CN112132372A - 用于神经网络的层测井信息无损处理方法和装置 - Google Patents
用于神经网络的层测井信息无损处理方法和装置 Download PDFInfo
- Publication number
- CN112132372A CN112132372A CN201910555350.7A CN201910555350A CN112132372A CN 112132372 A CN112132372 A CN 112132372A CN 201910555350 A CN201910555350 A CN 201910555350A CN 112132372 A CN112132372 A CN 112132372A
- Authority
- CN
- China
- Prior art keywords
- depth
- layer
- logging
- neural network
- dep
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000010606 normalization Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 101100274274 Secale cereale rsca gene Proteins 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 244000183914 Dianthus superbus Species 0.000 description 2
- 235000013535 Dianthus superbus Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 244000147568 Laurus nobilis Species 0.000 description 1
- 235000017858 Laurus nobilis Nutrition 0.000 description 1
- 235000005212 Terminalia tomentosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了用于神经网络的层测井信息无损处理方法和装置。该方法包括:确定层深度点的数量;确定每个层深度点对应的深度值;对测井曲线进行插值得到每个层深度点对应的测井数据;对深度值进行归一化处理以及对测井数据进行归一化处理;经归一化处理的深度值和测井数据作为神经网络的输入。根据本申请,可得到固定的样本维度以作为神经网络方法的输入样本,同时,还保留了不同深度上的测井曲线值信息以及层厚度、曲线变化幅度、曲线形态等对储层测井评价至关重要的信息,实现了层测井信息的无损处理,且处理流程简单,易于操作。
Description
技术领域
本发明属于石油地球物理勘探技术领域,更具体地,涉及一种用于神经网络的层测井信息无损处理方法和一种神经网络的层测井信息无损处理装置。
背景技术
随着人工智能技术在各个传统行业的有效应用,人们也对人工智能技术应用于测井资料处理解释寄予厚望。神经网络作为人工智能技术最重要的算法之一,它在测井储层评价领域的应用目前已有一些探索性的工作。
神经网络在测井储层评价领域的一个主要应用是用于岩性识别。如杨辉等(杨辉,黄健全,胡雪涛,等.BP神经网络在致密砂岩气藏岩性识别中的应用[J].油气地球物理,2013,11(1):39-42.)在蜀南地区须家河组对曲线数据标准化的基础上运用BP神经网络逐点进行岩性识别;单敬福等(单敬福,陈欣欣,赵忠军,等.利用BP神经网络法对致密砂岩气藏储集层复杂岩性的识别[J].地球物理学进展,2015,30(3):1257-1263.)在苏里格气田利用自然伽马和光电吸收截面指数两种测井曲线,标准化、归一化处理的基础上,建立神经网络岩性识别模型;瞿晓婷等(瞿晓婷,张蕾,冯宏伟,等.面向复杂储层的非均衡测井数据的岩性识别[J].地球物理学进展,2016,31(5):2128-2132.)利用多层BP神经网络算法对非均衡数据岩性样本开展岩性识别。
除此之外,在沉积相识别、水淹层识别、缝洞充填物类型识别、产能等级预测等方向也有一些探索,如庞国印等(庞国印,田兵,王琪,等.概率神经网络在丽水-椒江凹陷月桂峰组沉积微相识别中的应用[J].地球科学与环境学报,2013,35(3):75-82.)将每个测井深度点的每组数据作为一个学习样本输入进行训练,开展概率神经网络沉积微相预测;许少华等(许少华,刘扬,何新贵.基于过程神经网络的水淹层自动识别系统[J].石油学报,2004,25(4):54-57.)将离散测井数据进行Walsh变换,输入到过程神经网络,来判断水淹级别;陈钢花等(陈钢花,胡琮,曾亚丽,等.基于BP神经网络的碳酸盐岩储层缝洞充填物测井识别方法[J].石油物探,2015,54(1):99-104.)在对输入数据进行归一化的基础上,利用BP神经网络算法建立了碳酸盐岩储层缝洞充填物类型识别方法;潘保芝等(潘保芝,石玉江,蒋必辞,等,致密砂岩气层压裂产能及等级预测方法[J].吉林大学学报(地球科学版),2015,45(2):649-654.)提取各层段测井曲线平均值,结合压裂施工参数,建立神经网络模型预测苏里格东部致密砂岩气层压裂产能等级。
现有研究也形成了一些专利,如李忠伟等(李忠伟,张卫山,宋弢,等.一种大数据环境下基于模糊深度学习的测井相识别与分析方法:中国,201610863792.4[P].2017-03-22)利用曲线均值和标准差对测井曲线进行规范化,建立基于卷积神经网络的测井相识别方法;蒋裕强等(蒋裕强,蒋婵.一种基于测井信息的页岩岩相连续预测方法:中国,201610724474.X[P].2017-01-18)运用人工神经网络技术,利用测井信息对页岩岩相连续预测。
上述现有研究中,将测井数据作为神经网络方法的输入数据时,一般采用一个深度点上的各测井曲线数据综合作为一个输入样本;当需要用到层信息时,则取层内测井曲线平均值、特征值等信息。上述两种方法各有缺陷。以单个深度点的测井数值作为一个输入样本,不能体现层内不同深度点之间测井曲线的变化幅度、形态等信息,而取平均值、特征值等方法也损失了大量的层测井信息。由于神经网络算法要求输入节点个数固定,而不同层厚度很可能不同,如何使层测井信息作为神经网络输入时,既保持输入样本维度固定,又尽量减少测井信息损失,是关系到神经网络方法能否在测井处理解释领域广泛应用的一个重要问题。
发明内容
有鉴于此,本申请提出了一种在保持输入样本维度固定的同时不损失测井信息的数据处理方法。
根据本申请的一方面,提出了一种用于神经网络的层测井信息无损处理方法,所述方法包括:确定层深度点的数量m;确定每个层深度点对应的深度值DEPi,i=1,2,...,m;对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j,i=1,2,...,m,j=1,2,...,c,c为测井曲线的数量;对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi,i=1,2,...,m,以及对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j,i=1,2,...,m,j=1,2,...,c;将经归一化处理的深度值GDEPi和测井数据GCURi,j作为神经网络的输入,i=1,2,...,m,j=1,2,...,c。
在一种可能的实施方式中,所述确定层深度点的数量m包括:根据下式确定层深度点的数量m:
其中,d为估计得到的目的地质层段内储层平均厚度,r为采集测井曲线时的采样间隔。
在一种可能的实施方式中,所述确定每个层深度点对应的深度值DEPi包括:根据下式得到DEPi:
其中,SDEP为层起始深度,d0为层厚度。
在一种可能的实施方式中,所述对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j包括:根据下式得到CURi,j:
其中,DEPiu为第i个层深度点上方最近的深度采样点的深度值,CURiu,j为第j条测井曲线在DEPiu深度上的值,DEPib为第i个层深度点下方最近的深度采样点的深度值,CURib,j为第j条测井曲线在DEPib深度上的值。
在一种可能的实施方式中,所述对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi包括:根据下式得到GDEPi:
其中,MXDEP为目的地质层段的最大深度,MNDEP为目的地质层段的最小深度。
在一种可能的实施方式中,所述对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j包括:根据下式对采用线性刻度的测井数据进行归一化:
以及根据下式对采用对数刻度的测井曲线进行归一化:
其中,RSCA为第j条测井曲线的右刻度,LSCA为第j条测井曲线的左刻度。
根据本申请的另一方面,还提供了一种用于神经网络的层测井信息无损处理装置,所述装置包括:层深度点数量确定单元,用于确定层深度点的数量m;层深度点深度确定单元,用于确定每个层深度点对应的深度值DEPi,i=1,2,...,m;测井数据插值单元,用于对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j,i=1,2,...,m,j=1,2,...,c,c为测井曲线的数量;归一化单元,用于对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi,i=1,2,...,m,以及对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j,i=1,2,...,m,j=1,2,...,c;神经网络输入单元,用于将经归一化处理的深度值GDEPi和测井数据GCURi,j作为神经网络的输入,i=1,2,...,m,j=1,2,...,c。
在一种可能的实施方式中,所述确定层深度点的数量m包括:根据下式确定层深度点的数量m:
其中,d为估计得到的目的地质层段内储层平均厚度,r为采集测井曲线时的采样间隔。
在一种可能的实施方式中,所述对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi包括:根据下式得到GDEPi:
其中,MXDEP为目的地质层段的最大深度,MNDEP为目的地质层段的最小深度。
在一种可能的实施方式中,所述对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j包括:根据下式对采用线性刻度的测井数据进行归一化:
以及根据下式对采用对数刻度的测井曲线进行归一化:
其中,RSCA为第j条测井曲线的右刻度,LSCA为第j条测井曲线的左刻度。
本申请提出的技术方案提出了用于神经网络的层测井信息无损处理方法和装置。根据本申请,对层测井信息处理后,可得到固定的样本维度以作为神经网络方法的输入样本,同时,还保留了不同深度上的测井曲线值信息以及层厚度、曲线变化幅度、曲线形态等对储层测井评价至关重要的信息,实现了层测井信息的无损处理,且处理流程简单,易于操作。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本申请的一个实施例的用于神经网络的层测井信息无损处理方法的流程图。
图2示出了根据本申请的一个实施例的用于神经网络的层测井信息无损处理装置的结构框图。
图3示出了根据本申请的一个示例性实施例的某测井的数据归一化示意图。
图4示出了根据本申请的一个示例性实施例的另一测井的数据归一化示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
请参见图1。图1示出了根据本申请的一个实施例的用于神经网络的层测井信息无损处理方法的流程图。该方法包括下列步骤102、步骤104、步骤106、步骤108和步骤110。
步骤102,确定层深度点的数量m。
在一种可能的实施方式中,可以根据下式确定层深度点的数量m:
其中,d为估计得到的目的地质层段内储层平均厚度,r为采集测井曲线时的采样间隔。此处的目的地质层段内储层的平均厚度d可以是一个粗略估计值,无需非常精确。
步骤104,确定每个层深度点对应的深度值DEPi,i=1,2,...,m。
可对深度值进行插值,得到m个层深度点对应的深度值DEPi。在一种可能的实施方式中,可根据下式进行线性插值,以得到层深度点对应的深度值DEPi:
其中,SDEP为层起始深度,d0为层厚度。
根据本实施例,后续层深度点对应的深度值DEPi将作为神经网络的输入之一。现有技术中,在将测井数据作为神经网络输入时,通常不将深度值作为输入属性。但发明人经过深入研究后发现,在实际应用中深度值包括多方面信息:
①层起始深度、终止深度的差表示层厚度;
②层深度值包含一定的构造高度信息;
③油气田分区常以断层为界,相同地质层位断层两侧深度有明显差异,因此储层深度值还包含一定的分区信息。因此根据本申请,深度值DEPi也将作为神经网络的重要输入属性。
步骤106,对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j,i=1,2,...,m,j=1,2,...,c,c为测井曲线的数量。
得到每个层深度点对应的深度值DEPi后,可以根据附近深度采样点上的测井曲线值,对每条测井曲线进行插值,得到插值深度点上对应的测井数据。在一种可能的实现方式中,可以根据下式对测井曲线进行线性插值,得到CURi,j:
其中,DEPiu为第i个层深度点上方最近的深度采样点的深度值,CURiu,j为第j条测井曲线在DEPiu深度上的值,DEPib为第i个层深度点下方最近的深度采样点的深度值,CURib,j为第j条测井曲线在DEPib深度上的值。
步骤108,对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi,i=1,2,...,m,以及对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j,i=1,2,...,m,j=1,2,...,c。
发明人经过研究发现,深度值与测井数据量纲不同,绝对数值差异大,都作为神经网络的输入时,可能使神经网络误差难以收敛,增加训练难度。因此可对深度值DEPi和测井数据CURi,j均进行归一化。
在一种可能的实施方式中,可以根据下式对深度值进行归一化,以得到GDEPi:
其中,MXDEP为目的地质层段的最大深度,MNDEP为目的地质层段的最小深度。
在一种可能的实施方式中,可以根据下式对采用线性刻度的测井数据进行归一化:
以及可以根据下式对采用对数刻度的测井曲线进行归一化:
其中,RSCA为第j条测井曲线的右刻度,LSCA为第j条测井曲线的左刻度。
同一工区的特定测井数据通常在一定范围内,为突出细节同时便于对比,同一工区该测井数据所采用的左刻度和右刻度都是一样的。例如,某测井曲线的范围在200~400之间,则其左刻度可能为100,右刻度可能为500,左右刻度之间的范围通常略大于测井曲线的取值范围。
现有技术中,对测井曲线数据进行归一化时,通常采用曲线最小值、最大值进行归一化,但在一些情况下,这种方法易受少数异常测井值影响。发明人考虑到工区测井曲线刻度一般与目的层段岩性、物性等特征密切相关,具有一定的物理意义。因此在上述实施方式中,采用目标区块目的地质层段的测井曲线刻度来进行归一化,使归一化后的数据能更携带更多有效信息。
诸如自然伽马、三孔隙度(中子孔隙度、声波时差、密度)等测井曲线,通常采用线性刻度,可采用上述线性归一化;诸如双感应、双侧向、微球聚焦等电阻率曲线,通常采用对数刻度,可采用上述对数归一化。上述处理使得归一化后的测井数据代表的地质参数信息更具可比性。
步骤110,将经归一化处理的深度值GDEPi和测井数据GCURi,j作为神经网络的输入,i=1,2,...,m,j=1,2,...,c。
根据本实施例得到的神经网络的输入数据维度n是固定的,可以得到:
n=m*(c+1) 式7
本实施例提出了用于神经网络的层测井信息无损处理方法,该方法对层测井信息处理后,得到固定的样本维度,可作为神经网络方法的输入样本,同时,还保留了不同深度上的测井曲线值信息以及层厚度、曲线变化幅度、曲线形态等对储层测井评价至关重要的信息,实现了层测井信息的无损处理,且处理流程简单,易于操作。
图2示出了根据本申请的一个实施例的用于神经网络的层测井信息无损处理装置的结构框图。如图所示,该装置包括层深度点数量确定单元202、层深度点深度确定单元204、测井数据插值单元206、归一化单元208和神经网络输入单元210。
层深度点数量确定单元202,用于确定层深度点的数量m。
层深度点深度确定单元204,用于确定每个层深度点对应的深度值DEPi,i=1,2,...,m。
测井数据插值单元206,用于对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j,i=1,2,...,m,j=1,2,...,c,c为测井曲线的数量。
归一化单元208,用于对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi,i=1,2,...,m,以及对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j,i=1,2,...,m,j=1,2,...,c。
神经网络输入单元210,用于将经归一化处理的深度值GDEPi和测井数据GCURi,j作为神经网络的输入,i=1,2,...,m,j=1,2,...,c。
在一种可能的实施方式中,所述确定层深度点的数量m包括:根据下式确定层深度点的数量m:
其中,d为估计得到的目的地质层段内储层平均厚度,r为采集测井曲线时的采样间隔。
在一种可能的实施方式中,所述对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi包括:根据下式得到GDEPi:
其中,MXDEP为目的地质层段的最大深度,MNDEP为目的地质层段的最小深度。
在一种可能的实施方式中,所述对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j包括:根据下式对采用线性刻度的测井数据进行归一化:
以及根据下式对采用对数刻度的测井曲线进行归一化:
其中,RSCA为第j条测井曲线的右刻度,LSCA为第j条测井曲线的左刻度。
应用示例
根据本申请对某工区的储层测井信息进行处理,拟将处理后的层测井信息作为输入样本,运用神经网络算法进行储层产能预测。
在本应用示例中,除深度外,还选择自然伽马(GR,反应岩性)、中子孔隙度(CNL,反映物性)、声波时差(AC,反映物性)、密度(DEN,反映物性)、深感应(ILD,反映流体性质)、中感应(ILM反映流体性质)这6种测井数据作为神经网络的输入属性。
此处以HH26井和ZJ5井两段储层为例,其中,图3中的左图的实线框内为HH26井的测井曲线,图4中的左图的实线框内为ZJ5井的测井曲线。
首先,粗略估算工区长8段储层的平均厚度约为15米,测井资料采样间隔0.125米,可按式1计算层深度点数m=121个。拟进行神经网络训练的测井曲线为6条,则根据式7可知输入样本维度n为847,即:将层测井信息作为输入样本时,每个样本包括121个深度点及其对应的测井数据,共计847个数据。
读取HH26井2115-2128米(下称“1号层”)、ZJ5井2135.25-2151.75米(下称“2号层”)两个待处理层测井信息,如下文中表1,表2所示。
读取待处理数据后,先对深度值进行插值,1号层厚度d0为13米,2号层厚度d0为16.5米,将参数值代入式2得到处理后各层深度点对应的深度值,例如1号层插值后第10个层深度点深度为2115.98米。然后对测井数据进行线性插值,以1号层第10个层深度点为例,它上方最近的采样点深度是2115.875米,它下方最近的采样点深度是2116米,因此2115.98米深度上对应的测井曲线值用2115.875米和2116米两个采样点的测井曲线值按式3计算得到。接下来对待输入数据进行归一化。工区长8段最小深度1817.5米,最大深度2446米,代入式4对1号层、2号层进行深度值归一化。工区长8段GR默认左右刻度为0API、250API,线性刻度;CNL默认左右刻度为37%、-13%,线性刻度;DEN默认左右刻度为1.975g/cm3、2.775g/cm3,线性刻度;AC默认左右刻度为365us/m、145us/m,线性刻度,因此对GR、CNL、DEN、AC按照式5进行线性归一化。ILD、ILM默认左右刻度均为2ohmm、200ohmm,。对数刻度,对ILD、ILM按照式6进行对数归一化。下文中的表3、表4分别示出了1号层和2号层的归一化结果。
根据上述应用示例,1号层、2号层处理后层测井数据个数均为847,统一了样本维度,可作为神经网络算法的输入。将根据上述过程处理后的数据绘制成曲线,如图3右图和图4右图所示,与处理前对比,处理前后的曲线幅度、形态等与处理前完全一致,实现了层测井信息无损处理。
表1 1号层测井数据(处理前)
表2 2号层测井数据(处理前)
表3 1号层测井数据(处理后)
表4 2号层测井数据(处理后)
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于神经网络的层测井信息无损处理方法,其特征在于,所述方法包括:
确定层深度点的数量m;
确定每个层深度点对应的深度值DEPi,i=1,2,...,m;
对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j,i=1,2,...,m,j=1,2,...,c,c为测井曲线的数量;
对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi,i=1,2,...,m,以及对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j,i=1,2,...,m,j=1,2,...,c;
将经归一化处理的深度值GDEPi和测井数据GCURi,j作为神经网络的输入,i=1,2,...,m,j=1,2,...,c。
7.一种用于神经网络的层测井信息无损处理装置,其特征在于,所述装置包括:
层深度点数量确定单元,用于确定层深度点的数量m;
层深度点深度确定单元,用于确定每个层深度点对应的深度值DEPi,i=1,2,...,m;
测井数据插值单元,用于对测井曲线进行插值得到每个层深度点对应的测井数据CURi,j,i=1,2,...,m,j=1,2,...,c,c为测井曲线的数量;
归一化单元,用于对深度值DEPi进行归一化处理得到归一化后的深度值GDEPi,i=1,2,...,m,以及对测井数据CURi,j进行归一化处理得到归一化后的测井数据GCURi,j,i=1,2,...,m,j=1,2,...,c;
神经网络输入单元,用于将经归一化处理的深度值GDEPi和测井数据GCURi,j作为神经网络的输入,i=1,2,...,m,j=1,2,...,c。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555350.7A CN112132372B (zh) | 2019-06-25 | 2019-06-25 | 用于神经网络的层测井信息无损处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555350.7A CN112132372B (zh) | 2019-06-25 | 2019-06-25 | 用于神经网络的层测井信息无损处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132372A true CN112132372A (zh) | 2020-12-25 |
CN112132372B CN112132372B (zh) | 2024-02-27 |
Family
ID=73849598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910555350.7A Active CN112132372B (zh) | 2019-06-25 | 2019-06-25 | 用于神经网络的层测井信息无损处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132372B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795994A (zh) * | 2022-09-29 | 2023-03-14 | 西安石油大学 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002023224A2 (en) * | 2000-09-11 | 2002-03-21 | Westerngeco, L.L.C. | Neural net prediction of seismic streamer shape |
US20140116776A1 (en) * | 2012-10-31 | 2014-05-01 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
CN103993871A (zh) * | 2014-05-08 | 2014-08-20 | 中国石油化工股份有限公司 | 针对薄互层地层的测井资料标准化处理方法及装置 |
US20160042272A1 (en) * | 2013-03-15 | 2016-02-11 | Intelligent Solutions, Inc. | Data-driven analytics, predictive modeling & opitmization of hydraulic fracturing in marcellus shale |
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 |
US20180238148A1 (en) * | 2015-11-11 | 2018-08-23 | Halliburton Energy Services, Inc | Method For Computing Lithofacies Probability Using Lithology Proximity Models |
CN108897975A (zh) * | 2018-08-03 | 2018-11-27 | 新疆工程学院 | 基于深度信念网络的煤层气测井含气量预测方法 |
-
2019
- 2019-06-25 CN CN201910555350.7A patent/CN112132372B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002023224A2 (en) * | 2000-09-11 | 2002-03-21 | Westerngeco, L.L.C. | Neural net prediction of seismic streamer shape |
US20140116776A1 (en) * | 2012-10-31 | 2014-05-01 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
US20160042272A1 (en) * | 2013-03-15 | 2016-02-11 | Intelligent Solutions, Inc. | Data-driven analytics, predictive modeling & opitmization of hydraulic fracturing in marcellus shale |
CN103993871A (zh) * | 2014-05-08 | 2014-08-20 | 中国石油化工股份有限公司 | 针对薄互层地层的测井资料标准化处理方法及装置 |
US20180238148A1 (en) * | 2015-11-11 | 2018-08-23 | Halliburton Energy Services, Inc | Method For Computing Lithofacies Probability Using Lithology Proximity Models |
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 |
CN108897975A (zh) * | 2018-08-03 | 2018-11-27 | 新疆工程学院 | 基于深度信念网络的煤层气测井含气量预测方法 |
Non-Patent Citations (2)
Title |
---|
ALI, YH ET AL.: "Artificial Neural Network Model for Monitoring Oil Film Regime in Spur Gear Based on Acoustic Emission Data", 《SHOCK AND VIBRATION》, no. 2015, pages 106945 * |
王婷等: "利用BP神经网络预测储层参数", 《辽宁化工》, vol. 42, no. 2, pages 160 - 163 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795994A (zh) * | 2022-09-29 | 2023-03-14 | 西安石油大学 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
