CN111507048B - 一种致密砂岩储层含气性的预测方法、装置、设备及系统 - Google Patents

一种致密砂岩储层含气性的预测方法、装置、设备及系统 Download PDF

Info

Publication number
CN111507048B
CN111507048B CN202010325339.4A CN202010325339A CN111507048B CN 111507048 B CN111507048 B CN 111507048B CN 202010325339 A CN202010325339 A CN 202010325339A CN 111507048 B CN111507048 B CN 111507048B
Authority
CN
China
Prior art keywords
data
neural network
convolutional neural
network
training
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
CN202010325339.4A
Other languages
English (en)
Other versions
CN111507048A (zh
Inventor
袁三一
宋朝辉
桑文镜
焦新奇
王尚旭
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 Beijing
Original Assignee
China University of Petroleum Beijing
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 Beijing filed Critical China University of Petroleum Beijing
Priority to CN202010325339.4A priority Critical patent/CN111507048B/zh
Publication of CN111507048A publication Critical patent/CN111507048A/zh
Application granted granted Critical
Publication of CN111507048B publication Critical patent/CN111507048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本说明书实施例公开了一种致密砂岩储层含气性的预测方法、装置、设备及系统。所述方法包括获取待预测的致密砂岩储层的叠前地震角道集数据；将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；将所述多源融合信息分别输入到所述多个任务的分支网络，同时获得致密砂岩岩相分布和储层含气性的预测结果。利用本说明书实施例可以有效提高基于卷积神经网络从叠前地震角道集数据出发预测致密砂岩储层含气性的精度，减少网络复杂度和储存空间，提升计算效率。

