CN111538879A - 一种基于半监督卷积神经网络的储层预测方法 - Google Patents
一种基于半监督卷积神经网络的储层预测方法 Download PDFInfo
- Publication number
- CN111538879A CN111538879A CN202010314871.6A CN202010314871A CN111538879A CN 111538879 A CN111538879 A CN 111538879A CN 202010314871 A CN202010314871 A CN 202010314871A CN 111538879 A CN111538879 A CN 111538879A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- prediction
- data
- seismic data
- semi
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012549 training Methods 0.000 abstract description 7
- 238000005065 mining Methods 0.000 abstract description 2
- 230000001419 dependent effect Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 21
- 239000003550 marker Substances 0.000 description 14
- 230000007704 transition Effects 0.000 description 11
- 238000002790 cross-validation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于半监督卷积神经网络的储层预测方法，其特征在于根据储层类型标记地震数据，构建储层预测样本集；使用半监督学习方法挖掘已知储层类型标记样本规律，对不存在储层类型标记的地震数据进行标记扩充，增加储层标记样本数量；设计联合损失函数，训练卷积神经网络，实现未知储层分布区域的准确预测。本发明针对储层预测中标记样本数量少，导致预测效果偏低的问题，采用半监督学习方法扩充生成伪标记样本，增加储层标记样本数量；采用卷积神经网络挖掘地震属性间的深层信息，根据标记样本与伪标记样本设计了联合损失函数，调节储层预测过程的收敛方向，避免过高依赖伪标记样本对预测结果的干扰，实现储层的精准预测。
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，具体涉及一种基于半监督卷积神经网络的储层预测方法。
背景技术
传统储层预测方法受地质条件复杂、数据噪声污染、地震属性相关程度低等因素的限制和干扰，预测结果往往存在偏差，无法很好地寻找储层。采用机器学习方法预测储层发育区，能够充分挖掘地震属性之间的深层信息，得到地震数据与储层之间的映射关系。
采用机器学习方法进行储层预测，需要充足的数据样本进行训练，稳定储层预测质量，保证预测效果，但已探明的储层发育区样本数量少，少量样本数据训练容易造成训练不充分，预测能力不足，因此样本数量不足是面临的一个十分严峻的问题。针对已探明有利储层发育区样本数量不足，导致储层预测结果精度低的问题，通过挖掘存在储层标记数据的深层信息，提出了一种基于半监督卷积神经网络的储层预测方法。
发明内容
为了克服已探明有利储层发育区样本数量不足，导致储层预测质量偏低问题，本发明提供了一种基于半监督卷积神经网络的储层预测方法。通过利用有利储层发育区周围的不存在储层标记的样本，根据使用半监督学习的标签传播算法进行标记扩充，增加储层标记样本的数量，根据扩充后样本设计联合损失函数，采用卷积神经网络结构提取地震属性之间的深层信息，实现储层准确预测。
为实现上述目的，本发明技术方案主要包括以下三个步骤：
1.数据提取与处理：
在地震数据体、地质勘探数据库等数据源中提取地震数据以及储层类型数据，对存在储层资料的地震数据对应的位置进行标记，对不存在储层资料的地震数据对应的位置标记为-1，整合两类地震数据形成储层预测样本集M。其中，存在储层标记的地震数据量为L，不存在储层标记的地震数据量为U，预测储层数为C，储层预测样本总数为N，每条地震数据称为1个数据点，存在储层标记的地震数据称为原始标记样本数据。
2.采用半监督学习扩充标记样本：
将储层预测样本集建立图结构，图中每个节点对应储层预测样本集中每个数据点，节点与节点之间的连接边表示相邻数据点之间的相似程度，包括该数据点对应的标记数据，使用半监督学习的标签传播算法对标记为-1的数据点进行标记扩充，增加储层标记样本数量。
使用标签传播算法进行标记样本扩充的步骤为：
(1)定义的图转移概率矩阵P，其中Pij表示节点i到节点j的转移概率；根据存在储层标记的地震数据与储层类型数定义标记指示矩阵YL，第i行表示对应地震数据的储层；根据不存在储层标记的地震数据与储层类型数定义标记指示矩阵YU,第i行表示对应地震数据的待标记储层。合并YL与YU形成标记指示矩阵Y；
(2)根据矩阵相乘关系，将标记指示矩阵Y与图转移概率矩阵P相乘，即每个数据点以确定的概率值进行传播，更新传播后的图转移概率矩阵P；
(3)重置标记指示矩阵Y中存在储层标记的地震数据的标记指示矩阵YL为初始值，使得原有已存在储层标记样本的数据点不发生变化；
(4)重复步骤(2)和(3)直到Y收敛，待标记的地震数据根据对应的图转移概率中最大值进行储层类型标记，增加储层标记样本数量，构建储层预测扩充样本集Mu，进行储层标记扩充的地震数据称为伪标记样本数据。
3.采用卷积神经网络预测储层：
(1)采用五折交叉验证方法，将储层预测扩充样本集Mu随机划分为大小等同的5份，4份用作训练集，1份用作验证集；
(2)根据预测结果与输入数据的关系设计联合损失函数G，联合损失函数G由原始标记样本数据损失项和伪标记样本数据损失项构成，对伪标记样本数据损失项加权值为α；
(3)构建卷积神经网络储层预测模型，选用G为损失函数调节储层预测过程的收敛方向，使用Adam优化器进行调节优化，分别在4个训练集上训练直至对储层预测的效果趋于稳定，并在验证集上测试效果，根据五折交叉验证的测试效果，选取储层预测准确度最高的卷积神经网络作为储层预测模型。选择未知储层分布区域的地震数据，使用储层预测模型实现储层预测。
