CN111665560A - 油气层识别方法、装置、计算机设备及可读存储介质 - Google Patents
油气层识别方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN111665560A CN111665560A CN202010325728.7A CN202010325728A CN111665560A CN 111665560 A CN111665560 A CN 111665560A CN 202010325728 A CN202010325728 A CN 202010325728A CN 111665560 A CN111665560 A CN 111665560A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- hydrocarbon
- logging data
- data corresponding
- reservoir identification
- 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.)
- Granted
Links
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. analysis, for interpretation, for correction
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—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
- G01V2210/6244—Porosity
-
- 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
- G01V2210/6246—Permeability
-
- 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
- G01V2210/66—Subsurface modeling
-
- 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
Abstract
本发明实施例提供了一种油气层识别方法、装置、计算机设备及可读存储介质,其中,该方法包括:根据待测区块的测井数据,获取不同测井曲线的特征参数;将所述特征参数输入储集层识别模型中,输出储层识别结果;将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。该方案避免了机理公式的使用,储集层识别模型和油气层识别模型可以针对不同的区块来训练,从而有利于提高各区块的识别精度。
Description
技术领域
本发明涉及地球物理勘探技术领域,特别涉及一种油气层识别方法、装置、计算机设备及可读存储介质。
背景技术
油气层识别与评价技术一直是国内外关注的研究课题,同时也是测井解释的一项主要任务。由于测井曲线的形态特征反映着储层的岩性、物性和含油气性,因此识别储层的流体性质的大部分工作是在提取测井曲线特征值的基础上开展的。流体性质的识别主要包含渗透层的划分和油气水层的判别两部分工作。在砂泥岩剖面划分渗透层,通常根据自然电位、自然伽马以及有贴井壁装置的微电阻率曲线,有时附加井径曲线。判断渗透层的流体性质是综合解释工作中最重要的一个环节。岩心、岩屑、井壁取心及钻井过程中油气显示是油气层最直接的标志,也是解释油、气、水层的重要依据。在岩心、试油及测井资料对比研究的基础上,应建立岩性、物性、含油性与电性的一般规律。并参考电性解释的定性、定量成果,如各种地质参数(如孔隙度、含油饱和度等),以及估计生产能力的各种快速直观显示(如可动烃含量、相对渗透率等),进行综合分析,才能正确评价油气层。
在勘探、开发的不同阶段,由于获取资料的不同,人们认识程度的不同,导致解释的精度也是不同的。在勘探阶段主要依靠解释人员的经验,利用定性的方法、快速直观的解释方法以及计算机解释方法。随着计算机的广泛应用,测井解释定量化有了很大发展。针对纯砂岩、泥质砂岩(包括分散状泥质、层状泥质、结构泥质),都形成了各自的解释模型,并建立了不少解释程序,这些研究成果与定量解释孔隙度、含水饱和度、渗透率、剩余油饱和度等,为准确判断油、气、水层奠定了良好基础。在油气层识别的具体应用中必须综合利用各类公式或经验进行,然而这些公式的建模均基于统计学理论。对于不同油田不同地区和不同油井的储层,其统计得到的经验公式和标准也是不一样的,特别是对于环境变化复杂的油井识别准确率不理想。
目前我国大部分油田的油层含水很高,在这种情况下开展油气层识别与评价的研究很重要。我国部分油田及有关院校、研究所相继开展了大量关于储层测井评价方面的工作。理论和实验研究发现,传统的利用测井资料识别油气层需要建立岩石体积模型、测井响应方程、统计经验公式以及大量的专家经验。随着油田注入水含量和含水饱和度的增加,油层电阻率并不是完全单调下降的,解释结果与实际测试结果的吻合率很不理想。因此,测井专家在阿尔奇公式的基础上提出多种解释方法,尤其是利用数理统计方法综合各种测井信息对油气储层进行综合评价,使得储层的油气层识别符合率大大提高。如辽河油田测井公司针对地层电阻率,油气层成因的多样性、复杂性,利用模糊聚类和逐步判别分析方法识别油气层,西南石油学院利用模糊识别技术划分储层,均取得了一定的效果。
在实际工作中,由于地下地质情况的复杂性,运用统一的机理公式所求的饱和度值仍可存在较大的误差,导致解释符合率不高。
发明内容
本发明实施例提供了一种油气层识别方法,以解决现有技术中存在的识别精度低的技术问题。该方法包括:
根据待测区块的测井数据,获取不同测井曲线的特征参数;
将所述特征参数输入储集层识别模型中,输出储层识别结果;
