CN110954948A - 一种岩石物理约束储层物性参数反演方法及系统 - Google Patents
一种岩石物理约束储层物性参数反演方法及系统 Download PDFInfo
- Publication number
- CN110954948A CN110954948A CN201811127346.2A CN201811127346A CN110954948A CN 110954948 A CN110954948 A CN 110954948A CN 201811127346 A CN201811127346 A CN 201811127346A CN 110954948 A CN110954948 A CN 110954948A
- Authority
- CN
- China
- Prior art keywords
- porosity
- wave impedance
- neural network
- parameters
- physical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000000704 physical effect Effects 0.000 title claims abstract description 35
- 239000011435 rock Substances 0.000 title claims description 23
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000010606 normalization Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 239000003208 petroleum Substances 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 53
- 239000007787 solid Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 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
- 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)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种岩石物理约束储层物性参数反演方法及系统，属于石油地球物理勘探中的储层预测及评价技术领域。该方法利用岩石物理模型由物性参数正演得到弹性参数，利用物性参数和弹性参数构建训练样本集，利用训练样本集对神经网络进行训练得到优化的神经网络，然后利用优化的神经网络预测物性参数。本发明避免了常规经验公式预测孔隙度和泥质含量中仅仅考虑单因素的问题，以完全非线性的方式同时对孔隙度和泥质含量进行预测，预测精度高且适用于复杂地质条件。
Description
技术领域
本发明属于石油地球物理勘探中的储层预测及评价技术领域，具体涉及一种岩石物理约束储层物性参数反演方法及系统。
背景技术
地震勘探方法是利用地震波在地下不同介质中传播的速度、振幅、频率、相位、波形等参数的变化来分析、预测油气储层分布范围及储层物性特征的一种地球物理学方法，是目前地球物理勘探中应用最为广泛的方法。随油气勘探开发的不断推进，常规油气勘探已由原来的寻找构造油气藏转向寻找岩性油气藏和隐蔽油气藏，非常规(煤层气、页岩气和致密砂岩气等)油气勘探开发逐渐受到人们的重视，而这类油气储层通常是波阻抗差异小且非均质性强烈，利用传统的波阻抗反演方法不能有效地实现储层预测。
储层物性参数，如孔隙度和泥质含量，作为储层参数中的重要参数，是定性、定量评价储层属性的重要参数。它们与地震波速度之间的关系对于揭示地震信息与岩石物性参数的关系意义重大，对储层评价、预测含油气远景区、储量估计及生产开发具有重要的意义。然而地震波在岩石中的传播速度与岩石的孔隙度、孔隙的几何形状、岩石的矿物组分、岩石颗粒的胶结程度等有关，也与孔隙流体的饱和状态、环境的温度、压力有关，还与波本身的频率有关。在考察泥质含量与地震波速度复杂关系的同时，不可避免地要分析孔隙度对其的影响。现在主要的技术手段还以实验室标本分析为主，得到不同孔隙度、不同饱和度、不同泥质含量的实验室岩石波速值，再经过统计平均得到经验公式应用于实践。泥质含量的计算通常跟孔隙度的计算是不可分割的，目前求泥质含量主要采用测井方法。然而测井数据虽然具有较高分辨率，但是探区内往往钻井数量较少，插值得到的泥质含量剖面横向分辨率无法保证。使得泥质含量以及孔隙度参数在应用中受到限制。
