CN111723517B - 一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 - Google Patents
一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 Download PDFInfo
- Publication number
- CN111723517B CN111723517B CN202010454246.1A CN202010454246A CN111723517B CN 111723517 B CN111723517 B CN 111723517B CN 202010454246 A CN202010454246 A CN 202010454246A CN 111723517 B CN111723517 B CN 111723517B
- Authority
- CN
- China
- Prior art keywords
- model
- random
- encoder
- optimizing
- gradual deformation
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Abstract
本发明涉及一种融合机器学习原理和逐渐变形法的地球物理模型优化方法,此优化方法将机器学习和逐渐变形法相结合,对已知的地球物理模型进行深度优化,大大提高了模型的可解读性和准确性,同时使其在信息整合方面显示出较佳的优越性,能够为物理参数模型在石油勘探的资料解释、应用中提升一定的效率。
Description
技术领域
本发明涉及一种融合机器学习原理和逐渐变形法的地球物理模型优化方法,属于地球物理领域中的模型优化。
背景技术
随着油气资源的逐步开发,准确的地球物理模型对于储层评价和制定开采方案变得越来越重要,储层地球物理模型包括构造模型、沉积相模型和物性参数模型,其中前两类模型通常是通过初期勘探信息和经验构建的确定性模型,而物性参数模型则可以采用随机建模获得多个等概率的模型结果。
目前,对于随机模型的约束、选择和优化过程,通常利用个别点位的测井对模型进行约束,通过对多个模型求取平均值来判断模型准确程度,这些优化方式通常无法基于当前模型结果给出最优值,选择任何一个随机模型都无法全面的表达当前区域的地球物理参数情况。逐渐变形法是一种利用扰动机制逐渐对一组随机模型进行优化的方式,对每个随机模型按比例进行加权提取并叠加到优化模型上,理论上能够获得最优的建模结果,但是其中的系数却难以获得。
近年来,机器学习理论被越来越多的应用于地球物理领域,在解决分类和预测问题中都展现出了优异的效果,在模型优化中具有一定的前景,因此,需要一种能够有效结合已知数据体的模型优化方法,以解决随机建模中的地球物理模型的优化问题。
发明内容
本发明提供一种融合机器学习原理和逐渐变形法的地球物理模型优化方法,此优化方法有效结合已知数据体,能够为物理参数模型在石油勘探的资料解释、应用中提升一定的效率。
本发明解决其技术问题所采用的技术方案是:
一种融合机器学习原理和逐渐变形法的地球物理模型优化方法,具体包括以下步骤:
第一步:模型微调,通过动态时间规划算法对地球物理参数模型进行微调,前述进行微调的地球物理参数模型为随机模型,微调的参考基准为选取的等概率随机模型的平均值;
第二步:训练自编码器,利用自编码器的压缩和提取数据特征能力,对随机模型提取特征序列;
第三步:逐渐变形法优化模型,将叠前反演理论和特征序列作为逐渐变形法的约束条件,对每组随机模型进行逐步优化;
第四步:确定模型是否达到最优,若已达到最优则输出最优模型,若未达到最优,重新经过逐渐变形法优化模型;
作为本发明的进一步优选,
前述的自编码器包括编码器和解码器,其中编码器包含两层,解码器包括七层;
作为本发明的进一步优选,第一步中模型微调具体包括以下步骤:
第11步,依次求取随机模型与参考基准之间的绝对误差,采用公式表示为
δ(i,j)=(αi-βj)2
上述式中δ(i,j)代表随机模型α在位置i处,与参考基准β在位置j处的绝对误差;
第12步,设定回溯窗口范围,采用首尾不变的菱形窗口,对随机模型微调的同时不改变随机模型大小,其范围表示为
前述式中x为模型的横坐标,y为模型的纵坐标,k1和k2为菱形窗口所对应两条边的斜率,l1和l2为菱形窗口两条边在x轴上的投影;
第13步,在设定的窗口范围内求取二阶累积误差,从菱形窗口的末端开始累加,其公式可表示为
上述式中D(i,j)为随机模型i位置与参考基准j位置的二阶累积误差;
第14步,从二阶累积误差终点值开始回溯最短累计误差路径,根据路径中随机模型和参考基准之间的位置,对随机模型进行微调;
作为本发明的进一步优选,第二步中训练自编码器具体包括以下步骤:
