CN111581890A - 一种储层厚度预测方法、装置、设备及存储介质 - Google Patents

一种储层厚度预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111581890A
CN111581890A CN202010461822.5A CN202010461822A CN111581890A CN 111581890 A CN111581890 A CN 111581890A CN 202010461822 A CN202010461822 A CN 202010461822A CN 111581890 A CN111581890 A CN 111581890A
Authority
CN
China
Prior art keywords
seismic
reservoir thickness
training
data
neural network
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
Application number
CN202010461822.5A
Other languages
English (en)
Inventor
徐朝晖
张波
方惠京
孙盼科
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 CN202010461822.5A priority Critical patent/CN111581890A/zh
Publication of CN111581890A publication Critical patent/CN111581890A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters

Landscapes

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

Abstract

本发明公开了一种储层厚度预测方法、装置、设备及存储介质，该方法包括：确定需实现储层厚度预测的层段为目的层段，统计所述目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；确定与n个所述储层厚度分布区间一一对应的n个地震频段，将各所述指定位置的地震数据分解为n个所述地震频段的子地震数据，从各所述子地震数据中提取属于所述目的层段的地震属性；确定各所述指定位置的子地震数据及地震属性为输入数据，各所述指定位置的储层厚度为训练标签，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型；利用所述预测模型预测任意位置所述目的层段的储层厚度。从而有效提高了储层厚度预测时的准确性。

Description

一种储层厚度预测方法、装置、设备及存储介质
技术领域
本发明涉及地质分析技术领域，更具体地说，涉及一种储层厚度预测方法、装置、设备及存储介质。
背景技术
储层厚度是影响碎屑岩油藏地质储量和产能的重要参数，多数情况下，储层厚度越大则油气储量也越大，产能也越高，如河流相点坝砂体厚度大于溢岸砂体，则点坝砂体的油气储量和产量都大于溢岸砂体。目前已经存在储层厚度的井筒预测方法，但是发明人发现，由于碎屑岩储层厚度空间变化复杂，当井间储层厚度小于地震数据1/4波长时，基于地震资料的储层厚度预测误差较大，准确性较低。
发明内容
本发明的目的是提供一种储层厚度预测方法、装置、设备及存储介质，能够有效提高储层厚度预测的准确性。
为了实现上述目的，本发明提供如下技术方案：
一种储层厚度预测方法，包括：
确定需实现储层厚度预测的层段为目的层段，统计所述目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；
确定与n个所述储层厚度分布区间一一对应的n个地震频段，将各所述指定位置的地震数据分解为n个所述地震频段的子地震数据，从各所述子地震数据中提取属于所述目的层段的地震属性；
确定各所述指定位置的子地震数据及地震属性为输入数据，各所述指定位置的储层厚度为训练标签，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型；
利用所述预测模型预测任意位置所述目的层段的储层厚度。
优选的，确定与n个所述储层厚度分布区间一一对应的n个地震频段，包括：
计算各所述储层厚度分布区间的平均储层厚度，确定分别与各所述平均储层厚度对应的最佳地震频率，确定以各所述最佳地震频率为平均地震频率、频宽为预设频宽且地震频率连续的n个地震频段。
优选的，从各所述子地震数据中提取属于所述目的层段的地震属性，包括：
从各所述子地震数据中提取属于所述目的层段的预先指定的地震属性；其中，所述预先指定的地震属性为用于实现储层厚度预测时的最佳地震属性。
