CN110389382B - 一种基于卷积神经网络的油气藏储层表征方法 - Google Patents
一种基于卷积神经网络的油气藏储层表征方法 Download PDFInfo
- Publication number
- CN110389382B CN110389382B CN201910711955.0A CN201910711955A CN110389382B CN 110389382 B CN110389382 B CN 110389382B CN 201910711955 A CN201910711955 A CN 201910711955A CN 110389382 B CN110389382 B CN 110389382B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- frequency
- channel data
- seismic
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 95
- 238000012512 characterization method Methods 0.000 title claims abstract description 58
- 230000008021 deposition Effects 0.000 claims abstract description 41
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 37
- 239000004215 Carbon black (E152) Substances 0.000 claims description 21
- 229930195733 hydrocarbon Natural products 0.000 claims description 21
- 150000002430 hydrocarbons Chemical class 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 21
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/52—Move-out correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Filling Or Discharging Of Gas Storage Vessels (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于卷积神经网络的油气藏储层表征方法、装置、设备及可读存储介质，方案包括：获取地震道数据；截取预设级次沉积旋回对应的地震道数据；将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；根据高频合成记录，确定小尺度地质体的分布规律以实现精确的储层表征。由于卷积神经网络提高地震资料的频率的幅度大，而且卷积神经网络具备自动学习能力，因此该方案频率提高幅度大、处理准确性高、处理效率高。此外，该方案针对不同沉积旋回差异较大的问题，截取预设级次沉积旋回的地震道数据以作为输入，针对性更强，进一步提升了高频处理的准确性，最终提升了油气藏开发效率。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种基于卷积神经网络的油气藏储层表征方法、装置、设备及可读存储介质。
背景技术
我国陆上油气藏多已进入高含水、高采出程度的开发后期，因此，小尺度地质体的精确表征是提高油气藏采收率的关键。地震资料是井间地质体唯一的、直接的、全覆盖的观测数据，但现有地震资料的垂向分辨率几乎都大于10m，例如胜坨油田主力含油层系沙河街组的最佳地震垂向分辨率约为20m，难以支撑精细、准确表征井间地质体的地震响应特征。
近些年，针对地震资料高分辨处理发展了很多方法和理论，如基于波形差异的地震高分辨处理方法、基于地震属性的高分辨处理方法等。
其中，基于波形差异的地震高分辨处理方法通过提取地震波形的最大振幅位置、波形重心、平均振幅等参数研究反射同相轴的差异变化和终止关系、地震波形结构的分布规律，实现地震分辨率的提高，从而表征小尺度的地质体。但小尺度地质体在地震剖面上难有明显响应特征，且不同类型、不同级次的地震响应特征复杂，地震波形差异对小尺度地质体的敏感性不强；另外，基于波形差异的地震高分辨处理效果很大程度上依赖解释人员的地质和地球物理知识、地震解释经验、对研究工区的熟悉度，高分辨率处理的多解性强。
基于地震属性的高分辨处理方法利用地震属性提取、地层切片和分频技术，以测井刻度地震为原则，建立振幅、频率、相位等相关地震属性与小尺度地质体的关系，实现地震分辨率的提高。基于地震属性的高分辨处理方法也存在多解性问题，薄层地质体在地震属性上难有明显响应，该方法通过井上数据和地震属性的统计关系进行井震联合，由于井、震数据间的相关性不高，高分辨处理和解释结果难以准确表征实际地下地质体分布规律。
但是，基于波形差异的地震高分辨处理和基于地震属性的高分辨处理方法需要综合测井和地震数据进行多轮校正修改，重复工作环节多，工作量巨大，时间成本和人力成本高。
综上，在开发油气藏的过程中，传统的高频处理方案需要经过多轮人工校正修改，工作量巨大，费时费力，导致油气藏开发效率低下。
发明内容
本申请的目的是提供一种基于卷积神经网络的油气藏储层表征方法、装置、设备及可读存储介质，用以解决在开发油气藏的过程中，传统的高频处理方案需要经过多轮人工校正修改，工作量巨大，费时费力，导致油气藏开发效率低下的问题。具体方案如下：
