CN112147679B - 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 - Google Patents
在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 Download PDFInfo
- Publication number
- CN112147679B CN112147679B CN201910562055.4A CN201910562055A CN112147679B CN 112147679 B CN112147679 B CN 112147679B CN 201910562055 A CN201910562055 A CN 201910562055A CN 112147679 B CN112147679 B CN 112147679B
- Authority
- CN
- China
- Prior art keywords
- lithology
- elastic
- training data
- combination
- membership
- 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 31
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000006870 function Effects 0.000 claims description 73
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
-
- 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
- G01V2210/6242—Elastic parameters, e.g. Young, Lamé or Poisson
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了在模糊逻辑框架下基于弹性参数的岩性预测方法和装置。该方法包括:建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数;将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性;基于隶属度,构建岩性预测模型;将待预测弹性参数输入岩性预测模型,得到对应的预测岩性。本方案利用模糊逻辑开展基于弹性参数的岩性预测,充分利用测井和地震数据固有不确定性部分的有用信息,可快速、合理地预测岩性,在某些情况下细化分类,从而得到更好的岩相解释,尤其适用于陆相沉积环境下弹性参数‑岩性关系比较模糊的情况。
Description
技术领域
本发明涉及地球物理领域,更具体地,涉及一种在模糊逻辑框架下基于弹性参数的岩性预测方法和一种在模糊逻辑框架下基于弹性参数的岩性预测装置。
背景技术
基于测井和地震弹性属性的岩性预测在油气储层勘探开发、储层建模、精细描述方面起着基础和关键支撑作用。很多数据挖掘和反演技术都被用来进行基于地震和测井数据的岩性预测,如主成分分析、判别因子分析、自组织映射、神经网络等。
现有技术中,应用人工神经网络能够较好地解决海相沉积环境下或是孔渗性能较好的常规储层的岩性和流体识别问题。人工神经网络,简称神经网络,是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。神经网络的本质就是通过参数与激励函数来拟合特征与目标之间的真实函数关系。
图1示出了一种多层前馈网络结构模型。如图1所示,一个典型的神经网络由三层结构组成-输入层(input layer)、隐藏层(hidden layers)、输出层(output layer)。应用于岩性预测时,输入层即若干弹性参数,节点数与弹性参数个数匹配;输出层仅有一个节点,对应岩性类别。隐藏层的构建比较复杂,层数及节点数都是由设计者指定的。
然而,对于陆相沉积条件下相带窄,相变快,弹性参数-岩性关系比较模糊的情况,神经网络的效果往往很差。目前还没有完善的理论来指导我们具体如何设计隐藏层,一般都是根据经验,预先设定几个可选值,通过切换它们来看整个模型的预测效果,这样十分不便。且当特征与目标之间的关系十分模糊时,不易通过参数和激励函数来拟合。还有一个困扰训练优化的问题就是局部最优解问题,这使得神经网络的优化较为困难。另外一方面,岩性预测中存在着一些本征问题:数据本质上是模糊、不完美和不确定的。传统神经网络试图最小化或忽略数据中的某些固有错误,导致预测效果不够理想,且预测所需时间长,效率不可观。
发明内容
有鉴于此,本申请提出了在合理物理假设基础上基于气油比和二氧化碳浓度快速反演二氧化碳驱油藏气窜通道的方案。
根据本申请的一方面,提供了一种在模糊逻辑框架下基于弹性参数的岩性预测方法,所述方法包括:建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数;将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性;基于所述隶属度,构建岩性预测模型;将待预测弹性参数输入所述岩性预测模型,得到对应的预测岩性。
在一种可能的实现方式中,所述建立多个弹性参数中的每一者对多个岩性中的每一者的隶属函数包括:根据已知弹性和岩性特征的数据统计每种岩性下弹性参数的分布情况,得到每种岩性下每种弹性参数的频率直方图;根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数。
在一种可能的实现方式中,所述根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数包括:对所述频率直方图标准化,使频率取值在0到1之间;用直线依次连接标准化后的频率直方图中各个长方形的上边的中点,构建分段函数作为所述隶属函数。
在一种可能的实现方式中,所述基于所述隶属度,构建岩性预测模型,包括:针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数;针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性;对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率;得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型。
在一种可能的实现方式中,所述多种组合算子包括下列中的部分或全部:几何平均、算术平均、调和平均、欧几里得范数、模糊与、模糊或、模糊代数和、模糊γ。
在一种可能的实现方式中,所述方法还包括:根据最大综合隶属度和相对差异,评估每组训练数据的弹性参数在相应弹性参数组合和组合算子下得到的预测岩性的不确定性。
根据本申请的另一方面,还提供了一种在模糊逻辑框架下基于弹性参数的岩性预测装置,其特征在于,所述装置包括:隶属函数建立单元,用于建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数;隶属度计算单元,用于将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性;预测模型构建单元,用于基于所述隶属度,构建岩性预测模型;岩性预测单元,用于将待预测弹性参数输入所述岩性预测模型,得到对应的预测岩性。
在一种可能的实现方式中,所述隶属函数建立单元包括:频率直方图绘制子单元,用于根据已知弹性和岩性特征的数据统计每种岩性下弹性参数的分布情况,得到每种岩性下每种弹性参数的频率直方图;隶属函数建立子单元,用于根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数。
在一种可能的实现方式中,所述隶属函数建立子单元包括:标准化子单元,用于对所述频率直方图标准化,使频率取值在0到1之间;分段函数建立子单元,用于用直线依次连接标准化后的频率直方图中各个长方形的上边的中点,构建分段函数作为所述隶属函数。
在一种可能的实现方式中,所述预测模型构建单元包括:综合隶属度计算子单元,用于针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数;预测岩性选择子单元,用于针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性;预测准确率统计子单元,用于对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率;预测模型构建子单元,用于得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型。
本申请利用模糊逻辑开展基于弹性参数的岩性预测。本申请中,模糊逻辑可以利用测井和地震数据固有不确定性部分的有用信息,以直观、简单的方式处理复杂的系统。故根据本申请的技术方案,可以基于模糊逻辑快速、合理地预测岩性,在某些情况下细化分类,从而得到更好的岩相解释,尤其适用于陆相沉积环境下弹性参数-岩性关系比较模糊的情况。
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示出了一种多层前馈网络结构模型。
图2示出了根据本申请的一个实施例的一种在模糊逻辑框架下基于弹性参数的岩性预测方法的流程图。
图3示出了根据本申请的一个示例性实施例的构建岩性预测模型的流程图。
图4示出了根据本申请的一个实施例的一种在模糊逻辑框架下基于弹性参数的岩性预测装置的结构框图。
图5示出了根据本申请的一个示例性实施例的泥岩下纵波速度的标准化频率直方图以及分段隶属函数。
图6示出了根据本申请的一个示例性实施例的砂岩下纵波速度的标准化频率直方图以及分段隶属函数。
图7示出了根据本申请的一个示例性实施例的泥岩下密度的标准化频率直方图以及分段隶属函数。
图8示出了根据本申请的一个示例性实施例的泥岩下密度的标准化频率直方图以及分段隶属函数。
图9示出了根据本申请的一个实施例的某工区的真实岩性和预测岩性的结果对比。
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2。图2示出了根据本申请的一个实施例的一种在模糊逻辑框架下基于弹性参数的岩性预测方法的流程图。该方法包括下列步骤202、步骤204、步骤206和步骤208。
步骤202,建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数。
常见的弹性参数有纵波速度、横波速度、密度、纵横波速度比、纵波阻抗、横波阻抗、拉梅常数、阻抗弹性等。常见的岩性有砂岩、泥岩、石灰岩、白云岩、火山岩等。本领域技术人员可根据经验和实际情况确定本方案中需考虑的弹性参数和岩性。例如,在某工区,可能仅考虑其岩性为砂岩或泥岩,并主要采用纵波速度、密度来预测其岩性。
在一个可能的实施方式中,可以利用已知岩性-弹性特征的测井数据或岩石物理实验数据,统计出每种可能岩性下每种纳入考虑的弹性参数的频率直方图,然后根据频率直方图建立每种弹性参数对每种岩性参数的隶属函数。
在一个示例中,可以选择分段线性函数为隶属函数,具体包括:对所述频率直方图标准化,使频率取值在0到1之间;然后用直线依次连接标准化后的频率直方图中各个长方形的上边的中点,构建分段函数作为所述隶属函数。
在本示例中,设标准化后的频率直方图的横坐标为x,纵坐标为A(x),P(x1,A(x1))、Q(x2,A(x2))是标准化后的频率直方图上两个相邻长方形的上边的中点,则P、Q两点间的分段隶属函数为:
隶属函数的值A(x)(即隶属度)越接近于1,表示x属于该种岩性的程度越高;A(x)越接近于0,表示x属于该种岩性的程度越低。隶属度属于模糊评价函数里的概念。模糊评价是对受多种因素影响的对象做出全面评价的一种十分有效的多因素决策方法,其特点是评价结果不是绝对地肯定或否定,而是以一个模糊集合来表示。
步骤204,将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性。
步骤206,基于所述隶属度,构建岩性预测模型。
图3示出了根据本申请的一个示例性实施例的构建岩性预测模型的流程图。
在步骤2062,针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数。
如上文所述,常见的弹性参数有纵波速度、横波速度、密度、纵横波速度比、纵波阻抗、横波阻抗、拉梅常数、阻抗弹性等。本领域技术人员可根据经验和实际情况选择其中的若干弹性参数组成弹性参数组合,并可根据需要设置多种弹性参数组合,以便后续从中确定预测准确率最高的弹性参数组合。例如,某应用场景下,可以将纵波速度和密度组成一种弹性参数组合,将纵波速度、纵横波速度比、阻抗弹性组成另一种弹性参数组合。
上述多种组合算子可以包括几何平均、算术平均、调和平均、欧几里得范数、模糊与、模糊或、模糊代数和、模糊γ。设某弹性参数组和包括n种弹性参数,μi表示第i种弹性参数对特定岩性的隶属度,i=1,...,n,用DoM表示综合隶属度,则不同组合算子在该种岩性下的综合隶属度DoM为:
几何平均:
算术平均:
调和平均:
欧几里得范数:
模糊与:DoM=min{μi};
模糊或:DoM=max{μi};
模糊代数和:
模糊γ:γ为可调参数,可取0.1、0.5、0.9等值。
例如,可根据需要,计算每组训练数据的弹性参数在弹性参数组合1和组合算子a下对各种岩性的综合隶属度、在弹性参数组合1和组合算子b下对各种岩性的综合隶属度、在弹性参数组合2和组合算子a下对各种岩性的综合隶属度、在弹性参数组合2和组合算子c下对各种岩性的综合隶属度等等。
在步骤2064,针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性。
举例来说,针对某组训练数据,在步骤2062中,得到了其弹性参数在弹性参数组合1和组合算子a下对各种岩性的综合隶属度,则最大综合隶属度对应的岩性即为该组训练数据的弹性参数在弹性参数组合1和组合算子a下对应的预测岩性。同一组训练数据,在不同弹性参数组合和组合算子下,其对应的预测岩性可能是不同的,也可能是相同的。例如,同一组训练数据,在弹性参数组合1和组合算子a下得到的预测岩性可能是砂岩,而在弹性参数组合2和组合算子a下得到的预测岩性可能是泥岩。
本实施方式中,除输出预测岩性外,还可输出最大综合隶属度和相对差异,以评估得到的预测岩性的不确定性。最大综合隶属度越大,证明该点恰好为预测岩性的可能性越大;相对差异指最大综合隶属度和次大综合隶属度之前的相对差,可反映该点为预测岩性的程度与该点为其他岩性的程度的比较,相对差异越大,说明针对该点得到的预测岩性错误的概率越低。总的来说,最大综合隶属度和相对差异越大,说明岩性预测的不确定性越低;反之,最大综合隶属度和相对差异越小,说明岩性预测的不确定性越高。不确定性越高,则表明预测结果的可信度越低;不确定性越低,则表面预测结果的可信度越高。岩性预测不确定性评价可以被视为岩性预测结果的重要部分,最大综合隶属度和相对差异,对勘探开发风险决策和评价具有重要影响。根据发明人的经验,最大综合隶属度大于0.6,相对差异大于0.15,则认为得到的预测岩性的不确定性较低,能够与其他岩性有效区分开来。
在步骤2066,对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率。
在步骤2068,得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型。
选取的弹性参数组合和组合算子会影响最终的预测效果,对于不同的地质区域,其最优弹性参数组合和组合算子也可能是不同的。因此,在建立岩性预测模型的过程中,可针对不同弹性参数组合和组合算子重复执行上述步骤2062、步骤2064和步骤2066,以比较在不同弹性参数组合和组合算子下的预测准确率,并按照预测准确率最高的标准最终确定组成岩性预测模型的元素。可在一开始就设定需要评估的对象(即弹性参数组合和组合算子),也可以先评估某个/某些对象,再根据评估结果对被评估对象进行调整,生成新的评估对象。
发明人经过深入研究,认为最高准确率最好不低于60%。如果最高准确率低于60%,可调整弹性参数组合和组合算子,使最高准确率达到60%以上。
回到图2,步骤208,将待预测弹性参数输入所述岩性预测模型,得到对应的预测岩性。
待预测弹性参数可能是未知岩性的测井弹性数据或叠前弹性参数反演结果等。基于待预测弹性参数预测岩性的过程可参照上文建立岩性预测模型的过程。可将待预测弹性参数代入隶属函数,得到其对各种岩性的隶属度,然后将隶属度代入岩性预测模型,以得到对应的预测岩性。
例如,在一个实施方式中,可先将待预测弹性参数输入隶属函数,得到其对各种岩性的隶属度,然后使用组合算子,得到其对各种岩性的综合隶属度,并将最大综合隶属度对应的岩性作为预测岩性。此外,还可根据最大综合隶属度和相对差异评估预测的可靠性。
本申请利用模糊逻辑开展基于弹性参数的岩性预测。本申请中,模糊逻辑可以利用测井和地震数据固有不确定性部分的有用信息,以直观、简单的方式处理复杂的系统。故根据本申请的技术方案,可以基于模糊逻辑快速、合理地预测岩性,在某些情况下细化分类,从而得到更好的岩相解释,尤其适用于陆相沉积环境下弹性参数-岩性关系比较模糊的情况。
图4示出了根据本申请的一个实施例的一种在模糊逻辑框架下基于弹性参数的岩性预测装置的结构框图。如图所示,所述装置包括隶属函数建立单元402、隶属度计算单元404、预测模型构建单元406和岩性预测单元408。
隶属函数建立单元402,用于建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数。
隶属度计算单元404,用于将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性。
预测模型构建单元406,用于基于所述隶属度,构建岩性预测模型。
岩性预测单元408,用于将待预测弹性参数输入所述岩性预测模型,得到对应的预测岩性。
在一种可能的实施方式中,所述隶属函数建立单元402包括:
频率直方图绘制子单元,用于根据已知弹性和岩性特征的数据统计每种岩性下弹性参数的分布情况,得到每种岩性下每种弹性参数的频率直方图;
隶属函数建立子单元,用于根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数。
在一种可能的实施方式中,所述隶属函数建立子单元包括:
标准化子单元,用于对所述频率直方图标准化,使频率取值在0到1之间;
分段函数建立子单元,用于用直线依次连接标准化后的频率直方图中各个长方形的上边的中点,构建分段函数作为所述隶属函数。
在一种可能的实施方式中,所述预测模型构建单元406包括:
综合隶属度计算子单元,用于针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数;
预测岩性选择子单元,用于针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性;
预测准确率统计子单元,用于对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率;
预测模型构建子单元,用于得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型。
应用示例
本示例中采用的数据未某工区陆相沉积环境条件下的一组已知岩性-弹性特征的测井数据,目的是利用纵波速度和密度这两种弹性参数预测主要岩性分布:砂岩和泥岩。
图5示出了在本示例中得到的泥岩下纵波速度的标准化频率直方图以及隶属函数。图6示出了在本示例中得到的砂岩下纵波速度的标准化频率直方图以及隶属函数。图7示出了在本示例中得到的泥岩下密度的标准化频率直方图以及隶属函数。图8示出了在本示例中得到的泥岩下密度的标准化频率直方图以及隶属函数。
本示例中,提取地层中所有纵波速度值,合理划分区间长度(本示例中将弹性参数值均分为30个区间),统计泥岩对应的纵波速度值在各个区间内的分布情况。将岩性-弹性频率直方图标准化,使其频率取值在0和1之间。构建分段线性函数时,在频率值之间线性插值,即直接将直方图各个长方形的取值作为该分布区域内中点的函数值,再以直线依次连接各点,从而获得分段连续函数。可以看出泥岩和砂岩对应两种弹性参数的统计分布不同,自然构建出的隶属函数也不同,二者相似的程度确定了这两种参数对于岩性预测的价值。
在得到每种弹性参数对每种岩性的隶属函数后,可以采用组合算子得到综合隶属度。本示例中,通过训练认为模糊γ组合算子,γ=0.5,得到的预测准确率最高。
图9是该工区真实岩性与预测岩性的结果对比,以及最大综合隶属度和相对差,纵轴为深度,黑色区域代表泥岩,白色区域代表砂岩。可以看出,预测效果较为理想,最大隶属度在多处取值较高(大于0.6),相对差异在大部分地层也大于0.1,表明预测岩性的不确定性较低。
本示例中的最大预测准确率为78.45%,较好地区分了砂岩和泥岩,展示了本方案在实际应用中的巨大潜力。
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 (8)
1.一种在模糊逻辑框架下基于弹性参数的岩性预测方法,其特征在于,所述方法包括:
建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数;
将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性;
基于所述隶属度,构建岩性预测模型;
将待预测弹性参数输入所述岩性预测模型,得到对应的预测岩性;
所述基于所述隶属度,构建岩性预测模型,包括:
针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数;
针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性;
对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率;
得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型;
所述多种组合算子包括下列中的部分或全部:几何平均、算术平均、调和平均、欧几里得范数、模糊与、模糊或、模糊代数和、模糊γ。
2.根据权利要求1所述的方法,其特征在于,所述建立多个弹性参数中的每一者对多个岩性中的每一者的隶属函数包括:
根据已知弹性和岩性特征的数据统计每种岩性下弹性参数的分布情况,得到每种岩性下每种弹性参数的频率直方图;
根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数包括:
对所述频率直方图标准化,使频率取值在0到1之间;
用直线依次连接标准化后的频率直方图中各个长方形的上边的中点,构建分段函数作为所述隶属函数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据最大综合隶属度和相对差异,评估每组训练数据的弹性参数在相应弹性参数组合和组合算子下得到的预测岩性的不确定性,其中,所述相对差异指最大综合隶属度和次大综合隶属度之前的相对差。
5.一种在模糊逻辑框架下基于弹性参数的岩性预测装置,其特征在于,所述装置包括:
隶属函数建立单元,用于建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数;
隶属度计算单元,用于将多组训练数据的弹性参数代入隶属函数,得到每组训练数据中的弹性参数对每种岩性的隶属度,每组训练数据包括多种弹性参数和对应的真实岩性;
预测模型构建单元,用于基于所述隶属度,构建岩性预测模型;
岩性预测单元,用于将待预测弹性参数输入所述岩性预测模型,得到对应的预测岩性;
所述基于所述隶属度,构建岩性预测模型,包括:
针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数;
针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性;
对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率;
得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型;
所述多种组合算子包括下列中的部分或全部:几何平均、算术平均、调和平均、欧几里得范数、模糊与、模糊或、模糊代数和、模糊γ。
6.根据权利要求5所述的装置,其特征在于,所述隶属函数建立单元包括:
频率直方图绘制子单元,用于根据已知弹性和岩性特征的数据统计每种岩性下弹性参数的分布情况,得到每种岩性下每种弹性参数的频率直方图;
隶属函数建立子单元,用于根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数。
7.根据权利要求6所述的装置,其特征在于,所述隶属函数建立子单元包括:
标准化子单元,用于对所述频率直方图标准化,使频率取值在0到1之间;
分段函数建立子单元,用于用直线依次连接标准化后的频率直方图中各个长方形的上边的中点,构建分段函数作为所述隶属函数。
8.根据权利要求5所述的装置,其特征在于,所述预测模型构建单元包括:
综合隶属度计算子单元,用于针对每组训练数据,对每种岩性,将弹性参数组合中每种弹性参数对该种岩性的隶属度代入组合算子,得到该组训练数据的弹性参数在该弹性参数组合和该组合算子下对该种岩性的综合隶属度,弹性参数组合包括该组训练数据中的部分或全部弹性参数;
预测岩性选择子单元,用于针对每组训练数据,选择最大综合隶属度对应的岩性作为该组训练数据的弹性参数在该弹性参数组合和该组合算子下对应的预测岩性;
预测准确率统计子单元,用于对照多组训练数据的弹性参数对应的真实岩性和预测岩性,统计在该弹性参数组合和该组合算子下的预测准确率;
预测模型构建子单元,用于得到在多种弹性参数组合和多种组合算子下的预测准确率,选择预测准确率最高的弹性参数组合和组合算子以构建岩性预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562055.4A CN112147679B (zh) | 2019-06-26 | 2019-06-26 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562055.4A CN112147679B (zh) | 2019-06-26 | 2019-06-26 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147679A CN112147679A (zh) | 2020-12-29 |
CN112147679B true CN112147679B (zh) | 2024-04-16 |
Family
ID=73869921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910562055.4A Active CN112147679B (zh) | 2019-06-26 | 2019-06-26 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147679B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575833A (zh) * | 2023-11-30 | 2024-02-20 | 中山大学 | 一种数据-知识协同驱动的矿产资源定量预测方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
WO2009134685A2 (en) * | 2008-05-01 | 2009-11-05 | Chevron U.S.A. Inc. | System and method for interpretation of well data |
US8422745B2 (en) * | 2009-04-28 | 2013-04-16 | Ifp | Method of modelling an underground heterogeneous medium from multipoint statistics |
CN103257360A (zh) * | 2013-04-25 | 2013-08-21 | 刘立峰 | 基于模糊c均值聚类的碳酸盐岩流体识别方法 |
CN105044770A (zh) * | 2015-07-06 | 2015-11-11 | 成都理工大学 | 致密砂砾岩气藏储层定量预测方法 |
CN105223612A (zh) * | 2015-06-10 | 2016-01-06 | 中国矿业大学 | 一种基于地震信息的煤矿水害预测评价方法 |
CN107870368A (zh) * | 2016-09-26 | 2018-04-03 | 中国石油化工股份有限公司 | 一种基于地震属性的总有机碳含量空间分布预测方法 |
CN108037528A (zh) * | 2017-09-25 | 2018-05-15 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN108090665A (zh) * | 2017-12-13 | 2018-05-29 | 山东大学 | 基于一维x条件下梯形云模型的岩溶隧道突水风险确定方法 |
CN109460608A (zh) * | 2018-11-09 | 2019-03-12 | 东北大学 | 一种基于模糊时间序列的高陡边坡形变预测的方法 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8101907B2 (en) * | 2006-04-19 | 2012-01-24 | Baker Hughes Incorporated | Methods for quantitative lithological and mineralogical evaluation of subsurface formations |
CA3043310C (en) * | 2016-12-02 | 2022-07-26 | Ratnanabha SAIN | Method for estimating petrophysical properties for single or multiple scenarios from several spectrally variable seismic and full wavefield inversion products |
WO2019075242A1 (en) * | 2017-10-11 | 2019-04-18 | Beyond Limits, Inc. | SYSTEM FOR IMPROVING EXPLORATION AND TANK PRODUCTION |
-
2019
- 2019-06-26 CN CN201910562055.4A patent/CN112147679B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
WO2009134685A2 (en) * | 2008-05-01 | 2009-11-05 | Chevron U.S.A. Inc. | System and method for interpretation of well data |
US8422745B2 (en) * | 2009-04-28 | 2013-04-16 | Ifp | Method of modelling an underground heterogeneous medium from multipoint statistics |
CN103257360A (zh) * | 2013-04-25 | 2013-08-21 | 刘立峰 | 基于模糊c均值聚类的碳酸盐岩流体识别方法 |
CN105223612A (zh) * | 2015-06-10 | 2016-01-06 | 中国矿业大学 | 一种基于地震信息的煤矿水害预测评价方法 |
CN105044770A (zh) * | 2015-07-06 | 2015-11-11 | 成都理工大学 | 致密砂砾岩气藏储层定量预测方法 |
CN107870368A (zh) * | 2016-09-26 | 2018-04-03 | 中国石油化工股份有限公司 | 一种基于地震属性的总有机碳含量空间分布预测方法 |
CN108037528A (zh) * | 2017-09-25 | 2018-05-15 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN108090665A (zh) * | 2017-12-13 | 2018-05-29 | 山东大学 | 基于一维x条件下梯形云模型的岩溶隧道突水风险确定方法 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
CN109460608A (zh) * | 2018-11-09 | 2019-03-12 | 东北大学 | 一种基于模糊时间序列的高陡边坡形变预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112147679A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422284B2 (en) | System for improved reservoir exploration and production | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
US20210026031A1 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
Lee et al. | Electrofacies characterization and permeability predictions in carbonate reservoirs: role of multivariate analysis and nonparametric regression | |
CN106291701B (zh) | 储层检测方法及装置 | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
Zhou et al. | Determining reservoir properties in reservoir studies using a fuzzy neural network | |
CN105044775B (zh) | 一种地震流体反演识别方法和装置 | |
Ouadfeul et al. | Lithofacies classification using the multilayer perceptron and the self-organizing neural networks | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
Soto et al. | Permeability prediction using hydraulic flow units and hybrid soft computing systems | |
CN112147679B (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 | |
CN114152977B (zh) | 基于地质特征约束的储层参数预测方法、装置和存储介质 | |
CN112882123B (zh) | 一种基于两步法的cnn井震联合反演方法、系统及应用 | |
Soto B et al. | Improved Reservoir permeability Models from Flow Units and Soft Computing Techniques: A Case Study, Suria and Reforma-Libertad Fields, Colombia | |
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 | |
Chikhi et al. | Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province | |
Taner et al. | Reservoir characterization by calibration of selforganized map clusters | |
Tse et al. | Unsupervised learning on scientific ocean drilling datasets from the South China Sea | |
Hou et al. | Identification of carbonate sedimentary facies from well logs with machine learning | |
Fan et al. | Quantitative Prediction of Low‐Permeability Sandstone Grain Size Based on Conventional Logging Data by Deep Neural Network‐Based BP Algorithm | |
CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
Wang et al. | Auto recognition of carbonate microfacies based on an improved back propagation neural network | |
de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
CN112950016B (zh) | 基于深度学习的多参数融合非常规油气资源甜点评价方法 |
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 |