优选的，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型，包括：
确定初始的循环神经网络为当前神经网络，将所述输入数据划分为训练数据及检测数据，利用所述训练数据及对应训练标签对当前神经网络进行训练，利用所述检测数据及对应训练标签对训练完成的当前神经网络进行检测，如果检测的结果为当前神经网络的预测准确性达到准确性阈值，则确定当前神经网络为预测模型，否则，对当前神经网络进行参数调整，确定进行参数调整完成的当前神经网络为当前神经网络，返回执行利用所述训练数据及对应训练标签对当前神经网络进行训练的步骤。
优选的，返回执行利用所述训练数据及对应训练标签对当前神经网络进行训练的步骤之前，还包括：
判断利用所述训练数据及对应训练标签对当前神经网络进行训练的次数是否达到次数阈值，如果是，则输出相应的告警信息，否则，执行返回执行利用所述训练数据及对应训练标签对当前神经网络进行训练的步骤的步骤。
优选的，利用所述预测模型预测任意位置所述目的层段的储层厚度之后，还包括：
将预测得到的储层厚度显示在预先设置的地质地图的对应位置处。
优选的，所述循环神经网络为长短期记忆循环神经网络。
一种储层厚度预测装置，包括：
统计模块，用于：确定需实现储层厚度预测的层段为目的层段，统计所述目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；
分解模块，用于：确定与n个所述储层厚度分布区间一一对应的n个地震频段，将各所述指定位置的地震数据分解为n个所述地震频段的子地震数据，从各所述子地震数据中提取属于所述目的层段的地震属性；
训练模块，用于：确定各所述指定位置的子地震数据及地震属性为输入数据，各所述指定位置的储层厚度为训练标签，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型；
预测模块，用于：利用所述预测模型预测任意位置所述目的层段的储层厚度。
一种储层厚度预测设备，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时实现如上任一项所述储层厚度预测方法的步骤。
一种计算机可读存储介质，所述计算机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实现如上任一项所述储层厚度预测方法的步骤。
本发明提供了一种储层厚度预测方法、装置、设备及存储介质，该方法包括：确定需实现储层厚度预测的层段为目的层段，统计所述目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；确定与n个所述储层厚度分布区间一一对应的n个地震频段，将各所述指定位置的地震数据分解为n个所述地震频段的子地震数据，从各所述子地震数据中提取属于所述目的层段的地震属性；确定各所述指定位置的子地震数据及地震属性为输入数据，各所述指定位置的储层厚度为训练标签，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型；利用所述预测模型预测任意位置所述目的层段的储层厚度。本申请在得到目的层段的多个储层厚度分布区间后，将地震数据分解成能够有效识别每个储层厚度分布区间内储层厚度预测的多个地震频段的子地震数据，由子地震数据中提取到地震属性，利用子地震数据、地震属性及对应的储层厚度实现循环神经网络的训练，从而利用训练得到的预测模型实现任意位置目的层段的储层厚度的预测。其中，由于地震数据由不同频率成分组成，而不同储层厚度仅在相应的地震频率上具有较好的响应，因此本申请在利用地震数据实现模型训练前，先将地震数据分解成对主要储层厚度敏感的多个频段的子地震数据，从而综合多个频段的地震数据能够更准确所在空间内的储层厚度；并且，本申请利用循环神经网络考虑不同频段地震数据之间的内在衍生关系，从而挖掘出不同频段地震数据对特定厚度储层的有效响应信息，建立起多频段地震数据与储层厚度间精准的计算模型，进而利用该模型实现储层厚度的预测，有效提高了储层厚度预测时的准确性。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种储层厚度预测方法的流程图；
图2为本发明实施例提供的一种储层厚度预测方法中储层厚度分布的直方图；
图3为本发明实施例提供的一种储层厚度预测方法中地震数据频谱示意图；
图4为本发明实施例提供的一种储层厚度预测方法中子地震数据频谱示意图；
图5为本发明实施例提供的一种储层厚度预测方法中目的层段地震属性的平面分布图；
图6为本发明实施例提供的一种储层厚度预测方法中储层厚度分布的平面图；
图7为本发明实施例提供的一种储层厚度预测方法中训练数据选取示意图；
