CN111612906B - 一种三维地质模型的生成方法、系统及计算机存储介质 - Google Patents

一种三维地质模型的生成方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN111612906B
CN111612906B CN202010448956.3A CN202010448956A CN111612906B CN 111612906 B CN111612906 B CN 111612906B CN 202010448956 A CN202010448956 A CN 202010448956A CN 111612906 B CN111612906 B CN 111612906B
Authority
CN
China
Prior art keywords
dimensional
geological model
data set
dimensional geological
array
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
CN202010448956.3A
Other languages
English (en)
Other versions
CN111612906A (zh
Inventor
胡勇
何文祥
高小洋
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.)
Yangtze University
Original Assignee
Yangtze University
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 Yangtze University filed Critical Yangtze University
Priority to CN202010448956.3A priority Critical patent/CN111612906B/zh
Publication of CN111612906A publication Critical patent/CN111612906A/zh
Application granted granted Critical
Publication of CN111612906B publication Critical patent/CN111612906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种三维地质模型的生成方法、系统及计算机存储介质，属于储层建模技术领域，解决了现有技术中难以很好的模拟三维地质储层的问题。一种三维地质模型的生成方法方法，包括以下步骤：获取待建模储层的基本参数，根据基本参数生成三维河道砂体储层模型；根据三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，根据隐向量，生成三维地质模型数组；根据具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率；根据具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型。本发明所述方法能够实现很好的模拟三维地质储层。

Description

一种三维地质模型的生成方法、系统及计算机存储介质
技术领域
本发明涉及储层建模技术领域，尤其是涉及一种三维地质模型的生成方法、系统及存储介质。
背景技术
致密油气是当今石油工业的一个新领域，由于致密储层中砂岩经压实和成岩作用后通常较致密，诸多地球物理特征与围岩差异不大，难以通过分辨率较低的地震资料对岩性在三维空间上进行准确描述；三维储层地质模型是精细油藏描述的核心，也是连接油藏地质与石油工程的桥梁，但传统的建模方法难以有效刻画储层的复杂砂体形态；目前在储层的三维地质建模研究中，国内外学者提出了很多建模方法；随着研究的深入，越来越多研究者认识到变差函数只能表征两点相关性，很难刻画储层复杂形态，难以满足建立精细三维地质储层模型的需要；
在两点地质统计学基础上发展出了多点地质统计学建模，它利用训练图像描述各点之间的相互关系，克服了基于目标方法条件化与两点变差函数储层形态的缺点；但多点地质统计学要求地质现象具备平稳性，由于储层的变异性复杂，不仅难以进行平稳变化，且参数获取也较为困难，造成多点地质统计学难以很好的模拟三维地质储层，如模拟的河道易出现中断的现象。
发明内容
有鉴于此，本发明提供了一种三维地质模型的生成方法、系统及计算机存储介质，解决现有技术中难以很好的模拟三维地质储层的技术问题。
一方面，本发明提供了一种三维地质模型的生成方法，包括以下步骤：获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型；
根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，根据所述隐向量，生成三维地质模型数组；
根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率；
根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型。
进一步地，所述获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型，具体包括，获取待建模储层的河道平均宽度、河道平均弯曲度以及河道方向，根据所述河道平均宽度、河道平均弯曲度以及河道方向生成三维河道砂体储层模型。
进一步地，根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，具体包括，
将所述三维河道砂体储层模型在垂向上划分为n个网格，形成具有n个二维数组的数据集；将具有n个二维数组的数据集组合为一个一维数组，通过两个层的神经网络将该数组进行压缩，得到三维地质模型的均值及方差；
通过公式得到隐向量，其中，为隐函数，为三维地质模型的均值，为三维地质模型的方差，为在均值为的高斯分布中随机抽取数据的个数，。
进一步地，所述根据所述隐向量，生成三维地质模型数组，具体包括，
将所述隐向量通过层神经网络生成与一维数组结构一样的数据，对所述数据
