CN111626377B - 一种岩相识别方法、装置、设备及存储介质 - Google Patents
一种岩相识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111626377B CN111626377B CN202010523826.1A CN202010523826A CN111626377B CN 111626377 B CN111626377 B CN 111626377B CN 202010523826 A CN202010523826 A CN 202010523826A CN 111626377 B CN111626377 B CN 111626377B
- Authority
- CN
- China
- Prior art keywords
- lithofacies
- data
- neural network
- determining
- target interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 239000011435 rock Substances 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000006403 short-term memory Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 9
- 208000035126 Facies Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 241000239290 Araneae Species 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种岩相识别方法、装置、设备及存储介质,该方法包括:确定需要实现岩相识别的储层为目的层段,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签;沿深度方向对所述目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个所述输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型;利用所述识别模型识别任意属于所述目的层段的区域的岩相类型。由此,本申请能够有效提高储层岩相识别的准确率。
Description
技术领域
本发明涉及地质分析技术领域,更具体地说,涉及一种岩相识别方法、装置、设备及存储介质。
背景技术
砂砾岩储层是一类重要的石油、天然气储层,如吐哈盆地克拉玛依组、准噶尔盆地百口泉组的主力产层都是砂砾岩储层。然而,由于砂砾岩储层具有强非均质性,其地下流场复杂,砂砾岩储层的采出程度相对常规砂岩储层偏低,其油气开发效率亟需提高。基于岩心和测井数据的井筒储层分析是表征砂砾岩储层的关键,岩心资料证实砂砾岩储层由多种岩相组成,单一岩相单元厚度小,目前只能在具备岩心资料的取心井中准确识别岩相,对于只有测井数据的非取心井难以准确识别岩相。而砂砾岩储层中不同岩相的岩性、物性、含油性存在明显差异,严重影响油气开发效率,准确识别单井岩相是提高油气开发效率的重要基础。
目前同行业也发展出多种砂砾岩储层岩性的表征方法,如交会图法、多元回归法、全连接神经网络法,但是发明人发现,砂砾岩主要由机械沉积作用产生,砂砾岩储层垂向上存在成因联系,而上述方法均并未考虑到砂砾岩储层垂向上沉积物的变化规律等信息,因此其存在准确率较低的问题。
发明内容
本发明的目的是提供一种岩相识别方法、装置、设备及存储介质,能够有效提高储层岩相识别的准确率。
为了实现上述目的,本发明提供如下技术方案:
一种岩相识别方法,包括:
确定需要实现岩相识别的储层为目的层段,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签;
沿深度方向对所述目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个所述输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型;
利用所述识别模型识别任意属于所述目的层段的区域的岩相类型。
优选的,沿深度方向对所述目的层段的测井曲线进行均匀采样之前,还包括:
如果存在任意测井曲线对应各岩相类型的响应数值之间的差值在预设差值范围内,则删除该任意测井曲线。
优选的,沿深度方向对所述目的层段的测井曲线进行均匀采样之前,还包括:
对各所述测井曲线进行归一化处理。
优选的,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签之前,还包括:
基于所述目的层段的岩心孔隙度和预设数据之间的匹配关系,进行岩心的深度归位;其中,所述预设数据为所述目的层段的密度或者声波时差测井曲线,所述岩心为确定所述目的层段中发育的岩相类型时所用的岩石样品,所述岩心孔隙度为基于所述岩心得到的实测孔隙度。