将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。
本发明实施例还提供了一种油气层识别装置,以解决现有技术中存在的识别精度低的技术问题。该装置包括:
特征参数获取模块,用于根据待测区块的测井数据,获取不同测井曲线的特征参数;
储层识别模块,用于将所述特征参数输入储集层识别模型中,输出储层识别结果;
油气层识别模块,用于将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的油气层识别方法,以解决现有技术中存在的识别精度低的技术问题。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的油气层识别方法的计算机程序,以解决现有技术中存在的识别精度低的技术问题。
在本发明实施例中,提出了使用训练机器学习组件得到的储集层识别模型来识别储层,并使用训练机器学习组件得到的油气层识别模型来识别各储层的流体性质,进而实现油气层的识别,相对现有技术而言,避免了机理公式的使用,储集层识别模型和油气层识别模型可以针对不同的区块来训练,从而有利于提高各区块的识别精度,同时,实现了智能、自动化的识别,有利于减少测井解释人员的工作,有利于大规模提高工作效率,降低人员成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的一种油气层识别方法的流程图;
图2是本发明实施例提供的一种上述油气层识别方法的原理示意图;
图3是本发明实施例提供的一种计算机设备的结构框图;
图4是本发明实施例提供的一种油气层识别装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在本发明实施例中,提供了一种油气层识别方法,如图1所示,该方法包括:
步骤102:根据待测区块的测井数据,获取不同测井曲线的特征参数;
步骤104:将所述特征参数输入储集层识别模型中,输出储层识别结果;
步骤106:将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。
由图1所示的流程可知,在本发明实施例中,提出了使用训练机器学习组件得到的储集层识别模型来识别储层,并使用训练机器学习组件得到的油气层识别模型来识别各储层的流体性质,进而实现油气层的识别,相对现有技术而言,避免了机理公式的使用,储集层识别模型和油气层识别模型可以针对不同的区块来训练,从而有利于提高各区块的识别精度,同时,实现了智能、自动化的识别,有利于减少测井解释人员的工作,有利于大规模提高工作效率,降低人员成本。
具体实施时,上述测井曲线的特征参数可以包括测井曲线的数值指标和/或测井曲线的统计特征(例如,平均值、偏度值等)。
具体实施时,如图2所示,所述储集层识别模型可以是以知识规则和历史不同测井曲线的特征参数为样本训练得到的,其中,所述知识规则包括各特征参数的三元组,该三元组包括特征参数的名称、特征参数的数值以及对应该特征参数的数值的解释。实现了充分利用现有的知识规则和区块地质信息,解决现有机器学习模型泛化能力差、结果缺乏可解释性的问题,使得油气层识别技术更具学习能力,以便获取更高的准确率。
具体的,上述知识规则可以是基于大型的石油领域知识图谱提取得到的,知识规则的形式为各特征参数的三元组<测井曲线(即特征参数的名称),数值指标(特征参数的数值),解释(对应该特征参数的数值的解释)>,例如,<声波时差,[280,320],油气或裂缝带>,这个三元组是指声波测井曲线,数值越大,同一区块地层孔隙发育越好。如果有储集油气或生成裂缝的地质依据,可判断为油气层或裂缝带,这是因为油(气)层只存在于孔渗较好的地层中。
具体实施时,可以通过训练深度神经网络、深度卷积神经网络等机器学习组件来得到上述储集层识别模型。
具体实施时,如图2所示,所述油气层识别模型是以待测区块的嵌入表征信息和各储层对应的历史测井数据为样本训练得到的,其中,所述嵌入表征信息表示所述待测区块的空间地质特性,所述嵌入表征信息包括所述待测区块中测井、地层以及储层之间的关联关系。实现了充分利用现有的知识规则和区块地质信息,解决现有机器学习模型泛化能力差、结果缺乏可解释性的问题,使得油气层识别技术更具学习能力,以便获取更高的准确率。
具体的,上述嵌入表征信息可以是基于大型的石油领域知识图谱提取得到的,将知识图谱中的区块、地质与邻井信息进行嵌入表征,使得提取的关联关系能够反映出该区块的空间地质特性。具体来说,嵌入表征的过程是通过将井、地层与储层之间的关联关系进行建模,其关联关系同样可以表征为三元组形式<头实体,关系,尾实体>,例如,<uNS-1,邻井关系,uNS-2>表示的就是井uNS-1和井uNS-2是处于同一区块的相邻井,其地下的地质情况相似度较高,共享地层的构造、地质特征、物性特征及流体特征,在这种情况下,uNS-1测井数据和uNS-2的测井数据可以相互印证,共同作用于油气层的识别结果。
具体实施时,可以采用基于TransR的图谱嵌入表征算法,得到上述嵌入表征信息,以将高维空间的井与储层映射到低维的关系空间(例如:邻井关系、地层的构造、井与储层蕴含关系等),从而使得井、储层的向量表示能够包含对当前区块地质的全局信息。
具体实施时,可以通过训练以下机器学习组件来得到所述油气层识别模型,将各储层对应的历史测井数据和所述嵌入表征信息输入长短期记忆网络,长短期记忆网络输出各储层对应的历史测井数据的全局深度表征信息;
将各储层对应的历史测井数据和所述嵌入表征信息输入卷积神经网络,卷积神经网络输出各储层对应的历史测井数据的不同尺度深度区域的表征信息;具体的,此步骤可以采用不同步幅尺度的卷积神经网络对当前测井曲线的不同尺度深度区域进行表征;
将各储层对应的历史测井数据的全局深度表征信息和各储层对应的历史测井数据的不同尺度深度区域的表征信息输入多层感知机,在多层感知机中按照对应储层将各储层对应的历史测井数据的全局深度表征信息和各储层对应的历史测井数据的不同尺度深度区域的表征信息叠加表征,多层感知机输出各储层的流体性质的类别。具体的,例如,多层感知机可以通过softmax层实现。