第21步,自编码器对提取的模型特征序列进行最大化解读和恢复,其目标函数可以表示为
E(α)=|C2(C1(α))-α|
上述式中E(α)为该自编码器的损失函数即目标函数,C1为编码器部分,C2为解码器部分;第22步,采用随即梯度下降法对目标函数进行优化,训练自编码器中所包含的权重系数;第23步,将随机模型逐个输入到训练完成的自编码器中,利用编码器部分对随机模型提取特征序列,所提取的特征可以表示为:
g(α)=C1(α)
式中g(α)即为随机模型α的特征序列;
作为本发明的进一步优选,
获得优化的随机模型迭代过程的基本公式为
α0=μ1·α0+μ2·αt1+μ3·αt2
上述式中α0为上一组优化后的随机模型,αt1和αt2为本次迭代过程所增加的两个随机模型,μ1、μ2、μ3分别为三个随机模型的权重;
作为本发明的进一步优选,第三步中逐渐变形法优化模型具体包括以下步骤:
第31步,将优化后的随机模型与权重系数同时带入叠前反演过程,求得反射系数Rpp,将反射系数Rpp,带入到褶积模型中可以得到合成的地震波形
De=ω*Rpp+n
上述式中De代表合成的地震波形,ω是当前数据样本的地震子波,Rpp是通过叠前反演过程求取的反射系数,n是随机噪音;
第32步,构建目标函数,
第33步,通过粒子群算法对逐渐变形法采用的目标函数进行优化,求解逐渐变形法中的权重,对模型进行优化更新;
作为本发明的进一步优选,前述对优化后的随机模型中的权重进行求解,其权重满足
作为本发明的进一步优选,对优化后的随机模型反复优化和迭代,直到随机模型不再发生变化或全部随机模型都已经参与过该优化过程,输出最优模型。
通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
1、本发明将机器学习和逐渐变形法相结合,对已知的地球物理模型进行深度优化,大大提高了模型的可解读性和准确性;
2、本发明选用随机模型作为应用使其在信息整合方面显示出较佳的优越性,能够为物理参数模型在石油勘探的资料解释、应用中提升一定的效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明优选实施例的优化方法流程示意图;
图2是本发明优选实施例中应用的自编码器的结构示意图;
图3是本发明优选实施例中通过动态时间规划算法对模型进行微调的效果图,其中3a为未微调前的效果图,3b为微调后的效果图;
图4是本发明优选实施例采用逐渐变形法优化模型的过程示意图;
图5是本发明优选实施例模型优化对比图,其中5a为优化前的模型结果图,5b为优化后的模型结果图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
现有技术中,对地球物理模型进行优化的方式,无法基于当前模型结果给出最优值,即使采用传统意义上的逐渐变形法对若干组随机模型进行优化后获得最优的建模结果,但是其权重系数却难以获得。
实施例
基于上述问题,本申请提供一种融合机器学习原理和逐渐变形法的地球物理模型优化方法,图1所示,具体包括以下步骤:
第一步:模型微调,通过动态时间规划算法(DTW)对地球物理参数模型进行微调,前述进行微调的地球物理参数模型为随机模型,微调的参考基准为选取的该组等概率随机模型的平均值,目的是降低由于模型的不确定性所带来的的坐标偏移;
模型微调具体包括以下步骤:
第11步,依次求取随机模型与参考基准之间的绝对误差,采用公式表示为
δ(i,j)=(αi-βj)2
上述式中δ(i,j)代表随机模型α在位置i处,与参考基准β在位置j处的绝对误差;
第12步,设定回溯窗口范围,采用首尾不变的菱形窗口,对随机模型微调的同时不改变随机模型大小,其范围表示为
前述式中x为模型的横坐标,y为模型的纵坐标,k1和k2为菱形窗口所对应两条边的斜率,l1和l2为菱形窗口两条边在x轴上的投影;
第13步,在设定的窗口范围内求取二阶累积误差,从菱形窗口的末端开始累加,其公式可表示为
上述式中D(i,j)为随机模型i位置与参考基准j位置的二阶累积误差;
第14步,从二阶累积误差终点值开始回溯最短累计误差路径,根据路径中随机模型和参考基准之间的位置,对随机模型进行微调;
图3所示,即为对随机模型进行微调的对比图,3a为未微调前的示意图,3b为微调后的示意图,图中实线部分为参考基准,虚线部分为随机模型,经过动态时间规划算法微调后,可以明显看出随机模型与参考基本之间的坐标偏移得到了大幅度的减小;
第二步:训练自编码器,利用机器学习中自编码器的压缩和提取数据特征的能力,对随机模型提取特征序列,由于这里着重要求对模型特征进行提取,因此采用了非对称的自编码器结构,从图2中可以看出,自编码器包括编码器和解码器,其中编码器包含两层,尽量降低特征提取过程的复杂度,时模型特征更加清晰,解码器包括七层,目的是为了更好的恢复原始数据,以降低由于解码器不足产生的误差,
具体的训练自编码器包括以下步骤:
第21步,对所提取的特征序列进行最大化解读和恢复,其目标函数可以表示为
E(α)=|C2(C1(α))-α|
上述式中E(α)为该自编码器的损失函数即目标函数,C1为编码器部分,C2为解码器部分;
第22步,采用随即梯度下降法对目标函数进行优化,训练自编码器中所包含的权重系数;
第23步,将随机模型逐个输入到训练完成的自编码器中,利用编码器部分对随机模型提取特征序列,作为逐渐变形法中的约束条件之一,所提取的特征可以表示为:
g(α)=C1(α)
式中g(α)即为随机模型α的特征序列;
第三步:逐渐变形法优化模型,将叠前反演理论和特征序列作为逐渐变形法的约束条件,对每组随机模型进行逐步优化;
其中,图4可知,逐步优化的迭代过程是从前面的量依次求出后面的量的过程,此过程的每一次结果都是由对前一次所得结果施行相同的运算步骤得到,因此获得优化的随机模型迭代过程的基本公式为
α0=μ1·α0+μ2·αt1+μ3·αt2
上述式中α0为上一组优化后的随机模型,αt1和αt2为本次迭代过程所增加的两个随机模型,μ1、μ2、μ3分别为三个随机模型的权重;
对优化后的随机模型中的权重进行求解,其权重系数还需满足
接下来具体阐述逐渐变形法优化模型的具体步骤,
第31步,将优化后的随机模型与权重系数同时带入叠前反演过程,求得反射系数Rpp,将反射系数Rpp,带入到褶积模型中可以得到合成的地震波形
De=ω*Rpp+n
上述式中De代表合成的地震波形,ω是当前数据样本的地震子波,Rpp是通过叠前反演过程求取的反射系数,n是随机噪音;
第32步,构建目标函数,
第33步,通过粒子群算法对逐渐变形法采用的目标函数进行优化,求解逐渐变形法中的权重,对模型进行优化更新。
第四步:对优化后的随机模型反复优化和迭代,直至随机模型不再发生变化或全部的随机模型均已参与该优化过程,从而输出最优模型,若未达到最优模型,则重新经过逐渐变形法进行优化。
通过实施例的优化方法,可知对已知的地球物理模型进行了深度优化,图5所示,即为模型优化的对比图,5a为优化前的模型示意图,从图中可以看出,其可解读性较弱,5b为优化后的模型示意图,从图中明显可以看出其可解读性以及准确性获得了较大的提升。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种融合机器学习原理和逐渐变形法的地球物理模型优化方法,其特征在于:具体包括以下步骤:
第一步:模型微调,通过动态时间规划算法对地球物理参数模型进行微调,前述进行微调的地球物理参数模型为随机模型,微调的参考基准为选取的等概率随机模型的平均值;
第二步:训练自编码器,利用自编码器的压缩和提取数据特征能力,对随机模型提取特征序列;
第三步:逐渐变形法优化模型,将叠前反演理论和特征序列作为逐渐变形法的约束条件,对每组随机模型进行逐步优化;
第四步:确定模型是否达到最优,若已达到最优则输出最优模型,若未达到最优,重新经过逐渐变形法优化模型;
第二步中训练自编码器具体包括以下步骤:
第21步,自编码器对提取的模型特征序列进行最大化解读和恢复,其目标函数表示为
E(α)=|C2(C1(α))-α|
上述式中E(α)为该自编码器的损失函数即目标函数,C1为编码器部分,C2为解码器部分;
第22步,采用随即梯度下降法对目标函数进行优化,训练自编码器中所包含的权重系数;
第23步,将随机模型逐个输入到训练完成的自编码器中,利用编码器部分对随机模型提取特征序列,所提取的特征表示为:
g(α)=C1(α)
式中g(α)即为随机模型α的特征序列;
获得优化的随机模型迭代过程的基本公式为
α0=μ1·α0+μ2·αt1+μ3·αt2
上述式中α0为上一组优化后的随机模型,αt1和αt2为本次迭代过程所增加的两个随机模型,μ1、μ2、μ3分别为三个随机模型的权重;
第三步中逐渐变形法优化模型具体包括以下步骤:
第31步,将优化后的随机模型与权重系数同时带入叠前反演过程,求得反射系数Rpp,将反射系数Rpp,带入到褶积模型中得到合成的地震波形
De=ω*Rpp+n
上述式中De代表合成的地震波形,ω是当前数据样本的地震子波,Rpp是通过叠前反演过程求取的反射系数,n是随机噪音;
第32步,构建目标函数,
第33步,通过粒子群算法对逐渐变形法采用的目标函数进行优化,求解逐渐变形法中的权重,对模型进行优化更新。
2.根据权利要求1所述的融合机器学习原理和逐渐变形法的地球物理模型优化方法,其特征在于:
前述的自编码器包括编码器和解码器,其中编码器包含两层,解码器包括七层。
3.根据权利要求2所述的融合机器学习原理和逐渐变形法的地球物理模型优化方法,其特征在于:第一步中模型微调具体包括以下步骤:
第11步,依次求取随机模型与参考基准之间的绝对误差,采用公式表示为
δ(i,j)=(αi-βj)2
上述式中δ(i,j)代表随机模型α在位置i处,与参考基准β在位置j处的绝对误差;