现有技术中利用弹性参数和岩石物理理论进行孔隙度反演，需要对复杂的岩石物理目标函数求取微分，解析解难以获取，而有限差分法计算梯度的精度难以满足现有最优化方法要求，导致该种物性参数预测方法应用受到限制。
发明内容
本发明的目的在于解决上述现有技术中存在的精度低及难以适用复杂地质条件的不足，提供一种岩石物理约束储层物性参数反演方法及系统，利用岩石物理正演数据作为训练数据集，然后对神经网络结构进行优化训练，最后将训练的网络结构应用于地震数据，实现物性参数横向预测。
本发明是通过以下技术方案实现的：
一种岩石物理约束储层物性参数反演方法，所述方法利用岩石物理模型由物性参数正演得到弹性参数，利用物性参数和弹性参数构建训练样本集，利用训练样本集对神经网络进行训练得到优化的神经网络，然后利用优化的神经网络预测物性参数。
所述方法包括：
(1)，利用研究目标区的岩石物理模型由物性参数正演计算得到弹性参数，然后对物性参数和弹性参数分别进行数据预处理得到预处理后的物性参数和弹性参数；
(2)将所述步骤(1)得到的预处理后的物性参数和弹性参数依次排列，构成训练样本集；
(3)利用步骤(2)得到的训练样本集对神经网络进行训练，得到优化的神经网络；
(4)利用步骤(3)得到的优化的神经网络对三维地震资料进行物性参数预测，得到预测孔隙度和预测泥质含量；
(5)将步骤(4)得到的预测孔隙度和预测泥质含量的数量级标定到测井数据量级，得到孔隙度和泥质含量。
所述步骤(1)中的所述物性参数包括孔隙度和泥质含量；所述弹性参数包括纵波阻抗和横波阻抗；
所述步骤(1)中的对物性参数和弹性参数分别进行数据预处理的操作包括：
分别对所述物性参数和弹性参数进行归一化处理，得到归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗。
所述步骤(2)中的训练样本集中每一行是一个样本，每个样本包括孔隙度、泥质含量和从该孔隙度、泥质含量正演得到的纵波阻抗、横波阻抗；
所述训练样本集中的样本个数等于测井数据的采样点数N。
所述步骤(3)的操作包括：
依次将训练样本集的每个样本中的纵波阻抗和横波阻抗输入到神经网络中，所述神经网络输出与纵波阻抗和横波阻抗对应的孔隙度和泥质含量；
利用每个样本中的孔隙度和泥质含量对神经网络进行训练，得到优化的神经网络。
所述神经网络采用BP神经网络。
所述步骤(4)的操作包括：
所述三维地震资料包括三维纵波阻抗和三维横波阻抗，对所述三维纵波阻抗和三维横波阻抗分别进行归一化处理，并将归一化后的数值映射到训练样本集的相应数据的数值范围内，得到归一化后的三维纵波阻抗、三维横波阻抗；
将所述归一化后的三维纵波阻抗、三维横波阻抗输入到优化的神经网络中，优化的神经网络输出预测孔隙度和预测泥质含量。
所述步骤(5)的操作包括：
首先将步骤(4)得到的预测孔隙度和预测泥质含量分别进行归一化处理，然后将归一化后的孔隙度和泥质含量分别变换到测井数据中的孔隙度、泥质含量的数据范围内，得到孔隙度和泥质含量。
本发明还提供了一种岩石物理约束储层物性参数反演系统，包括：
正演单元：利用研究目标区的岩石物理模型由物性参数正演计算得到弹性参数；
归一化单元：与所述正演单元相连，对物性参数和正演单元得到的弹性参数进行归一化处理，得到归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗；
训练样本集生成单元：与归一化单元相连，将归一化单元生成的归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗依次排列，生成训练样本集，训练样本集中每一行是一个样本，每个样本包括孔隙度、泥质含量和从该孔隙度、泥质含量正演得到的纵波阻抗、横波阻抗；
神经网络单元：与所述训练样本集生成单元相连，利用训练样本集生成单元生成的训练样本集对神经网络进行训练，得到优化的神经网络；
预测单元：与所述神经网络单元相连，利用神经网络单元得到的优化的神经网络结构对三维地震资料进行物性参数预测得到预测孔隙度和预测泥质含量；
数量级标定单元：与预测单元相连，将预测单元得到的预测孔隙度和预测泥质含量的数量级标定到测井数据量级，得到孔隙度和泥质含量。
本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行的至少一个程序，所述至少一个程序被所述计算机执行时使所述计算机执行所述用于岩石物理约束储层物性参数反演方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明方法避免了常规经验公式预测孔隙度和泥质含量中仅仅考虑单因素的问题，以完全非线性的方式同时对孔隙度和泥质含量进行预测，预测精度高且适用于复杂地质条件。