Description

一种致密砂岩储层含气性的预测方法、装置、设备及系统
技术领域
本说明书实施例方案属于机器学习新领域及地学中勘探地球物理处理、解释领域，尤其涉及一种致密砂岩储层含气性的预测方法、装置、设备及系统。
背景技术
我国拥有丰富的致密砂岩气资源和巨大的勘探潜力，是我国现阶段石油工业保持稳产或提高产量的主要勘探开发目标之一，但探明率却相对较低。相比于美国致密砂岩气和我国常规砂岩气，我国致密砂岩气储层具有孔隙度低、渗透率低、孔隙结构复杂、分布稳定性差和非均质性强等特点。由于致密砂岩气储层的复杂性，基于现有岩石物理理论和波动理论认识的致密砂岩气储层地震响应规律存在较大争议，导致致密砂岩储层预测的物理依据不够充分。虽然开展野外致密砂岩气储层的地质调查研究最为直接真实，但由于钻井成本限制，不可能大范围开展野外实际工作。地球物理勘探领域现阶段除地震勘探外，还有多种地球物理方法(例如重、磁、电和测井)对致密储层进行勘探，此外近年来对致密砂岩储层的沉积演化过程(致密砂岩储层的地质信息)研究也取得一定进展。这些信息虽然获取方式不同但都是对同一地下目标不同侧面的描述，是针对同一地下勘探目标的多源信息，且具有不同的尺度性。然而现阶段研究中普遍的做法仍然是选取多源信息中的一种或两种对地下储层进行描述，不能快速实现多源信息的综合利用，所以地震有效信息的不足是制约地震勘探精度的主要原因。
近几十年来，进行含油气预测最常用的技术手段之一是采用线性或简单非线性操作直接从地震数据中提取一种或几种敏感属性。但是，由于致密砂岩气储层地震响应影响因素众多，如储层的厚度、岩相、流体分布、孔隙结构、孔隙度和流体类型都会影响地震响应特征。因此，从地震数据提取的地震属性与致密砂岩储层含气性之间的关系并非一一对应。除地震属性外，采用叠前反演获得弹性参数或进一步转换得到流体指示因子来预测地下含气分布是当前地震含气检测的主流技术。但是，叠前反演结果的精确程度取决于波动方程模型的简化程度。使用的波动方程越复杂，模拟实际数据精度越高，但反演的参数会越多，参数耦合串扰会越严重，反演过程会越不稳定。因此，叠前反演技术一直在“稳定性”与“精度”之间寻求平衡。为了实现技术工业化，目前普遍采用Zoeppritz方程的线性化简洁表达来表征弹性参数和地震数据之间的关系，并发展了系列实用化的AVO反演技术。但是，这些实用技术普遍要求“实际观测数据满足平面波叠加原理，实际地下介质是完全弹性各向同性的，且相邻地层的弹性参数差异小”等条件，限制了含气预测的应用范围。而且从信息量角度来说，线性化丢失了对含气性较为敏感的大偏移距非线性地震信息成分。此外，在反演过程中很少考虑到与地震同源但异构的测井、地质或电磁场信息的约束。地震有效信息不足是制约现有叠前反演结果精度的根本原因。因此，如何充分挖掘并利用更丰富的地震信息和融合更多的地球物理场信息，实现多地球物理场多维地震信息融合模型的含气预测技术，用更复杂的非线性关系和更多的有效信息达到“稳定性”和“精度”的双重提升，具有重要的科学意义和实际价值。
发明内容
本说明书实施例在于提供一种致密砂岩储层含气性的预测方法、装置、设备及系统，可以有效提高致密砂岩储层的预测精度，减少网络复杂度和储存空间，提升计算效率。
本说明书提供的致密砂岩储层含气性的预测方法、装置、设备及系统是包括以下方式实现的：
一种致密砂岩储层含气性的预测方法，包括：
获取待预测的致密砂岩储层的叠前地震角道集数据；
将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。
一种致密砂岩储层含气性的预测装置，包括：
待预测数据获取模块，用于获取待预测的致密砂岩储层的叠前地震角道集数据；
输入模块，用于将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
融合信息获得模块，用于基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
预测结果获得模块，用于将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。
一种致密砂岩储层含气性的预测设备，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取待预测的致密砂岩储层的叠前地震角道集数据；
将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。
一种致密砂岩储层含气性的预测系统，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例方法的步骤。
本说明书提供的一种致密砂岩储层含气性的预测方法、装置、设备及系统。一些实施例中通过采用致密砂岩储层的多源信息融合方式，充分利用多地球物理场多源信息数据，可以弥补地震数据有效信息不足以及数据驱动测井标签不够的问题，提高卷积神经网络基于叠前地震角道集数据预测致密砂岩储层的精度。通过采用共享部分网络结构的方式使网络同时可以进行多个任务、预测多种属性，突破“一个网络解决一个地球物理问题完成一个任务”的思维限制，可以有效减少网络复杂度和储存空间，提升了计算效率。采用本说明书提供的实施方案，可以有效提高致密砂岩储层含气性的预测精度，减少网络复杂度和储存空间，提升计算效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书提供的致密砂岩储层含气性的预测方法的一个实施例的流程示意图；
图2是本说明书提供的一种在多源信息相互促进和约束下实现致密储层和流体分布同时预测的实施例的示意图；
图3是本说明书提供的一种致密砂岩储层含气性的预测方法的一个实施例的示意图；
图4(a)是利用常规卷积神经网络学习方法预测得到的岩相分布剖面示意图；
图4(b)是利用本方案预测得到的岩相分布剖面示意图；
图4(c)是数值模型的真实岩相分布剖面示意图；
图5(a)是利用常规卷积神经网络学习方法预测得到的含油气饱和度剖面示意图；
图5(b)是利用本方案预测得到的含气饱和度剖面示意图；
图5(c)是数值模型的真实含气饱和度剖面示意图；
图6(a)是随机抽取的非井旁道岩相分布情况的局部示意图；
图6(b)是随机抽取的井旁道岩相分布情况的局部示意图；
图7(a)是随机抽取的非井旁道含气饱和度曲线的局部示意图；
图7(b)是随机抽取的井旁道含气饱和度曲线的局部示意图；
图8是井W1和W3的含气饱和度连井剖面示意图；
图9是利用本说明书方案预测得到的沿层含气分布概率切片示意图；
图10是本说明书提供的一种致密砂岩储层含气性的预测装置的一个实施例的模块结构示意图；
图11是本说明书提供的一种致密砂岩储层含气性的预测服务器的一个实施例的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。
由于致密砂岩气储层地震响应影响因素众多，如储层的厚度、岩相、流体分布、孔隙结构、孔隙度和流体类型都会影响地震响应特征。因此，从地震数据提取的地震属性与致密砂岩储层含气性之间的关系并非一一对应，利用一种或几种相互独立的属性预测含气性的多解性较强。此外，由于致密砂岩储层孔隙流体响应与地震响应之间普遍具有高度的非线性关系，使用线性运算或简单非线性运算来获得地震属性去指示储层含气性本身也不够准确。因此，使用复杂的非线性操作去提取多种相互关联的属性或特征，有望丰富地震属性提取理论和扩充地震属性新类型。
在地震勘探领域，人工神经网络(Artificial Neural Network，ANN)作为一种较成熟的非线性智能化建模工具，已被广泛地应用到了测井属性预测中。尽管ANN表现出了良好的智能特性，但不能自主地学习属性，需要事先输入大量提取的属性或反演结果。从属性来源角度来说，ANN技术仍存在两个主要问题：一是属性选取缺乏物理依据，易受经验和主观影响，容易导致误判；二是输入的属性普遍是通过一个线性或简单非线性操作从地震数据中直接获取而来，且不同属性在提取时并没有考虑他们之间的相互关联性。从网络推广性能角度来说，常规的ANN普遍是浅层模型，对复杂非线性问题的表示能力仍有限，其推广应用能力会受到一定的制约。而卷积神经网络，特别是近期经过一系列发展使卷积神经网络的层数得到极大地加深，可通过学习一种深层非线性网络结构，实现高度复杂的非线性函数逼近，并展现了强大的学习数据集本质和高度抽象化特征的能力。与传统的浅层ANN模型相比，深层卷积神经网络模型经过了若干层非线性变换，具有强大的表达能力，从而有条件为更复杂的任务建模。与人工特征(或属性)相比，自动学习特征(或属性)更能挖掘出数据中丰富的内在信息，并具备更强的可扩展性。近两年，卷积神经网络迅速地被应用到了地震资料处理、解释和储层预测中。但是目前卷积神经网络在地球物理问题上的应用基本上局限于“一种数据作为标签训练一个网络完成一个任务”的单一应用模式(此处只考虑有监督学习情况)。这种模式导致单个任务所利用的地球物理场较为单一，且所用的标签非常有限。切换不同任务时，即使任务目标和待处理的数据均相同，因为任务目标(标签)改变仍需要重新训练网络。因此这种单一应用模式下，卷积神经网络不能综合利用多源信息，不同任务之间没有联系。以一个应用场景为例，常规卷积神经网络学习方法基于叠前地震数据，完成致密储层岩相预测任务需要地下真实岩相数据作为标签，而完成致密储层含气饱和度预测任务时需要测井含气饱和度曲线作为标签。当按是否含气划分将岩相时，这两个任务目标都是基于叠前数据对地下含气情况进行预测，也就是说，此时两个任务目标存在内在物理关联。具体来说，针对同一致密储层，岩相和含气饱和度是同一岩石的不同表现，因此具有关联。岩相可为含气饱和度提供空间的几何架构，而含气饱和度可为岩相提供填充的物性参数。具体实现是采用了网络的前端共享来完成相互约束。但常规卷积神经网络方法中，这两个任务需要分别训练网络，彼此独立计算，忽视了这种内在关联，同时也缺乏标签的监督。本说明书提供的一种致密砂岩储层含气性的预测方法、装置、设备及系统，可以同时预测多种含气属性，共用部分网络结构可以更充分地利用勘探目标的多源多尺度信息，自动挖掘致密砂岩储层不同参数表征(岩相和含气饱和度)的内在物理关联，实现岩相和含气饱和度两者之间相互促进和约束，为致密砂岩储层含气分布预测提供了新方法和新思路，同时为在地球物理领域中利用神经网络同时实现多种任务提供了新理论。