图8为本发明实施例提供的一种储层厚度预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，其示出了本发明实施例提供的一种储层厚度预测方法的流程图，可以包括：
S11：确定需实现储层厚度预测的层段为目的层段，统计目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间。
本发明实施例提供的一种储层厚度预测方法的执行主体可以为对应的储层厚度预测装置。需要说明的是，本申请实施例具体可以是预测碎屑岩油藏三维空间的储层厚度，当然也可以是预测其他三维空间的储层厚度，均在本发明的保护范围之内；以下以预测碎屑岩油藏三维空间的储层厚度进行具体说明，碎屑岩油藏三维空间的储层厚度在三维空间变化复杂，地震资料是唯一覆盖储层三维空间的数据，因此本实施例中基于地震数据，结合测井所得数据实现储层厚度的预测。
储层、层段、储层厚度、地震层位等专业术语与现有技术中对应概念的含义相同，目的层段为需要实现储层厚度预测的层段，指定位置可以为井所在位置，由井得到的数据可以分析出井所在位置目的层段的储层厚度，也即基于碎屑岩油藏的储层和非储层的井响应差异，可以在单井上区分目的层段的储层和非储层，进而得到目的层段的储层的储层厚度，其中，利用测井所得数据分析井所在位置某层段的储层厚度的技术方案与现有技术中对应技术方案的实现原理相同，在此不再赘述；在确定出每个指定位置处目的层段的储层厚度后，可以统计每个指定位置处目的层段的储层厚度分布，得到由薄到厚的n个储层厚度分布区间；其中，n为大于1的整数，其具体取值可以根据实际需要进行设定，如n可以为4，此时储层厚度分布的直方图可以如图2所示。
S12：确定与n个储层厚度分布区间一一对应的n个地震频段，将各指定位置的地震数据分解为n个地震频段的子地震数据，从各子地震数据中提取属于目的层段的地震属性。
发明人经研究发现，不同地震频段的地震数据预测实现相应储层厚度分布区间的储层厚度预测具有较好的效果，高频段地震数据对薄储层的响应更好，而低频段地震数据对厚储层的响应较好，因此，在确定出n个储层厚度分布区间后，可以通过预先分析得到的对应关系，确定出与每个储层厚度分布区间对应的地震频段，对于任意储层厚度分布区间来说，对应的地震频段的地震数据用于实现该任意储层厚度分布区间内的储层厚度预测具有较好的效果。为了在实现不同储层厚度分布区间的储层厚度预测，在确定出与n个储层厚度分布区间一一对应的n个地震频段之后，可以将指定位置的地震数据分解为该n个地震频段的子地震数据，其中，指定位置地震数据则为距离井最近的位置获得的有效的地震数据；进而利用子地震数据及从中提取的地震属性实现对应储层厚度分布区间的储层厚度的预测。
在得到n个子地震数据后，可以从各个地震数据中提取到目的层段的地震属性，具体来说，提取目的层段的地震属性时可以是提取目的层段的地震层位的地震属性，可以预先按照现有技术通过井震标定确定出目的层段的地震层位，进而在提取地震属性时，以目的层段的地震层位为约束，分别提取n个地震频段的子地震数据中的地震属性，也即提取位于目的层段的地震层位内的相应地震属性；其中，地震数据、地震属性与现有技术中对应概念的含义相同，地震数据具体可以指叠后地震数据，地震属性具体可以包括均方根振幅、最大振幅、瞬时频率等，地震数据的频谱可以如图3所示，当n为4时对地震数据分解得到的4个子地震数据的频谱可以如图4所示，而目的层段地震属性的平面分布图可以如图5所示。
S13：确定各指定位置的子地震数据及地震属性为输入数据，各指定位置的储层厚度为训练标签，利用输入数据及对应训练标签训练循环神经网络，得到预测模型。
在得到n个地震频段的子地震数据及地震属性之后，可以将子地震数据及地震属性作为输入数据，同一指定位置的子地震数据及地震属性与该指定位置的储层厚度具体对应关系，而该指定位置的储层厚度则作为该指定位置的子地震数据及地震属性的训练标签，从而利用输入数据及输入数据的训练标签实现循环神经网络的训练，得到用于实现目的层段的储层厚度预测的预测模型。其中，循环神经网络可以以修正线性单元函数为激活函数，以交叉熵函数为损失函数，当然还可以根据实际需要进行设定，均在本发明的保护范围之内。另外，本申请实施例中作为输入数据的子地震数据及地震属性均可以为由子地震数据的数据体中提取到的、根据实际需要设定的一定数量的点对应的地震数据及地震属性，当然也可以根据实际需要进行其他设置。
S14：利用预测模型预测任意位置目的层段的储层厚度。
在得到预测模型之后，如果需要对任意位置的目的层段储层厚度进行预测，可以获取该任意位置的地震数据，将该任意位置的地震数据分解为n个地震频段的子地震数据，然后从这n个地震频段的子地震数据中提取到地震属性，最终将该任意位置对应的子地震数据及地震属性输入至预测模型，预测模型输出的结果则为该任意位置的储层厚度，从而实现碎屑岩油藏三维空间储层厚度预测，图6则为一种具体应用场景下储层厚度分布的平面图。另外，利用预测模型实现预测及对预测模型进行训练测试等时输入至预测模型的数据(此处所指的数据为不包括训练标签的子地震数据及地震属性)位数相同。