本发明方法利用岩石物理约束建立数据集，并由神经网络算法自动优化岩石物性参数与弹性参数非线性复杂关系，避免了有限差分法近似求取目标函数梯度产生的误差，利用经过训练优化的网络结构同步反演孔隙度和泥质含量。
附图说明
图1是训练集数据；
图2-1是以3000个样本点作为训练得到的孔隙度曲线的训练及预测结果；
图2-2是以3000个样本点作为训练得到的泥质含量曲线的训练及预测结果；
图3-1是以6000个样本点作为训练得到的孔隙度曲线的训练及预测结果；
图3-2是以6000个样本点作为训练得到的泥质含量曲线的训练及预测结果；
图4是孔隙度沿层切片；
图5是泥质含量沿层切片；
图6是本发明方法的步骤框图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
孔隙度是描述储层性质的重要参数，因为流体是直接赋存在岩石孔隙中的，所以基于地震资料的孔隙度反演在油气/流体识别方面有时比弹性三参数(纵、横波速度和岩石密度)反演更直接、有效。针对地震资料解释中难以获得孔隙度剖面及常规地震孔隙度反演方法在孔隙度初始模型建立方面存在的孔隙度模型精度低、输入数据繁杂及难以适用复杂地质条件，应用受到限制等不足，本发明利用岩石物理模型建立数据集，由神经网络方法自动优化岩石物性参数与弹性参数非线性复杂关系，从而避免有限差分法近似求取目标函数梯度产生的误差，同时综合考虑孔隙度及泥质含量对弹性参数的影响，同步反演孔隙度和泥质含量，提高物性参数反演的稳定性和精度。
所述方法利用岩石物理模型正演计算弹性参数，然后由输入参数和正演计算输出的参数构建训练数据集，然后采用神经网络算法对所构建的训练数据集进行训练并对训练的网络进行验证，最后将训练完成的神经网络应用于地震数据，实现储层物性参数反演。
如图6所示，所述方法包括以下步骤：
(1)，根据研究目标区的岩石物理模型由物性参数正演计算得到弹性参数 (采用现有的岩石物理正演方法即可实现。)，然后对物性参数和弹性参数进行数据预处理；
所述物性参数包括孔隙度和泥质含量，从工区内的测井资料获取；
所述弹性参数包括纵波阻抗和横波阻抗，由物性参数正演得到纵波阻抗曲线和横波阻抗曲线。此处的纵波阻抗曲线是一维的。三维纵波阻抗是纵测线、联络测线方向，由很多纵波阻抗曲线组成的数据体，是事先给定的数据。
所述预处理是分别对上述物性参数和弹性参数数据进行归一化(首先计算出最大值，然后分别除以最大值，即实现了归一化。)，得到归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗：
ZP∈[ZPmin，ZPmax]，ZS∈[ZSmin，ZSmax]，
其中ZP为纵波阻抗，ZPmin为归一化后纵波阻抗最小值，ZPmax为归一化后纵波阻抗最大值，ZS为横波阻抗，ZSmin为归一化后横波阻抗最小值，ZSmax 为归一化后横波阻抗最大值。孔隙度、泥质含量归一化与纵波阻抗、横波阻抗归一化方式一样，也有相对应的最大值和最小值。
孔隙度、泥质含量、纵波阻抗、横波阻抗是一一对应的，给定一个孔隙度和泥质含量，就能够正演计算出一组纵波阻抗和横波阻抗。
(2)将所述步骤(1)得到的经过预处理的物性参数和弹性参数依次排列，构成训练样本集。训练样本集中每一行是一个样本，包括孔隙度、泥质含量和从该孔隙度、泥质含量正演得到的纵波阻抗、横波阻抗。该训练样本集中样本个数为N，由测井数据的采样点数N确定。
(3)采用神经网络算法对步骤(2)得到的训练样本集中的样本数据逐次进行训练，得到优化的神经网络结构。一个样本由孔隙度、泥质含量、纵波阻抗、横波阻抗组成，利用一系列样本数据进行训练。如(x1,x2,x3,x4)就是一个样本，用N个样本对网络结构进行训练。
所述样本数据中，纵波阻抗和横波阻抗为神经网络算法的输入数据，孔隙度和泥质含量为神经网络算法的输出数据；
所述神经网络算法，优选为BP神经网络算法；
(4)利用步骤(3)中的优化的神经网络结构对三维地震资料进行物性参数预测；
所述三维地震资料包括三维纵波阻抗和三维横波阻抗，对输入的纵波阻抗和横波阻抗进行归一化处理(此处采用的归一化处理方法与步骤(1)中的归一化方法相同)，并使得归一化后的数值范围在训练集中相应数据的范围之内(数据归一化之后，再将数据映射到响应范围内ZPmin+Data/(ZPmax-ZPmin)， ZPmax，ZPmin是数据Data中的最大值和最小值)，即 ZPs∈[ZPmin，ZPmax],ZPs∈[ZPmin，ZPmax],其中ZPs是归一化后的三维纵波阻抗，ZSs 是归一化后三维横波阻抗。