第一方面，本申请提供了一种基于卷积神经网络的油气藏储层表征方法，包括：
获取地震道数据；
截取预设级次沉积旋回对应的地震道数据；
将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征。
优选的，所述截取预设级次沉积旋回对应的地震道数据，包括：
截取地震可识别的最低级次沉积旋回对应的地震道数据。
优选的，在所述将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录之前，还包括：
构建卷积神经网络；
获取井旁道数据；
根据声波时差测井曲线和密度测井曲线，利用褶积计算生成所述井旁道数据对应的高频合成记录；
根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至达到预设终止条件。
优选的，所述根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至达到预设终止条件，包括：
根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至所述卷积神经网络在测试过程中的均方误差损失函数的数值满足预设条件。
优选的，所述根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征，包括：
根据所述高频合成记录，确定小尺度地质体的发育位置、几何形态、规模和叠置关系，以实现储层表征。
优选的，所述将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录，包括：
确定小尺度地质体的尺度大小；
确定能够识别所述尺度大小的目标频率；
获取预先设置的用于表征所述目标频率的特征向量；
将所述特征向量与截取得到的地震道数据一并输入预先经过训练的卷积神经网络，得到目标频率的合成记录。
第二方面，本申请提供了一种基于卷积神经网络的油气藏储层表征装置，包括：
数据获取模块：用于获取地震道数据；
数据截取模块：用于截取预设级次沉积旋回对应的地震道数据；
数据转换模块：用于将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
分布规律确定模块：根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征。
第三方面，本申请提供了一种基于卷积神经网络的油气藏储层表征设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如上所述的一种基于卷积神经网络的油气藏储层表征方法的步骤。
第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种基于卷积神经网络的油气藏储层表征方法的步骤。
本申请所提供的一种基于卷积神经网络的油气藏储层表征方法、装置、设备及可读存储介质，方案包括：获取地震道数据；截取预设级次沉积旋回对应的地震道数据；将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；根据高频合成记录，确定小尺度地质体的分布规律以实现储层表征。
可见，本申请基于卷积神经网络实现对地震道数据的高频处理，并根据高频合成记录确定小尺度地质体的分布规律以实现储层表征，与传统的高频处理方案相比，本申请的方案至少具备以下三点明显优势：第一，提高地震资料的频率的幅度大，能够将原始的地震道数据的频率提高至原频谱的近最大频率；第二，针对不同沉积旋回差异较大的问题，本方案截取预设级次沉积旋回的地震道数据，以作为卷积神经网络的输入，针对性更强；第三，本方案具有优越的可拓展性，契合油气地质分析大数据思路，随着训练数据集不断丰富，卷积神经网络模型的泛化能力不断增强。最终提升了油气藏储层表征的速度和准确性，显著提升了油气藏开发效率。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例一的实现流程图；
图2为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例一的沉积旋回示意图；
图3为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例一的高分辨率合成过程示意图；
图4为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例二的实现流程图；
图5为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例二的S403的细化流程图；
图6为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例二的训练过程示意图；
图7为本申请所提供的一种基于卷积神经网络的油气藏储层表征方法实施例二的训练过程流程图；
图8为本申请所提供的一种基于卷积神经网络的油气藏储层表征装置实施例的功能框图；
图9为本申请所提供的一种基于卷积神经网络的油气藏储层表征设备实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在进入油气藏开采后期之后，小尺度地质体的精确表征是提高油气藏采收率的关键，然而，传统的高分辨率处理方案工作量巨大，费时费力，导致油气藏开发效率低下。针对该问题，本申请提供一种基于卷积神经网络的油气藏储层表征方法、装置、设备及可读存储介质，通过提高对地震道数据进行高分辨率处理的效率，提升了油气藏开发效率。
下面对本申请提供的一种基于卷积神经网络的油气藏储层表征方法实施例一进行介绍，参见图1，实施例一包括：