下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的，图1是本说明书提供的致密砂岩储层含气性的预测方法的一个实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
需要说明的是，下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示，本说明书提供的一种致密砂岩储层含气性的预测方法的一种实施例中，所述方法可以包括：
S0：获取待预测的致密砂岩储层的叠前地震角道集数据。
本说明书一个实施例中，所述叠前地震角道集数据可以包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联。例如，地下岩相与流体分布都可以在一定程度上反映地下油藏的含气性，二者之间具有关联。再如，针对同一致密储层，岩相和含气饱和度从不同角度描述同一岩石的特征，岩相可以为含气饱和度提供空间的几何架构，而含气饱和度可以为岩相提供填充的物性参数，所以二者之间有关联。
一些实施场景中，在预测地下含气性时，叠前地震角道集数据可以用于反映致密砂岩储层岩相分布特征和流体响应。一些实施场景中，从数据来源上说，地下岩相和流体分布可以是基于不同的钻井资料和测井资料解释出的。
本说明书实施例中，同源数据可以理解为同种地球物理技术采集得到的数据资料，如地震反射波勘探技术采集的地震类型数据。同源数据中的异质参数是指同种地球物理技术获得的不同类型数据，如地震数据可以包括叠前地震数据(叠前偏移距道集、叠前角道集)、叠后地震数据以及不同的地震属性数据等。
需要说明的是，本说明书实施例中，待预测数据除了可以包括待预测的叠前地震角道集数据，还可以包括测井、地质等数据。本说明书实施例中主要以叠前地震角道集数据为例进行示例性说明，其他实施场景中类似，对此不作赘述。
本说明书一些实施例中，获取待预测的叠前地震角道集数据后，可以对所述叠前地震角道集数据进行预处理。其中，预处理可以包括归一化处理等。例如一些实施场景中可以根据(伪)井对应道提取深度-角度域的叠前剖面，然后再对采样出的叠前剖面按线性函数归一化预处理，实现对待预测的叠前地震角道集数据的特征缩放，从而提高预测精度。
S2：将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络。
其中，多源信息可以理解为对同一目标体不同角度的描述信息。多源信息可以包括地震数据、测井数据、地质数据、钻井数据等，这些数据都是可以用来探测地下目标体的。目标体可以理解为是地下的气藏。一些实施场景中，多源信息还可以包括多源多尺度信息。多源多尺度信息可以理解为是多源信息中包含了不同频带信息而形成多尺度特征。例如，地震数据和测井数据的尺度范围是不同的，所以可以说这两种数据能体现信息的多尺度。
本说明书一个实施例中，所述预先构建的多属性同时预测混合卷积神经网络可以包括采用下述方式得到：获取叠前地震角道集数据，所述叠前地震角道集数据可以包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联；将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络，基于所述预设卷积神经网络中包括的任务分支网络和测井数据计算得到的标签数据获得多任务的训练结果，所述标签数据与所述叠前地震角道集数据在时空分布上对应；基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络。其中，对预设卷积神经网络进行调整可以包括对预设卷积神经网络对应的模型、参数信息等进行调整与优化。
本说明书一个实施例中，叠前地震角道集数据可以包括含气性属性信息。含气属性信息可以包括致密储层岩相属性和流体分布属性。具体的，地下岩相与流体分布都在一定程度上反映地下含气性，但是从数据来源上说，地下岩相和流体分布情况是基于不同的钻井资料和测井资料解释出的。从任务类型上说，岩相预测是分类任务，是地下含气性的间接反映，应用卷积神经网络实现较为简单，结果精度较高；流体分布预测是回归任务，是地下含气性的直接反映，实现较为复杂，结果精度相比分类任务来说较低。所以在预测地下含气性时，这两类任务互有优缺点，适合多任务并行，相互促进和约束。
本说明书一个实施例中，可以设置多个卷积神经网络，采用网络的前端共享来完成相互约束，从而实现更充分地利用多源多尺度地球物理信息，且具有同时预测多种含气属性的能力。例如，本说明书一些实施例中，含气属性信息可以包括致密储层岩相属性和物性特征属性，为此可以建立表征致密砂岩储层参数(包括岩相、弹性参数和物性参数)与多源多尺度信息之间非线性关系的新模型，即构建的多属性同时预测混合卷积神经网络，实现不同任务相互促进和约束，从而达到节省计算空间，提升计算效率，提升致密砂岩储层预测的精度和稳定性。本说明书实施例中，由于岩相分类和流体分布预测中的输入数据相同，而任务目标(标签)不同，共享部分网络结构可以使网络在从地震数据中提取相应特征的同时实现测井信息和地震信息的相互促进和约束。
本说明书实施例中可以采用多任务并行，共用部分网络结构的方式。由于不同任务共用部分网络，在训练网络的反传过程中，不同的任务的目标函数都对共用的网络结构权值产生影响，此时可以认为网络在自动提取属性并同时考虑了属性之间的相互关联性。需要说明的是，本质上只要需要预测的含气属性存在内在物理关联，含气属性信息可以包括更多信息，本说明书对此不作限定。
卷积神经网络是一种模拟人体视觉系统工作机制的深度学习算法，最早应用在计算机视觉领域完成图像分类、目标检测、目标追踪和场景解析等任务。与传统人工神经网络相比，卷积神经网络不仅继承传统人工神经网络所具有的较好容错性、自适应性和较强的学习能力等优点，还大大减少模型参数，网络结构也变得简单。其在人工神经网络基础上引入卷积运算和采样操作，使得它所提取的特征具有某种程度的空间不变性，其主要特点包括局部感知、权值共享和空间或时间下采样。局部感知用于发现数据的局部特征，提取主要特征和削弱噪声干扰。权值共享能够减少网络参数，从而降低网络模型的复杂度。下采样混淆特征的具体空间位置，相对于位移、缩放和扭曲，具有稳定不变的特性，优化了变形和扭曲样本的识别效果。
本说明书一些实施例中，卷积神经网络可以包括输入层、卷积层、池化层、全连接层和输出层。其中，输入层和输出层分别是网络输入数据和输出预测结果，卷积神经网络在全连接神经网络的基础上引入卷积、池化等操作增强网络的非线性表达能力，卷积层和池化层对输入数据进行加工和抽象，提取出不同特征和有用表达，全连接层根据卷积层和池化层提取到的特征进行预测和分类，其结果与真实标签之间的差异通过损失函数来衡量和评价。一些实施场景中，卷积神经网络可以利用梯度下降算法和反向传播机制更新网络权重和偏置，不断减小损失函数，建立输入到输出的非线性映射。
本说明书一个实施例中，获取叠前地震角道集数据，将叠前地震角道集数据输入预设卷积神经网络前，可以先对网络进行初始化。例如一些实施场景中，可以对权重和偏置进行初始化，然后确定网络的隐层层数、每层的卷积或池化超参数及卷积神经网络其他参数后，再开始训练。本说明书一个实施例中，对卷积核的权重可以初始化为随机值并固定随机种子，而对偏置可以进行全为0初始化。
本说明书一个实施例中，对网络进行初始化后，可以通过输入层输入岩相数据和物性参数数据对应的时间-角度域叠前地震角道集数据，对叠前地震角道集数据抽道集再开窗并滑动生成用于训练的子图像。其中，子图像纵向和横向分别可以表示时间维度和角度域维度。一些实施场景中，纵向可以取与子波长度一致的32个采样点数，横向可以是均分0°～32°得到的24个角度。
一些实施例中，生成用于训练的子图像后，可以通过卷积层进行处理。其中，卷积层又可以称特征提取层。输入层、第一个卷积层、池化层或上采样层的数据分别经过多个卷积核的卷积操作后，可以分别通过相应的激活函数(如Sigmoid、Tanh或ReLU等)输出该层提取的多个特征。一些实施场景中，除第一个卷积层外，其他卷积层输出的是前一层所有特征经过每一个不同卷积核得到的特征集合。本说明书一个实施场景中，可以利用如下公式获得卷积层输出特征：
Figure BDA0002463010230000091
其中，
Figure BDA0002463010230000092
表示第L层第j个神经元的输出特征图，
Figure BDA0002463010230000093
表示第L-1层第i个神经元的输出特征图，
Figure BDA0002463010230000094
表示连接第L-1层第i个神经元与第L层第j个神经元的卷积核，kL-1表示第L-1层神经元的个数，i、j表示神经元个数，L表示卷积层数，
Figure BDA0002463010230000095
表示对应卷积核的偏置，σ表示激活函数。本实施例中，使用ReLU激活函数。
需要说明的是，一些实施场景中，卷积可以利用叠前地震角道集数据的2D结构，在输入上执行局部加权的组合构成，由于相邻区域内的地震数据通常是高度相关的，有利于表征地震数据对油气的局部响应特征。一些实施例中，当卷积核过小或过大时，可能无法提取有效的局部特征，因此可以结合地震数据特征，岩相分类和含气性预测的原理及运算速度等因素确定卷积核大小。其中，每个通道提取得到的地震属性信息是同一个卷积核在输入数据的所有位置进行卷积而生成的，卷积核根据所选择的权重集合的不同，可以揭示地震数据的不同性质。
一些实施例中，训练的子图像通过卷积层后，可以通过池化层进一步处理。池化又可以称为欠采样或下采样。一些实施场景中，池化可以按照数值最大或最小等方式对卷积提取到的特征汇合，使学习到的模型更加关注具有哪些特征而不是特征具体的空间位置，即具有平移不变性，从而提高模型的容错性。另一些实施场景中，池化还可以对特征汇合起到特征降维、压缩数据、稀疏参数数量和减小过拟合的作用。例如一些实施场景中，典型的池化操作是对其前一个卷积层中所有互不重叠的子区域取最大值，用这个最大值代表该子区域，提取出比输入更高级的特征，最大池化计算过程可以表示为：
Figure BDA0002463010230000096
其中，
Figure BDA0002463010230000097
表示第L层第j个神经元的输出特征图，
Figure BDA0002463010230000098