优选的,沿深度方向对所述目的层段的各测井曲线进行均匀采样之前,还包括:
计算所述目的层段中发育的每个岩相类型的平均厚度,并确定所述平均厚度最小的预设数量的岩相类型的平均厚度之和,为用于训练神经网络的输入数据包含的全部采样点所占据的厚度。
优选的,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型,包括:
确定初始的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校验数据,利用所述训练数据及对应数据标签对当前神经网络进行训练,利用所述校验数据及对应数据标签对训练完成的当前神经网络进行校验,如果校验的结果为当前神经网络的识别准确率达到准确率阈值,则确定当前神经网络为识别模型,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数据标签对当前神经网络进行训练的步骤。
优选的,利用所述识别模型识别任意属于所述目的层段的区域的岩相类型之后,还包括:
将识别得到的岩相类型显示在井筒的对应位置处。
一种岩相识别装置,包括:
确定模块,用于:确定需要实现岩相识别的储层为目的层段,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签;
训练模块,用于:沿深度方向对所述目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个所述输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型;
识别模块,用于:利用所述识别模型识别任意属于所述目的层段的区域的岩相类型。
一种岩相识别设备,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岩相识别方法的步骤。
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岩相识别方法的步骤。
本发明提供了一种岩相识别方法、装置、设备及存储介质,该方法包括:确定需要实现岩相识别的储层为目的层段,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签;沿深度方向对所述目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个所述输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型;利用所述识别模型识别任意属于所述目的层段的区域的岩相类型。本申请使用测井曲线和岩相类型以数据段的形式建立输入数据及对应的数据标签,利用输入数据及对应的数据标签实现神经网络的训练,得到用于实现岩相识别的识别模型,进而利用该识别模型实现待识别的数据段对应的岩相识别;可见,本申请基于这种段对段的方式建立测井曲线与岩相类型之间的对应关系,使用神经网络算法考虑数据段间数据的内在联系,能够有效考虑储层垂向上存在的成因联系,符合储层的地质形成过程,因此能够有效提高储层岩相识别的准确率。
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岩相识别方法的流程图;
图2为本发明实施例提供的一种岩相识别方法中岩相类型的岩心示例图;
图3为本发明实施例提供的一种岩相识别方法中岩心归位成果图;
图4为本发明实施例提供的一种岩相识别方法中测井曲线对岩相响应敏感性蜘网图;
图5为本发明实施例提供的一种岩相识别方法中不同岩相平均厚度直方图;
图6为本发明实施例提供的一种岩相识别方法中输入数据获取示意图;
图7为本发明实施例提供的一种岩相识别方法中砂砾岩储层岩相识别成果图;
图8为本发明实施例提供的一种岩相识别装置的结构示意图。
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岩相识别方法的流程图,可以包括:
S11:确定需要实现岩相识别的储层为目的层段,确定目的层段中发育的全部岩相类型及每种岩相类型的类别标签。
本发明实施例提供的一种岩相识别方法的执行主体可以为对应的岩相识别装置。本申请中的储层具体可以为砂砾岩储层,当然也可以为其他能够通过本申请提供的技术方案实现岩相识别的种类的岩石,均在本发明的保护范围之内。在需要实现某储层的岩相识别时可以确定该储层为目的层段,可以针对目的层段实现基于岩心的岩相相关数据的获取,具体来说,可以观察目的层段取心井的岩心,描述岩心的岩性和层理特征,从而确定出目标层段中发育的所有岩相类型,并为每种岩相类型设置表示该岩相类型的类别标签,岩相类型与类别标签一一对应,其中,类别标签具体可以是数值、字母等标记,岩相类型可以包括块状层理砾岩、块状层理含砾砂岩、平行层理细砂岩、交错层理粉砂岩等。