另外，本申请实施例实现地震数据的分解时具体可以是基于变分模态分解算法实现的，以通过这种算法实现地震数据的有效快速分解。
本申请在得到目的层段的多个储层厚度分布区间后，将地震数据分解成能够有效识别每个储层厚度分布区间内储层厚度预测的多个地震频段的子地震数据，由子地震数据中提取到地震属性，利用子地震数据、地震属性及对应的储层厚度实现循环神经网络的训练，从而利用训练得到的预测模型实现任意位置目的层段的储层厚度的预测。其中，由于地震数据由不同频率成分组成，而不同储层厚度仅在相应的地震频率上具有较好的响应，因此本申请在利用地震数据实现模型训练前，先将地震数据分解成对主要储层厚度敏感的多个频段的子地震数据，从而综合多个频段的地震数据能够更准确所在空间内的储层厚度；并且，本申请利用循环神经网络考虑不同频段地震数据之间的内在衍生关系，从而挖掘出不同频段地震数据对特定厚度储层的有效响应信息，建立起多频段地震数据与储层厚度间精准的计算模型，进而利用该模型实现储层厚度的预测，有效提高了储层厚度预测时的准确性。
本发明实施例提供的一种储层厚度预测方法，确定与n个储层厚度分布区间一一对应的n个地震频段，可以包括：
计算各储层厚度分布区间的平均储层厚度，确定分别与各平均储层厚度对应的最佳地震频率，确定以各最佳地震频率为平均地震频率、频宽为预设频宽且地震频率连续的n个地震频段。
在确定与n个储层厚度分布区间一一对应的n个地震频段时，可以计算井上统计的n个储层厚度分布区间的平均储层厚度，进而确定出与每个平均储层厚度对应的最佳地震频率，以每个最佳地震频率为中心，以预先设定的频宽为频宽得到相应的n个地震频段，多个地震频段包含的频率均是连续的；通过这种方式可以有效快速的实现地震频段的确定。
本发明实施例提供的一种储层厚度预测方法，从各子地震数据中提取属于目的层段的地震属性，可以包括：
从各子地震数据中提取属于目的层段的预先指定的地震属性；其中，预先指定的地震属性为用于实现储层厚度预测时的最佳地震属性。
需要说明的是，不同的地震属性可能在实现储层厚度预测时所得到的效果不同，因此发明人经研究确定出在实现储层厚度预测时能够达到效果最好的地震属性为最佳地震属性，进而在从子地震数据中提取地震属性时仅提取最佳地震属性(包括用于实现模型训练的子地震数据及用于实现预测的子地震数据)，利用最佳地震属性实现储层厚度预测，能够进一步提高储层厚度预测时的准确性。
本发明实施例提供的一种储层厚度预测方法，利用输入数据及对应训练标签训练循环神经网络，得到预测模型，可以包括：
确定初始的循环神经网络为当前神经网络，将输入数据划分为训练数据及检测数据，利用训练数据及对应训练标签对当前神经网络进行训练，利用检测数据及对应训练标签对训练完成的当前神经网络进行检测，如果检测的结果为当前神经网络的预测准确性达到准确性阈值，则确定当前神经网络为预测模型，否则，对当前神经网络进行参数调整，确定进行参数调整完成的当前神经网络为当前神经网络，返回执行利用训练数据及对应训练标签对当前神经网络进行训练的步骤。
在实现模型训练时，可以将目的层段各井的井旁地震道(距离井最近的地震道)n个频段的地震属性及子地震数据作为输入数据，对应的井上分析的储层厚度作为训练标签，进而将输入数据划分为训练集及检测集(训练集包括训练数据，检测集包括检测数据)，如可以将输入数据中的80％用作训练集，其余作为检测集，具体的训练数据选取示意图可以如图7所示。其中，准确性阈值可以根据实际需要进行设定，通过上述方式实现模型训练，能够使得训练得到的预测模型的预测准确性达到准确性阈值，也即预测模型具有较高的准确性，进而实现较高准确性的储层厚度的预测。另外，当前神经网络的预测准确性则为向当前神经网络输入检测数据后，输出的结果中正确的结果占输入至当前神经网络的检测数据的全部结果的百分比。
本发明实施例提供的一种储层厚度预测方法，返回执行利用训练数据及对应训练标签对当前神经网络进行训练的步骤之前，还可以包括：
判断利用训练数据及对应训练标签对当前神经网络进行训练的次数是否达到次数阈值，如果是，则输出相应的告警信息，否则，执行返回执行利用训练数据及对应训练标签对当前神经网络进行训练的步骤的步骤。
如果实现模型训练的次数达到根据实际需要设定的次数阈值，如10、15等，则说明模型训练过程中可能出现需要人为干预解决的问题，因此此时不再重复进行模型训练，而是将相应的告警信息输出至终端或者屏幕等，以供相应人员获取后进行人为干预解决，从而避免了无效的模型训练导致的资源浪费等。
本发明实施例提供的一种储层厚度预测方法，利用预测模型预测任意位置目的层段的储层厚度之后，还可以包括：
将预测得到的储层厚度显示在预先设置的地质地图的对应位置处。