具体实施时,油气层识别模型的训练是通过一个联合学习方法实现的,在得到领域知识图谱的嵌入表征信息的同时,对神经网络模型(如,长短期记忆网络、卷积神经网络以及多层感知机组成的神经网络模型)进行训练,这样极大的提升了模型对于领域知识的理解和利用能力,同时让模型预测结果具有一定的可解释性。
具体实施时,考虑到了油气层识别问题中样本的不均衡特性,尤其是大量的储集层是水层,因此,在本实施例中,构造了一种加权交叉熵的函数,用来优化深度学习的混合模型。用该加权交叉熵函数替换常用的标准交叉熵损失函数,直至所述加权交叉熵小于预设阈值,停止训练所述油气层识别模型,可以提升油气层识别模型预测的准确率,具体地,
L=∑-αi(1-y′)γlog(y′)
其中,L为加权交叉熵;αi为储层类别i对应的权重因子;y′是对流体性质类型y预测的概率分数;γ是常数,为可调的聚焦因子。
具体实施时,可以根据油气层识别模型的预测目的不同,调整αi的值,例如,如果油气层识别模型侧重预测油、气等具有开采价值的储层,则可以增大油、气等储层类别对应的权重因子,减小对于水、干层等储层类别对应的权重因子。
具体实施时,可调的聚焦因子γ具体的作用是让模型尽可能的聚焦那些难以分类的样本,对于简单就可以判断类别的标本就弱化其关注度,例如,对于那些难以分类的样本,可以增大γ的取值,对于简单就可以判断类别的标本,可以减小γ的取值。
具体实施时,在应用上述油气层识别模型和储集层识别模型进行油气层识别时,为了进一步提高识别精度,在进行识别之前,可以对测井数据进行预处理,如图2所示,对多源异构的测井数据进行预处理,特征融合并筛选优质的特征参数。具体的,油气层识别的主要数据来源是测井时通过一系列的仪器测得的地层特性,例如,自然伽马、电阻率、声波时差等。在实际测井过程中,由于受环境因素的影响、测井仪器类型、仪器刻度误差等因素的影响,测井曲线存在系统偏移(偏高或偏低)现象,使其不能真实地反映地层实际信息,并且对不同的区块,其储层的特征不一,因此需要对测井数据进行去噪等预处理并筛选出合适的特征参数。具体来说,确定地层的地球物理特性,需要分别对不同干扰项进行预处理。因此,本方法针对不同的测井曲线,对数据进行归一化、求差以及偏度计算,并输出曲线的统计特征。
总而言之,上述油气层识别方法的原理就是基于从知识图谱中抽取的知识规则,利用储集层识别模型识别当前待测区块的储集层特征,进而识别出未知的储集层,再将储层识别结果以及各储层对应的测井数据和处理后的数据(如测井的地层孔隙度、渗透率以及含水饱和度)输入到油气层识别模型中,进而识别区块中各储层的流体性质。
在本实施例中,提供了一种计算机设备,如图3所示,包括存储器302、处理器304及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的油气层识别方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的油气层识别方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
基于同一发明构思,本发明实施例中还提供了一种油气层识别装置,如下面的实施例所述。由于油气层识别装置解决问题的原理与油气层识别方法相似,因此油气层识别装置的实施可以参见油气层识别方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例的油气层识别装置的一种结构框图,如图4所示,该装置包括:
特征参数获取模块402,用于根据待测区块的测井数据,获取不同测井曲线的特征参数;
储层识别模块404,用于将所述特征参数输入储集层识别模型中,输出储层识别结果;
油气层识别模块406,用于将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。
在一个实施例中,还包括:
第一训练模块,用于以知识规则和历史不同测井曲线的特征参数为样本训练得到所述储集层识别模型,其中,所述知识规则包括各特征参数的三元组,该三元组包括特征参数的名称、特征参数的数值以及对应该特征参数的数值的解释。
在一个实施例中,还包括:
第二训练模块,还用于以所述待测区块的嵌入表征信息和各储层对应的历史测井数据为样本训练得到所述油气层识别模型,其中,所述嵌入表征信息表示所述待测区块的空间地质特性,所述嵌入表征信息包括所述待测区块中测井、地层以及储层之间的关联关系。
在一个实施例中,所述第二训练模块,还用于通过以下步骤训练所述油气层识别模型,
将各储层对应的历史测井数据和所述嵌入表征信息输入长短期记忆网络,长短期记忆网络输出各储层对应的历史测井数据的全局深度表征信息;将各储层对应的历史测井数据和所述嵌入表征信息输入卷积神经网络,卷积神经网络输出各储层对应的历史测井数据的不同尺度深度区域的表征信息;将各储层对应的历史测井数据的全局深度表征信息和各储层对应的历史测井数据的不同尺度深度区域的表征信息输入多层感知机,在多层感知机中按照对应储层将各储层对应的历史测井数据的全局深度表征信息和各储层对应的历史测井数据的不同尺度深度区域的表征信息叠加表征,多层感知机输出各储层的流体性质的类别。
在一个实施例中,所述第二训练模块,还用于通过以下函数计算所述油气层识别模型训练时的加权交叉熵,直至所述加权交叉熵小于预设阈值,停止训练所述油气层识别模型:
L=∑-αi(1-y′)γlog(y′)
其中,L为加权交叉熵;αi为储层类别i对应的权重因子;y′是对流体性质类型y预测的概率分数;γ是常数,为可调的聚焦因子。