进行重排，生成一个具有n层的三维地质模型数组。
进一步地，所述三维地质模型的生成方法还包括，为所述三维河道砂体储层模型随机生成对应的训练条件数据集，将所述训练条件数据集通过一个多层的神经网络进行压缩，得到训练条件数据集的均值。
进一步地，根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，具体包括，
建立若干个卷积层，设定卷积核的大小，形成卷积神经网络，将具有n个二维数组的数据集、三维地质模型数组及对应的训练条件数据集分别输入到所述若干个卷积层中，生成n个二维数组的数据集、三维地质模型数组及训练条件数据集各自对应的特征矩阵；
根据所述生成n个二维数组的数据集、三维地质模型数组对应的特征矩阵在训练条件数据集对应的特征矩阵下的概率，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率。
进一步地，根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型，具体包括，
根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，判断所述三维地质模型数组的真实性，若为假，则获取损失函数，将所述损失函数的损失值反馈给神经网络和卷积神经网络，调整神经网络和卷积神经网络的参数，重新生成三维地质模型数组，得到最终的三维地质模型，若为真，所述三维地质模型数组即为最终的三维地质模型。
进一步地，所述获取损失函数，具体包括，根据公式
获取损失函数，其中，为原始损失函数，，，，为n个二维数组的数据集，为三维地质模型数组，为三维地质模型数组通过卷积神经网络得到的中间层上的特征，为具有n个二维数组的数据集通过卷积神经网络得到的中间层上的特征，为三维地质模型的均值，为三维地质模型的方差，为训练条件数据集对应的均值，，、表示期望，、表示分布。
另一方面，本发明还提供了一种三维地质模型的生成系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的三维地质模型的生成方法。
另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的三维地质模型的生成方法。
与现有技术相比，本发明的有益效果包括：通过获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型；根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，根据所述隐向量，生成三维地质模型数组；根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率；根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型；能够实现很好的模拟三维地质储层。
附图说明
图1是本发明实施例1所述的三维地质模型的生成方法的流程示意图；
图2是本发明实施例1所述的三维河道砂体模型示意图；
图3是本发明实施例1所述的训练条件数据集的示意图；
图4是本发明实施例1所述的研究区的井数据的示意图；
图5是本发明实施例1所述的砂体模型的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明实施例提供了一种三维地质模型的生成方法，其流程示意图，如图1所示，所述三维地质模型的生成方法，包括以下步骤：
步骤S1、获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型；
步骤S2、根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，根据所述隐向量，生成三维地质模型数组；
步骤S3、根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率；
步骤S4、根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型。
一个具体实施例中，以西湖凹陷古近系花港组为例，采用的硬件环境为NvidiaGTX 1660显卡，具有1408个流处理器，软件平台为pycharm，所配置的虚拟环境为tensorflow-gpu 1.11.0，该储层的河道平均宽度为500m，平均长宽比3.8，平均宽深比34.8，河道平均弯曲度为1.2，方向为东西向；
根据获取的基本参数，通过模拟软件生成若干个三维河道砂体储层模型，并通过模拟软件为每个三维河道砂体储层模型生成对应的训练条件数据集；通过Petrel软件基于目标的模拟方法随机生成了1000个三维河道砂体模型A，所述三维河道砂体模型（三维地质模型）的示意图，如图2所示，图2中显示了16个三维河道砂体储层模型，图2中黑色表示为泥岩，灰色表示为河道，白色表示为边滩；
再通过模拟软件为每个三维河道砂体储层模型A随机生成了一个对应的训练条件数据集y，三维河道砂体储层模型对应的训练条件数据集的示意图，如图3所示，图3中黑色表示为边滩，灰色表示为河道砂；
优选的，所述获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型，具体包括，获取待建模储层的河道平均宽度、河道平均弯曲度以及河道方向，根据所述河道平均宽度、河道平均弯曲度以及河道方向生成三维河道砂体储层模型。
优选的，根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，具体包括，
将所述三维河道砂体储层模型在垂向上划分为n个网格，形成具有n个二维数组的数据集；将具有n个二维数组的数据集组合为一个一维数组，通过两个多层的神经网络将该数组进行压缩，得到三维地质模型的均值及方差；
通过公式得到隐向量，其中，为隐函数，为三维地质模型的均值，为三维地质模型的方差，为在均值为的高斯分布中随机抽取数据的个数。