为了方便工作人员可以直观的获知储层厚度及储层厚度的位置，可以在预先设置的地质地图中先确定出需要预测储层厚度的位置，进而在该位置处标示处预测得到的储层厚度，且不同的储层厚度分布区间的储层厚度可以利用不用颜色进行标示，从而进一步方便查看。
本发明实施例提供的一种储层厚度预测方法，循环神经网络可以为长短期记忆循环神经网络，从而保证对地震数据之间关联性的充分学习；当然根据实际需要进行选取的其他设置也均在本发明的保护范围之内。
在一种具体应用场景中，本申请公开的储层厚度预测方法可以包括以下过程：
一、基础数据库建立
1.单井储层厚度分析：基于碎屑岩油藏的储层和非储层井响应差异，在单井上区分目的层段的储层和非储层，统计井上储层厚度分布，得到由薄到厚的4个储层厚度主要分布区间(图2：储层厚度分布直方图)。
2.地震数据频率分解：通过井震标定，确定目的层段的地震层位。计算井上统计的4个储层厚度分布区间的平均储层厚度对应的最佳地震频率，以计算出的4个最佳地震频率为中心频率得到4个地震频段，将目的层段的地震数据利用变分模态分解算法分解成为4个地震频段的子地震数据(图3、图4：地震数据及分解后子地震数据的频谱图)。
3.地震属性提取：以碎屑岩油藏目的层段的地震层位为约束，分别提取4个不同地震频段地震数据的均方根振幅、最大振幅、瞬时频率等多个地震属性(图5：目的层段地震属性平面分布图)。
二、循环神经网络训练
1.输入数据集构建：将目的层段多个井的井旁地震道4个频段的地震属性及子地震数据作为输入数据，井上分析的储层厚度作为训练标签。
2.训练集和检测集划分：将数据集的输入数据中80％的数据用作训练集，用作训练集的数据覆盖范围超过预测总体范围的80％(图7：训练数据选取示意图)，余下的输入数据作为检测集。
3.模型训练：以修正线性单元函数为激活函数，交叉熵函数为损失函数，将不同的地震属性及子地震数据的组合输入长短期记忆循环神经网络，优选出储层预测厚度准确率最高且在检测集上的储层厚度预测准确率大于90％的输入地震属性组合，完成模型训练。
三、储层厚度预测
将待预测的多频段地震属性及子地震数据输入训练完毕的循环神经网络，输出对应的储层厚度，从而实现碎屑岩油藏三维空间储层厚度预测(图6：储层厚度分布平面图)。
本申请公开的上述技术方案基于井上储层厚度分布信息，使用变分模态分解算法将原始地震数据分解成为能够有效预测三维空间储层厚度的4个频段地震数据；并且使用原始的地震数据分解出的多频段地震数据及从中提取的属性作为循环神经网络的输入，利用长短期记忆循环神经网络模型对输入数据内在关系的耦合能力，挖掘不同频段地震数据之间的内在衍生关系，准确预测碎屑岩油藏三维空间的储层厚度。
本发明实施例还提供了一种储层厚度预测装置，如图8所示，可以包括：
统计模块11，用于：确定需实现储层厚度预测的层段为目的层段，统计目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；
分解模块12，用于：确定与n个储层厚度分布区间一一对应的n个地震频段，将各指定位置的地震数据分解为n个地震频段的子地震数据，从各子地震数据中提取属于目的层段的地震属性；
训练模块13，用于：确定各指定位置的子地震数据及地震属性为输入数据，各指定位置的储层厚度为训练标签，利用输入数据及对应训练标签训练循环神经网络，得到预测模型；
预测模块14，用于：利用预测模型预测任意位置目的层段的储层厚度。
本发明实施例提供的一种储层厚度预测装置，分解模块可以包括：
计算单元，用于：计算各储层厚度分布区间的平均储层厚度，确定分别与各平均储层厚度对应的最佳地震频率，确定以各最佳地震频率为平均地震频率、频宽为预设频宽且地震频率连续的n个地震频段。
本发明实施例提供的一种储层厚度预测装置，分解模块可以包括：
提取单元，用于：从各子地震数据中提取属于目的层段的预先指定的地震属性；其中，预先指定的地震属性为用于实现储层厚度预测时的最佳地震属性。
本发明实施例提供的一种储层厚度预测装置，训练模块可以包括：
训练单元，用于：确定初始的循环神经网络为当前神经网络，将输入数据划分为训练数据及检测数据，利用训练数据及对应训练标签对当前神经网络进行训练，利用检测数据及对应训练标签对训练完成的当前神经网络进行检测，如果检测的结果为当前神经网络的预测准确性达到准确性阈值，则确定当前神经网络为预测模型，否则，对当前神经网络进行参数调整，确定进行参数调整完成的当前神经网络为当前神经网络，返回执行利用训练数据及对应训练标签对当前神经网络进行训练的步骤。
本发明实施例提供的一种储层厚度预测装置，还可以包括：
判断模块，用于：返回执行利用训练数据及对应训练标签对当前神经网络进行训练的步骤之前，判断利用训练数据及对应训练标签对当前神经网络进行训练的次数是否达到次数阈值，如果是，则输出相应的告警信息，否则，执行返回执行利用训练数据及对应训练标签对当前神经网络进行训练的步骤的步骤。