表示第L-1层第i个神经元的输出特征图。
一些实施例中，训练的子图像通过卷积层、池化层的处理后，可以通过全连接层进行进一步的处理。全连接层可以理解为是卷积神经网络中的“分类器”，其主要可以将最后一个卷积层或池化层得到的特征光栅化为一个列向量，然后全连接层将学习到的高级特征映射到样本的标记空间，实现分类或者回归的显示表达。
一些实施例中，训练的子图像通过卷积层、池化层、全连接层的处理后，可以通过输出层输出期望得到的结果。本说明书一个实施例中，可以设置两个卷积神经网络，这样两个卷积神经网络的输出层可以分别是岩相分类和含气饱和度回归预测结果。例如一些实施场景中，对于二维横向空间域每个坐标点，其纵向时间域(或深度域)的每32个像素点对应输入层中的一个时间域-偏移距域的子图像，岩相分类输出层为32×4矩阵，代表的是对输入层的一个子图像中32个时间采样点的岩相分类结果，在训练数据中[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]分别表示对应的岩相为泥岩、含水白云岩、气水同层白云岩和含气白云岩，测试数据中可以依据网络softmax层输出的可能性最大值来分类岩相。含气饱和度预测输出层为32×1矩阵，表示是依据输入的时间域-偏移距域叠前地震角道集数据预测出的32个时间采样点的含气饱和度值。一些实施场景中，在测试数据中，可以对预测的含气饱和度值设置阈值判断该时间域-偏移距域的子图像对应的空间域像素点是否含气。
一些实施例中，训练的子图像通过卷积层、池化层、全连接层的处理获得输出结果后，可以基于输出结果对卷积神经网络进行校正，从而获得最优模型，以便提高后续预测精度。
本说明书一个实施例中，所述基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络，可以包括：基于损失函数计算所述训练结果与实际结果之间的误差，获得所述预设卷积神经网络的损失值；基于所述损失值和反向传播机制更新所述预设卷积神经网络的参数信息，直至所述训练结果与实际结果之间的误差满足预设误差条件，获得多属性同时预测混合卷积神经网络。具体的，由于损失函数是卷积神经网络训练之前已经构建好的，所以训练时可以通过损失函数来计算网络输出的岩相分类和物性参数预测结果与它们的真实值之间的差异，不断调整网络参数以此来减小它们之间的差异，最终两个任务网络层的输出结果与真实结果非常接近时则认为网络模型已经训练好。
一些实施例中，卷积神经网络可以采用反传算法进行误差传递，并通过该误差对网络卷积核和偏置及全连接层的权值和偏置进行更新，不断变换卷积核提取更好的特征进行分类，从而提高卷积网络的分类正确率和减小回归预测误差，最终得到一个学习能力很强的卷积神经网络进行分类任务。
例如一些实施场景中，当损失函数为交叉熵时，卷积神经网络最后一层softmax层输出地震数据分类为含气和不含气的可能性，二者可能性之和为1。以单个训练样本为例推导softmax层的误差传导公式。单个训练样本的损失函数如公式(3)和公式(4)所示。其中，softmax层输入是z，输出为y，真实标签为s(one hot编码)。
Figure BDA0002463010230000111
Figure BDA0002463010230000112
通过对softmax层求导，可以获得：
Figure BDA0002463010230000113
将公式(5)表示成向量形式：
Figure BDA0002463010230000114
其中，O(m)表示单个训练样本的损失函数，M表示Softmax层神经元的总数，zk、yk和sk分别表示Softmax层第k个神经元的输入、输出和真实标签，δout表示反向传播时计算的Softmax层误差。
一些实施场景中，全连接层的误差传导公式如下：
Figure BDA0002463010230000115
其中，括号中前两项的乘积表示每层从输出传到该层输入的误差(误差跨过激活函数)，δi l-1表示l-1层第i个神经元误差，ωij l表示连接l-1层第i个神经元与l层第j个神经元的权值，j表示第j个神经元，N表示神经元的总数，δl表示l层的误差。一些实施场景中，l为softmax层时，误差为δout。
一些实施场景中，全连接层的权值更新公式如下：
Figure BDA0002463010230000116
Figure BDA0002463010230000117
ω＝ω-αδω (10)
b＝b-αδb (11)
其中，δω表示全连接层权值的误差，δb表示全连接层偏置的误差，f(z)表示激活函数，z表示对应神经元的输入值，y表示实际输出，ω、α、b、分别表示权值、学习率、偏置。
一些实施场景中，卷积层的特征图误差传导公式如下：
δL＝(WL+1)T*δL+1*f’(zL) (12)
其中，δL表示第L个卷积层误差，δL+1表示第L+1个卷积层误差，WL+1表示第L+1层的卷积核，zL表示第L个卷积层的输入，f’(zL)表示第L个卷积层的激活函数的外部导数。
一些实施场景中，卷积层的权值更新公式如下：
Figure BDA0002463010230000121
Figure BDA0002463010230000122
Figure BDA0002463010230000123
Figure BDA0002463010230000124
其中，
Figure BDA0002463010230000125
表示第L层的第n个特征图的梯度误差子矩阵，
Figure BDA0002463010230000126
表示第L-1层的第n个特征图的输出，u、v表示高维空间中误差矩阵划分的的行数和列数，α表示学习率，
Figure BDA0002463010230000127
表示第L层第n个特征图的卷积核，
Figure BDA0002463010230000128
表示第L层第n个特征图的偏置。
本说明书一个实施例中，所述将所述叠前地震角道集数据输入预先建立的卷积神经网络进行训练前，可以包括：对所述叠前地震角道集数据进行预处理，获得训练样本；基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据。一些实施例中，所述对所述叠前地震角道集数据进行预处理，获得训练样本，可以包括：对所述叠前地震角道集数据进行归一化处理，获得处理后的叠前地震数据；从所述处理后的叠前地震数据中提取同一深度的叠前剖面；对所述处理后的叠前剖面进行开窗滑动取样，获得训练样本，其中，每个训练样本表示一个时间域、角度域的二维矩阵，所述时间域长度等于一个子波长度，所述角度域表示从第一角度到第二角度的角道集，所述第一角度小于所述第二角度。例如一些实施场景中，叠前角道集样本准备过程中，首先可以根据(伪)井对应道提取深度-角度域的叠前剖面，再对采样出的叠前剖面按线性函数归一化预处理，实现对输入数据的特征缩放，从而提高模型收敛速度和预测含气饱和度和岩相分类精度，之后每个叠前剖面在时间域对每个采样点开窗滑动取样，每个样本为一个时间域-角度域的二维矩阵，时间域长度等于一个子波长度，角度距域可以表示从小角度到大角度的角道集，这样训练样本可以尽可能全面地能反映油气信息的地震响应。一些实施例中，所述基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据，可以包括：基于井震标定，将所述训练样本和所述测井数据统一到具有相同采样间隔的时间域中；采用滑动时窗将所述训练样本分割成预设个地震数据块，根据每个地震数据块中心位置对应的时刻确定与训练样本对应的测井标签数据。具体的，每个地震数据块中心位置时刻可以确定测井数据上一个值即为数据块的标签值。
本说明书一个实施例中，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络可以包括共享子网络和多个任务的分支网络。例如一些实施场景中，地震数据、地质岩相和测井数据是对地下同一目标体不同角度的观测和描述，基于多属性同时预测网络可以挖掘和表征三者或其两者之间的关系。为了同时实现岩相分类和物性参数回归预测的问题即多源信息相容表达问题，需要研究同源异构信息融合理论和映射方法，设计多地球物理场多属性同时预测混合卷积神经网络结构，构建回归和分类任务相应的多损失函数，建立地震数据、地质岩相和测井数据等多域数据的转换映射。
如图2所示，图2是本说明书提供的一种在多源信息相互促进和约束下实现致密储层和流体分布同时预测的实施例的示意图。其中，黑色方框内部分可以表示共享子网络，共享子网络可以理解为是不同任务之间共享的网络层，整个网络在进入不同任务的分支网络之前的部分可以理解为是共享子网络。共享子网络内部网络结构可以根据实际场景设置，本说明书对此不作限定。图2中叠前角道集上方的数字32×24可以表示输入角道集的大小，32表示纵向采样点数，24表示24个角道集。不同的灰色柱子表示不同大小的特征图，灰色柱子上方的数字(如64)表示特征图个数，灰色数字左下角的数据(如16×12)代表表示当前特征图的大小。全连接层左下角数字(如1024)表示全连接层的神经元节点数。岩相输出或物性输出、岩相标签或物性标签左下角的数字32表示其长度，即输入是32×24大小的角道集，输出是大小为32×1的岩相分类和32×1的物性参数。其中，本实施例中以物性参数是含气饱和度说明，符号可以记为Sg。总损失函数O(mc,mr)中岩相分类任务和物性参数预测任务的损失函数的权重分别可以用λ1和λ2表示，即O(mc,mr)＝λ1O(mc)+λ2O(mr)，其中，O(mc)、O(mr)分别表示岩相分类和含气回归预测的损失函数。BP表示反向传播算法。
