CN112017289B - 一种基于深度学习的井震联合初始岩性模型构建方法 - Google Patents

Abstract

本发明公开一种基于深度学习的井震联合初始岩性模型构建方法，应用于三维地质建模领域，针对现有技术中存在的测井数据由于滤波导致频率太低，损失了很多高频有效信息，插值过程中地震数据无法有效控制的问题；本发明利用卷积神经网络提取数据中包含的长短周期即高低频率的特征，对不同的特征采用长短时间记忆网络进行分类学习，进而准确地学习地震数据和测井数据之间的关系，达到岩石属性的准确预测，从而进行岩性初始模型的构建，为岩性参数的反演提供基础，从而指导油气的勘探开发和油气藏储层描述。

Description

一种基于深度学习的井震联合初始岩性模型构建方法

技术领域

本发明属于三维地质建模领域，特别涉及一种初始岩性模型构建技术。

背景技术

三维地质建模是近年来从油气藏储层研究中兴起的一门新技术，是由计算机科学、数学、地质学、地球物理学等多种学科与技术交汇融合的产物。自20世纪90年代该技术提出以来，三维地质建模技术已经被广泛应用于油气勘探开发、矿产开采、水文地质等诸多领域，并且取得了良好的应用效果。目前，在油气勘探开发过程中，主要是通过现有的地质、地球物理、钻探等资料，借助相关的算法，来构建初始岩性模型，为后续反演提供初始模型，从而揭示地下介质的地质构造和相关岩性。由于现有勘探手段的局限性，目前并不能直接识别出油气藏的位置与储量的大小，因此需要建地下地层的岩石属性模型，进而用于推断油气可能富集的区块，并推断油气储量的大小。

岩性建模的基础模型一般为地震属性模型，包括纵横波速度模型、纵横波阻抗模型和密度模型等。在20世纪60年代，Mathern系统的总结了Krige等人的研究成果，提出了区域化变量理论，开创了地质统计学。随着油藏描述技术兴起，进入到20世纪90年代以后，地质统计学成为地质建模的关键技术。以地质统计学的理论和方法为基础，发展了许多油气藏岩性建模方法，这些岩性建模方法可以分为两类：(1)以Kringing插值为基础的确定性建模；(2)以随机模拟为基础的不确定性建模。建立的初始岩性模型直接为后续反演提供基础，反演是将初始地质模型和测井资料相结合，使地震数据的高低频段拓展至反演波阻抗的频率范围。首先需要建立初始岩性模型，根据各类初始岩性参数估算出反演系数，进而合成地震道，再与井旁道进行比较，计算剩余误差，利用剩余误差来调整地质模型各类介质的岩性参数，不断迭代该步骤直至得到可靠的结果。所以，初始岩性模型构建的合理性与准确性直接影响后续反演，从而决定最终岩性模型的准确性。

实际情况中，常用的初始岩性模型构建的方法，对测井数据进行滤波，用已知的滤波后的测井数据进行外推内插，导致初始模型出现两个问题：(1)滤波后的测井数据频率太低，一般不会超过70HZ，导致建立的初始模型的分辨率不够；(2)利用测井数据进行外推内插的过程中，没有利用井震关系，地震数据对初始模型的控制不够，导致建立的初始模型存在多解性。

相关现有技术如下：

1、卷积神经网络(CNN)在序列预测中的应用

卷积神经网络(CNN)可以很有效的提取数据中的特征，然后使用这些特征在更高卷积层中生成更复杂的特征。从固定长度的数据中获取感兴趣的特征，并且当该特征在数据片段中的位置不具有高度相关性时，卷积神经网络(CNN)是非常有效的。因此，CNN可以很好的用于时间序列分析，充分挖掘序列包含的信息。

常见的CNN包含以下几个模块：卷积层、激活函数、池化层，如图1所示。输入数据经过卷积层提取特征，并利用激活函数提升非线性表征的能力。池化层可以降低特征尺度，避免大尺度带来的计算负担，提升泛化能力并提高感受野。全连接层的作用是融合前边提取的特征。最后将结果输出，利用误差进行反向传播，从而更行网络参数。

假设输入数据为X，卷积核为W，则卷积过程为：

s(i,j)＝(X,W)(i,j)+b＝∑(X_k*W_k)(i,j)+b

激活函数一般使用整流线性单元(Relu)，公式如下：

g(z)＝max{0,z}

池化的作用在于降低尺度，从而避免大尺度带来的高计算负担，并增强鲁棒性。池化操作一般包括最大池化和平均池化。

2、长短时间记忆网络(LSTM)在时间序列中的应用

如图2所示，循环神经网络(RNN)可以记忆之前的信息，充分挖掘时间序列不同时间数据之间的关系。RNN网络结构的隐藏层之间的节点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。

