CN109902390B - 一种基于小样本扩充的有利储层发育区预测方法 - Google Patents
一种基于小样本扩充的有利储层发育区预测方法 Download PDFInfo
- Publication number
- CN109902390B CN109902390B CN201910158640.8A CN201910158640A CN109902390B CN 109902390 B CN109902390 B CN 109902390B CN 201910158640 A CN201910158640 A CN 201910158640A CN 109902390 B CN109902390 B CN 109902390B
- Authority
- CN
- China
- Prior art keywords
- favorable
- reservoir
- seismic
- sample
- sample expansion
- 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
- 230000002349 favourable effect Effects 0.000 title claims abstract description 29
- 238000011161 development Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于小样本扩充的有利储层发育区预测方法，其特征在于通过样本扩充解决采用机器学习方法预测有利储层时容易出现训练不充分或者过拟合的问题，根据周围地质情况连续的特点，实现数据样本增强；以样本扩充后的数据集为输入，训练不同内核函数的支持向量机模型作为基分类器，通过线性加权的方式组合基分类器的预测结果，实现更合理的有利储层发育区预测。本发明提供的方法可以有效的提高有利储层预测的准确率，辅助地质人员快速地圈定有利目标。
Description
技术领域
本发明属于地球物理勘探领域和人工智能领域，具体涉及一种基于小样本扩充的有利储层发育区预测方法。
背景技术
传统有利区预测方法因地质条件复杂、地震属性相关性差，导致预测精度低，采用机器学习方法预测有利储层发育区，能够挖掘地震属性之间的隐含作用，得到地震属性与类别标签的映射关系。在机器学习领域中，主要采用large-scale方法处理数据，但已探明的有利储层发育区样本数量较少，large-scale方法不完全适用，训练往往会过拟合，因此样本数量不足是我们面临的一个严峻问题。
针对已探明有利储层发育区样本数量较少，有标记样本位置分散，且未利用样本周围地质情况连续的问题，通过研究有标记样本的数据分布规律，充分利用无标记数据，提出一种基于小样本扩充的有利储层发育区预测方法。
发明内容
为了克服有标记样本数量较少容易带来过拟合问题，本发明提供了一种基于小样本扩充的有利储层发育区预测方法，通过利用有利储层发育区周围的无标记样本实现样本扩充，增加标记样本的数量，进而训练分类模型，实现有利储层发育区的精准预测。
为实现上述目的，本发明技术方案主要包括以下三个步骤：
A.数据采集及处理：
从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据，通过时深转换，计算地震属性对应的深度范围内砂岩的累积厚度，进而标记有利区类别，其中有利储层发育区标记为‘2’，储层发育区标记为‘1’，非有利储层发育区标记为‘0’。
B.标记样本扩充：
地震数据体可以视为按照CDP、Inline划分成的网格长方体，其中地震属性数据以地震网格点的排列形式存储。根据地震属性样本附近地质情况连续的特点，将标记样本看作正方形网格一个顶点，复制该标记给正方形网格的其他顶点位置，提取网格其他顶点位置的地震属性作为扩充后的样本，从而增强了样本集。
C.采用基于支持向量机的集成分类器预测有利储层：
不同参数的分类器具有一定的差异性，单一分类器往往不能全面反映地震属性与类别标签的映射关系，通过将具有不同内核函数的支持向量机模型进行组合，避免采用单一分类器的弊端，得到更合理的分类结果，解决常规有利区预测的多解性问题。
构建基于支持向量机的集成分类器的步骤：
(1)训练具有不同内核函数的支持向量机模型作为基分类器，由于参数不同，分类精度会有所不同；
(2)采用基分类器的评价指标F1值作为各分类器的权重；
(3)采用线性加权的方式组合基分类器的预测结果，得到有利储层发育区分布。
本发明的有益效果是：根据周围地质情况连续的特点，采用复制标签的方式对有利区样本进行扩充，解决了模型训练过程中因样本数量少导致的训练不充分或者过拟合问题；同时，采用基于不同内核函数的支持向量机集成模型进行有利储层发育区预测，避免了单一分类器无法全面评价分类的弊端，实现了精准预测。
附图说明
图1为样本扩充的原理图
图2为本发明的流程图
上图中：11.地震网格点，12.真实标记，13.扩充标记。
具体实施方式
下面结合图1、2对本发明作进一步详细的描述：
A.数据采集及处理：
从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据，因数据衡量尺度不一，采用标准化方法对地震属性进行预处理，通过时深转换，计算地震属性对应的深度范围内砂岩的累积厚度，进而标记有利区类别，其中有利储层发育区标记为‘2’，储层发育区标记为‘1’，非有利储层发育区标记为‘0’。本发明采用十折交叉验证，将数据集划分为十份，其中九份用于训练，一份用于测试。
B.标记样本扩充：
地震数据体可以视为按照CDP、Inline划分成的网格长方体，其中地震属性数据以地震网格点11的排列形式存储。由于有标记样本对应探明井所在位置，而探明井位置分散且稀疏，导致有标记的样本数量很少。根据地震属性样本附近地质情况连续的特点，将标记样本看作正方形网格的一个顶点，复制此处的真实标记12给正方形网格的其他顶点位置，作为扩充标记13，提取网格其他位置的地震属性作为扩充后的样本，从而增强了样本集。
C.采用基于支持向量机的集成分类器预测有利储层：
不同参数的分类器具有一定的差异性，单一分类器往往不能全面反映地震属性与类别标签的映射关系，通过将具有不同内核函数的支持向量机模型进行组合，避免采用单一分类器的弊端，得到更合理的分类结果，解决常规有利区预测的多解性问题。
构建基于支持向量机的集成分类器的步骤：