本发明实施例提供的一种储层厚度预测装置，还可以包括：
显示模块，用于：利用预测模型预测任意位置目的层段的储层厚度之后，将预测得到的储层厚度显示在预先设置的地质地图的对应位置处。
本发明实施例还提供了一种储层厚度预测设备，可以包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上任一项储层厚度预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可以实现如上任一项储层厚度预测方法的步骤。
需要说明的是，本发明实施例提供的一种储层厚度预测装置、设备及存储介质中相关部分的说明请参见本发明实施例提供的一种储层厚度方法中对应部分的详细说明，在此不再赘述。另外，本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种储层厚度预测方法，其特征在于，包括：
确定需实现储层厚度预测的层段为目的层段，统计所述目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；
确定与n个所述储层厚度分布区间一一对应的n个地震频段，将各所述指定位置的地震数据分解为n个所述地震频段的子地震数据，从各所述子地震数据中提取属于所述目的层段的地震属性；
确定各所述指定位置的子地震数据及地震属性为输入数据，各所述指定位置的储层厚度为训练标签，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型；
利用所述预测模型预测任意位置所述目的层段的储层厚度。
2.根据权利要求1所述的方法，其特征在于，确定与n个所述储层厚度分布区间一一对应的n个地震频段，包括：
计算各所述储层厚度分布区间的平均储层厚度，确定分别与各所述平均储层厚度对应的最佳地震频率，确定以各所述最佳地震频率为平均地震频率、频宽为预设频宽且地震频率连续的n个地震频段。
3.根据权利要求2所述的方法，其特征在于，从各所述子地震数据中提取属于所述目的层段的地震属性，包括：
从各所述子地震数据中提取属于所述目的层段的预先指定的地震属性；其中，所述预先指定的地震属性为用于实现储层厚度预测时的最佳地震属性。
4.根据权利要求3所述的方法，其特征在于，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型，包括：
确定初始的循环神经网络为当前神经网络，将所述输入数据划分为训练数据及检测数据，利用所述训练数据及对应训练标签对当前神经网络进行训练，利用所述检测数据及对应训练标签对训练完成的当前神经网络进行检测，如果检测的结果为当前神经网络的预测准确性达到准确性阈值，则确定当前神经网络为预测模型，否则，对当前神经网络进行参数调整，确定进行参数调整完成的当前神经网络为当前神经网络，返回执行利用所述训练数据及对应训练标签对当前神经网络进行训练的步骤。
5.根据权利要求4所述的方法，其特征在于，返回执行利用所述训练数据及对应训练标签对当前神经网络进行训练的步骤之前，还包括：
判断利用所述训练数据及对应训练标签对当前神经网络进行训练的次数是否达到次数阈值，如果是，则输出相应的告警信息，否则，执行返回执行利用所述训练数据及对应训练标签对当前神经网络进行训练的步骤的步骤。
6.根据权利要求5所述的方法，其特征在于，利用所述预测模型预测任意位置所述目的层段的储层厚度之后，还包括：
将预测得到的储层厚度显示在预先设置的地质地图的对应位置处。
7.根据权利要求6所述的方法，其特征在于，所述循环神经网络为长短期记忆循环神经网络。
8.一种储层厚度预测装置，其特征在于，包括：
统计模块，用于：确定需实现储层厚度预测的层段为目的层段，统计所述目的层段在多个指定位置的储层厚度的分布，得到n个储层厚度分布区间；
分解模块，用于：确定与n个所述储层厚度分布区间一一对应的n个地震频段，将各所述指定位置的地震数据分解为n个所述地震频段的子地震数据，从各所述子地震数据中提取属于所述目的层段的地震属性；
训练模块，用于：确定各所述指定位置的子地震数据及地震属性为输入数据，各所述指定位置的储层厚度为训练标签，利用所述输入数据及对应训练标签训练循环神经网络，得到预测模型；
预测模块，用于：利用所述预测模型预测任意位置所述目的层段的储层厚度。
9.一种储层厚度预测设备，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时实现如权利要求1至7任一项所述储层厚度预测方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述储层厚度预测方法的步骤。
