CN111596354B - 一种机器学习框架下考虑空间约束的地震储层预测方法 - Google Patents
一种机器学习框架下考虑空间约束的地震储层预测方法 Download PDFInfo
- Publication number
- CN111596354B CN111596354B CN202010392227.0A CN202010392227A CN111596354B CN 111596354 B CN111596354 B CN 111596354B CN 202010392227 A CN202010392227 A CN 202010392227A CN 111596354 B CN111596354 B CN 111596354B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- sub
- seismic
- region
- learning framework
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000012530 fluid Substances 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000011435 rock Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000013507 mapping 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
本发明涉及一种机器学习框架下考虑空间约束的地震储层预测方法,包括以下步骤:1)构建学习样本;2)将预测区域划分为多个子区域,并为每个子区域指定训练样本权重;3)根据每个子区域对应的加权后的学习样本,采用XGBOOST算法建立并训练机器学习模型;4)采用学习后的机器学习模型分别获取每个子区域的预测结果,即每个子区域的岩性及流体类型。与现有技术相比,本发明具有考虑地质和空间约束、改善预测结果等优点。
Description
技术领域
本发明涉及地球物理领域,尤其是涉及一种机器学习框架下考虑空间约束的地震储层预测方法。
背景技术
地震储层预测对于构建地质模型、储层非均质性精细刻画、降低勘探开发风险都具有重要意义,这通常依赖于从地震数据中提取的地震属性和叠前弹性参数反演进行储层空间分布预测。
在机器学习框架下常联合测井和地震数据开展岩性、流体和地质特征的空间分布预测,这些来自测井和钻井数据的训练样通常被赋予相同的权重,而忽略了地质和空间距离对目标区域储层地震预测的约束,导致地震储层预测结果不精确,出现错误的结果。
传统的地震流体识别主要是基于一些弹性特征(如纵横波速度比)的阈值、或是基于多种弹性参数结合的流体识别因子。这些地震流体识别方法主要适应于孔隙度很高的浅层储层,一方面的孔隙度很高时会放大流体作用,另外一方面浅层储层的流体自身的弹性性质差异很大。但这些单纯基于弹性参数驱动的流体识别用于中深层或复杂岩性油气藏时往往带来很大的不确定性,因为其储层流体类型和弹性特征的映射关系变得模糊起来,且往往受物性参数影响较大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种机器学习框架下考虑空间约束的地震储层预测方法,用以在空间约束条件下对储层和地质特征的(泥岩、含水砂岩、含气砂岩)空间分布进行预测。
本发明的目的可以通过以下技术方案来实现:
1.一种机器学习框架下考虑空间约束的地震储层预测方法,包括以下步骤:
1)构建学习样本;
2)将预测区域划分为多个子区域,并为每个子区域指定训练样本权重;
3)根据每个子区域对应的加权后的学习样本,采用XGBOOST算法建立并训练机器学习模型;
4)采用学习后的机器学习模型分别获取每个子区域的预测结果,即每个子区域的岩性及流体类型。
所述的步骤1)具体为:
根据钻井和测井数据获取地层的岩性及流体类型标签以及对应的弹性特征数据或地震属性数据集合,并将其作为学习样本。
所述的岩性及流体类型包括泥岩、含水砂岩和含气砂岩。
所述的弹性特征数据包括纵波阻抗IP和横波阻抗IS。
所述的地震属性数据集合由纵波阻抗和横波阻抗构造获得,具体为:
在地震属性数据集合中,IP+IS、IP-IS、IP*IS三项属性为纵横波阻抗通过数学运算构造所得,为纵横波阻抗比,IP2-2IS2、IPsin160°+IScos160°均为弹性属性-流体指示因子,为弹性属性泊松比。
所述的步骤2)中,预测区域平面以250个数据采样单位为间隔在横向和纵向上进行网格切分,完成子区域的划分。
所述的步骤2)中,每个子区域对应的样本权重weight随训练样本对应的测井所在位置到目标子区域中心的距离distance增加而衰减。
每个子区域的样本权重weight与训练样本对应的测井所在位置到目标子区域中心的距离distance符合指数型函数,则有:
weight=ae-b×distance
其中,a、b为参数。
当训练样本对应的测井所在位置到目标子区域中心的距离distance为0时,对应的样本权重weight值为1,当训练样本对应的测井所在位置到目标子区域中心的距离distance取最大值时,对应的样本权重weight值为0.001。
与现有技术相比,本发明具有以下优点:
一、本发明采用XGBOOST集成学习算法,它主要集成决策树中的CART(classification and regression tree),通过逐步极小化目标函数来创建基模型,组合多个弱分类器构成一个强分类器,集成学习在分类问题上的突出优势是其优秀的泛化能力,针对地球物理领域内流体类型-弹性特征的复杂非线性关系,具有很大的潜力,能够有效提升算法的预测能力
二、本发明从两个能从叠前地震反演中较为稳定、可靠地获得的特征(纵、横波阻抗)出发,利用数学变换和岩石物理领域知识构造出系列组合特征(地震属性数据集合)作为模型输入,从而尽可能地挖掘出基本弹性特征的价值。
三、本发明考虑了地质和空间因素对机器学习的影响,离目标区域近的训练样本应获得更高的权重,即在训练过程中得到更多的关注,权重随距离增加按指数型函数衰减,针对不同的目标区域建立不同的机器学习模型,从而提高岩性及流体类型的预测精度。
附图说明
图1为在机器学习中引入空间约束进行地震储层预测的流程图。
图2为不加空间约束的地震切片岩性及流体预测结果和区域划分示意图。
图3为引入空间约束的地震切片岩性及流体预测结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明将机器学习(XGBOOST算法)和地震储层预测相结合,根据目标区域与训练样本井的位置指定不同的权重,建立考虑空间约束的机器学习模型,从而有效改善预测结果。
本发明针对未知储层区域中测井数据有限并稀疏分布的情况,在机器学习中考虑地质和空间约束,有效改善了预测结果,根据训练样本到目标区域的距离对样本指定不同的权重,在机器学习中引入空间约束,首先将预测区域细分成若干个子区域,对子区域依次进行地震岩性及流体类型预测,按训练样本所在井的位置离目标区域的远近对样本指定权重,规定距离为0时权重为1,权重随距离增加按指数型函数衰减,对所有可用的测井数据指定权重后,建立机器学习模型,结合叠前地震反演弹性参数或地震属性对目标区域开展岩储层空间分布预测,有效提高预测准确率。
如图1所示,本发明的具体技术流程及原理如下:
1)建立学习样本:利用钻井和测井数据获取地层的岩性及流体类型(泥岩、含水砂岩、含气砂岩)标签及其对应的弹性特征数据(纵波阻抗和横波阻抗)或地震属性,该地震属性由弹性特征数据利用数学变换和岩石物理领域知识构造得到,即:
2)划分子区域:将预测区域细分成子区域。以预测目标为平面切片为例,将平面细分为若干个网格,具体网格数量需结合切片大小和计算量进行考虑;
3)为每个子区域指定训练样本权重,建立机器学习模型:样本权重根据其所在井位离目标区域距离增加按指数型函数weight=ae-b×distance衰减,其中参数a,b这样确定:使距离为0对应权重为1,距离为井间距离最大值对应权重为0.001,使用XGBOOST算法,利用1)中的基本弹性特征(纵波阻抗和横波阻抗)构造出地震属性作为模型输入,以岩性、流体类型为模型输出,同时赋予学习样本权重,即可建立对应子区域的机器学习模型;
4)对于每个子区域,使用XGBOOST算法,利用步骤1)中的弹性特征或地震属性作为模型输入,以岩性、流体类型为模型输出,同时赋予不同样本权重,即每个子区域建立相对应的机器学习模型;
5)地震数据应用:利用步骤四得到的各个子区域的XGBOOST模型,结合该区域对应的叠前地震反演弹性参数或地震属性,开展储层的空间分布预测。
实施例
图2为基于某工区五口井的测井数据,不加空间约束的地震切片岩性及流体预测结果和区域划分示意图,预测结果显示,含气砂岩主要分布在井W1附近,在W2和W3附近很少,这与测井数据反映的情况(含气砂岩只集中分布在W2和W3井)不一致,针对地震切片,将切片平面细分为80个网格(具体网格数量需结合切片大小和计算量进行考虑,本例中以250个数据采样单位为间隔,在横向和纵向上进行网格切分),以网格中心的位置坐标为网格的位置坐标。
图3为引入空间约束的地震切片岩性及流体预测结果,样本权重随其离目标区域距离增加按指数型函数weight=e-0.004×distance衰减,该函数这样确定:使距离为0对应权重为1,距离为五口井间距离最大值对应权重为0.001,可见此时的岩性及流体分布预测结果更符合测井数据反映的情况——含气砂岩集中分布于W2和W3周围,这证明了在机器学习中引入地质和空间约束的有效性。
Claims (9)
1.一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,包括以下步骤:
1)构建学习样本;
2)将预测区域划分为多个子区域,并为每个子区域指定训练样本权重,每个子区域对应的样本权重weight随训练样本对应的测井所在位置到目标子区域中心的距离distance增加而衰减;
3)根据每个子区域对应的加权后的学习样本,采用XGBOOST算法建立并训练机器学习模型;
4)采用学习后的机器学习模型分别获取每个子区域的预测结果,即每个子区域的岩性及流体类型。
2.根据权利要求1所述的一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,所述的步骤1)具体为:
根据钻井和测井数据获取地层的岩性及流体类型标签以及对应的弹性特征数据或地震属性数据集合,并将其作为学习样本。
3.根据权利要求2所述的一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,所述的岩性及流体类型包括泥岩、含水砂岩和含气砂岩。
4.根据权利要求2所述的一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,所述的弹性特征数据包括纵波阻抗IP和横波阻抗IS。