RNN并不能很好处理较长的序列，对于长序列中包含的信息不能进行很有效的挖掘，原因是RNN在训练的过程中，很容易发生梯度消失，这导致训练的时候梯度不能在较长的序列中一直传递下去，从而使RNN无法捕捉到长距离的影响。为了解决这个问题，有学者提出了如图3所示的长短时间记忆网络(LSTM)来解决梯度消失问题。

LSTM模型有两个隐藏状态h(t)和C(t)，设t时刻输入为x(t)，遗忘门中输出f(t)代表了遗忘上一层隐藏细胞状态的概率，公式如下：

f(t)＝δ(W_fh(t-1)+U_fx(t)+b_f)

输入门中，输出为i(t)和c'(t)，公式如下：

i(t)＝δ(W_ih(t-1)+U_ix(t)+b_i)

a(t)＝tanh(W_ch(t-1)+U_cx(t)+b_c)

更新细胞更新状态：

C(t)＝C(t-1)*f(t)+i(t)*a(t)

更新输出门输出：

o(t)＝δ(W_oh(t-1)+U_ox(t)+b_o)

h(t)＝o(t)*tanh(C(t))

更新当前预测值：

得到预测输出之后，利用误差进行反向传播，从而更新网络参数。

发明内容

为解决该问题，本发明实现了一种基于深度学习的井震联合初始岩性模型构建方法，该方法能够充分从原始数据信息中挖掘地震数据和测井数据的关系，充分利用测井数据的高低频信息，在得到可靠的岩性模型的情况下，也增加了模型的分辨率。

本发明采用的技术方案为：一种基于深度学习的井震联合初始岩性模型构建方法，包括：

S1、井震标定，对测井数据和地震数据进行重采样，使其采样频率相同，并且处于同一目标层段；

S2、提取地震数据长短周期特征，利用卷积神经网络对地震数据进行高低频率特征提取；

S3、对特征进行特征选择，针对卷积神经网络学习的不同频率特征，采用与卷积神经网络层数相同的多个LSTM网络对不同频率特征进行学习；

S4、序列特征融合，对于选择的不同类别的序列特征，采用LSTM进行融合然后输出预测序列；

S5、采用真实测井序列与预测序列的均方误差作为损失函数进行网络反向传播，进而训练网络，更新网络参数，直到网络的损失函数收敛；得到训练完成的网络模型。

还包括通过计算预测序列和实测井序列的标准误差RSE和皮尔逊相关系数Cor对训练完成的网络模型进行验证。

步骤S2提取的特征具体为：地震数据中包含长短周期变化规律的特征。

步骤S3具体为：分别在长周期、短周期不同的语义特征类别下进行单独回归。

本发明的有益效果：本发明基于深度学习，提出了一种新的网络结构，先利用多层CNN对地震数据进行高层语义特征的提取，对提取的不同特征进行特征选择，然后采用注意力机制，在每个类别中利用LSTM进行回归，最后进行回归特征的融合，实现了对地震数据进行高层特征提取、选择、回归，充分挖掘了数据包含的有效信息，通过网络可以准确学习地震数据和测井数据之间的复杂关系，不需要人为假设条件，进而准确建立岩性模型，可以达到以下效果：