本发明实施例实现了如下技术效果:在本发明实施例中,提出了使用训练机器学习组件得到的储集层识别模型来识别储层,并使用训练机器学习组件得到的油气层识别模型来识别各储层的流体性质,进而实现油气层的识别,相对现有技术而言,避免了机理公式的使用,储集层识别模型和油气层识别模型可以针对不同的区块来训练,从而有利于提高各区块的识别精度,同时,实现了智能、自动化的识别,有利于减少测井解释人员的工作,有利于大规模提高工作效率,降低人员成本。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种油气层识别方法,其特征在于,包括:
根据待测区块的测井数据,获取不同测井曲线的特征参数;
将所述特征参数输入储集层识别模型中,输出储层识别结果;
将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。
2.如权利要求1所述的油气层识别方法,其特征在于,所述储集层识别模型是以知识规则和历史不同测井曲线的特征参数为样本训练得到的,其中,所述知识规则包括各特征参数的三元组,该三元组包括特征参数的名称、特征参数的数值以及对应该特征参数的数值的解释。
3.如权利要求1所述的油气层识别方法,其特征在于,所述油气层识别模型是以所述待测区块的嵌入表征信息和各储层对应的历史测井数据为样本训练得到的,其中,所述嵌入表征信息表示所述待测区块的空间地质特性,所述嵌入表征信息包括所述待测区块中测井、地层以及储层之间的关联关系。
4.如权利要求3所述的油气层识别方法,其特征在于,训练所述油气层识别模型,包括:
将各储层对应的历史测井数据和所述嵌入表征信息输入长短期记忆网络,长短期记忆网络输出各储层对应的历史测井数据的全局深度表征信息;
将各储层对应的历史测井数据和所述嵌入表征信息输入卷积神经网络,卷积神经网络输出各储层对应的历史测井数据的不同尺度深度区域的表征信息;
将各储层对应的历史测井数据的全局深度表征信息和各储层对应的历史测井数据的不同尺度深度区域的表征信息输入多层感知机,在多层感知机中按照对应储层将各储层对应的历史测井数据的全局深度表征信息和各储层对应的历史测井数据的不同尺度深度区域的表征信息叠加表征,多层感知机输出各储层的流体性质的类别。
5.如权利要求1至4中任一项所述的油气层识别方法,其特征在于,还包括:
通过以下函数计算所述油气层识别模型训练时的加权交叉熵,直至所述加权交叉熵小于预设阈值,停止训练所述油气层识别模型:
L=∑-αi(1-y′)γlog(y′)
其中,L为加权交叉熵;αi为储层类别i对应的权重因子;y′是对流体性质类型y预测的概率分数;γ是常数,为可调的聚焦因子。
6.一种油气层识别装置,其特征在于,包括:
特征参数获取模块,用于根据待测区块的测井数据,获取不同测井曲线的特征参数;
储层识别模块,用于将所述特征参数输入储集层识别模型中,输出储层识别结果;
油气层识别模块,用于将储层识别结果中各储层对应的测井数据输入油气层识别模型中,输出各储层的流体性质,其中,各储层对应的测井数据包括测井的地层孔隙度、渗透率以及含水饱和度,所述储集层识别模型和所述油气层识别模型是经过训练机器学习组件得到的。
7.如权利要求6所述的油气层识别装置,其特征在于,还包括:
第一训练模块,用于以知识规则和历史不同测井曲线的特征参数为样本训练得到所述储集层识别模型,其中,所述知识规则包括各特征参数的三元组,该三元组包括特征参数的名称、特征参数的数值以及对应该特征参数的数值的解释。
8.如权利要求6或7所述的油气层识别装置,其特征在于,还包括:
第二训练模块,还用于以所述待测区块的嵌入表征信息和各储层对应的历史测井数据为样本训练得到所述油气层识别模型,其中,所述嵌入表征信息表示所述待测区块的空间地质特性,所述嵌入表征信息包括所述待测区块中测井、地层以及储层之间的关联关系。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的油气层识别方法。
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存储有执行权利要求1至5中任一项所述的油气层识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010325728.7A CN111665560B (zh) | 2020-04-23 | 2020-04-23 | 油气层识别方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010325728.7A CN111665560B (zh) | 2020-04-23 | 2020-04-23 | 油气层识别方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111665560A true CN111665560A (zh) | 2020-09-15 |
CN111665560B CN111665560B (zh) | 2023-06-30 |
Family
ID=72382798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010325728.7A Active CN111665560B (zh) | 2020-04-23 | 2020-04-23 | 油气层识别方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111665560B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN112526107A (zh) * | 2020-11-27 | 2021-03-19 | 中国地质大学(北京) | 裂缝型致密砂岩储层甜点识别与定量表征的方法 |
CN112766321A (zh) * | 2020-12-31 | 2021-05-07 | 中国地质调查局成都地质调查中心 | 一种基于深度学习的地质特征检测识别方法及系统 |