7.根据权利要求1所述的一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,所述的步骤2)中,预测区域平面以250个数据采样单位为间隔在横向和纵向上进行网格切分,完成子区域的划分。
8.根据权利要求1所述的一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,每个子区域的样本权重weight与训练样本对应的测井所在位置到目标子区域中心的距离distance符合指数型函数,则有:
weight=ae-b×distance
其中,a、b为参数。
9.根据权利要求8所述的一种机器学习框架下考虑空间约束的地震储层预测方法,其特征在于,当训练样本对应的测井所在位置到目标子区域中心的距离distance为0时,对应的样本权重weight值为1,当训练样本对应的测井所在位置到目标子区域中心的距离distance取最大值时,对应的样本权重weight值为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392227.0A CN111596354B (zh) | 2020-05-11 | 2020-05-11 | 一种机器学习框架下考虑空间约束的地震储层预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392227.0A CN111596354B (zh) | 2020-05-11 | 2020-05-11 | 一种机器学习框架下考虑空间约束的地震储层预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111596354A CN111596354A (zh) | 2020-08-28 |
CN111596354B true CN111596354B (zh) | 2021-06-04 |
Family
ID=72182318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010392227.0A Active CN111596354B (zh) | 2020-05-11 | 2020-05-11 | 一种机器学习框架下考虑空间约束的地震储层预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111596354B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434878B (zh) * | 2020-12-09 | 2022-09-20 | 同济大学 | 一种基于Cascade样本均衡的地震流体预测方法 |
CN113109875B (zh) * | 2021-04-30 | 2022-12-20 | 中海石油(中国)有限公司 | 一种全波形速度场约束下的盐下碳酸盐岩储层反演方法 |
CN114063162B (zh) * | 2021-11-05 | 2024-03-08 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习SVM Vp/Vs预测方法 |
CN115201909B (zh) * | 2022-07-06 | 2023-12-19 | 中国地震局地震预测研究所 | 一种地震活动断层段危险系数综合判定方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884824A (zh) * | 2017-10-25 | 2018-04-06 | 中国地质大学(武汉) | 一种叠前地震数据弹性参数反演问题的改进粒子群算法 |
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 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12061306B2 (en) * | 2017-05-31 | 2024-08-13 | ExxonMobil Technology and Engineering Company | Constructing structural models of the subsurface |
CN111079783B (zh) * | 2019-11-11 | 2022-11-08 | 东北石油大学 | 一种基于多核集成学习识别地层岩性参数的方法 |
-
2020
- 2020-05-11 CN CN202010392227.0A patent/CN111596354B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884824A (zh) * | 2017-10-25 | 2018-04-06 | 中国地质大学(武汉) | 一种叠前地震数据弹性参数反演问题的改进粒子群算法 |
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 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
Non-Patent Citations (2)
Title |
---|