具体的，一些实施场景中，网络的输入是叠前地震角道集数据，每个数据大小为32×24，设置32个采样点数与一个子波长度保持一致，24个角度可以更充分利用叠前数据不同的角度信息。网络的输出是岩相分类结果和一种物性参数(即含气饱和度)预测结果。岩相标签和含气饱和度标签与输入的地震数据在时空分布上保持对应，二者大小都是32×1。窄带的地震数据和测井导出或推出的岩相和含气饱和度数据使得卷积神经网络包含地震和测井两种信息。地震数据样本和两种标签数据经过数据归一化预处理后分别作为输入和输出参与网络训练过程。输入叠前地震角道集数据经过卷积神经网络隐层的一系列复杂的非线性操作后，最终映射为岩相分类和含气饱和度预测结果。网络隐层可以包括共享子网络和两个任务的分支网络构成。共享子网络可以理解为是岩相分类和物性参数回归预测两个任务之间共享的网络层，主要可以包括卷积层和池化层。输入的叠前角道集通过卷积、池化等操作主动识别、捕捉、提取、学习和表达地震和测井信息多源融合的特征或模式。此外，共享子网络结构不仅可以学习到岩相和物性参数的融合信息，挖掘和抽象表征反映油气储层结构特征和物性特征的关系，利用融合信息彼此相互监督、相互约束和相互促进，还能减小模型复杂度。数据流通过共享子网络后可以分流进入不同任务的分支网络，第一个分支网络的卷积层、池化层和上采样层等模块可以利用共享子网络学习到的融合信息分类岩相，另一个分支网络则可以采用卷积层和全连接层从融合信息中预测出含气饱和度。在正向传播过程中，共享子网络的输出可以同时进入两个子网络学习，并输出岩相分类和含气饱和度预测结果。最后，可以计算两种输出与真实标签之间的误差得到当前总的损失值，之后将误差反向传播更新梯度和网络权值，以此不断减小网络输入与真实标签之间的误差，达到储层岩相和流体分布同时预测的目的。一些实施场景中，若验证集上的验证损失最终没有收敛，则可以通过调整共享子网络或两个分子网络中卷积层的数量再次训练网络直到验证损失接近0。若训练损失和验证损失都接近0时，表示已经训练得到最优的网络模型。
本说明书实施例中，多类别多输出的多源信息共享系统在两个子任务损失函数加权合适的情况下，其性能往往能优于单个任务的表现，即预先构建的多属性同时预测混合卷积神经网络可以利用地震数据、地质岩相和物性参数三者隐藏的内在关联相互约束和改善单个回归或分类任务的性能。
本说明书实施例中，多源信息可以包括地震、测井、地质等信息。训练样本中可以包含地震、测井、地质等信息。上述实施例中以训练样本只包含地震信息(叠前地震角道集数据)为例进行实例性说明，其他情形类似，对此不作赘述。由于训练过程中，多属性同时预测混合卷积神经网络的两种标签即岩相标签和物性参数标签是通过测井数据导出或者解释得到的，所以在训练多属性同时预测混合卷积神经网络时是包含测井信息的，即整个多属性同时预测混合卷积神经网络包含多源信息(测井和地震两种信息)。
本说明书实施例中，训练的多属性同时预测混合卷积神经网络结构可以包括共享子网络和多个任务网络层。需要说明的是，一些实施场景中，多源信息中的一种也可以用来实现岩相预测或流体分布预测，只是预测结果不好，并且一次只能实现一种任务的预测，而通过本申请方案可以有效提高预测的精度，并同时完成多个任务。
S4：基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息。
本说明书一个实施例中，共享子网络不仅可以学习到地震数据和物性参数的融合信息，挖掘和抽象表征反映油气储层结构特征和物性特征的关系，利用融合信息彼此相互监督、相互约束和相互促进，还能减小模型复杂度。多源融合信息可以理解为是多源信息经过信息融合后获得的信息。信息融合可以理解为是对从单个和多个信息源获取的数据和信息进行关联、相关和综合，以获得精确的位置和信息估计，以及对态势和威胁及其重要程度进行全面及时评估的信息处理过程，该过程是对其估计、评估和额外信息源需求评价的一个持续精练过程，同时也是信息处理过程不断自我修正的一个过程，以获得结果的改善。
本说明书一个实施例中，共享子网络可以是岩相分类和物性参数回归预测两个任务之间共享的网络层，主要可以包括卷积层和池化层。例如一些实施场景中，输入的叠前角道集可以通过卷积、池化等操作主动识别、捕捉、提取、学习和表达地震和测井信息多源融合的特征或模式。
S6：将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。
本说明书一个实施例中，分支网络可以用来实现不同任务，例如预测、分类等任务。本说明书一个实施例中，可以包括实现岩相预测的分支网络和流体分布预测的分支网络。需要说明的是，可以根据实际场景需求，设置预设个任务的分支网络，本说明书对此不作限定。
本说明书一个实施例中，可以将通过共享子网络获得的多源融合信息，分别进入不同任务的分支网络进行预测。例如一些实施场景中，可以进入两个分支网络，其中，第一个分支网络的卷积层、池化层和上采样层等模块利用共享子网络学习到的融合信息分类岩相，另一个分支网络则采用卷积层和全连接层从融合信息中预测出含气饱和度，从而实现在正向传播过程中，同时输出岩相分类和含气饱和度预测结果。相比常规卷积神经网络方法中，两个任务需要分别训练网络，彼此独立计算，忽视了同一目标体不同角度的描述信息之间的内在关联，以及标签的监督，本说明书方案不仅可以同时预测多种含气属性，而且共用部分网络结构可以更充分地利用勘探目标的多源多尺度信息，自动挖掘致密砂岩储层不同参数表征(岩相和含气饱和度)的内在物理关联，实现岩相和含气饱和度两者之间相互促进和约束，为致密砂岩储层含气分布预测提供了新方法和新思路，同时为在地球物理领域中利用神经网络同时实现多种任务提供了新理论。
需要说明的是，上述实施例中，均是以叠前地震角道集数据为例对本说明书实施例进行说明，本说明书实施例还可以应用于对其他类似场景中，对此不作限定。例如，本说明书实施例中，还可以应用于对异源数据同质参数的处理，具体处理方式可以参照对叠前地震角道集数据的处理，对此不作赘述。其中，异源数据可以理解为是非地震类型数据，如测井数据、地质数据，还可以是重力、磁力、电法勘探得到的数据。异源数据同质参数可以理解为是非地震数据中与地震类型数据中的某种异质参数相对应的一种参数，如1条或者多条不同的测井曲线。具体的，如图3所示，图3是本说明书提供的一种致密砂岩储层含气性的预测方法的一个实施例的示意图。其中，若不考虑异源数据同质参数及其对应的异源数据子网络，则该多源信息深度融合网络输入的是同源数据异质参数，这样同源数据异质参数经过共享子网络1和共享子网络2的目的是搭建共享层，实现多地球物理场数据(地震数据+测井数据导出或者计算出的弹性参数和物性参数)的相容表达(后续还可以实现地震、测井和地质数据的相容表达)，实现网络结构共享，减小模型复杂度，之后开始分成3个分流流向3个分支网络，3个分支网络分别对应任务1网络层、任务2网络层、任务3网络层，不同任务网络层可以将共享网络层学习的信息转换成各自的期望输出，例如分别是岩相分类结果、1个或多个弹性参数预测结果(如可以包括弹性参数回归结果和弹性参数标签)、1个或多个物性参数预测结果(如可以包括物性参数回归结果和物性参数标签)，其中，物性参数中可以包括孔隙度φ、渗透率K、含气饱和度Sg等，弹性参数中可以包括密度ρ，纵波速度VP、横波速度VS等。一些实施场景中，针对3个任务可以分别构建相应的损失函数并对每个任务设置不同的权重，从而得到总的损失函数，通过适应性矩估计(adaptive moment estimation，Adam)等梯度下降优化算法使总损失函数收敛，即可以实3个任务网络层的输出与各自期望输出非常接近，完成岩相分类或储层参数预测的任务。一些实施场景中，也可以加入异源数据到网络更深一点的共享子网络2，异源数据的加入可以增加更多的地球物理场信息，从而起到信息补充、监督作用，更好地帮助网络实现不同的储层预测任务。
本说明书实施例能够充分利用多源多尺度信息进行致密砂岩储层岩相和流体分布同时预测。通过输入多源信息，可以综合利用多地球物理场多维多尺度信息。通过设置多个卷积神经网络实现多种含气属性同时预测，不同任务共享部分网络结构实现相互促进和约束，可以减少模型复杂度，提高计算效率。不同任务使用不同的多源信息同时对共享网络参数进行训练，可以实现多源信息的充分利用，在一定程度上也可以缓解单一任务数据驱动含气性预测小样本的瓶颈问题。此外，对于充分挖掘并利用更丰富的地震信息和融合更多的地球物理场信息，实现多地球物理场多维地震信息融合模型的致密储层岩相和流体分布预测技术的“稳定性”和“精度”双重提升，具有重要的科学意义和实际价值，也对在地球物理领域如何实现卷积神经网络同时实现多个任务提供了参考价值。
为了进一步验证本方法的实用性和可行性，本说明书分别使用一个数值模型和一个实际四维叠前数据体进行测试。
本实施场景中，测试使用的数值模型是采用Mamousi模型的地质几何结构填充某实际工区致密砂岩储层的岩石物理参数生成的。岩石物理参数可以包括该实际工区致密砂岩储层的孔隙度、含气饱和度、泥质含量数据以及根据一定物性划分规则生成的岩相数据。图4(c)是数值模型的真实岩相分布剖面示意图，共分为四类岩相，其中，白色区域表示含气砂岩(标记为3，代表第一类岩相)，浅灰色区域表示气水同层砂岩(标记为2，代表第二类岩相)，深灰色区域表示干砂岩(标记为1，代表第三类岩相)，黑色区域表示泥岩(标记为0，代表第四类岩相)。图5(c)是数值模型的真实含气饱和度剖面示意图，其中，颜色越浅表示含气饱和度越高。可以抽取模型中的部分道作为伪井数据。根据孔隙度、含气饱和度和泥质含量数据，基于经典岩石物理经验公式，可以生成纵波速度、横波速度和密度等弹性参数，再根据Zoeppritz方程可以合成叠前地震角道集数据。从数值模型中得到测井数据和叠前地震角道集数据，根据本说明书提供的方案，可以对数值模型的岩相和含气饱和度分布进行同时预测。为了展示本说明书提供方案的优越性，可以使用相同层数的卷积神经网络分别预测岩相和含气饱和度作为常规卷积神经网络学习方法的预测结果，然后与利用本说明书提供方案获得的效果进行对比。图4(a)是利用常规卷积神经网络学习方法预测得到的岩相分布剖面示意图，预测准确率为96.91％，图4(b)是利用本方案预测得到的岩相分布剖面示意图，预测准确率为98.96％。图5(a)是利用常规卷积神经网络学习方法预测得到的含油气饱和度剖面示意图，与真实含气饱和度剖面对应道的相关系数平均为86.83％，图5(b)是利用本方案预测得到的含气饱和度剖面示意图，与真实含气饱和度剖面对应道的相关系数平均为91.67％。图6(a)是随机抽取的非井旁道岩相分布情况的局部示意图，其中，实线为该道真实的岩相分布情况(图中记为真实岩性)，圆圈标记为同一道利用本说明书提供方案预测得到的岩相分布情况(图中记为新方法)，整道准确率为98.17％，十字标记为利用常规卷积神经网络学习方法预测得到的岩相分布情况(图中记为传统机器学习方法)，整道准确率为95.89％。