本发明的有益效果是：针对储层预测中标记样本数量少，导致预测效果偏低的问题，采用半监督学习方法对储层标记进行扩充，增加储层标记样本数量；采用卷积神经网络挖掘地震属性间的深层信息，根据标记样本与伪标记样本设计了联合损失函数，调节储层预测过程的收敛方向，避免过高依赖伪标记样本数据对预测结果的干扰，提高了储层预测的精准度。
附图说明
图1为本发明的流程图
具体实施方式
下面结合图1对本发明作进一步详细的描述：
1.数据提取及处理：
在地震数据体、地质勘探数据库中提取地震数据以及储层类型数据，提取的数据主要分为两类：存在储层标记的地震数据和不存在储层标记的地震数据。对存在储层资料的地震数据相对应的标签位置按照类型标记为0，1...，对不存在储层资料的地震数据相对应的标签位置类型标记为-1，由于地震数据的衡量尺度不一、受噪声污染等问题，采用缺失值填充、标准化的方法进行数据预处理，整合两类地震数据预处理后的结果形成储层预测样本集M。其中，存在储层标记的地震数据量为L，不存在储层标记的地震数据量为U，储层数为C，储层预测样本的总数为N，每条地震数据称为1个数据点，存在标记的数据称为原始标记样本数据。
2.采用半监督学习扩充标记样本：
(1)将储层预测样本集构建图结构，图中每个节点对应储层预测样本集中每个数据点，节点与节点之间的连接边表示相邻数据点之间的相似程度。定义大小为N*N的图转移概率矩阵P，Pij表示节点i到节点j的转移概率；根据存在储层标记的地震数据与储层类型数定义大小为L*C标记指示矩阵YL，第i行表示对应地震数据的储层；根据不存在标记的地震数据与储层类型数定义大小为U*C标记指示矩阵YU,第i行表示对应地震数据的待标记储层。合并YL与YU形成N*C的标记指示矩阵Y；
(2)根据矩阵相乘关系，将标记指示矩阵Y与图转移概率矩阵P相乘，即每个数据点以确定的概率值将储层标记向周边进行传播，更新传播后的图转移概率矩阵P，Pij表示当前轮次节点i到节点j的转移概率；
(3)由于原有已存在标记样本的数据点标记不发生变化，重置标记指示矩阵Y中存在标记的地震数据的标记指示矩阵YL为初始值；
(4)重复步骤(2)和(3)直到标记指示矩阵Y收敛，待标记的地震数据根据对应的图转移概率中最大值进行储层类型标记，扩充后的数据构建储层预测扩充样本集Mu，进行储层标记扩充的数据称为伪标记样本数据；
3.采用卷积神经网络预测储层：
(1)采用五折交叉验证方法，将储层预测扩充样本集Mu随机划分为大小等同的5份，4份用作训练集，1份用作验证集；
(2)根据预测结果与输入数据的关系设计联合损失函数G，联合损失函数G由原始标记样本数据损失项和伪标记样本数据损失项构成，对伪标记样本数据损失项加权值为α，0＜α＜1，避免模型训练时过多受到伪标记样本影响，G定义为：
G＝f1+α*f2
其中，f1为原始样本数据损失项，f2伪标记样本数据损失项。
(3)构建卷积神经网络储层预测模型，选用G为损失函数调节储层预测过程的收敛方向，使用Adam优化器进行调节优化，分别在4个训练集上训练直至对储层预测的效果趋于稳定，并在验证集上测试效果，根据五折交叉验证的测试效果，选取储层预测准确度最高的卷积神经网络为储层预测模型。选择未知储层分布区域的地震数据，使用储层预测模型实现储层预测。
Claims (1)
1.一种基于半监督卷积神经网络的储层预测方法，其特征在于，包括以下步骤：
在地震数据体、地质勘探数据库等数据源中提取地震数据以及储层类型数据，根据储层类型标记地震数据，不存在储层类型的地震数据标记为-1，构建储层预测样本集，储层预测样本集中每条地震数据称为数据点；将储层预测样本集建立图结构，图中每个节点对应储层预测样本集中每个数据点，节点与节点之间的连接边表示相邻数据点之间的相似程度，使用半监督学习的标签传播算法对标记为-1的数据点进行标记扩充，增加储层标记样本数量；根据扩充后样本集设计联合损失函数，调节储层预测过程收敛方向，采用卷积神经网络挖掘地震属性间的深层信息，实现储层准确预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010314871.6A CN111538879A (zh) | 2020-04-21 | 2020-04-21 | 一种基于半监督卷积神经网络的储层预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010314871.6A CN111538879A (zh) | 2020-04-21 | 2020-04-21 | 一种基于半监督卷积神经网络的储层预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111538879A true CN111538879A (zh) | 2020-08-14 |
Family
ID=71976971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010314871.6A Pending CN111538879A (zh) | 2020-04-21 | 2020-04-21 | 一种基于半监督卷积神经网络的储层预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111538879A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095352A (zh) * | 2021-03-01 | 2021-07-09 | 中国地质大学（武汉） | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
| CN113431635A (zh) * | 2021-05-20 | 2021-09-24 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及系统 |
| CN113640879A (zh) * | 2021-08-16 | 2021-11-12 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
| CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
| CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN109902390A (zh) * | 2018-12-13 | 2019-06-18 | 中国石油大学(华东) | 一种基于小样本扩充的有利储层发育区预测方法 |
-
2020