S12:沿深度方向对目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用输入数据及对应的数据标签训练神经网络,得到识别模型。
需要说明的是,获取取心井处得到的测井曲线,沿着目的层段的深度方向对获取到的各测井曲线进行均匀采样,得到多个数据段,每个数据段包含相同数量的采样得到的点(简称为采样点),进而则可以确定这些数据段为输入数据;为了使得输入数据的数据标签与输入数据的长度相同,利用输入数据及对应的数据标签实现网络训练,本申请对于每个输入数据中任意一个输入数据,确定该输入数据包含的每个采样点的岩相类型,进而将该输入数据包含的每个采样点的岩相类型的类别标签组成该输入数据的数据标签。其中,测井曲线可以包括自然电位(SP)测井曲线、自然伽玛(GR)测井曲线、电阻率(R4、R25)测井曲线、微电极(ML1、ML2)测井曲线、电导率(COND)测井曲线及声波时差(AC)测井曲线等,当然还可以根据实际需要进行其他设定,均在本发明的保护范围之内。
S13:利用识别模型识别任意属于目的层段的区域的岩相类型。
在得到识别模型后,只要需要进行岩相识别均可以利用该识别模型实现。具体来说,如果需要对属于目的层段的某区域的岩相进行识别,可以先获取到该区域的测井曲线,然后按照提取输入数据的方式对该区域的测井曲线进行均匀采样,得到包含相同数量的采样点的至少一个数据段,该至少一个数据段则为待识别数据,将待识别数据输入到识别模型后,识别模型输出的多个岩相类型则一一对应的分别为待识别数据中包含的每个采样点的岩相类型,也即采样点在待识别数据中的排列顺序与每个采样点的岩相类型的排列顺序相同,因此可以一一对应的确定每个采样点的岩相类型。
本申请使用测井曲线和岩相类型以数据段的形式建立输入数据及对应的数据标签,利用输入数据及对应的数据标签实现神经网络的训练,得到用于实现岩相识别的识别模型,进而利用该识别模型实现待识别的数据段对应的岩相识别;可见,本申请基于这种段对段的方式建立测井曲线与岩相类型之间的对应关系,使用神经网络算法考虑数据段间数据的内在联系,能够有效考虑储层垂向上存在的成因联系,符合储层的地质形成过程,因此能够有效提高储层岩相识别的准确率。
本发明实施例提供的一种岩相识别方法,沿深度方向对目的层段的测井曲线进行均匀采样之前,还可以包括:
如果存在任意测井曲线对应各岩相类型的响应数值之间的差值在预设差值范围内,则删除该任意测井曲线。
其中,预设差值范围可以根据实际需要进行设定;读取目的层段所有测井曲线响应每种岩相类型的响应数值,对于每种测井曲线中的任意一种测井曲线,如果该测井曲线响应每种岩相类型的响应数值均较为接近(这些响应数值中任意两个响应数值的差值均在预设差值范围内),则说明该测井曲线对岩相识别不够敏感,因此可以将该测井曲线删除,从而仅保留对岩相识别敏感的测井曲线,基于保留的测井曲线实现岩相识别时进一步保证了岩相识别的准确率。
在另一种具体实现方式中,可以对每一种识别出的岩相类型,读取所有测井曲线的响应数值,基于读取的响应数值绘制相应的蜘网图,基于蜘网图即可分析不同测井曲线对岩相的敏感性,同一测井曲线对不同岩相类型的响应数值的差异越大则其对岩相识别越敏感,进而去除对岩相不敏感的测井曲线,优选出对岩相敏感的测井曲线用于实现后续的操作。其中,绘制蜘网图具体可以包括:画一个点,以该点为起点向外划出多条直线,每条直线表示一个测井曲线;对于每个岩相类型中的任意一个岩相类型来说,在每条直线上标出该条直接表示的测井曲线对该岩相类型的响应数值的点,最后将该岩相类型在每条直线上的点用直线连起来。在绘制出蜘网图后,在表示任意一个测井曲线的直线上,不同岩相类型在该直线上对应的点越接近,表示该直线表示的测井曲线对岩相越不敏感,反之,则该直线表示的测井曲线对岩相越敏感,从而仅选取对岩相敏感的测井曲线。
本发明实施例提供的一种岩相识别方法,沿深度方向对目的层段的测井曲线进行均匀采样之前,还可以包括:
对各测井曲线进行归一化处理。
在利用测井曲线获取输入数据以及待识别数据之前,为了保证获取到的测井曲线在后续使用中的有效性,本申请需要对各测井曲线进行归一化处理,具体来说,可以提取目的层段中每个测井曲线的最大值及最小值,进而按照min-max标准化(Min-MaxNormalization)的方式实现对各测井曲线的归一化处理,从而将各测井曲线包含的响应数值均映射到[0-1]之间;min-max标准化(Min-Max Normalization)也称为离差标准化,由于min-max标准化(Min-Max Normalization)与现有技术中对应含义的原理一致,在此不再赘述。
本发明实施例提供的一种岩相识别方法,确定目的层段中发育的全部岩相类型及每种岩相类型的类别标签之前,还可以包括:
基于目的层段的岩心孔隙度和预设数据之间的匹配关系,进行岩心的深度归位;其中,预设数据为目的层段的密度或者声波时差测井曲线,岩心为确定目的层段中发育的岩相类型时所用的岩石样品,岩心孔隙度为基于岩心得到的实测孔隙度。