图6(b)是随机抽取的井旁道岩相分布情况的局部示意图，其中，实线为该道真实的岩相分布情况(图中记为真实岩性)，圆圈标记为同一道利用本说明书提供方案预测得到的岩相分布情况(图中记为新方法)，整道准确率为99.54％，十字标记为利用常规神经网络学习方法预测得到的岩相分布情况(图中记为传统机器学习方法)，整道准确率为99.09％。可见，不论本说明书提供方案还是常规神经网络学习方法，对井旁道的预测准确率高于非井旁道的预测准确率。对相同类型道的预测准确率，本说明书提供方案高于常规神经网络学习方法。图7(a)是随机抽取的非井旁道含气饱和度曲线的局部示意图，其中，实线为该道真实含气饱和度曲线(图中记为真实含气饱和度)，带圆圈标记的实线为同一道利用本说明书提供方案预测得到的含气饱和度曲线(图中记为新方法)，与真实含气饱和度曲线相关系数为99.03％，虚线为利用常规神经网络学习方法预测得到的含气饱和度曲线(图中记为传统机器学习方法)，与真实含气饱和度曲线相关系数为93.75％。图7(b)是随机抽取的井旁道含气饱和度曲线的局部示意图，其中，实线为该道真实的含气饱和度曲线(图中记为真实含气饱和度)，带圆圈标记的实线为同一道利用本说明书提供方案预测得到的含气饱和度曲线(图中记为新方法)，与真实含气饱和度曲线相关系数为98.59％，虚线为利用常规神经网络学习方法预测得到的含气饱和度曲线(图中记为传统机器学习方法)，与真实含气饱和度曲线相关系数为91.28％。可见，不论本说明书提供方案还是常规神经网络学习方法，对井旁道预测效果优于非井旁道的预测效果。对相同类型道的预测效果，本说明书提供方案高于常规神经网络学习方法。其中，图4(a)、图4(b)、图4(c)中右侧颜色柱中不同深度颜色区域可以表示不同岩相类型，通过将图中颜色深度与颜色柱中颜色深度进行对比，可以确定图中不同区域所对应的岩相类型。图5(a)、图5(b)、图5(c)中右侧颜色柱中不同深度颜色区域表示不同含气饱和度，其是0到1的连续值，通过将图中颜色深度与颜色柱中颜色深度进行对比，可以确定图中不同区域所对应的含气饱和度。
为展示本说明书提供方案的实际应用潜力，利用实际数据对本说明书提供方案进行测试。其中，实际数据为一个四维叠前数据体，来自东部某工区，约100km2，共401×401道，共有22口井的岩相数据和含气饱和度数据，标签数据来自其中的21口井，随机挑选1口井不参与网络的训练，作为盲井检验方法的泛化能力。图8是井W1和W3的含气饱和度连井剖面示意图，其中，W1和W3为两口水平井，折线显示的是这两口井测井含气饱和度曲线，块状浅色区域显示的是利用本说明书提供方案预测得到的含气分布情况，W1附近椭圆标记区域显示W1对应的深度少气或不含气，而W3附近的椭圆标记区域显示W3对应的深度含气更加富，与实际测井含气饱和度曲线吻合。实际试气结果表明W3是W1日产无阻流量的5倍左右，且出气丰富。图9是利用本说明书方案预测得到的沿层含气分布概率切片示意图，其中，亮色区域表示含气概率较大的区域，深色区域表示含气概率较小的区域。叉号、三角形、圆圈和星型标记为有测井含气饱和度数据的位置，叉号标记表示预测含气且测井显示含气的井位(预测结果准确)，黑色星型标记表示预测不含气且测井显示不含气的井位(预测结果准确)，圆圈表示预测预测含气但测井显示不含气的井位(预测结果不准确)，三角形标记表示预测不含气但测井显示含气的井位(预测结果不准确)。可见，观察到沿层切片上22口井有20口井预测结果与测井含气饱和度符合(20口井包含盲井)，符合率90.91％。
本说明书提供的一种致密砂岩储层含气性的预测方法，通过采用致密砂岩储层的弹性、物性参数和岩相等信息结合的多源信息输入的方式，充分利用多地球物理场数据和地质信息数据，从而可以弥补地震数据有效信息不足以及数据驱动测井标签不够的问题，提高卷积神经网络基于叠前地震角道集数据预测致密砂岩储层的精度。通过采用共享部分网络结构的方式使网络同时可以进行多个任务、预测多种属性，突破“一个网络解决一个地球物理问题完成一个任务”的思维限制，可以有效减少网络复杂度和储存空间，提升计算效率。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参加方法实施例的部分说明即可。
基于上述所述的一种致密砂岩储层含气性的预测方法，本说明书一个或多个实施例还提供一种致密砂岩储层含气性的预测装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图10是本说明书提供的一种致密砂岩储层含气性的预测装置的一个实施例的模块结构示意图，如图10所示，本说明书提供的一种致密砂岩储层含气性的预测装置可以包括：待预测数据获取模块120，输入模块122，融合信息获得模块124，预测结果获得模块126。
待预测数据获取模块120，可以用于获取待预测的致密砂岩储层的叠前地震角道集数据；
输入模块122，可以用于将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
融合信息获得模块124，可以用于基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
预测结果获得模块126，可以用于将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。
基于前述方法所述实施例的描述，所述装置的另一个实施例中，所述预先构建的多属性同时预测混合卷积神经网络也包括：
获取模块，可以用于获取叠前地震角道集数据，所述叠前地震角道集数据包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联；
训练模块，可以用于将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络，基于所述预设卷积神经网络中包括的任务分支网络和测井数据计算得到的标签数据获得多任务的训练结果，所述标签数据与所述叠前地震角道集数据在时空分布上对应；
校正模块，可以用于基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络。
基于前述方法所述实施例的描述，所述装置的另一个实施例中，所述校正模块，可以包括：
损失值获得单元，可以用于基于损失函数计算所述训练结果与实际结果之间的误差，获得所述预设卷积神经网络的损失值；
更新单元，可以用于基于所述损失值和反向传播机制更新所述预设卷积神经网络的参数信息，直至所述训练结果与实际结果之间的误差满足预设误差条件，获得多属性同时预测混合卷积神经网络。
基于前述方法所述实施例的描述，所述装置的另一个实施例中，所述将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络前，可以包括：
预处理单元，可以用于对所述叠前地震角道集数据进行预处理，获得训练样本；
标签数据生成单元，可以用于基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据。
基于前述方法所述实施例的描述，所述装置的另一个实施例中，所述预处理单元，可以包括：
归一化处理单元，可以用于对所述叠前地震角道集数据进行归一化处理，获得处理后的叠前地震数据；
提取单元，可以用于从所述处理后的叠前地震数据中提取同一深度的叠前剖面；
取样单元，可以用于对所述叠前剖面进行开窗滑动取样，获得训练样本，其中，每个训练样本表示一个时间域、角度域的二维矩阵，所述时间域长度一个子波长度，所述角度域表示从第一角度到第二角度的角道集，所述第一角度小于所述第二角度。
基于前述方法所述实施例的描述，所述装置的另一个实施例中，所述标签数据生成单元，可以包括：
统一单元，可以用于基于井震标定，将所述训练样本和所述测井数据统一到具有相同采样间隔的时间域中；
确定单元，可以用于采用滑动时窗将所述训练样本分割成预设个地震数据块，根据每个地震数据块中心位置对应的时刻确定与训练样本对应的测井标签数据。
本说明书提供的一种致密砂岩储层含气性的预测装置，通过采用致密砂岩储层的弹性、物性参数和岩相等信息结合的多源信息输入的方式，充分利用多地球物理场数据和地质信息数据，可以弥补地震数据有效信息不足以及数据驱动测井标签不够的问题，提高卷积神经网络基于叠前地震角道集数据预测致密砂岩储层的精度。通过采用共享部分网络结构的方式使网络同时可以进行多个任务、预测多种属性，突破“一个网络解决一个地球物理问题完成一个任务”的思维限制，可以有效减少网络复杂度和储存空间，提升计算效率。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书还提供一种致密砂岩储层含气性的预测设备的实施例，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取待预测的致密砂岩储层的叠前地震角道集数据；
将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。
需要说明的，上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书还提供一种致密砂岩储层含气性的预测系统的实施例，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤，例如包括：获取待预测的致密砂岩储层的叠前地震角道集数据；将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图11是本说明书提供的一种致密砂岩储层含气性的预测服务器的一个实施例的硬件结构框图，该服务器可以是上述实施例中的致密砂岩储层含气性的预测装置或致密砂岩储层含气性的预测系统。如图11所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图11中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图11所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的致密砂岩储层含气性的预测方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书提供的上述致密砂岩储层含气性的预测方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (10)