- 2020-04-21 CN CN202010314871.6A patent/CN111538879A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
| CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
| WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
| CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
| CN109902390A (zh) * | 2018-12-13 | 2019-06-18 | 中国石油大学(华东) | 一种基于小样本扩充的有利储层发育区预测方法 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| ALBERTAHUAN: "标签传播算法", pages 11 - 14, Retrieved from the Internet <URL:https://www.cnblogs.com/Albertahuan/p/11449179.html> * |
| 冯旸赫，孙博良，程光权，陈超，黄魁华等: "在线半监督学习理论及方法", 31 January 2019, 北京：国防工业出版社, pages: 14 - 15 * |
| 刘锦文;许静;张利萍;芮伟康;: "基于标签传播和主动学习的人物社会关系抽取", 计算机工程, no. 02, 15 February 2017 (2017-02-15), pages 235 - 237 * |
| 张栋;李寿山;周国栋;: "基于答案辅助的半监督问题分类方法", 计算机工程与科学, no. 12, 15 December 2015 (2015-12-15), pages 2352 - 2357 * |
| 李德毅，于剑等: "中国科协新一代信息技术系列丛书 人工智能导论_书证", 30 September 2018, 中国科学技术出版社, pages: 105 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095352A (zh) * | 2021-03-01 | 2021-07-09 | 中国地质大学（武汉） | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
| CN113095352B (zh) * | 2021-03-01 | 2024-08-13 | 中国石油化工股份有限公司 | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
| CN113431635A (zh) * | 2021-05-20 | 2021-09-24 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及系统 |
| CN113431635B (zh) * | 2021-05-20 | 2022-06-10 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及系统 |
| CN113640879A (zh) * | 2021-08-16 | 2021-11-12 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
| CN113640879B (zh) * | 2021-08-16 | 2022-02-15 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN111538879A (zh) | 一种基于半监督卷积神经网络的储层预测方法 | |
| CN105320809B (zh) | 一种针对风电场空间相关性的风速预测方法 | |
| CN110033008B (zh) | 一种基于模态变换与文本归纳的图像描述生成方法 | |
| CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
| CN112487807A (zh) | 一种基于膨胀门卷积神经网络的文本关系抽取方法 | |
| CN109191572B (zh) | 一种基于真值发现的三维地质模型寻优方法 | |
| CN103268607B (zh) | 一种弱监督条件下的共同对象检测方法 | |
| CN110991284B (zh) | 一种基于场景预分类的光学遥感图像语句描述生成方法 | |
| JP2018132969A (ja) | 文章作成装置 | |
| CN113297174B (zh) | 基于深度学习的土地利用变化模拟方法 | |
| CN108416478A (zh) | 一种综合管廊内部燃气浓度lstm预测方法及系统 | |
| CN112215013A (zh) | 一种基于深度学习的克隆代码语义检测方法 | |
| CN107491444A (zh) | 基于双语词嵌入技术的并行化词对齐方法 | |
| CN116861347B (zh) | 一种基于深度学习模型的磁力异常数据计算方法 | |
| CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
| CN109447158A (zh) | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 | |
| CN112199886A (zh) | 一种prb数据深度学习地质图预测模型的处理方法 | |
| CN111027249A (zh) | 一种基于机器学习的井间连通性评价方法 | |
| CN111507103B (zh) | 一种利用部分标注集的自训练神经网络分词模型 | |
| CN110569871B (zh) | 一种基于深度卷积神经网络的鞍部点识别方法 | |
| CN113095352A (zh) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 | |
| CN116431988A (zh) | 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法 | |
| CN117610504A (zh) | 基于规划选择和图结构感知的知识图谱生成文本的方法 |
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 |