第12步,设定回溯窗口范围,采用首尾不变的菱形窗口,对随机模型微调的同时不改变随机模型大小,其范围表示为
前述式中x为模型的横坐标,y为模型的纵坐标,k1和k2为菱形窗口所对应两条边的斜率,l1和l2为菱形窗口两条边在x轴上的投影;
第13步,在设定的窗口范围内求取二阶累积误差,从菱形窗口的末端开始累加,其公式表示为
上述式中D(i,j)为随机模型i位置与参考基准j位置的二阶累积误差;
第14步,从二阶累积误差终点值开始回溯最短累计误差路径,根据路径中随机模型和参考基准之间的位置,对随机模型进行微调。
5.根据权利要求4所述的融合机器学习原理和逐渐变形法的地球物理模型优化方法,其特征在于:对优化后的随机模型反复优化和迭代,直到随机模型不再发生变化或全部随机模型都已经参与过该优化过程,输出最优模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454246.1A CN111723517B (zh) | 2020-05-26 | 2020-05-26 | 一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454246.1A CN111723517B (zh) | 2020-05-26 | 2020-05-26 | 一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723517A CN111723517A (zh) | 2020-09-29 |
CN111723517B true CN111723517B (zh) | 2022-09-02 |
Family
ID=72565135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454246.1A Active CN111723517B (zh) | 2020-05-26 | 2020-05-26 | 一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723517B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112360411B (zh) * | 2020-11-30 | 2022-02-01 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN112282714B (zh) * | 2020-11-30 | 2022-03-25 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1337583A (zh) * | 2001-07-13 | 2002-02-27 | 石油大学(北京) | 基于地质地球物理模型的三维地震观测系统优化设计方法 |
CN102495943A (zh) * | 2011-10-31 | 2012-06-13 | 国家卫星海洋应用中心 | 地球物理模型建模方法 |
CN104793247A (zh) * | 2015-03-12 | 2015-07-22 | 中国石油天然气集团公司 | 近地表速度建模方法及建模装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2914434B1 (fr) * | 2007-03-30 | 2009-05-22 | Inst Francais Du Petrole | Methode de calage d'historique d'un modele geologique par modification graduelle des proportions des facies lithologiques |
-
2020
- 2020-05-26 CN CN202010454246.1A patent/CN111723517B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1337583A (zh) * | 2001-07-13 | 2002-02-27 | 石油大学(北京) | 基于地质地球物理模型的三维地震观测系统优化设计方法 |
CN102495943A (zh) * | 2011-10-31 | 2012-06-13 | 国家卫星海洋应用中心 | 地球物理模型建模方法 |
CN104793247A (zh) * | 2015-03-12 | 2015-07-22 | 中国石油天然气集团公司 | 近地表速度建模方法及建模装置 |
Non-Patent Citations (3)
Title |
---|