将归一化后的三维纵波阻抗、三维横波阻抗输入到神经网络，神经网络的输出为预测的孔隙度和泥质含量；
(5)将上述步骤(4)中预测的孔隙度和泥质含量的数量级标定到测井数据量级：测井数据的范围是【x1,x2】(从数据中按照数值大小进行判断得到x1,x2 得值),将预测的数据先进性归一化，然后变换到[x1,x2]范围上：
Max是预测得到数据的最大值，x是神经网络输出的预测值先进行归一化处理后得到的预测数据，y是经过变换后的数据，范围在 [x1,x2]上。
本发明还提供了一种岩石物理约束储层物性参数反演系统，包括：
正演单元：利用研究目标区的岩石物理模型由物性参数正演计算得到弹性参数；
归一化单元：与所述正演单元相连，对物性参数和正演单元得到的弹性参数进行归一化处理，得到归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗；
训练样本集生成单元：与归一化单元相连，将归一化单元生成的归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗依次排列，生成训练样本集，训练样本集中每一行是一个样本，每个样本包括孔隙度、泥质含量和从该孔隙度、泥质含量正演得到的纵波阻抗、横波阻抗；
神经网络单元：与所述训练样本集生成单元相连，利用训练样本集生成单元生成的训练样本集对神经网络进行训练，得到优化的神经网络；
预测单元：与所述神经网络单元相连，利用神经网络单元得到的优化的神经网络结构对三维地震资料进行物性参数预测得到预测孔隙度和预测泥质含量；
数量级标定单元：与预测单元相连，将预测单元得到的预测孔隙度和预测泥质含量的数量级标定到测井数据量级，得到孔隙度和泥质含量。
本发明方法利用岩石物理模型正演数据构建训练集数据，由神经网络算法对训练集数据进行训练，得到优化的网络结构，避免有限差分法近似求取目标函数梯度产生的误差，同时综合考虑孔隙度及泥质含量对弹性参数的影响，同步反演孔隙度和泥质含量，提高物性参数反演的稳定性和精度。
本发明的一个实施例如下：
图1是训练集数据，从左至右依次是纵波阻抗、横波阻抗、孔隙度、含水饱和度、泥质含量，其中纵波阻抗和横波阻抗是根据孔隙度、含水饱和度、泥质含量利用岩石物理模型正演计算得到的。在进行正演时可以使用也可以不使用含水饱和度，此处为了提高预测精度才选用了该参数。不用的时候将该含水饱和度设为常量，如取值为1。
图2-1和图2-2是以3000个样本点作为训练得到的预测结果，分割线左侧是用于说明训练数据的匹配情况，分割线右侧是用经过训练的网络结构进行预测的结果。图2-1的左侧是拿3000个样本点中的一部分样本作为训练样本训练得到优化的神经网络，右侧是拿3000个样本点中的另一部分样本作为验证样本输入到优化的神经网络中进行验证的。图2-1和图2-2中的深色实线是实测数据，浅色实线是预测数据。图2-1是孔隙度曲线的训练及预测情况，图2-2是泥质含量曲线的训练及预测情况。分割线左侧是用于训练的样本数据，从其中曲线匹配情况可以看出训练样本数据匹配较好(用于训练的曲线和预测的曲线两者的相关性达到0.95，说明两者的吻合较好，也可称为匹配得好)。分割线右侧是利用经过样本数据训练后的神经网络模型进行预测的情况，可以看出预测结果与实测结果匹配良好，说明本发明能够有效地用于物性参数预测。
图3-1和图3-2是以6000个样本点作为训练得到的预测结果，分割线左侧是用于说明训练数据的匹配情况，分割线右侧是用经过训练的网络结构进行预测的结果。图中深色实线是实测数据，浅色实线是预测数据。图3-1是孔隙度曲线的训练及预测情况，图3-2是泥质含量曲线的训练及预测情况。分割线左侧是用于训练的样本数据，从其中曲线匹配情况可以看出训练样本数据匹配较好。分割线右侧是利用经过样本数据训练后的神经网络模型进行预测的情况，可以看出预测结果与实测结果匹配良好，说明本发明能够有效地用于物性参数预测。与图2-1和图2-2对比可以证实，充分的样本数据有利于算法预测精度的提高。
利用经过训练的神经网络结构对地震数据进行物性参数预测，输入的地震数据为纵波阻抗和横波阻抗，输出为孔隙度和泥质含量，即同时得到孔隙度和泥质含量。图4是孔隙度沿层切片，图5是泥质含量沿层切片。
本发明将岩石物理和神经网络结合，构建用于孔隙度反演的网络结构，将岩石物理约束引入到地震孔隙度反演过程中，利用岩石物理模型构建用于训练神经网络的数据集，不含噪声，训练的网络结构稳定，可直接用于实际地震资料的物性参数反演。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
Claims (10)