CN202010461822.5A 2020-05-27 2020-05-27 一种储层厚度预测方法、装置、设备及存储介质 Pending CN111581890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010461822.5A CN111581890A (zh) 2020-05-27 2020-05-27 一种储层厚度预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010461822.5A CN111581890A (zh) 2020-05-27 2020-05-27 一种储层厚度预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111581890A true CN111581890A (zh) 2020-08-25

Family

ID=72111346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010461822.5A Pending CN111581890A (zh) 2020-05-27 2020-05-27 一种储层厚度预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111581890A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358042A (zh) * 2021-06-30 2021-09-07 长江存储科技有限责任公司 一种测量膜厚的方法
CN115657132A (zh) * 2022-12-29 2023-01-31 成都捷科思石油天然气技术发展有限公司 一种基于机器学习的储层预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444619A (en) * 1993-09-27 1995-08-22 Schlumberger Technology Corporation System and method of predicting reservoir properties
CN101158724A (zh) * 2007-09-14 2008-04-09 中国石油集团西北地质研究所 基于偶极小波的储层厚度预测方法
CN109188520A (zh) * 2018-09-17 2019-01-11 中国石油天然气股份有限公司 薄储层厚度预测方法及装置
CN109633750A (zh) * 2019-01-18 2019-04-16 中国地质大学（北京） 基于测井相波阻抗与地震波形的非线性映像关系反演方法
CN109709612A (zh) * 2018-11-07 2019-05-03 中国石油大学(北京) 砂体分布预测方法、装置、设备及可读存储介质
CN109765609A (zh) * 2019-01-30 2019-05-17 中国石油大学(北京) 一种基于目的层与相邻层地震属性的砂体预测方法及系统
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444619A (en) * 1993-09-27 1995-08-22 Schlumberger Technology Corporation System and method of predicting reservoir properties
CN101158724A (zh) * 2007-09-14 2008-04-09 中国石油集团西北地质研究所 基于偶极小波的储层厚度预测方法
CN109188520A (zh) * 2018-09-17 2019-01-11 中国石油天然气股份有限公司 薄储层厚度预测方法及装置
CN109709612A (zh) * 2018-11-07 2019-05-03 中国石油大学(北京) 砂体分布预测方法、装置、设备及可读存储介质
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
CN109633750A (zh) * 2019-01-18 2019-04-16 中国地质大学（北京） 基于测井相波阻抗与地震波形的非线性映像关系反演方法
CN109765609A (zh) * 2019-01-30 2019-05-17 中国石油大学(北京) 一种基于目的层与相邻层地震属性的砂体预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘洋: "基于相控神经网络的地震多属性储层厚度预测" *
李伟 等: "分频段地震属性优选及砂体预测方法-秦皇岛32-6油田北区实例" *
赵俊威 等: "中高渗油藏开发流体势对剩余油分布控制机理" *