1.一种致密砂岩储层含气性的预测方法，其特征在于，包括：
获取待预测的致密砂岩储层的叠前地震角道集数据；
将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果；
其中，所述预先构建的多属性同时预测混合卷积神经网络包括采用下述方式得到：
获取叠前地震角道集数据，所述叠前地震角道集数据包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联；
将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络，基于所述预设卷积神经网络中包括的任务分支网络和测井数据计算得到的标签数据获得多任务的训练结果，所述标签数据与所述叠前地震角道集数据在时空分布上对应；
基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络；
其中，在所述将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络前，所述方法还包括：
对所述叠前地震角道集数据进行预处理，获得训练样本；
基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据。
2.如权利要求1所述的方法，其特征在于，所述基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络，包括：
基于损失函数计算所述训练结果与实际结果之间的误差，获得所述预设卷积神经网络的损失值；
基于所述损失值和反向传播机制更新所述预设卷积神经网络的参数信息，直至所述训练结果与实际结果之间的误差满足预设误差条件，获得多属性同时预测混合卷积神经网络。
3.如权利要求1所述的方法，其特征在于，所述对所述叠前地震角道集数据进行预处理，获得训练样本，包括：
对所述叠前地震角道集数据进行归一化处理，获得处理后的叠前地震数据；
从所述处理后的叠前地震数据中提取同一深度的叠前剖面；
对所述叠前剖面进行开窗滑动取样，获得训练样本，其中，每个训练样本表示一个时间域、角度域的二维矩阵，所述时间域长度等于一个子波长度，所述角度域表示从第一角度到第二角度的角道集，所述第一角度小于所述第二角度。
4.如权利要求1所述的方法，其特征在于，所述基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据，包括：
基于井震标定，将所述训练样本和所述测井数据统一到具有相同采样间隔的时间域中；
采用滑动时窗将所述训练样本分割成预设个地震数据块，根据每个地震数据块中心位置对应的时刻确定与训练样本对应的测井标签数据。
5.一种致密砂岩储层含气性的预测装置，其特征在于，包括：
待预测数据获取模块，用于获取待预测的致密砂岩储层的叠前地震角道集数据；
输入模块，用于将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
融合信息获得模块，用于基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
预测结果获得模块，用于将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果；
其中，所述预先构建的多属性同时预测混合卷积神经网络包括：
获取模块，用于获取叠前地震角道集数据，所述叠前地震角道集数据包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联；
训练模块，用于将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络，基于所述预设卷积神经网络中包括的任务分支网络和测井数据计算得到的标签数据获得多任务的训练结果，所述标签数据与所述叠前地震角道集数据在时空分布上对应；
校正模块，用于基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络；
其中，在将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络之前，包括：
预处理单元，用于对所述叠前地震角道集数据进行预处理，获得训练样本；
标签数据生成单元，用于基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据。
6.如权利要求5所述的装置，其特征在于，所述校正模块，包括：
损失值获得单元，用于基于损失函数计算所述训练结果与实际结果之间的误差，获得所述预设卷积神经网络的损失值；
更新单元，用于基于所述损失值和反向传播机制更新所述预设卷积神经网络的参数信息，直至所述训练结果与实际结果之间的误差满足预设误差条件，获得多属性同时预测混合卷积神经网络。
7.如权利要求5所述的装置，其特征在于，所述预处理单元，包括：
归一化处理单元，用于对所述叠前地震角道集数据进行归一化处理，获得处理后的叠前地震数据；
提取单元，用于从所述处理后的叠前地震数据中提取同一深度的叠前剖面；
取样单元，用于对所述叠前剖面进行开窗滑动取样，获得训练样本，其中，每个训练样本表示一个时间域、角度域的二维矩阵，所述时间域长度等于一个子波长度，所述角度域表示从第一角度到第二角度的角道集，所述第一角度小于所述第二角度。
8.如权利要求5所述的装置，其特征在于，所述标签数据生成单元，包括：
统一单元，用于基于井震标定，将所述训练样本和所述测井数据统一到具有相同采样间隔的时间域中；
确定单元，用于采用滑动时窗将所述训练样本分割成预设个地震数据块，根据每个地震数据块中心位置对应的时刻确定与训练样本对应的测井标签数据。
9.一种致密砂岩储层含气性的预测设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取待预测的致密砂岩储层的叠前地震角道集数据；
将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果；
其中，所述预先构建的多属性同时预测混合卷积神经网络包括采用下述方式得到：
获取叠前地震角道集数据，所述叠前地震角道集数据包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联；
将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络，基于所述预设卷积神经网络中包括的任务分支网络和测井数据计算得到的标签数据获得多任务的训练结果，所述标签数据与所述叠前地震角道集数据在时空分布上对应；
基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络。
10.一种致密砂岩储层含气性的预测系统，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-4中任意一项所述方法的步骤。
CN202010325339.4A 2020-04-23 2020-04-23 一种致密砂岩储层含气性的预测方法、装置、设备及系统 Active CN111507048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010325339.4A CN111507048B (zh) 2020-04-23 2020-04-23 一种致密砂岩储层含气性的预测方法、装置、设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010325339.4A CN111507048B (zh) 2020-04-23 2020-04-23 一种致密砂岩储层含气性的预测方法、装置、设备及系统