1.一种岩石物理约束储层物性参数反演方法，其特征在于：所述方法利用岩石物理模型由物性参数正演得到弹性参数，利用物性参数和弹性参数构建训练样本集，利用训练样本集对神经网络进行训练得到优化的神经网络，然后利用优化的神经网络预测物性参数。
2.根据权利要求1所述的岩石物理约束储层物性参数反演方法，其特征在于：所述方法包括：
(1)，利用研究目标区的岩石物理模型由物性参数正演计算得到弹性参数，然后对物性参数和弹性参数分别进行数据预处理得到预处理后的物性参数和弹性参数；
(2)将所述步骤(1)得到的预处理后的物性参数和弹性参数依次排列，构成训练样本集；
(3)利用步骤(2)得到的训练样本集对神经网络进行训练，得到优化的神经网络；
(4)利用步骤(3)得到的优化的神经网络对三维地震资料进行物性参数预测，得到预测孔隙度和预测泥质含量；
(5)将步骤(4)得到的预测孔隙度和预测泥质含量的数量级标定到测井数据量级，得到孔隙度和泥质含量。
3.根据权利要求2所述的岩石物理约束储层物性参数反演方法，其特征在于：所述步骤(1)中的所述物性参数包括孔隙度和泥质含量；所述弹性参数包括纵波阻抗和横波阻抗；
所述步骤(1)中的对物性参数和弹性参数分别进行数据预处理的操作包括：
分别对所述物性参数和弹性参数进行归一化处理，得到归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗。
4.根据权利要求3所述的岩石物理约束储层物性参数反演方法，其特征在于：所述步骤(2)中的训练样本集中每一行是一个样本，每个样本包括孔隙度、泥质含量和从该孔隙度、泥质含量正演得到的纵波阻抗、横波阻抗；
所述训练样本集中的样本个数等于测井数据的采样点数N。
5.根据权利要求4所述的岩石物理约束储层物性参数反演方法，其特征在于：所述步骤(3)的操作包括：
依次将训练样本集的每个样本中的纵波阻抗和横波阻抗输入到神经网络中，所述神经网络输出与纵波阻抗和横波阻抗对应的孔隙度和泥质含量；
利用每个样本中的孔隙度和泥质含量对神经网络进行训练，得到优化的神经网络。
6.根据权利要求5所述的岩石物理约束储层物性参数反演方法，其特征在于：所述神经网络采用BP神经网络。
7.根据权利要求5所述的岩石物理约束储层物性参数反演方法，其特征在于：所述步骤(4)的操作包括：
所述三维地震资料包括三维纵波阻抗和三维横波阻抗，对所述三维纵波阻抗和三维横波阻抗分别进行归一化处理，并将归一化后的数值映射到训练样本集的相应数据的数值范围内，得到归一化后的三维纵波阻抗、三维横波阻抗；
将所述归一化后的三维纵波阻抗、三维横波阻抗输入到优化的神经网络中，优化的神经网络输出预测孔隙度和预测泥质含量。
8.根据权利要求7所述的岩石物理约束储层物性参数反演方法，其特征在于：所述步骤(5)的操作包括：
首先将步骤(4)得到的预测孔隙度和预测泥质含量分别进行归一化处理，然后将归一化后的孔隙度和泥质含量分别变换到测井数据中的孔隙度、泥质含量的数据范围内，得到孔隙度和泥质含量。
9.一种实现权利要求1-8任一所述的岩石物理约束储层物性参数反演方法的系统，其特征在于：所述系统包括：
正演单元：利用研究目标区的岩石物理模型由物性参数正演计算得到弹性参数；
归一化单元：与所述正演单元相连，对物性参数和正演单元得到的弹性参数进行归一化处理，得到归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗；
训练样本集生成单元：与归一化单元相连，将归一化单元生成的归一化后的孔隙度、泥质含量、纵波阻抗、横波阻抗依次排列，生成训练样本集，训练样本集中每一行是一个样本，每个样本包括孔隙度、泥质含量和从该孔隙度、泥质含量正演得到的纵波阻抗、横波阻抗；
神经网络单元：与所述训练样本集生成单元相连，利用训练样本集生成单元生成的训练样本集对神经网络进行训练，得到优化的神经网络；
预测单元：与所述神经网络单元相连，利用神经网络单元得到的优化的神经网络结构对三维地震资料进行物性参数预测得到预测孔隙度和预测泥质含量；
数量级标定单元：与预测单元相连，将预测单元得到的预测孔隙度和预测泥质含量的数量级标定到测井数据量级，得到孔隙度和泥质含量。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行的至少一个程序，所述至少一个程序被所述计算机执行时使所述计算机执行权利要求1至8中任一所述用于岩石物理约束储层物性参数反演方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811127346.2A CN110954948B (zh) | 2018-09-27 | 2018-09-27 | 一种岩石物理约束储层物性参数反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811127346.2A CN110954948B (zh) | 2018-09-27 | 2018-09-27 | 一种岩石物理约束储层物性参数反演方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110954948A true CN110954948A (zh) | 2020-04-03 |