基于混沌-粒子群优化的磁法数据非线性反演方法;邱宁 等;《地球物理学进展》;20101231;第25卷(第6期);全文 * |
基于神经网络方法的C波段和Ku波段统一地球物理模型;邹巨洪 等;《海洋学报》;20080930;第30卷(第5期);全文 * |
顾及几何观测信息和地球物理模型的形变参数自适应滤波解;杨元喜 等;《中国科学》;20091231;第39卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111723517A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7079953B2 (en) | Method for creating facies probability cubes based upon geologic interpretation | |
CN112017289B (zh) | 一种基于深度学习的井震联合初始岩性模型构建方法 | |
CN111723517B (zh) | 一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 | |
US7516055B2 (en) | Multiple-point statistics (MPS) simulation with enhanced computational efficiency | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
US20060041409A1 (en) | Method for making a reservoir facies model utilizing a training image and a geologically interpreted facies probability cube | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
US11181653B2 (en) | Reservoir characterization utilizing ReSampled seismic data | |
EP2686715A2 (en) | Subsurface directional equalization analysis of rock bodies | |
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 | |
CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
CN115393656B (zh) | 一种用于随钻测井图像地层分类的自动分类方法 | |
CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
CN107861149A (zh) | 基于波形驱动下的叠前纵横波速度比模拟方法 | |
Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density | |
CN114185090B (zh) | 岩相和弹性参数同步反演方法、装置、电子设备及介质 | |
CN110927786A (zh) | 基于虚拟井随机模拟的地震岩相预测方法及系统 | |
Nivlet et al. | Facies analysis from pre-stack inversion results in a deep offshore turbidite environment | |
CN117171552A (zh) | 融合岩石物理模型和贝叶斯反演的测井岩相分类方法 | |
Suardiputra et al. | Combining machine learning and geostatistics for scenario models of the Handil Oilfield | |
CN117388933A (zh) | 基于特征增强的神经网络核磁测井曲线预测方法及装置 | |
EP4281809A1 (en) | A method of and apparatus for determining a multiple well seismic-to-well tie | |
CN114624778A (zh) | 基于地震分频体的宽频弹性参数反演方法 | |
CN116413772A (zh) | 一种批量合成记录标定方法和装置 | |
CN112363244A (zh) | 波阻抗反演方法与碳酸盐岩非均质储层预测方法及系统 |
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 |