为了确保同一深度的测井曲线与岩心的数据是对相同地质体的响应数据,进而保证利用该测井曲线与岩心的数据实现岩相识别时的准确率,本申请还可以基于目的层段的岩心孔隙度和目的层段的密度之间的匹配关系,或者是基于目的层段的岩心孔隙度和目的层段的声波时差测井曲线之间的匹配关系,进行岩心的深度归位;其中,实现深度归位的方式与现有技术中对应技术方案的实现原理一致,在此不再赘述。
本发明实施例提供的一种岩相识别方法,沿深度方向对目的层段的各测井曲线进行均匀采样之前,还可以包括:
计算目的层段中发育的每个岩相类型的平均厚度,并确定平均厚度最小的预设数量的岩相类型的平均厚度之和,为用于训练神经网络的输入数据包含的全部采样点所占据的厚度。
其中,预设数量可以根据实际需要进行设定,如3。为了更合理的确定出每个输入至神经网络中的数据的长度,本申请可以计算出基于岩心识别的各岩相类型的平均厚度,将平均厚度最小的三类岩相类型的平均厚度之和作为神经网络输入的数据对应的厚度,在深度方向上从测井曲线上按照根据实际需要设定的间隔进行均匀采样,从而得到输入到神经网络的数据的数据长度,也即其包含的采样点的数量。另外,本申请中输入到神经网络的数据包括输入数据、待识别数据以及输入数据的数据标签。
本发明实施例提供的一种岩相识别方法,利用输入数据及对应的数据标签训练神经网络,得到识别模型,可以包括:
确定初始的神经网络为当前神经网络,将输入数据划分为训练数据及校验数据,利用训练数据及对应数据标签对当前神经网络进行训练,利用校验数据及对应数据标签对训练完成的当前神经网络进行校验,如果校验的结果为当前神经网络的识别准确率达到准确率阈值,则确定当前神经网络为识别模型,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数据标签对当前神经网络进行训练的步骤。
在实现模型训练时,可以将目的层段对应的输入数据划分为训练集及校验集,如可以将输入数据中的80%用作训练集,其余作为校验集,训练集中包含的输入数据即为训练数据,校验集中包含的输入数据即为校验数据。其中,准确率阈值可以根据实际需要进行设定,如90%;通过上述方式实现模型训练,能够使得训练得到的识别模型的识别准确率达到准确率阈值,也即识别模型具有较高的准确率,进而实现较高准确率的岩相识别。另外,当前神经网络的预测准确率则为向当前神经网络输入校验数据后,当前神经网络输出的结果中正确的结果占全部结果的百分比。
其中,神经网络具体可以为长短期记忆循环神经网络,将训练数据输入,以修正线性单元函数为激活函数,交叉熵函数为损失函数,调整长短期记忆循环神经网络的批尺寸、循环次数、神经元个数等参数,直至该长短期记忆循环神经网络在校验集上的岩相识别准确率大于准确率阈值,则认为模型训练完毕。
需要说明的是,在实现输入数据获取时,可以是以目的层段深度最大的测井曲线的数据样点(数据的点)开始,每条测井曲线都沿深度方向向上取确定长度(此处的长度即为包含采样点的数量)的数据段作为输入数据,由此得到的输入数据则为一维向量,进而将每段测井曲线对应的岩相类型的类型标签(如数字)处理为与输入数据相同长度的一维向量,用作数据标签;而对于待识别数据的获取与输入数据的获取原理相同,在此不再赘述。
本发明实施例提供的一种岩相识别方法,利用识别模型识别任意属于目的层段的区域的岩相类型之后,还可以包括:
将识别得到的岩相类型显示在井筒的对应位置处。
为了方便工作人员可以直观的获知储层的岩相类型,可以在井筒中先确定出需要识别岩相的区域,进而在该区域处标示出识别得到的岩相类型,且不同的岩相类型可以利用不用颜色进行标示,从而进一步方便查看。
在一种具体应用场景中,本申请公开的岩相识别方法可以包括以下过程:
一、基础数据库建立
1.基于岩心的岩相数据获取:观察砂砾岩储层取心井的岩心,描述岩心的岩性和层理特征,确定目标层段中发育的所有岩相类型(图2即为岩相类型的岩心示例图),并对每种岩相类型赋值,如块状层理含砾砂岩岩相赋值为1。
2.测井数据优选:基于岩心孔隙度和密度的匹配关系或者基于岩心孔隙度和声波时差测井曲线的匹配关系,进行岩心深度归位,确保同一深度的测井曲线和岩心数据是对相同地质体的响应数据(图3即为岩心归位成果图)。对每一种岩心上识别出的岩相类型,读取所有测井曲线的响应数值,基于蜘网图分析不同测井曲线对岩相的敏感性(图4即为测井曲线对岩相响应敏感性蜘网图),同一测井曲线的数值对不同岩相类型的响应差异越大则其对岩相识别越敏感,去除对岩相不敏感的测井曲线,优选出对岩相敏感的测井曲线。
3.测井数据归一化:提取砂砾岩目的层段各测井曲线的最大值和最小值,对优选出的测井曲线分别进行归一化。
二、神经网络训练
1.数据段长度确定:计算基于岩心识别的各岩相类型的平均厚度(图5即为不同岩相平均厚度直方图),将平均厚度最小的三类岩相类型的平均厚度之和作为神经网络输入数据对应的厚度,测井曲线在深度上均匀采样,从而得到输入测井曲线的数据段的长度。
