CN112396161B - 基于卷积神经网络的岩性剖面图构建方法、系统及设备 - Google Patents
基于卷积神经网络的岩性剖面图构建方法、系统及设备 Download PDFInfo
- Publication number
- CN112396161B CN112396161B CN202011253782.1A CN202011253782A CN112396161B CN 112396161 B CN112396161 B CN 112396161B CN 202011253782 A CN202011253782 A CN 202011253782A CN 112396161 B CN112396161 B CN 112396161B
- Authority
- CN
- China
- Prior art keywords
- sand body
- well
- sand
- convolutional neural
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于卷积神经网络的岩性剖面图构建方法,包括以下步骤:生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据;根据历史样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果;根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果。
Description
技术领域
本发明涉及深度学习领域,具体涉及一种基于卷积神经网络的岩性剖面图构建方法、系统及设备。
背景技术
地下岩性剖面图在解释地质事件、资源勘探等方面起着至关重要的作用。在石油工程中,砂岩对于发现油藏至关重要,因此石油专家致力于预测两个不同油井之间的砂岩连接关系(即井间砂岩预测),从而构造井间砂岩剖面图,剖面图结果直接决定了油藏格架和空间分布,最终影响油气藏的开发。
在传统的井间砂岩预测研究中,主要通过经验丰富的地质工作者根据专家知识来手动完成岩性剖面图的构建。首先将要研究的地下区域划分为较小的层,然后观察砂岩的总体分布规律,并结合录井数据中的颜色、岩屑等信息进行综合分析,判断两口井中相应的砂岩是否相连,从而构建井间岩性剖面图。然而,这种手动方法十分耗时,劳动强度大,消耗大量的人力和时间。并且,随着数据量和勘探面积的增加,传统方法越来越难满足需求。
发明内容
为解决上述技术问题,本发明提供一种基于卷积神经网络的岩性剖面图构建方法、系统及设备。
为解决上述技术问题,本发明采用如下技术方案:
一种基于卷积神经网络的岩性剖面图构建方法,包括以下步骤:
步骤一:生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据;
步骤二:根据历史样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果;
步骤三:根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果。
具体地,所述卷积神经网络包括卷积模块ConvBlock、特征拼接模块Concat、全连接层FC;所述卷积模块按数据Logs流动方向依次包括第一卷积层Conv1、第一激活层Relu1、第一池化层MaxPool1、第二卷积层Conv2、第二激活层Relu2以及第二池化层MaxPool2,第一卷积层的卷积核大小为1*3,第二卷积层的卷积核大小为1*5,第一池化层的核大小为1*2,第二池化层的核大小为1*2;所述特征拼接模块将卷积模块的输出、砂体的顶深、砂体的厚度拼接在一起,生成拼接特征向量,将拼接特征向量输入全连接层,得到所述的粗预测结果。
具体地,步骤一中生成需构建岩性剖面的两口相邻井Wl、Wr的样本数据时,记为井Wl的第i个砂体,其砂体特征向量记为其中代表砂体的SP测井曲线,代表砂体的厚度,代表砂体的顶深;记为井Wr的第j个砂体,其砂体特征向量记为其中代表砂体的SP测井曲线,代表砂体的厚度,代表砂体的顶深。
具体地,步骤一中对样本数据进行预处理时,将样本数据中每个砂体特征向量的SP测井曲线提取出来进行归一化处理,将归一化处理后的SP测井曲线统一到100维,对100维的SP曲线进行滑动平均滤波,生成预处理SP测井曲线。
具体地,步骤三中,通过两口相邻井的砂体之间的一致性、不相交性以及唯一性对粗预测结果中的瑕疵连接关系进行删除。
具体地,通过两口井的砂体之间的一致性对粗预测结果中的瑕疵连接关系进行删除时,当Am×n[i,j]=1(i=1,2,...,m;j=1,2,...,n)时,如果|i-j|≥3或者|Depl[i]-Depr[j]|>50m,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;其中Am×n为卷积神经网络输出的粗预测结果,Am×n[i,j]=1表示井Wl的第i个砂体与井Wr的第j个砂体之间存在连接,Am×n[i,j]=0表示井Wl的第i个砂体与井Wr的第j个砂体之间不存在连接,Depl[i]为井Wl第i个砂体的顶深,Depr[j]为井Wr第j个砂体的顶深。