CN112819035A (zh) * | 2021-01-12 | 2021-05-18 | 北京科技大学 | 利用pvt实验和机器学习判断气窜的方法及装置 |
CN113688922A (zh) * | 2021-08-31 | 2021-11-23 | 西南石油大学 | 一种凝聚聚类无监督算法的流体类型识别方法 |
CN114970743A (zh) * | 2022-06-17 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 一种基于多模态深度学习的多源遥感降雨数据融合方法 |
US11828168B2 (en) | 2021-06-30 | 2023-11-28 | Saudi Arabian Oil Company | Method and system for correcting and predicting sonic well logs using physics-constrained machine learning |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103485770A (zh) * | 2013-06-19 | 2014-01-01 | 中国石油天然气集团公司 | 一种基于人工神经网络求取含油饱和度的方法及系统 |
CN108301823A (zh) * | 2018-01-19 | 2018-07-20 | 北京捷贝通石油技术股份有限公司 | 一种识别储层油气甜点的方法 |
US20190034812A1 (en) * | 2017-07-28 | 2019-01-31 | International Business Machines Corporation | Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base |
CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
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 |
CN110284873A (zh) * | 2019-06-27 | 2019-09-27 | 中国石油集团东方地球物理勘探有限责任公司 | 一种油井储集性质的检测方法及检测装置 |
CN110619353A (zh) * | 2019-08-22 | 2019-12-27 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
CN110907996A (zh) * | 2019-12-11 | 2020-03-24 | 青岛理工大学 | 一种致密气藏自动识别方法 |
-
2020
- 2020-04-23 CN CN202010325728.7A patent/CN111665560B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103485770A (zh) * | 2013-06-19 | 2014-01-01 | 中国石油天然气集团公司 | 一种基于人工神经网络求取含油饱和度的方法及系统 |
US20190034812A1 (en) * | 2017-07-28 | 2019-01-31 | International Business Machines Corporation | Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base |
CN108301823A (zh) * | 2018-01-19 | 2018-07-20 | 北京捷贝通石油技术股份有限公司 | 一种识别储层油气甜点的方法 |
CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
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 |
CN110284873A (zh) * | 2019-06-27 | 2019-09-27 | 中国石油集团东方地球物理勘探有限责任公司 | 一种油井储集性质的检测方法及检测装置 |
CN110619353A (zh) * | 2019-08-22 | 2019-12-27 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
CN110907996A (zh) * | 2019-12-11 | 2020-03-24 | 青岛理工大学 | 一种致密气藏自动识别方法 |
Non-Patent Citations (1)
Title |
---|
任义丽等: "基于机器学习的储集层含油气性评价", 《信息系统工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN112526107A (zh) * | 2020-11-27 | 2021-03-19 | 中国地质大学(北京) | 裂缝型致密砂岩储层甜点识别与定量表征的方法 |
CN112526107B (zh) * | 2020-11-27 | 2021-11-16 | 中国地质大学(北京) | 裂缝型致密砂岩储层甜点识别与定量表征的方法 |
CN112766321A (zh) * | 2020-12-31 | 2021-05-07 | 中国地质调查局成都地质调查中心 | 一种基于深度学习的地质特征检测识别方法及系统 |
CN112819035A (zh) * | 2021-01-12 | 2021-05-18 | 北京科技大学 | 利用pvt实验和机器学习判断气窜的方法及装置 |
CN112819035B (zh) * | 2021-01-12 | 2021-11-09 | 北京科技大学 | 利用pvt实验和机器学习判断气窜的方法及装置 |