一个具体实施中，将三维河道砂体储层模型A二维化处理，即将三维河道砂体储层模型在垂向上按照建模要求划分为n个网格，每个三维河道砂体储层模型，则由n个二维图像垂向叠加组成，组成一个具有n个二维数组的数据集，将n个二维数组的数据集进行组合为一个大的一维数组，通过两个多层的神经网络将该数组进行压缩，最后得到三维地质模型的均值μ及方差δ2，可在训练过程中，通过梯度下降法不断地调整神经网络的参数，以不断地优化均值μ及方差δ2，通过公式得到的隐向量，此外，还为所述三维河道砂体储层模型随机生成对应的训练条件数据集，将所述训练条件数据集通过一个多层的神经网络进行压缩，得到训练条件数据集的均值此过程；上述即为建立编码器E的过程。
优选的，所述根据所述隐向量，生成三维地质模型数组，具体包括，
将所述隐向量通过层神经网络生成与一维数组结构一样的数据，对所述数据
进行重排，生成一个具有n层的三维地质模型数组；此过程即为建立解码器G的过程；需要是说明的是，所述三维地质模型数组的格式与具有n个二维数组的数据集格式一致；
优选的，所述三维地质模型的生成方法还包括，为所述三维河道砂体储层模型随机生成对应的训练条件数据集，将所述训练条件数据集通过一个多层的神经网络进行压缩，得到训练条件数据集的均值。
具体实施时，可在训练过程中通过梯度下降法，不断地调整神经网络的参数，以不断地优化均训练条件数据集的均值。
优选的，根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，具体包括，
建立若干个卷积层，设定卷积核（所述卷积核类似一个滤波器）的大小，形成卷积神经网络，将具有n个二维数组的数据集、三维地质模型数组及对应的训练条件数据集分别输入到所述若干个卷积层中，生成n个二维数组的数据集、三维地质模型数组及训练条件数据集各自对应的特征矩阵；
根据所述生成n个二维数组的数据集、三维地质模型数组对应的特征矩阵在训练条件数据集对应的特征矩阵下的概率，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率。
具体实施时，建立若干个卷积层，设定卷积核的大小（通常是一个i*i的矩阵），卷积核类似一个滤波器，将解码器G生成的三维地质模型数组，训练条件数据集y及对应的具有n个二维数组的数据集，分别输入卷积层进行特征提取，通过卷积运算得到生成n个二维数组的数据集、三维地质模型数组及训练条件数据集各自对应的特征矩阵，每种特征矩阵都有若干个；
通过sigmoid函数分别计算所述生成n个二维数组的数据集、三维地质模型数组对应的特征矩阵在训练条件数据集对应的特征矩阵下的概率，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率。
优选的，根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型，具体包括，
根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，判断所述三维地质模型数组的真实性，若为假，则获取损失函数，将所述损失函数的损失值反馈给神经网络和卷积神经网络，调整神经网络和卷积神经网络的参数，重新生成三维地质模型数组，得到最终的三维地质模型，若为真，所述三维地质模型数组即为最终的三维地质模型。
具体实施时，通过判别器判断三维地质模型数组的真实性，若判别器判断生成的模型为假，则优化损失函数；判别器根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，判断所述三维地质模型数组的真实性，即为，设定一阈值，将三维地质模型数组的真实概率与该阈值比较，若大于该阈值，判断所述三维地质模型数组为真，否则为假。
优选的，所述获取损失函数，具体包括，根据公式
获取损失函数，其中，为原始损失函数，，，，为n个二维数组的数据集，为三维地质模型数组，为三维地质模型数组通过卷积神经网络得到的中间层上的特征，为具有n个二维数组的数据集通过卷积神经网络得到的中间层上的特征，为三维地质模型的均值，为三维地质模型的方差，为训练条件数据集对应的均值，，、表示期望，、表示分布。
一个具体实施例中，通过判别器判断三维地质模型数组的真实性，若判别器判断生成的模型为假，则优化损失函数；为GAN中判别器原始损失函数，为潜在隐向量z与条件潜在分布之间的KL散度损失，为解码器的损失函数，用神经得到生成的数组x′，然后在x和x′之间加入平方损失函数L2重建损耗和成对特征匹配损耗；
LGD为获取三维地质模型的均值μ及方差δ2过程的中间值与重构后的隐向量z的损失函数；其中， D( x)为三维地质模型数组的概率， D( G( z)为具有n个二维数组的数据集；
优化损失函数，即将损失函数的损失值反馈给编码器（神经网络）、解码器（卷积神经网络），并以此来调整神经网络和卷积神经的参数，不断地提高编码器，解码器能力，重新生成三维地质模型数组，重复此操作，直到判别网络判断不出所生成的三维地质模型的真伪性，即该生成对抗网络达到了纳什均衡；
具体实施时，可以更换训练数据，重复训练步骤，将所有的训练数据集都训练若干次，直到损失函数的损失量降低到所设定的门限值一下，模型训练完毕。
获取待建模储层的井数据，将井数据输最终的三维地质模型中得到待建模储层的三维地质模型矩阵，将该数据重新排列，输入到Petrel软件中得到工区的三维地质模型。
本实施例中，研究区的井数据的示意图，如图4所示，一共包括10口井，其中，钻遇河道的井有6口，钻遇边滩的有4口，图4中黑色表示为边滩，灰色表示为河道砂；这些数据作为生成该研究区河道砂体储层模型的条件数据，通过通过卷积与反卷积操作即可生成满足该条件数据的砂体模型，所述砂体模型的示意图，如图5所示，图5中黑色表示为泥岩，深灰色表示为河道砂，浅灰色表示为边滩。
通过本发明实施例提供的三维地质模型的生成方法最终生成的三维地质模型，由于是通过将研究区的井数据输入训练好的深度学习模型中得到的，因此能满足所有的井数据，同时，由于生成器通过大量的三维地质模型及对应的训练条件数据集进行训练，因此也能反映真实的储层形态。
实施例2
本发明实施例提供了一种三维地质模型的生成系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一实施例所述的三维地质模型的生成方法。
实施例3
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一实施例所述的三维地质模型的生成方法。