1.通过本发明的岩性模型算法，无需人为假设条件和数学公式，以数据驱动的方式可以充分挖掘数据之间的信息，将相同特征归类，进而回归训练，计算效率更高，结果更可靠；

2.本发明通过对高层语义特征进行特征选择，在相似特征中回归，解决了因频率、岩相等特征类别不同带来的数据冲突而导致网络无法收敛问题，损失函数收敛的速度更快；

3.本发明通过网络模型从地震数据预测的波阻抗数据与实际测井的波阻抗数据的相关性高达90％以上，标准误差在5％以内；

4.本发明通过网络模型，充分挖掘地震数据和测井数据之间的复杂关系，构建的目标工区的岩性模型可以包含更高频率的信息；

附图说明

图1为现有技术中的卷积神经网络结构图；

图2为现有技术中的循环神经网络结构图；

图3为长短时间记忆网络结构图；

图4为本发明实施例提供的网络结构图；

图5为本发明实施例提供的方法流程图；

图6为本发明实施例提供的时空序列特征分解；

图7为本发明实施例提供的损失函数收敛图；

图8为本发明实施例提供的盲井测试结果；

其中，图8(a)为盲井1的测试结果，图8(b)为盲井2的测试结果，图8(c)为盲井3的测试结果；

图9为本发明实施例提供的井震联合构建的岩性模型剖面。

具体实施方式

传统初始岩性模型构建的准确性直接影响岩性参数反演，从而决定最终岩性模型。目前，常用的初始岩性模型构建方法仅仅利用地震数据，导致建立的初始模型高频信息缺失，分辨率不够；没有充分利用测井数据，地震数据和测井数据信息挖掘有限，导致初始模型不准确。本发明以深度学习为基础，提出了一种新的神经网络，利用卷积神经网络提取数据中包含的长短周期即高低频率的特征，对不同的特征采用长短时间记忆网络进行特征选择归类，进而准确地学习地震数据和测井数据之间的关系，达到岩石属性的准确预测，从而进行岩性初始模型的构建，为岩性参数的反演提供基础，从而指导油气的勘探开发和油气藏储层描述。

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图5所示，本发明具体实施步骤如下：

(1)井震标定。井震标定是地震数据和测井数据联系的桥梁，其方法是对测井数据和地震数据进行重采样，使其采样频率相同，并且处于同一目标层段；

(2)提取地震数据长短周期特征。利用卷积神经网络对地震数据进行高低频率特征提取，对输入的地震数据，进行卷积、池化等操作提取地震数据中包含长短周期变化规律的特征；

(3)对特征进行有效特征选择。如图4所示，针对CNN学习的不同频率特征，采用多个LSTM网络对特征进行学习，分别在长周期、短周期等不同的语义特征类别下进行单独进行回归。

(4)序列特征融合。对于不同类别的序列特征，采用LSTM进行融合然后输出。

(5)根据序列特征融合输出的预测序列进行网络反向传播，进而训练网络；通过迭代，使训练的次数或者损失函数达到要求之后，得到训练完成的神经网络。

本实施例中采用CNN提取与长短周期相关的特征：

考虑到地震数据和测井数据两个序列之间充分包含了长短周期信息，长短周期信息代表不同的频率特征，可以反应不同的介质信息，因此可以利用CNN提取与地层岩性相关的特征，进而对网络进行约束。

对数据进行井震标定，得到地震数据X和测井数据Y，利用CNN提取地震数据X中包含长短周期的特征，如图6所示，提取过程如下：

对于序列X，假设CNN模型的层数为L，对于卷积层，卷积核的大小为K，卷积通道为F，填充大小为P，步幅为S。对于池化层，定义池化区域大小为k和池化标准(平均池化或者最大池化)。对于第l(1≤l≤L)层卷积，CNN的输入为a^l-1(l＝1时a^l-1表示输入序列)，输出为a^l，初始化所有隐藏层的参数为W,b。

第l层卷积的特征输出为：

a^l＝pool(Relu(a^l-1*W^l+b^l))

其中，pool表示池化，Relu表示激活函数，W^l表示第l层的权重系数，b^l表示第l层的偏置，1≤l≤L。

低层语义特征包含短周期的特征，高层语义特征包含了长周期的语义特征，保留每一层卷积输出的特征，形成特征矩阵A：

A＝[a¹,a²,…,a^L]

本实施例中利用LSTM进行不同类别的特征回归：

得到包含不同频率的特征矩阵A之后，采用注意力机制，使用多个LSTM网络并行对特征矩阵A进行有效特征选择，使每个LSTM学习到不同频率特征下的序列规律。

对应的，有L个并行LSTM网络，特征矩阵经过LSTM网络输出的结果为C_l，则：

C₁＝LSTM(A)

C₂＝LSTM(A)

…

C_L＝LSTM(A)

每一个LSTM代表了同一规律下的特征，采用多个LSTM的目的是对不同频率的特征矩阵A进行特征选择，得到每个相同特征下的矩阵C_l，最终得到矩阵C：

C＝[C₁,C₂,…,C_L]

得到类别特征矩阵C之后，采用一层LSTM对类别矩阵C进行融合预测，得到最终的预测序列Y'：

Y'＝LSTM(C)

本实施例中的反向传播训练网络具体为：

地震数据X通过网络正向传播得到预测的测井数据Y'，采用真实测井数据Y与预测数据Y'的均方误差作为损失函数进行网络反向传播，进而训练网络，更新网络参数，直到网络的损失函数收敛至接近0为止，损失函数loss为：

min loss＝∑(Y_i-Y’_i)²

最后构建岩性模型：

通过迭代，使训练的次数或者损失函数达到要求之后，神经网络即已经拟合到了地震数据和测井数据之间的复杂函数关系。利用测试集去检验网络拟合的结果，关注的性能指标主要分成两部分，用来描述预测曲线和真实曲线数值上的差异的标准误差RSE，以及描述预测曲线和真实曲线线形关系的皮尔逊相关系数Cor。