| CN110954948B CN110954948B (zh) | 2021-11-05 |
Family
ID=69967727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811127346.2A Active CN110954948B (zh) | 2018-09-27 | 2018-09-27 | 一种岩石物理约束储层物性参数反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110954948B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112213780A (zh) * | 2020-09-10 | 2021-01-12 | 同济大学 | 一种计及弹性阻抗二阶梯度的储层参数反演方法 |
| CN112596102A (zh) * | 2020-10-27 | 2021-04-02 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理预测方法、装置及介质 |
| CN112651171A (zh) * | 2020-12-15 | 2021-04-13 | 清华大学 | 一种数据驱动岩石物理建模方法及系统 |
| CN112882100A (zh) * | 2021-02-25 | 2021-06-01 | 中海石油深海开发有限公司 | 一种储层参数确定方法、装置、电子设备和存储介质 |
| CN112904441A (zh) * | 2021-01-13 | 2021-06-04 | 中国海洋石油集团有限公司 | 一种湖相碳酸盐岩孔隙度的计算方法 |
| CN112949089A (zh) * | 2021-04-01 | 2021-06-11 | 吉林大学 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
| CN113589363A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN113933910A (zh) * | 2020-07-13 | 2022-01-14 | 中国石油化工股份有限公司 | 物性参数同时计算的方法、系统、存储介质与电子设备 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
| CN114910960A (zh) * | 2021-02-09 | 2022-08-16 | 中国石油天然气股份有限公司 | 储层参数预测方法及装置 |
| CN115327643A (zh) * | 2021-05-11 | 2022-11-11 | 中国石油化工股份有限公司 | 用于油气智能检测的机器学习训练样本扩充及评价方法 |
| CN115407390A (zh) * | 2021-05-28 | 2022-11-29 | 中国石油天然气股份有限公司 | 地震储层参数预测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149439A (zh) * | 2007-11-13 | 2008-03-26 | 符力耘 | 高分辨率非线性储层物性反演方法 |
| US20130096898A1 (en) * | 2010-07-29 | 2013-04-18 | Exxonmobile Upstream Research Company | Methods and Systems For Machine - Learning Based Simulation of Flow |
| CN108415075A (zh) * | 2018-01-24 | 2018-08-17 | 中国海洋石油集团有限公司 | 一种少井条件下的储层预测方法 |
-
2018