本发明公开了一种三维地质模型的生成方法、系统及计算机存储介质，通过获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型；根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，根据所述隐向量，生成三维地质模型数组；根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率；根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型；能够实现很好的模拟三维地质储层。
本发明所述技术方案，通过这些模型和训练条件数据集通过建立的编码器映射到一个隐向量z，由于该向量是从满足原始三维地质模型中提取出来的均值与方差的高斯分布中随机抽取，并且在训练过程中与对应的条件数据的分布逐渐靠近，储存了原始模型与对应的条件数据的特征信息，通过从计算出的分布中不断地随机提取隐向量z。
将隐向量z生成与原始三维地质储层模型相似的模型x’，由于z可以不断地生成，那么解码器就可以生成多个不同的并且满足条件数据的三维模型矩阵；然后将x’输入判别器中判别x’的真伪性并且将判别结果反馈给编码器、解码器以及判别器。
对所建立的网络进行不断地训练，最终可以得到能生成逼真的三维地质储层模型的生成器；将研究区的井数据输入生成器获得研究区待建模储层的砂体模型矩阵；通过可视化处理，所得到的三维模型不仅满足工区储层的实际参数与井点数据特征，而且可以生成多个储层模型供油田参考。
本发明所述技术方案，基于目标的模拟方法生成了大量的三维地质模型及对应的训练条件数据集，再通过这些三维地质模型和训练条件数据集对编码器、解码器以及判别器进行训练，经过大量的训练后可以得到能生成最终的三维河道砂体模型，再将研究区的井数据输入模型中获得研究区待建模储层的砂体模型。
本发明所述技术方案，结合了人工智能深度学习生成对抗网络的思想，克服了基于目标的建模方法条件化困难、不易恢复砂体的几何形态的缺陷，以及变差函数难以计算的问题，建立的三维地质模型能很好的体现储层沉积特征，并再现储层的复杂形态以及垂向变化等特征，为储层建模的研究提供了另一个方向，更好的服务于油田的生产。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (6)

1.一种三维地质模型的生成方法，其特征在于，包括以下步骤：
获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型；
根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，根据所述隐向量，生成三维地质模型数组；
根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率；
根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型；
根据所述三维河道砂体储层模型，得到具有n个二维数组的数据集及隐向量，具体包括，
将所述三维河道砂体储层模型在垂向上划分为n个网格，形成具有n个二维数组的数据集；将具有n个二维数组的数据集组合为一个一维数组，通过两个层的神经网络将所述一维数组K进行压缩，得到三维地质模型的均值及方差；
通过公式得到隐向量，其中，为隐函数，为三维地质模型的均值，为三维地质模型的方差，为在均值为的高斯分布中随机抽取数据的个数，；
所述根据所述隐向量，生成三维地质模型数组，具体包括，
将所述隐向量通过层神经网络生成与一维数组结构一样的数据，对所述数据进行重排，生成一个具有n层的三维地质模型数组；
根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，得到最终的三维地质模型，具体包括，
根据所述具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，判断所述三维地质模型数组的真实性，若为假，则获取损失函数，将所述损失函数的损失值反馈给神经网络和卷积神经网络，调整神经网络和卷积神经网络的参数，重新生成三维地质模型数组，得到最终的三维地质模型，若为真，所述三维地质模型数组即为最终的三维地质模型；
所述获取损失函数，具体包括，根据公式
获取损失函数，其中，为原始损失函数，，，，为n个二维数组的数据集，为三维地质模型数组，为三维地质模型数组通过卷积神经网络得到的中间层上的特征，为具有n个二维数组的数据集通过卷积神经网络得到的中间层上的特征，为三维地质模型的均值，为三维地质模型的方差，为训练条件数据集对应的均值，，、表示期望，、表示分布。
2.根据权利要求1所述的三维地质模型的生成方法，其特征在于，所述获取待建模储层的基本参数，根据所述基本参数生成三维河道砂体储层模型，具体包括，获取待建模储层的河道平均宽度、河道平均弯曲度以及河道方向，根据所述河道平均宽度、河道平均弯曲度以及河道方向生成三维河道砂体储层模型。
3.根据权利要求1所述的三维地质模型的生成方法，其特征在于，还包括，为所述三维河道砂体储层模型随机生成对应的训练条件数据集，将所述训练条件数据集通过一个多层的神经网络进行压缩，得到训练条件数据集的均值。
4.根据权利要求3所述的三维地质模型的生成方法，其特征在于，根据所述具有n个二维数组的数据集和三维地质模型数组，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率，具体包括，
建立卷积层，设定卷积核的大小，形成卷积神经网络，将具有n个二维数组的数据集、三维地质模型数组及对应的训练条件数据集分别输入到所述卷积层中，生成n个二维数组的数据集、三维地质模型数组及训练条件数据集各自对应的特征矩阵；
根据所述生成n个二维数组的数据集、三维地质模型数组对应的特征矩阵在训练条件数据集对应的特征矩阵下的概率，获取具有n个二维数组的数据集的真实概率和三维地质模型数组的真实概率。
5.一种三维地质模型的生成系统，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-4任一所述的三维地质模型的生成方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-4任一所述的三维地质模型的生成方法。