2.训练集和校验集划分:以砂砾岩目的层段深度最大的测井数据样点开始,每条测井曲线都向上取确定长度的数据段作为输入数据,每个测井样点都依次向上取确定长度的数据段(图6即为输入数据获取示意图),得到输入数据,每段测井曲线对应的岩相类型处理为与输入数据相同长度的一维向量,用作训练标签,将80%的训练数据用作训练集,余下部分为校验集。
3.模型结构调整:将训练数据输入长短期记忆循环神经网络,以修正线性单元函数为激活函数,交叉熵函数为损失函数,调整长短期记忆循环神经网络的批尺寸、循环次数、神经元个数等参数,直至该长短期记忆循环神经网络在校验集上的岩相识别准确率大于90%,认为模型训练完毕。
三、砂砾岩储层岩相识别
将非取心井对岩相敏感的测井曲线处理为输入数据相同长度的数据集,输入训练完毕的识别模型,输出对应的岩相识别结果,从而实现砂砾岩储层的岩相识别(图7即为砂砾岩储层岩相识别成果图)。
本发明实施例还提供了一种岩相识别装置,如图8所示,可以包括:
确定模块11,用于:确定需要实现岩相识别的储层为目的层段,确定目的层段中发育的全部岩相类型及每种岩相类型的类别标签;
训练模块12,用于:沿深度方向对目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用输入数据及对应的数据标签训练神经网络,得到识别模型;
识别模块13,用于:利用识别模型识别任意属于目的层段的区域的岩相类型。
本发明实施例提供的一种岩相识别装置,还可以包括:
筛选模块,用于:沿深度方向对目的层段的测井曲线进行均匀采样之前,如果存在任意测井曲线对应各岩相类型的响应数值之间的差值在预设差值范围内,则删除该任意测井曲线。
本发明实施例提供的一种岩相识别装置,还可以包括:
归一化模块,用于:沿深度方向对目的层段的测井曲线进行均匀采样之前,对各测井曲线进行归一化处理。
本发明实施例提供的一种岩相识别装置,还可以包括:
归位模块,用于:确定目的层段中发育的全部岩相类型及每种岩相类型的类别标签之前,基于目的层段的岩心孔隙度和预设数据之间的匹配关系,进行岩心的深度归位;其中,预设数据为目的层段的密度或者声波时差测井曲线,岩心为确定目的层段中发育的岩相类型时所用的岩石样品,岩心孔隙度为基于岩心得到的实测孔隙度。
本发明实施例提供的一种岩相识别装置,还可以包括:
计算模块,用于:沿深度方向对目的层段的各测井曲线进行均匀采样之前,计算目的层段中发育的每个岩相类型的平均厚度,并确定平均厚度最小的预设数量的岩相类型的平均厚度之和,为用于训练神经网络的输入数据包含的全部采样点所占据的厚度。
本发明实施例提供的一种岩相识别装置,训练模块可以包括:
训练单元,用于:确定初始的神经网络为当前神经网络,将输入数据划分为训练数据及校验数据,利用训练数据及对应数据标签对当前神经网络进行训练,利用校验数据及对应数据标签对训练完成的当前神经网络进行校验,如果校验的结果为当前神经网络的识别准确率达到准确率阈值,则确定当前神经网络为识别模型,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数据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岩相识别装置,还可以包括:
显示模块,用于:利用识别模型识别任意属于目的层段的区域的岩相类型之后,将识别得到的岩相类型显示在井筒的对应位置处。
本发明实施例还提供了一种岩相识别设备,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所述的岩相识别方法的步骤。
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所述的岩相识别方法的步骤。
需要说明的是,本发明实施例提供的一种岩相识别装置、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岩相识别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 (8)
1.一种岩相识别方法,其特征在于,包括:
确定需要实现岩相识别的储层为目的层段,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签;
沿深度方向对所述目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个所述输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型;
利用所述识别模型识别任意属于所述目的层段的区域的岩相类型;其中,所述神经网络为长短期记忆循环神经网络;
其中,沿深度方向对所述目的层段的测井曲线进行均匀采样之前,还包括:
如果存在任意测井曲线对应各岩相类型的响应数值之间的差值在预设差值范围内,则删除该任意测井曲线;
确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签之前,还包括:
基于所述目的层段的岩心孔隙度和预设数据之间的匹配关系,进行岩心的深度归位;其中,所述预设数据为所述目的层段的密度或者声波时差测井曲线,所述岩心为确定所述目的层段中发育的岩相类型时所用的岩石样品,所述岩心孔隙度为基于所述岩心得到的实测孔隙度。
2.根据权利要求1所述的方法,其特征在于,沿深度方向对所述目的层段的测井曲线进行均匀采样之前,还包括:
对各所述测井曲线进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,沿深度方向对所述目的层段的各测井曲线进行均匀采样之前,还包括:
计算所述目的层段中发育的每个岩相类型的平均厚度,并确定所述平均厚度最小的预设数量的岩相类型的平均厚度之和,为用于训练神经网络的输入数据包含的全部采样点所占据的厚度。
4.根据权利要求1所述的方法,其特征在于,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型,包括:
确定初始的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校验数据,利用所述训练数据及对应数据标签对当前神经网络进行训练,利用所述校验数据及对应数据标签对训练完成的当前神经网络进行校验,如果校验的结果为当前神经网络的识别准确率达到准确率阈值,则确定当前神经网络为识别模型,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数据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,利用所述识别模型识别任意属于所述目的层段的区域的岩相类型之后,还包括:
将识别得到的岩相类型显示在井筒的对应位置处。
6.一种岩相识别装置,其特征在于,包括:
确定模块,用于:确定需要实现岩相识别的储层为目的层段,确定所述目的层段中发育的全部岩相类型及每种所述岩相类型的类别标签;
训练模块,用于:沿深度方向对所述目的层段的各测井曲线进行均匀采样,得到包含相同数量的采样点的多个数据段,确定该多个数据段为输入数据,确定每个所述输入数据包含的全部点的岩相类型的类别标签为该输入数据的数据标签,利用所述输入数据及对应的数据标签训练神经网络,得到识别模型;
识别模块,用于:利用所述识别模型识别任意属于所述目的层段的区域的岩相类型;其中,所述神经网络为长短期记忆循环神经网络;
其中,所述装置,还用于如果存在任意测井曲线对应各岩相类型的响应数值之间的差值在预设差值范围内,则删除该任意测井曲线;
所述装置,还用于基于所述目的层段的岩心孔隙度和预设数据之间的匹配关系,进行岩心的深度归位;其中,所述预设数据为所述目的层段的密度或者声波时差测井曲线,所述岩心为确定所述目的层段中发育的岩相类型时所用的岩石样品,所述岩心孔隙度为基于所述岩心得到的实测孔隙度。
7.一种岩相识别设备,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5任一项所述岩相识别方法的步骤。
8.一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5任一项所述岩相识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523826.1A CN111626377B (zh) | 2020-06-10 | 2020-06-10 | 一种岩相识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523826.1A CN111626377B (zh) | 2020-06-10 | 2020-06-10 | 一种岩相识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626377A CN111626377A (zh) | 2020-09-04 |
CN111626377B true CN111626377B (zh) | 2023-12-26 |
Family
ID=72272211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010523826.1A Active CN111626377B (zh) | 2020-06-10 | 2020-06-10 | 一种岩相识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626377B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712025A (zh) * | 2020-12-29 | 2021-04-27 | 东北石油大学 | 一种基于长短期记忆神经网络的复杂岩性识别方法 |
CN115421181B (zh) * | 2022-07-27 | 2023-10-20 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104698500A (zh) * | 2015-04-07 | 2015-06-10 | 成都乔依赛斯石油科技有限公司 | 一种利用地质和测井信息预测储层成岩相的方法 |