- 2018-09-27 CN CN201811127346.2A patent/CN110954948B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149439A (zh) * | 2007-11-13 | 2008-03-26 | 符力耘 | 高分辨率非线性储层物性反演方法 |
| US20130096898A1 (en) * | 2010-07-29 | 2013-04-18 | Exxonmobile Upstream Research Company | Methods and Systems For Machine - Learning Based Simulation of Flow |
| CN108415075A (zh) * | 2018-01-24 | 2018-08-17 | 中国海洋石油集团有限公司 | 一种少井条件下的储层预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 范祯祥等: "《地震波参数反演与应用技术》", 31 December 1998, 郑州：河南科学技术出版社 * |
| 董宁等: "《页岩气地震勘探技术》", 31 December 2016, 上海：华东理工大学出版社 * |
| 马丽等: "测井与地震资料联合反演预测K2灰岩及其含水性", 《煤田地质与勘探》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589363A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN113589363B (zh) * | 2020-04-30 | 2024-03-19 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN113933910B (zh) * | 2020-07-13 | 2024-04-09 | 中国石油化工股份有限公司 | 物性参数同时计算的方法、系统、存储介质与电子设备 |
| CN113933910A (zh) * | 2020-07-13 | 2022-01-14 | 中国石油化工股份有限公司 | 物性参数同时计算的方法、系统、存储介质与电子设备 |
| CN112213780A (zh) * | 2020-09-10 | 2021-01-12 | 同济大学 | 一种计及弹性阻抗二阶梯度的储层参数反演方法 |
| CN112596102B (zh) * | 2020-10-27 | 2023-08-22 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理预测方法、装置及介质 |
| CN112596102A (zh) * | 2020-10-27 | 2021-04-02 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理预测方法、装置及介质 |
| CN112651171A (zh) * | 2020-12-15 | 2021-04-13 | 清华大学 | 一种数据驱动岩石物理建模方法及系统 |
| CN112651171B (zh) * | 2020-12-15 | 2024-05-14 | 清华大学 | 一种数据驱动岩石物理建模方法及系统 |
| CN112904441A (zh) * | 2021-01-13 | 2021-06-04 | 中国海洋石油集团有限公司 | 一种湖相碳酸盐岩孔隙度的计算方法 |
| CN114910960A (zh) * | 2021-02-09 | 2022-08-16 | 中国石油天然气股份有限公司 | 储层参数预测方法及装置 |
| CN112882100B (zh) * | 2021-02-25 | 2024-01-12 | 中海石油深海开发有限公司 | 一种储层参数确定方法、装置、电子设备和存储介质 |
| CN112882100A (zh) * | 2021-02-25 | 2021-06-01 | 中海石油深海开发有限公司 | 一种储层参数确定方法、装置、电子设备和存储介质 |
| CN112949089A (zh) * | 2021-04-01 | 2021-06-11 | 吉林大学 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
| CN115327643A (zh) * | 2021-05-11 | 2022-11-11 | 中国石油化工股份有限公司 | 用于油气智能检测的机器学习训练样本扩充及评价方法 |