CN202010448956.3A 2020-05-25 2020-05-25 一种三维地质模型的生成方法、系统及计算机存储介质 Active CN111612906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010448956.3A CN111612906B (zh) 2020-05-25 2020-05-25 一种三维地质模型的生成方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010448956.3A CN111612906B (zh) 2020-05-25 2020-05-25 一种三维地质模型的生成方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111612906A CN111612906A (zh) 2020-09-01
CN111612906B true CN111612906B (zh) 2023-04-18

Family

ID=72196401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010448956.3A Active CN111612906B (zh) 2020-05-25 2020-05-25 一种三维地质模型的生成方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111612906B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240094432A1 (en) * 2022-09-09 2024-03-21 OriGen Al Geological Neural Network Methodology (Geo-Net) For Reservoir Optimization And Assisted History Match
CN115690292B (zh) * 2023-01-03 2023-03-21 华夏天信物联科技有限公司 一种工作面地层建模渲染优化方法及系统
CN115841560B (zh) * 2023-01-03 2023-04-21 河北工业大学 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法
CN116958424B (zh) * 2023-07-12 2024-05-07 源海广筑工程科技(河南)有限公司 基于平面图的三维建筑模型生成方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107123151A (zh) * 2017-04-28 2017-09-01 深圳市唯特视科技有限公司 一种基于变分自动编码器和生成对抗网络的图像转化方法
CN107358195A (zh) * 2017-07-11 2017-11-17 成都考拉悠然科技有限公司 基于重建误差的非特定异常事件检测及定位方法、计算机
CN109961509A (zh) * 2019-03-01 2019-07-02 北京三快在线科技有限公司 三维地图的生成及模型训练方法、装置及电子设备
CN110796080A (zh) * 2019-10-29 2020-02-14 重庆大学 一种基于生成对抗网络的多姿态行人图像合成算法
CN111080021A (zh) * 2019-12-24 2020-04-28 中国海洋石油集团有限公司 一种基于地质信息库的砂体构型cmm神经网络预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593660B2 (en) * 2018-09-18 2023-02-28 Insilico Medicine Ip Limited Subset conditioning using variational autoencoder with a learnable tensor train induced prior

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107123151A (zh) * 2017-04-28 2017-09-01 深圳市唯特视科技有限公司 一种基于变分自动编码器和生成对抗网络的图像转化方法
CN107358195A (zh) * 2017-07-11 2017-11-17 成都考拉悠然科技有限公司 基于重建误差的非特定异常事件检测及定位方法、计算机
CN109961509A (zh) * 2019-03-01 2019-07-02 北京三快在线科技有限公司 三维地图的生成及模型训练方法、装置及电子设备
CN110796080A (zh) * 2019-10-29 2020-02-14 重庆大学 一种基于生成对抗网络的多姿态行人图像合成算法
CN111080021A (zh) * 2019-12-24 2020-04-28 中国海洋石油集团有限公司 一种基于地质信息库的砂体构型cmm神经网络预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Feilong Han;Hongbing Zhang;Snehamoy Chatterjee;Qiang Guo;Shulin Wan.A Modified Generative Adversarial Nets Integrated With Stochastic Approach for Realizing Super-Resolution Reservoir Simulation.《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》.2020,第58卷(第2期),1325 - 1336. *
Jiayu Wang, Wengang Zhou, Jinhui Tang, Zhongqian Fu, Qi Tian, Houqiang Li.Unregularized Auto-Encoder with Generative Adversarial Networks for Image Generation.《ACM》.2018,709–717. *