S101、获取地震道数据；
S102、截取预设级次沉积旋回对应的地震道数据；
具体的，可以通过截取单元实现对地震道数据的截取操作，截取单元位于卷积神经网络外部，用于限定输入数据，保证输入数据为预设级次沉积旋回对应的地震道数据。
其中，沉积旋回是指在垂直底层剖面上，若干相似岩性、岩相的岩石有规律地周期性重复。根据尺度大小的不同，对沉积旋回进行级次的划分，如图2所示，五级沉积旋回尺度大，七级沉积旋回尺度小，六级沉积旋回的尺度大小位于五级沉积旋回的尺度和七级沉积旋回的尺度之间。
由于地震道资料垂向分辨率的限制，低级次沉积旋回难以识别，本实施例的目的在于将地震道数据中地震可识别的级次的沉积旋回的数据输入卷积神经网络，从而获得高频的合成记录，实现对更小尺度的地质体的表征。举例来说，如图3所示，若地震道数据能够识别的最低级次为六级沉积旋回，那么，当截取单元截取的是六级沉积旋回对应的地震道数据，通过卷积神经网络的高分辨率处理，可以实现对八级沉积旋回的识别，实现对小尺度地质体的表征。
本实施例中，上述预设级次可以为地震道数据中地震可识别的任意一个沉积旋回级次，具体可以根据待识别的小尺度地质体确定。例如，假设当前待识别的小尺度地质体为图2中八级沉积旋回，那么，上述预设级次沉积旋回可以为五级沉积旋回，也可以为六级沉积旋回。可以理解的是，当上述预设级次沉积旋回为六级沉积旋回时，高频率处理工作量更小，效率更高。
S103、将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
本实施例中，高频合成记录的频率值是根据小尺度地质体的尺度确定的。因此，假设提高频率的目的是去识别七级沉积旋回的地质体，90Hz的合成记录能够识别七级沉积旋回，则高频合成记录的频率就是90Hz；假设提高频率的目的是去识别八级沉积旋回的地质体，而120Hz的合成记录能够识别八级沉积旋回，则高频合成记录的频率就是120Hz。值得一提的是，作为输出的高频合成记录的频率值不能超过原始的地震道资料的频谱范围。
S104、根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征。
如上所述，本实施例的目的在于实现对小尺度地质体的表征，具体可以为米级地质体。
本实施例所提供一种基于卷积神经网络的油气藏储层表征方法，基于卷积神经网络实现对地震道数据的高频处理，并根据高频合成记录确定小尺度地质体的分布规律以实现储层表征。由于卷积神经网络提高地震资料的频率的幅度大，而且卷积神经网络具备自动学习能力，因此该方案频率提高幅度大、处理准确性高、处理效率高。此外，该方案针对不同沉积旋回差异较大的问题，截取预设级次沉积旋回的地震道数据以作为输入，针对性更强，进一步提升了高频处理的准确性，最终提升了油气藏开发效率。
下面开始详细介绍本申请提供的一种基于卷积神经网络的油气藏储层表征方法实施例二，实施例二基于前述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
参见图4，实施例二具体包括：
S401、获取地震道数据；
S402、截取地震可识别的最低级次沉积旋回对应的地震道数据；
S403、将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
S404、根据所述高频合成记录，确定小尺度地质体的发育位置、几何形态、规模和叠置关系，以实现储层表征。
本实施例所提供一种基于卷积神经网络的油气藏储层表征方法，利用卷积神经网络学习相对低频的地震道数据和高分辨率合成记录之间的关系，以特定级次沉积旋回对应的地震道数据为卷积神经网络的输入，从而实现将三维地震道数据转换为高频合成记录，提高地震分辨率，实现精确的储层表征。其中，由于截取的是地震可识别的最低级次沉积旋回对应的地震道数据，因此，节省了卷积神经网络的计算量，提高了处理速度，进而提升了油气藏开发效率。
作为一种优选的实施方式，如图5所示，上述S403具体包括以下细化步骤：
S501、确定小尺度地质体的尺度大小；
S502、确定能够识别所述尺度大小的目标频率；
S503、获取预先设置的用于表征所述目标频率的特征向量；
本实施例预先针对不同的频率设置了对应的特征向量，该特征向量用于指示卷积神经网络将其输入转换为何种频率的数据。在训练过程中，将截取单元截取到的数据、某特征向量、与该特征向量对应的频率的合成记录共同作为训练样本对卷积神经网络进行训练。
S504、将所述特征向量与截取得到的地震道数据一并输入预先经过训练的卷积神经网络，得到目标频率的合成记录。
可见，本实施例所提供一种基于卷积神经网络的油气藏储层表征方法，通过为不同的频率设置特征向量，并将截取单元截取到的数据和不同的特征向量共同作为卷积神经网络的输入，实现了利用同一卷积神经网络输出不同频率的合成记录的目的，显著提升了该卷积神经网络的场景适应力。
在上述S403之前，还包括卷积神经网络的训练过程，图6为训练过程示意图，图7为训练过程流程图。参见图6和图7，训练过程具体包括以下步骤：
S701、构建卷积神经网络；
S702、获取井旁道数据；
具体可以利用obspy库拾取当前井的井旁道数据，并利用声波时差和密度测井曲线制作能够识别小尺度地质体的高分辨率合成记录，基于地震可识别的沉积旋回级次将井旁道与合成记录序列数据划分为多个数据集，每个沉积旋回级次对应一个数据集，将总数据库的70％作为训练数据，20％作为检测数据，余下部分为测试数据集。
S703、根据声波时差测井曲线和密度测井曲线，利用褶积计算分别生成所述井旁道数据对应的高频合成记录；
S704、根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至所述卷积神经网络在测试过程中的均方误差损失函数的数值满足预设条件。