| CN115327643B (zh) * | 2021-05-11 | 2024-09-10 | 中国石油化工股份有限公司 | 用于油气智能检测的机器学习训练样本扩充及评价方法 |
| CN115407390A (zh) * | 2021-05-28 | 2022-11-29 | 中国石油天然气股份有限公司 | 地震储层参数预测方法及装置 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110954948B (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110954948B (zh) | 一种岩石物理约束储层物性参数反演方法及系统 | |
| CN106556867B (zh) | 基于贝叶斯分类的相控孔隙度反演方法 | |
| CN112255688B (zh) | 一种基于岩石物理理论的三维地震反演地层压力的方法 | |
| CN106842301B (zh) | 一种凝灰质砂岩有利储层的定量识别与预测方法 | |
| CN101149439A (zh) | 高分辨率非线性储层物性反演方法 | |
| CN105221133A (zh) | 一种基于测井多参数确定烃源岩有机碳含量的方法和装置 | |
| US8255165B2 (en) | Method for predicting differences in subsurface conditions | |
| Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
| CN105158796B (zh) | 确定toc含量的方法和装置 | |
| CN106443770A (zh) | 一种页岩气地质甜点的预测方法 | |
| CN108508489B (zh) | 一种基于波形微变化匹配的地震反演方法 | |
| CN113216945B (zh) | 一种致密砂岩储层渗透性定量评价方法 | |
| Baouche et al. | Intelligent methods for predicting nuclear magnetic resonance of porosity and permeability by conventional well-logs: a case study of Saharan field | |
| Yanran et al. | Mathematical modeling for total organic carbon content prediction with logging parameters by neural networks: A case study of shale gas well in South China | |
| CN111077578B (zh) | 岩层分布预测方法和装置 | |
| CN114075973B (zh) | 地层元素测井曲线重构方法及装置 | |
| Hou et al. | Estimation of reservoir porosity using probabilistic neural network and seismic attributes | |
| Zhang et al. | A Noise-robust Multi-head Attention Mechanism for Formation Resistivity Prediction: Frequency Aware LSTM | |
| CN113806674A (zh) | 古河道纵向尺度的量化方法、装置、电子设备及存储介质 | |
| Mollajan et al. | Estimation of water saturation from petrophysical logs using radial basis function neural network | |
| CN112558152B (zh) | 一种提高测井横波速度预测精度的方法及系统 | |
| CN104345337A (zh) | 一种用于地震反演的时控储层参数建模方法 | |
| CN113640880B (zh) | 砂岩型铀矿地震勘探方法和装置 | |
| CN104375171B (zh) | 一种高分辨率地震反演方法 | |
| CN112363244B (zh) | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 |
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 |