CN108121013A (zh) * | 2017-11-13 | 2018-06-05 | 中国石油天然气股份有限公司 | 一种微生物碳酸盐岩岩相的识别方法 |
CN111028095A (zh) * | 2019-12-19 | 2020-04-17 | 中国地质大学(武汉) | 一种基于测井曲线的定量识别页岩岩相的方法 |
CN111044702A (zh) * | 2019-10-28 | 2020-04-21 | 中国石油大学(北京) | 针对陆相频繁薄互层的细粒岩储层预测方法及设备 |
-
2020
- 2020-06-10 CN CN202010523826.1A patent/CN111626377B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104698500A (zh) * | 2015-04-07 | 2015-06-10 | 成都乔依赛斯石油科技有限公司 | 一种利用地质和测井信息预测储层成岩相的方法 |
WO2016161914A1 (zh) * | 2015-04-07 | 2016-10-13 | 四川行之智汇知识产权运营有限公司 | 一种利用地质和测井信息预测储层成岩相的方法 |
CN108121013A (zh) * | 2017-11-13 | 2018-06-05 | 中国石油天然气股份有限公司 | 一种微生物碳酸盐岩岩相的识别方法 |
CN111044702A (zh) * | 2019-10-28 | 2020-04-21 | 中国石油大学(北京) | 针对陆相频繁薄互层的细粒岩储层预测方法及设备 |
CN111028095A (zh) * | 2019-12-19 | 2020-04-17 | 中国地质大学(武汉) | 一种基于测井曲线的定量识别页岩岩相的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626377A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783825A (zh) | 一种基于卷积神经网络学习的测井岩性识别方法 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
CN112784980B (zh) | 一种智能化测井层位划分方法 | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN111767674B (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
WO2021040791A1 (en) | Probability distribution assessment for classifying subterranean formations using machine learning | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
CN107861162B (zh) | 基于微电极测井资料的天然裂缝识别方法及系统 | |
CN115358285B (zh) | 待勘测区块关键地质参数的选取方法、装置、及设备 | |
US20190219716A1 (en) | Classifying Well Data Using A Support Vector Machine | |
CN116644284A (zh) | 一种地层分类特征因子确定方法、系统、电子设备及介质 | |
Timmer et al. | Applying deep learning for identifying bioturbation from core photographs | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
CN112541523B (zh) | 一种泥质含量计算方法和装置 | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
CN112412390B (zh) | 基于深度学习模型评价固井第二界面的方法及装置 | |
CN112835113B (zh) | 一种层序约束下的岩性识别方法 | |
Ashayeri et al. | Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays | |
CN116990865B (zh) | 基于深度迁移学习的微地震事件检测方法及系统 |
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 |