Publications (2)

Publication Number Publication Date
CN111507048A CN111507048A (zh) 2020-08-07
CN111507048B true CN111507048B (zh) 2022-11-08

Family

ID=71877990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010325339.4A Active CN111507048B (zh) 2020-04-23 2020-04-23 一种致密砂岩储层含气性的预测方法、装置、设备及系统

Country Status (1)

Country Link
CN (1) CN111507048B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578475A (zh) * 2020-11-23 2021-03-30 中海石油(中国)有限公司 基于数据挖掘的致密储层双甜点识别方法
CN112990567A (zh) * 2021-03-10 2021-06-18 中国矿业大学(北京) 建立煤层含气量预测模型的方法、装置、终端与存储介质
CN113095211B (zh) * 2021-04-08 2023-08-25 第六镜科技(成都)有限公司 一种图像处理方法、系统及电子设备
CN112801073B (zh) * 2021-04-15 2021-11-16 中国科学院地质与地球物理研究所 基于深度神经网络的声发射初至信号分类与识别方法
CN113866832A (zh) * 2021-09-13 2021-12-31 中国石油大学(华东) 基于虚拟井训练的卷积神经网络弹性参数预测方法
CN114002744B (zh) * 2021-10-29 2023-07-14 重庆科技学院 一种基于深度学习的致密砂岩储层流体识别方法
CN114297940B (zh) * 2021-12-31 2024-05-07 合肥工业大学 确定非稳态储层参数的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556863A (zh) * 2015-09-29 2017-04-05 中国石油天然气股份有限公司 基于深度域叠前角道集的孔隙度预测方法
CN107678059A (zh) * 2017-09-05 2018-02-09 中国石油大学(北京) 一种储层含气识别的方法、装置及系统
CN108830421A (zh) * 2018-06-21 2018-11-16 中国石油大学(北京) 致密砂岩储层的含气性预测方法及装置
CN109100797A (zh) * 2018-06-19 2018-12-28 中国石油天然气集团有限公司 一种确定致密储层含气性的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556863A (zh) * 2015-09-29 2017-04-05 中国石油天然气股份有限公司 基于深度域叠前角道集的孔隙度预测方法
CN107678059A (zh) * 2017-09-05 2018-02-09 中国石油大学(北京) 一种储层含气识别的方法、装置及系统
CN109100797A (zh) * 2018-06-19 2018-12-28 中国石油天然气集团有限公司 一种确定致密储层含气性的方法及装置
CN108830421A (zh) * 2018-06-21 2018-11-16 中国石油大学(北京) 致密砂岩储层的含气性预测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
叠前多属性概率神经网络反演储层孔隙度;王童奎 等;《物探化探计算技术》;20130315;第35卷(第2期);正文第1节 *
基于PNN的多地震属性砂体含气性预测方法及应用;郭振华等;《工程地球物理学报》;20111030(第05期);全文 *
基于叠前道集的致密砂岩储层含气性预测方法;曹绍贺;《石油化工应用》;20190425(第04期);全文 *

Also Published As

Publication number Publication date
CN111507048A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111507048B (zh) 一种致密砂岩储层含气性的预测方法、装置、设备及系统
CA3122686C (en) Automated reservoir modeling using deep generative networks
CN109709603B (zh) 地震层位识别与追踪方法、系统
CA3067013A1 (en) Deep learning based reservoir modeling
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
Duan et al. Multitrace first-break picking using an integrated seismic and machine learning method
Bagheri et al. Seismic facies analysis from well logs based on supervised classification scheme with different machine learning techniques
CN116047583A (zh) 基于深度卷积神经网络的自适应波阻抗反演方法及系统
Yang et al. Seismic fault detection based on 3D Unet++ model
Caeiro et al. Optimized history matching with direct sequential image transforming for non-stationary reservoirs
Wang et al. Seismic stratum segmentation using an encoder–decoder convolutional neural network
EP4147077A1 (en) Structured representations of subsurface features for hydrocarbon system and geological reasoning
Su-Mei et al. Incremental semi-supervised learning for intelligent seismic facies identification
Lei et al. Convolutional recurrent neural networks based waveform classification in seismic facies analysis
US20230176242A1 (en) Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries
Kaur et al. Deep-learning-based 3D fault detection for carbon capture and storage
Larsen et al. Is machine learning taking productivity in petroleum geoscience on a Moore’s Law trajectory?
Li et al. CNN-Based Network Application for Petrophysical Parameter Inversion: Sensitivity Analysis of Input–Output Parameters and Network Architecture
Jervis et al. Deep learning network optimization and hyperparameter tuning for seismic lithofacies classification
Legget et al. 3D horizon tracking using artificial neural networks
Peng et al. Coalbed methane content prediction using deep belief network
Pan et al. Efficient Subsurface Modeling with Sequential Patch Generative Adversarial Neural Networks
Johann et al. Reservoir geophysics: Seismic pattern recognition applied to ultra-deepwater oilfield in Campos basin, offshore Brazil
Cai et al. Pre-stack texture based semi-supervised seismic facies analysis using global optimization
Ahmed et al. Machine seismic: an automatic approach for the identification of subsurface structural models

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