具体的，以某一沉积旋回级次的井旁道数据为卷积神经网络的输入，高频合成记录为训练标签数据，使用均方误差损失函数，不断调整卷积核大小、卷积核数量、池化方式、全连接层结构，直至卷积神经网络在测试数据集上计算的高频合成记录与测井曲线生成的合成记录高度吻合。
下面对本申请实施例提供的一种基于卷积神经网络的油气藏储层表征装置进行介绍，下文描述的一种基于卷积神经网络的油气藏储层表征装置与上文描述的一种基于卷积神经网络的油气藏储层表征方法可相互对应参照。
如图8所示，该装置包括：
数据获取模块801：用于获取地震道数据；
数据截取模块802：用于截取预设级次沉积旋回对应的地震道数据；
数据转换模块803：用于将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
分布规律确定模块804：根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征。
本实施例的基于卷积神经网络的油气藏储层表征装置用于实现前述的基于卷积神经网络的油气藏储层表征方法，因此该装置中的具体实施方式可见前文中的基于卷积神经网络的油气藏储层表征方法的实施例部分，例如，数据获取模块801、数据截取模块802、数据转换模块803、分布规律确定模块804，分别用于实现上述基于卷积神经网络的油气藏储层表征方法中步骤S101，S102，S103，S104。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的基于卷积神经网络的油气藏储层表征装置用于实现前述的基于卷积神经网络的油气藏储层表征方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种基于卷积神经网络的油气藏储层表征设备，如图9所示，包括：
存储器100：用于存储计算机程序；
处理器200：用于执行所述计算机程序以实现如上所述的一种基于卷积神经网络的油气藏储层表征方法的步骤。
最后，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种基于卷积神经网络的油气藏储层表征方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种基于卷积神经网络的油气藏储层表征方法，其特征在于，包括：
获取地震道数据；
截取预设级次沉积旋回对应的地震道数据；
将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征；
所述将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录，包括：确定小尺度地质体的尺度大小；确定能够识别所述尺度大小的目标频率；获取预先设置的用于表征所述目标频率的特征向量；将所述特征向量与截取得到的地震道数据一并输入预先经过训练的卷积神经网络，得到目标频率的合成记录。
2.如权利要求1所述的方法，其特征在于，所述截取预设级次沉积旋回对应的地震道数据，包括：
截取地震可识别的最低级次沉积旋回对应的地震道数据。
3.如权利要求1所述的方法，其特征在于，在所述将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录之前，还包括：
构建卷积神经网络；
获取井旁道数据；
根据声波时差测井曲线和密度测井曲线，利用褶积计算生成所述井旁道数据对应的高频合成记录；
根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至达到预设终止条件。
4.如权利要求3所述的方法，其特征在于，所述根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至达到预设终止条件，包括：
根据所述井旁道数据和所述高频合成记录，对所述卷积神经网络进行训练，直至所述卷积神经网络在测试过程中的均方误差损失函数的数值满足预设条件。
5.如权利要求1所述的方法，其特征在于，所述根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征，包括：
根据所述高频合成记录，确定小尺度地质体的发育位置、几何形态、规模和叠置关系，以实现储层表征。
6.一种基于卷积神经网络的油气藏储层表征装置，其特征在于，包括：
数据获取模块：用于获取地震道数据；
数据截取模块：用于截取预设级次沉积旋回对应的地震道数据；
数据转换模块：用于将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录；
分布规律确定模块：根据所述高频合成记录，确定小尺度地质体的分布规律以实现储层表征；
所述将截取得到的地震道数据输入预先经过训练的卷积神经网络，得到高频合成记录，包括：确定小尺度地质体的尺度大小；确定能够识别所述尺度大小的目标频率；获取预先设置的用于表征所述目标频率的特征向量；将所述特征向量与截取得到的地震道数据一并输入预先经过训练的卷积神经网络，得到目标频率的合成记录。