(1)训练具有不同内核函数的支持向量机模型作为基分类器，由于参数不同，分类精度会有所不同；
(2)采用基分类器的评价指标F1值作为各分类器的权重；
(3)采用线性加权的方式组合基分类器的预测结果，得到有利储层发育区分布。
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)
1.一种基于小样本扩充的有利储层发育区预测方法，其特征在于，包括以下步骤：
A.数据采集及处理：
从勘探数据库、地震数据体数据源中提取地震属性以及岩性剖面数据，对其进行标准化处理，通过时深转换，计算地震属性对应的深度范围内砂岩的累积厚度，进而标记有利区类别，得到带有类别标记的样本集；
B.标记样本扩充：
已知有标记样本所在地震网格体的位置，根据周围地质情况连续的特点，将有标记样本的标签复制给周围未标记的样本；
C.采用基于支持向量机的集成分类器预测有利储层：
不同参数的分类器具有一定的差异性，采用基于不同内核函数的支持向量机集成模型进行有利储层发育区预测，得到有利储层发育区分布。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2018115249301 | 2018-12-13 | ||
| CN201811524930 | 2018-12-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902390A CN109902390A (zh) | 2019-06-18 |
| CN109902390B true CN109902390B (zh) | 2023-10-24 |
Family
ID=66946193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910158640.8A Active CN109902390B (zh) | 2018-12-13 | 2019-03-04 | 一种基于小样本扩充的有利储层发育区预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902390B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598243B (zh) * | 2019-07-26 | 2021-04-30 | 浙江大学 | 一种基于机械产品历史数据的虚拟样本扩容方法 |
| CN112580673B (zh) * | 2019-09-27 | 2024-04-12 | 中国石油化工股份有限公司 | 基于空间概率分布的地震储层样本扩展方法和装置 |
| CN112861890B (zh) * | 2019-11-26 | 2024-01-12 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
| CN111159150A (zh) * | 2019-12-19 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种数据扩充方法及装置 |
| CN111538879A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于半监督卷积神经网络的储层预测方法 |
| CN113656586B (zh) * | 2021-08-20 | 2024-03-12 | 平安国际智慧城市科技股份有限公司 | 情感分类方法、装置、电子设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440370A (zh) * | 2013-08-21 | 2013-12-11 | 国家电网公司 | 一种输变电工程造价评估方法及装置 |
| CN104570109A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
| CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
| CN105467449A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 |
| CN108364016A (zh) * | 2018-01-12 | 2018-08-03 | 华南理工大学 | 基于多分类器的渐进式半监督分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9128203B2 (en) * | 2011-09-28 | 2015-09-08 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
-
2019
- 2019-03-04 CN CN201910158640.8A patent/CN109902390B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440370A (zh) * | 2013-08-21 | 2013-12-11 | 国家电网公司 | 一种输变电工程造价评估方法及装置 |
| CN104570109A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
| CN105467449A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 |
| CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
| CN108364016A (zh) * | 2018-01-12 | 2018-08-03 | 华南理工大学 | 基于多分类器的渐进式半监督分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于支持向量机的储层参数预测方法研究;朱永才;西南石油大学硕士论文工程科技Ⅰ辑(第03期);16-40 * |
| 用于储层参数预测的神经网络模式识别方法研究;高美娟;大庆石油学院博士论文工程科技Ⅰ辑(第08期);120-167 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902390A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902390B (zh) | 一种基于小样本扩充的有利储层发育区预测方法 | |