Mahmoud Mostapha, Juan Prieto, Veronica Murphy, Jessica Girault, Mark Foster, Ashley Rumple, Joseph Blocher, Weili Lin, Jed Elison, John Gilmore, Steve Pizer &Martin Styner.Semi-supervised VAE-GAN for Out-of-Sample Detection Applied to MRI Quality Control.《International Conference on Medical Image Computing and Computer-Assisted Intervention》.2019,第11766卷127–136. *
焦海超.三维地震数据中地震相划分方法研究.《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》.2020,全文. *
王雪.基于深度生成对抗模型的高光谱遥感影像分类研究.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2019,全文. *
陈丽芳，芦国军.基于VAE和GAN融合网络的mnist手写体数字图像生成方法.《廊坊师范学院学报(自然科学版)》.2019,第19卷(第2期),全文. *

Also Published As

Publication number Publication date
CN111612906A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111612906B (zh) 一种三维地质模型的生成方法、系统及计算机存储介质
Song et al. Geological facies modeling based on progressive growing of generative adversarial networks (GANs)
WO2017007924A1 (en) Improved geobody continuity in geological models based on multiple point statistics
Zhang et al. U-net generative adversarial network for subsurface facies modeling
CN107688201A (zh) 基于rbm地震叠前信号聚类方法
CN111815773B (zh) 适用于机器学习算法的三维复杂地质模型标签制作方法
Liu et al. Multilevel strategies and geological parameterizations for history matching complex reservoir models
Yang et al. Automatic reconstruction method of 3D geological models based on deep convolutional generative adversarial networks
CN116168295B (zh) 一种岩性遥感智能解译模型建立方法及解译方法
CN115471423A (zh) 一种基于生成对抗网络及自注意力机制的点云去噪方法
Tahmasebi Structural adjustment for accurate conditioning in large-scale subsurface systems
CN112861890B (zh) 一种储层评价模型构建方法及储层识别方法
CN113902861A (zh) 一种基于机器学习的三维地质建模方法
Hou et al. Reconstructing Three-dimensional geological structures by the Multiple-point statistics method coupled with a deep neural network: A case study of a metro station in Guangzhou, China
Koochak et al. A variability aware GAN for improving spatial representativeness of discrete geobodies
CN111273346A (zh) 去除沉积背景的方法、装置、计算机设备及可读存储介质
CN111209674B (zh) 一种河道砂建模方法、设备及可读存储介质
CN115731119A (zh) 基于非匹配地质图像的自动去噪方法
Liu et al. Simulation of complex geological architectures based on multi-stage generative adversarial networks integrating with attention mechanism and spectral normalization
CN114022632A (zh) 基于深度卷积生成对抗网络的地质模型快速生成方法
Fan et al. Geological model automatic reconstruction based on conditioning Wasserstein generative adversarial network with gradient penalty
CN113253342A (zh) 联合测井数据构建复杂三维地震模型标签方法
CN108986217B (zh) 基于图型矢量距离的多点地质统计学建模方法
Xie et al. Seismic Inverse Modeling Method based on Generative Adversarial Network
EP3320450B1 (en) Improved geobody continuity in geological models based on multiple point statistics

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