7.一种基于卷积神经网络的油气藏储层表征设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如权利要求1-5任意一项所述的一种基于卷积神经网络的油气藏储层表征方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-5任意一项所述的一种基于卷积神经网络的油气藏储层表征方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910711955.0A CN110389382B (zh) | 2019-08-02 | 2019-08-02 | 一种基于卷积神经网络的油气藏储层表征方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910711955.0A CN110389382B (zh) | 2019-08-02 | 2019-08-02 | 一种基于卷积神经网络的油气藏储层表征方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110389382A CN110389382A (zh) | 2019-10-29 |
| CN110389382B true CN110389382B (zh) | 2020-07-07 |
Family
ID=68288239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910711955.0A Active CN110389382B (zh) | 2019-08-02 | 2019-08-02 | 一种基于卷积神经网络的油气藏储层表征方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110389382B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111175818B (zh) * | 2020-01-07 | 2020-11-27 | 中国矿业大学(北京) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
| CN113326915A (zh) * | 2020-03-07 | 2021-08-31 | 中国海洋石油集团有限公司 | 神经网络的提频处理方法 |
| CN113537544B (zh) * | 2020-04-18 | 2024-07-16 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
| CN112861441B (zh) * | 2021-03-10 | 2023-05-26 | 中国石油大学(北京) | 一种基于循环神经网络的储层吸气剖面的确定方法及装置 |
| CN113514875B (zh) * | 2021-06-03 | 2024-04-02 | 德仕能源科技集团股份有限公司 | 一种基于大数据的岩性油气藏的勘测和描述方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102109616A (zh) * | 2009-12-23 | 2011-06-29 | 中国石油天然气集团公司 | 一种沉积旋回约束的波阻抗反演方法 |
| CN102436013A (zh) * | 2011-07-19 | 2012-05-02 | 北京师范大学 | 一种运用Fischer图解划分砂砾岩沉积期次的方法 |
| CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
| CN103376468A (zh) * | 2012-04-18 | 2013-10-30 | 中国石油化工股份有限公司 | 基于神经网络函数逼近算法的储层参数定量表征方法 |
| CN103901478A (zh) * | 2012-12-28 | 2014-07-02 | 中国石油天然气集团公司 | 一种井震信息联合确定储层沉积特征和分布的方法 |
| CN106680879A (zh) * | 2016-12-22 | 2017-05-17 | 中国石油天然气集团公司 | 沉积旋回划分的方法和装置 |
| CN108957549A (zh) * | 2018-06-26 | 2018-12-07 | 中国石油天然气股份有限公司 | 一种辫状河沉积非均质致密砂岩气藏地质建模方法 |
| CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10996372B2 (en) * | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
-
2019
- 2019-08-02 CN CN201910711955.0A patent/CN110389382B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102109616A (zh) * | 2009-12-23 | 2011-06-29 | 中国石油天然气集团公司 | 一种沉积旋回约束的波阻抗反演方法 |
| CN102436013A (zh) * | 2011-07-19 | 2012-05-02 | 北京师范大学 | 一种运用Fischer图解划分砂砾岩沉积期次的方法 |
| CN103376468A (zh) * | 2012-04-18 | 2013-10-30 | 中国石油化工股份有限公司 | 基于神经网络函数逼近算法的储层参数定量表征方法 |
| CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
| CN103901478A (zh) * | 2012-12-28 | 2014-07-02 | 中国石油天然气集团公司 | 一种井震信息联合确定储层沉积特征和分布的方法 |
| CN106680879A (zh) * | 2016-12-22 | 2017-05-17 | 中国石油天然气集团公司 | 沉积旋回划分的方法和装置 |