| Carranza | Geochemical anomaly and mineral prospectivity mapping in GIS | |
| Ford et al. | Combining fractal analysis of mineral deposit clustering with weights of evidence to evaluate patterns of mineralization: application to copper deposits of the Mount Isa Inlier, NW Queensland, Australia | |
| Ohlmann et al. | Lagrangian assessment of simulated surface current dispersion in the coastal ocean | |
| Estévez et al. | Machine learning techniques for acid sulfate soil mapping in southeastern Finland | |
| CN105467449A (zh) | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 | |
| CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN104992178A (zh) | 基于支持向量机模拟交会图的致密砂岩流体类型识别方法 | |
| CN115587191A (zh) | 一种煤矿矿脉走势推理系统 | |
| Maria et al. | Using fractal analysis to quantitatively characterize the shapes of volcanic particles | |
| Chen et al. | Rock image classification using deep residual neural network with transfer learning | |
| Wang et al. | Model averaging for identification of geochemical anomalies linked to mineralization | |
| CN117452518B (zh) | 基于多学科数据融合聚类算法的储层岩性预测方法 | |
| Ding et al. | Siamese network based prospecting prediction method: A case study from the Au deposit in the Chongli mineral concentrate area in Zhangjiakou, Hebei Province, China | |
| Moradpouri | A copper porphyry promising zones mapping based on the exploratory data, multivariate geochemical analysis and GIS integration | |
| CN110968840A (zh) | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 | |
| CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
| Vietinghoff et al. | Visual analysis of spatio-temporal trends in time-dependent ensemble data sets on the example of the North Atlantic Oscillation | |
| Qiu et al. | Geological profile-text information association model of mineral exploration reports for fast analysis of geological content | |
| CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
| Li et al. | A GIS-based tool for the China National Mineral Resource Assessment Initiative: a case study of gold deposits in the Bayan Obo Group, Inner Mongolia, China | |
| Qu et al. | Resampling with in situ field portable X-ray fluorescence spectrometry (FPXRF) to reduce the uncertainty in delineating the remediation area of soil heavy metals | |
| Rezapour et al. | A clustering approach for mineral potential mapping: A deposit-scale porphyry copper exploration targeting | |
| Tian et al. | The study of stream sediment geochemical data processing by using k-means algorithm and centered logratio transformation—An example of a district in Hunan, China | |
| CN111273372A (zh) | 一种基于化探异常编制潜在成矿温度组合图的编图方法 |
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 |