其中，i表示第i个测井数据序列，t表示测井数据序列的第t时刻，Y_it表示第i个真实测井数据序列的第t时刻的点，Y_it'表示预测的第i个测井数据序列的第t时刻的点，mean(Y)表示真实测井数据序列的均值。

其中，Y_i表示真实的第i个测井数据序列，

表示真实的第i个测井数据序列的均值，Y_i'表示预测的第i个测井数据序列，/>

表示预测的第i个测井数据序列的均值。

通过计算预测的测井数据和实际测井数据的标准误差RSE和皮尔逊相关系数Cor来验证网络实际的学习能力。如果两个指标不够理想，则需要调整迭代次数和损失函数的阈值等参数重新训练。

指标合理之后，保存学习的网络参数，对目标工区的目标地层的地震数据进行预测，得到预测的井数据，即为目标地层的岩性参数模型。

图7是网络利用某工区实际的地震数据和测井数据训练之后的损失函数的收敛情况。可以看出，网络采用先分类，后回归之后，损失函数收敛速度非常快，在训练5次之后，就已经收敛到一个极小的值，之后仍会进行缓慢收敛。

图8是网络经过实际数据训练之后，利用训练的网络对工区三口盲井进行测试的结果。挑选的三口盲井的位置不相邻，实际空间位置距离较远，三口井的波阻抗预测值和实际值基本一致，相关性保持在90％以上，标准误差在5％以内。

图9是利用该工区地震数据和测井数据训练之后，对工区所有的地震道的预测的结果。可以看出，得到的岩性模型剖面的分层较为明显，纵向分辨率较高，可以作为反演的初始岩性模型。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明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权利要求范围之内。

Claims (4)

1.一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，包括：

S1、井震标定，对测井数据和地震数据进行重采样，使其采样频率相同，并且处于同一目标层段；

S2、提取地震数据长短周期特征，利用卷积神经网络对地震数据进行高低频率特征提取；步骤S2具体为：记地震数据序列为X，假设卷积神经网络模型的层数为L，对于卷积层，卷积核的大小为K，卷积通道为F，填充大小为P，步幅为S，对于池化层，定义池化区域大小为k和池化标准，对于第l层卷积，卷积神经网络的输入为a^l-1，输出为a^l，初始化所有隐藏层的参数为W,b；

第l层卷积的特征输出为：

a^l＝pool(Relu(a^l-1*W^l+b^l))

其中，pool表示池化，Relu表示激活函数，W^l表示第l层的权重系数，b^l表示第l层的偏置，1≤l≤L；

低层语义特征包含短周期的特征，高层语义特征包含了长周期的语义特征，保留每一层卷积输出的特征，形成特征矩阵A：

A＝[a¹,a²,…,a^L]

利用LSTM进行不同类别的特征回归：

得到包含不同频率的特征矩阵A之后，采用注意力机制，使用多个LSTM网络并行对特征矩阵A进行有效特征选择，使每个LSTM学习到不同频率特征下的序列规律；

对应的，有L个并行LSTM网络，特征矩阵经过LSTM网络输出的结果为C_l，则：

C₁＝LSTM₁(A)

C₂＝LSTM₂(A)

…

C_L＝LSTM_L(A)

每一个LSTM代表了同一规律下的特征，采用多个LSTM的目的是对不同频率的特征矩阵A进行特征选择，得到每个相同特征下的矩阵C_l，最终得到矩阵C：

C＝[C₁,C₂,…,C_L]

得到类别特征矩阵C之后，采用一层LSTM对类别矩阵C进行融合预测，得到最终的预测序列Y'：

Y'＝LSTM(C)

S3、对特征进行特征选择，针对卷积神经网络学习的不同频率特征，采用多个LSTM网络对不同频率的特征进行学习；

S4、序列特征融合，对于不同类别的序列特征，采用一层LSTM进行融合然后输出预测序列；

S5、采用真实测井序列与预测序列的均方误差作为损失函数进行网络反向传播，进而训练网络，更新网络参数，直到网络的损失函数收敛；得到训练完成的网络模型。

2.根据权利要求1所述的一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，步骤S2提取的特征具体为：地震数据中包含长短周期变化规律的特征。

3.根据权利要求1所述的一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，步骤S3通过对步骤S2提取的特征进行选择，然后对长周期、短周期不同的语义特征类别单独采用一个LSTM网络进行学习。

4.根据权利要求1所述的一种基于深度学习的井震联合初始岩性模型构建方法，其特征在于，还包括通过计算预测序列和实测井序列的标准误差RSE和皮尔逊相关系数Cor对训练完成的网络模型进行验证。

Images