"A gradient boosting decision tree algorithm combining synthetic minority oversampling technique for lithology identification";Kaibo Zhou etc.;《GEOPHYSICS》;20200508;第85卷(第4期);第147-157页 * |
"XGBoost算法在致密砂岩气储层测井解释中的应用";闫星宇 等;《石油地球物理勘探》;20190430;第54卷(第2期);第447-455页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111596354A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596354B (zh) | 一种机器学习框架下考虑空间约束的地震储层预测方法 | |
RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
US4646240A (en) | Method and apparatus for determining geological facies | |
RU2601535C1 (ru) | Идентификация кластеров ориентации по микросейсмическим данным | |
EP2795527B1 (en) | Systems and methods for selecting facies model realizations | |
CN110632657B (zh) | 泥岩涂抹型断层封闭性分析方法及装置 | |
CN110824563A (zh) | 一种基于Xgboost算法的储层岩性预测方法 | |
Kianoush et al. | Application of pressure-volume (PV) fractal models in modeling formation pressure and drilling fluid determination in an oilfield of SW Iran | |
CN107102379A (zh) | 一种基于多属性反演进行煤层底板富水性预测的方法 | |
CN103278852A (zh) | 利用地震数据体波形结构特征模型预测油气的方法 | |
CN114185083B (zh) | 一种碎屑岩地层中断层封闭性的定量评价方法 | |
CN113376692B (zh) | 致密砂岩气水平井压裂改造方案优化方法及装置 | |
CN106405638A (zh) | 一种含气饱和度确定方法和装置 | |
Naji et al. | Prediction of sonic shear wave using artificial neural network | |
RU2761935C1 (ru) | Способ локализации перспективных зон в нефтематеринских толщах | |
CN112505761B (zh) | 一种储层含气性检测方法和装置 | |
Gutierrez Oseguera et al. | Evaluation of Flow Units and Capillary Pressures of the Giant Chicontepec Tight Oil Paleochannel in Mexico and a Fresh Look at Drilling and Completions | |
Méndez et al. | Predicting and 3D modeling of karst zones using seismic facies analysis in Ordovician carbonates of the Tahe oilfield, China | |
CN110795513B (zh) | 河流相源储异位型致密油气甜点区分布的预测方法 | |
RU22830U1 (ru) | Автоматизированная система поиска, разведки и оценки эксплуатационных свойств залежей и месторождений полезных ископаемых и прогноза тектонических и литофизических свойств геологических сред | |
CN112505764A (zh) | 一种高孔隙含烃砂岩储层预测方法与装置 | |
CN112036430A (zh) | 一种基于随机森林算法的储层含油性预测方法 | |
Handhal et al. | Spatial Modeling of Hydrocarbon Productivity in the Nahr Umr Formation at the Luhais Oil Field, Southern Iraq | |
Qi et al. | Correlation of seismic attributes and geomechanical properties to the rate of penetration in the Mississippian Limestone, Oklahoma | |
CN113138412A (zh) | 深层页岩气孔隙度地震预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |