identification method of hydrocarbon-bearing formation
CN113406695B (zh) 基于层速度地震地质模型的地震反演方法及系统
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
CN111472763B (zh) 地层厚度预测方法及装置
CN113325480A (zh) 一种基于集成深度学习的地震岩性识别方法
US11525934B2 (en) Method for identifying subsurface fluids and/or lithologies
CN115130529A (zh) 一种叠前地震反演方法和装置
CN117093922A (zh) 一种基于改进svm的不平衡样本油藏复杂流体识别方法
CN111626377A (zh) 一种岩相识别方法、装置、设备及存储介质
Kuchin et al. Machine learning methods for identifying composition of uranium deposits in Kazakhstan
CN115880455A (zh) 基于深度学习的三维智能插值方法
CN112987091A (zh) 储层检测方法、装置、电子设备和存储介质
Liu et al. A hierarchical clustering method of SOM based on DTW distance for variable-length seismic waveform
Song et al. Reservoir lithology identification based on improved adversarial learning

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