US11828168B2 (en) | 2021-06-30 | 2023-11-28 | Saudi Arabian Oil Company | Method and system for correcting and predicting sonic well logs using physics-constrained machine learning |
CN113688922A (zh) * | 2021-08-31 | 2021-11-23 | 西南石油大学 | 一种凝聚聚类无监督算法的流体类型识别方法 |
CN113688922B (zh) * | 2021-08-31 | 2023-07-25 | 西南石油大学 | 一种凝聚聚类无监督算法的流体类型识别方法 |
CN114970743A (zh) * | 2022-06-17 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 一种基于多模态深度学习的多源遥感降雨数据融合方法 |
CN114970743B (zh) * | 2022-06-17 | 2022-11-08 | 中国科学院地理科学与资源研究所 | 一种基于多模态深度学习的多源遥感降雨数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111665560B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Elkatatny | A self-adaptive artificial neural network technique to predict total organic carbon (TOC) based on well logs | |
US11761330B2 (en) | Subsurface measurement compression and reconstruction | |
KR102170765B1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
CN111472751A (zh) | 测井解释方法、知识图谱构建方法及相关装置 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
Askari et al. | A fully integrated method for dynamic rock type characterization development in one of Iranian off-shore oil reservoir | |
Akinyokun et al. | Well log interpretation model for the determination of lithology and fluid | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
Lu et al. | Prediction of the pore structure by machine learning techniques in the carbonate reservoirs in Iraq H oilfield | |
Oyerokun | A new approach for training and testing artificial neural networks for permeability prediction | |
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 | |
Nath et al. | Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study | |
US11905809B2 (en) | Determining reservoir heterogeneity for optimized drilling location | |
CN112541523B (zh) | 一种泥质含量计算方法和装置 | |
CN113032717B (zh) | 页岩油储层含油性的确定方法、装置、设备及存储介质 | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
Ahmadov et al. | Machine learning-driven rock classification to optimize completion and hydraulic fracturing design in the Tuscaloosa Marine Shale | |
CN113495293B (zh) | 油藏流体预测方法及装置 | |
WO2023184214A1 (en) | Parameterization of nuclear magnetic resonance transverse relaxation time distribution | |
Lin et al. | A deep-learning framework for borehole formation properties prediction using heterogeneous well-logging data: A case study of a carbonate reservoir in the Gaoshiti-Moxi area, Sichuan Basin, China | |
CN116357308A (zh) | 一种用于计算页岩油含油饱和度方法、设备、系统及介质 |
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 |