陆光辉,吴官生,朱玉波,王利红,靖莉琴,赵莉: "地震属性信息预测储层厚度" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358042A (zh) * 2021-06-30 2021-09-07 长江存储科技有限责任公司 一种测量膜厚的方法
CN113358042B (zh) * 2021-06-30 2023-02-14 长江存储科技有限责任公司 一种测量膜厚的方法
CN115657132A (zh) * 2022-12-29 2023-01-31 成都捷科思石油天然气技术发展有限公司 一种基于机器学习的储层预测方法及系统
CN115657132B (zh) * 2022-12-29 2023-03-10 成都捷科思石油天然气技术发展有限公司 一种基于机器学习的储层预测方法及系统

Similar Documents

Publication Publication Date Title
Tang et al. Hyd R un: a MATLAB toolbox for rainfall–runoff analysis
US11016214B2 (en) Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium
EP2491537B1 (en) Computer implemented method for estimating geological architecture of a geologic volume
CN110308487B (zh) 一种断溶体型油藏定量表征方法
CN109115987B (zh) 一种基于岩石物理模型的流体因子的评价方法及装置
US11060899B2 (en) Method for determining a maximum allowable volume of water that can be removed over time from an underground water source
CN111581890A (zh) 一种储层厚度预测方法、装置、设备及存储介质
US10890688B2 (en) Method for generating secondary data in geostatistics using observed data
CN105277979B (zh) 一种地震属性的优化方法和装置
CN106650446A (zh) 基于系统调用的恶意程序行为识别方法和系统
Holliday et al. Using earthquake intensities to forecast earthquake occurrence times
CN104143115A (zh) 地质雷达技术实现土壤含水性分类识别的技术方法
US20150032377A1 (en) System and method for remaining resource mapping
CN110991079A (zh) 基于神经网络的油气藏参数解释方法、装置及电子设备
Lara et al. A real-time microearthquakes-detector based on voice activity detection and endpoint detection: An approach to Cotopaxi Volcano
CN106487570A (zh) 一种评估网络性能指标变化趋势的方法及设备
US20190331803A1 (en) Radioactivity measurement method and radioactivity measurement system
CN112288243B (zh) 一种煤中伴生金属资源评价方法及装置
Schuenemeyer et al. Uncertainty estimation for resource assessment—an application to coal
CN111815769B (zh) 逆冲推覆构造带构造的建模方法、计算设备及存储介质
WO2021206755A1 (en) Systems and methods for evaluating a simulation model of a hydrocarbon field
CN110232023B (zh) 一种基于卷积神经网络的软件缺陷定位方法、装置和介质
CN115344980A (zh) 平均地层压力的确定方法、装置、存储介质及电子装置
CN115903025A (zh) 一种微震监测的岩爆智能化预测方法、装置及计算机设备
CN105654114A (zh) 一种文献查新的方法及装置

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