| CN108957549A (zh) * | 2018-06-26 | 2018-12-07 | 中国石油天然气股份有限公司 | 一种辫状河沉积非均质致密砂岩气藏地质建模方法 |
| CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于MATLAB的小波变换在沉积旋回研究中的应用;高迪等;《物探化探计算技术》;20120731;第34卷(第4期);第444-448页 * |
| 基于卷积神经网络算法的自动地层对比实验;徐朝晖等;《石油科学通报》;20190331;第4卷(第1期);第1-10页 * |
| 希尔伯特-黄变换时频分析在沉积旋回划分中的应用;孙兴刚等;《油气地质与采收率》;20121130;第19卷(第6期);第58-60、65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110389382A (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110389382B (zh) | 一种基于卷积神经网络的油气藏储层表征方法 | |
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
| Mariethoz et al. | Reconstruction of incomplete data sets or images using direct sampling | |
| Strebelle et al. | Modeling of a deepwater turbidite reservoir conditional to seismic data using principal component analysis and multiple-point geostatistics | |
| 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 | |
| CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
| CN109655894B (zh) | 碳酸盐岩古河道地震反演低频模型构建方法及系统 | |
| CN107589469B (zh) | 油水界面的确定方法和装置 | |
| CN111983683B (zh) | 一种少井条件下盐下湖相灰岩储层预测方法和系统 | |
| CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
| CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
| RU2289829C1 (ru) | Способ геофизической разведки для выявления нефтегазовых объектов | |
| Zare et al. | Reservoir facies and porosity modeling using seismic data and well logs by geostatistical simulation in an oil field | |
| Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
| Sylvester | Automated multi‐well stratigraphic correlation and model building using relative geologic time | |
| RU2490677C2 (ru) | Способ комплексной обработки геофизических данных и технологическая система "литоскан" для его осуществления | |
| CN105301638A (zh) | 一种提取风化层底界面的方法和装置 | |
| AU2017279838B1 (en) | Method for classifying deep rock geofacies based on data mining | |
| CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
| Pyrcz et al. | Representative input parameters for geostatistical simulation | |
| NO343550B1 (no) | Fremgangsmåte for konstruksjon av en 3D geologisk modell ved stokastisk simulering av facies | |
| Wolf et al. | Integration of well and seismic data using geostatistics | |
| Bayerl et al. | Forecasting Low Enthalpy Geothermal Heat Extraction from Saline Aquifers Under Uncertainty | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 |
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 |