CN115795994B (zh) * | 2022-09-29 | 2023-10-20 | 西安石油大学 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132372B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Electrofacies characterization and permeability predictions in complex reservoirs | |
Gamal et al. | Predicting the rock sonic logs while drilling by random forest and decision tree-based algorithms | |
US11480709B2 (en) | Systems and methods for predicting hydrocarbon production and assessing prediction uncertainty | |
WO2013112827A1 (en) | Method of estimating a subterranean formation property | |
WO2013116099A1 (en) | Improving efficiency of pixel-based inversion algorithms | |
US20220351037A1 (en) | Method and system for spectroscopic prediction of subsurface properties using machine learning | |
Stephen et al. | Improved normalization of time‐lapse seismic data using normalized root mean square repeatability data to improve automatic production and seismic history matching in the Nelson field | |
US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
Priezzhev et al. | Direct prediction of petrophysical and petroelastic reservoir properties from seismic and well-log data using nonlinear machine learning algorithms | |
AU2020104491A4 (en) | System and method for building reservoir property models | |
WO2017172371A1 (en) | Verifying measurements of elastic anisotropy parameters in an anisotropic wellbore environment | |
CN107762483B (zh) | 一种基于测井曲线的相关系数及包络面积的流体识别方法 | |
Karimi et al. | Creating detailed subsurface models using predictive image-guided well-log interpolation | |
WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
CN112132372A (zh) | 用于神经网络的层测井信息无损处理方法和装置 | |
CN111812716B (zh) | 页岩气储层总有机碳含量叠前定量预测方法、装置及设备 | |
EP4133310A1 (en) | System and method for seismic inversion | |
Abdelaal et al. | Empirical correlation for formation resistivity prediction using machine learning | |
Sedighi et al. | Faster convergence in seismic history matching by dividing and conquering the unknowns | |
CA3134777A1 (en) | Automatic calibration of forward depositional models | |
CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
Ismagilov et al. | Machine learning approach to open hole interpretation and static modelling applied to a giant field | |
CN110568488A (zh) | 一种基于非线性混沌算法的生物礁储层识别方法 | |
Abu Alsaud et al. | Optimizing Underbalanced Coiled Tubing Drilling Monitoring Via Advanced In-Line Sensing AI Framework | |
CN116774285B (zh) | 基于特征曲线重构的薄互层预测方法、装置、设备及介质 |
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 |