具体地,通过两口相邻井的砂体之间的不相交性对粗预测结果中的瑕疵连接关系进行删除时,当Am×n[i,j]=1(i=1,2,...,m;j=1,2,...,n),且井Wr中只有第j个砂体与井Wl的第i个砂体存在连接时,井Wl的第i个砂体称为单连接砂体;计算井Wl中的每个单连接砂体和与之连接的井Wr中砂体的厚度和Tcksum=Tckl[i1]+Tckr[j1],找到厚度和最大的砂体imax和与之相连的砂体jmax,并计算砂体imax和砂体jmax的顶深差Depmin=Depl[imax]-Depr[jmax],并以Depmin的正负号判断该地区的砂体展布方向,删除与砂体展布方向相反的砂体连接:当Depmin>0时,如果Am×n[i,j]=1且Depl[i]-Depr[j]<0,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;当Depmin<0时,如果Am×n[i,j]=1且Depl[i]-Depr[j]>0,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;其中Am×n为卷积神经网络输出的粗预测结果,Am×n[i,j]=1表示井Wl的第i个砂体与井Wr的第j个砂体之间存在连接,Am×n[i,j]=0表示井Wl的第i个砂体与井Wr的第j个砂体之间不存在连接,Depl[i]为井Wl第i个砂体的顶深,Depr[j]为井Wr第j个砂体的顶深;Tckl[i1]为井Wl单连接砂体中的第i1个砂体的厚度,Tckr[j1]为井Wr中与i1连接的砂体j1的厚度。
具体地,通过两口相邻井的砂体之间的唯一性对粗预测结果中的瑕疵连接关系进行删除时,对于井Wl的一个砂体i(i=1,2,...,m;j=1,2,...,n),如果井Wr中存在多个砂体j与之连接,找出其中与砂体i的厚度、顶深最接近的砂体jmax1,仅保留砂体i与砂体jmax1的连接,删除砂体i与井Wr中其他砂体的连接。
一种基于卷积神经网络的岩性剖面图构建系统,包括:
数据采集处理模块,其生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据;
粗预测结果生成模块,其根据历史样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果;
纠错模块,其根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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所述的构建方法。
与现有技术相比,本发明的有益技术效果是:
本发明首次使用卷积神经网络的方式处理井间岩性剖面图构建的问题,并通过卷积神经网络与地质规律相结合的方式,删除卷积神经网络输出结果中的瑕疵连接关系,得到砂岩预测结果;砂岩预测结果中包含两口相邻井的砂体之间较为准确的连接关系,精度能够达到传统人工方式的90%,地质专家或本领域的技术人员只需在砂岩预测结果的基础上稍作修改,即可得到完整的井间岩性剖面图,大大节省了人力物力。
附图说明
图1为本发明构建方法的流程示意图;
图2为本发明卷积神经网络和纠错模块的结构示意图;
图3为本发明卷积模块的结构示意图;
图4为本发明特征拼接模块的工作原理图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示,一种基于卷积神经网络的岩性剖面图构建方法,包括以下步骤:
S1:生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据。
具体地,步骤一中生成需构建岩性剖面的两口相邻井Wl、Wr的样本数据时,记为井Wl的第i个砂体,其砂体特征向量记为其中代表砂体的SP测井曲线,代表砂体的厚度,代表砂体的顶深;记为井Wr的第j个砂体,其砂体特征向量记为其中代表砂体的SP测井曲线,代表砂体的厚度,代表砂体的顶深。
具体地,步骤一中对样本数据进行预处理时,将样本数据中每个砂体特征向量的SP测井曲线提取出来进行归一化处理,将归一化处理后的SP测井曲线统一到100维,对100维的SP曲线进行滑动平均滤波,生成预处理SP测井曲线。
S2:根据历史的样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果。
瑕疵连接关系包括错误连接关系和多余连接关系。
如图2所示,所述卷积神经网络包括卷积模块、特征拼接模块、全连接层;所述卷积模块按数据Logs流动方向依次包括第一卷积层Conv1、第一激活层Relu1、第一池化层MaxPool1、第二卷积层Conv2、第二激活层Relu2以及第二池化层MaxPool2,第一卷积层的卷积核大小为1*3,第二卷积层的卷积核大小为1*5,第一池化层的核大小为1*2,第二池化层的核大小为1*2;所述特征拼接模块将卷积模块的输出、砂体的顶深、砂体的厚度拼接在一起,生成拼接特征向量,将拼接特征向量输入全连接层,得到所述的粗预测结果。
卷积神经网络的构建过程如下。
数据准备:
使用胜利油田的20口井,其中两口相邻的井组成一对井,用于本发明的井间砂体连接的模型构建;由于无法获得地下真实的砂体展布,故将地质专家提供的岩性剖面图结果作为标签。总共有25张井间岩性剖面图,即25对井,使用“留一法”来评估模型的性能,即其中一对井的样本数据不参与卷积神经网络模型的构建过程,而用于该卷积神经网络模型的性能验证。
在25张岩性剖面图中,通过“一对一”匹配方式共获得10171条样本数据,其中包括295条正样本数据和9876条负样本数据,正样本数据表示砂体之间连接,负样本数据表示砂体之间不连接;每条样本数据的砂体特征向量由砂体的SP测井曲线、顶深和厚度组成,顶深即为顶部厚度。
数据预处理:
将一对井每个砂体的SP测井曲线提取出来,进行归一化处理,将SP曲线的值归一化到[0,1]之间;将归一化处理后的SP曲线统一到100维,消除因砂体厚度不同而带来维度不同的问题;对100维的SP曲线进行滑动平均滤波,以减少高频噪声的干扰;搭建卷积神经网络时的数据预处理过程与本发明所述构建方法中的预处理过程大致相同。
由于正样本数量远远少于负样本,故将正样本复制到正、负样本数量比例为1:1,以降低因样本不均衡带来的影响。
搭建网络:
本发明中使用的卷积神经网络模型如图2所示,将一对砂体的SP测井曲线分别输入到卷积模块ConvBlock,卷积模块的具体结构图如图3所示,依次为一个卷积层Conv1,激活层Relu1,池化层MaxPool1,卷积层Conv2,激活层Relu2,池化层MaxPool2;Conv1的卷积核大小为1*3,Conv2的卷积核大小为1*5,MaxPool1的核大小为1*2,MaxPool2的核大小为1*2。卷积层Conv1和Conv2层的作用是学习特征,池化层MaxPool1和MaxPool2层的作用是保留卷积层输出的主要特征,减少参数的计算量,防止过拟合,同时,池化层还保证了特征的不变性;其中,一对砂体指的是一对相互连接的砂体。
将拼接特征向量输入到全连接层FC,形成一个分类器,输出该两个砂体是否相连的粗略预测结果Am×n[i,j],Am×n[i,j]=1代表Wl井的第i个砂体与Wr井的第j个砂体相连,Am×n[i,j]=0代表上述两个砂体不相连;损失函数 其中,代表分类器输出两个砂体相连的概率,y为两个砂体的真实标签,y=1,表示两个砂体相连,y=0,表示两个砂体不相连;将平衡参数λ的值设为2,即允许出现错误连接关系、多余连接关系,但尽量不要出现遗漏连接。
训练和测试:
训练卷积神经网络时,使用Adam算法,学习率设置为0.001;采用mini-batch训练方式,batch-size设置为50。学习策略设置为“step”,总的迭代次数设为500。
将历史样本数据输入网络进行训练,当达到迭代次数后,完成训练。
之前预留的一对井的样本数据输入到卷积神经网络模型中,即可得到该一对井之间的粗预测结果,再根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果,将砂岩预测结果与砂体的实际连接关系进行对比,评估所述构建方法的性能。
S3:根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果。
步骤三中,通过两口相邻井的砂体之间的一致性、不相交性以及唯一性对粗预测结果中的瑕疵连接关系进行删除。
通过两口井的砂体之间的一致性对粗预测结果中的瑕疵连接关系进行删除时,当Am×n[i,j]=1(i=1,2,...,m;j=1,2,...,n)时,如果|i-j|≥3或者|Depl[i]-Depr[j]|>50m,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;其中Am×n为卷积神经网络输出的粗预测结果,Am×n[i,j]=1表示井Wl的第i个砂体与井Wr的第j个砂体之间存在连接,Am×n[i,j]=0表示井Wl的第i个砂体与井Wr的第j个砂体之间不存在连接,Depl[i]为井Wl第i个砂体的顶深,Depr[j]为井Wr第j个砂体的顶深。
两个相邻井的砂体分布通常是连贯一致的,即一个砂体的展布规律相对周围砂体来说,不太可能会发生大的跳跃。因此,深度上差异很大的两个砂体的连接,将被删除。
通过两口相邻井的砂体之间的不相交性对粗预测结果中的瑕疵连接关系进行删除时,当Am×n[i,j]=1(i=1,2,...,m;j=1,2,...,n),且井Wr中只有第j个砂体与井Wl的第i个砂体存在连接时,井Wl的第i个砂体称为单连接砂体;计算井Wl中的每个单连接砂体和与之连接的井Wr中砂体的厚度和Tcksum=Tckl[i1]+Tckr[j1],找到厚度和最大的砂体imax和与之相连的砂体jmax,并计算砂体imax和砂体jmax的顶深差Depmin=Depl[imax]-Depr[jmax],并以Depmin的正负号判断该地区的砂体展布方向,删除与砂体展布方向相反的砂体连接:当Depmin>0时,如果Am×n[i,j]=1且Depl[i]-Depr[j]<0,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;当Depmin<0时,如果Am×n[i,j]=1且Depl[i]-Depr[j]>0,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;其中Am×n为卷积神经网络输出的粗预测结果,Am×n[i,j]=1表示井Wl的第i个砂体与井Wr的第j个砂体之间存在连接,Am×n[i,j]=0表示井Wl的第i个砂体与井Wr的第j个砂体之间不存在连接,Depl[i]为井Wl第i个砂体的顶深,Depr[j]为井Wr第j个砂体的顶深;Tckl[i1]为井Wl单连接砂体中的第i1个砂体的厚度,Tckr[j1]为井Wr中与i1连接的砂体j1的厚度。
由于地质沉积的特性规律,两井之间砂体的连接不会出现交叉。而根据地质经验,较厚砂体的展布规律往往和该地区砂体的展布相吻合,因此,可以较厚砂体的展布规律为依据,将方向相反的砂体连接删除。
通过两口相邻井的砂体之间的唯一性对粗预测结果中的瑕疵连接关系进行删除时,对于井Wl的一个砂体i(i=1,2,...,m;j=1,2,...,n),如果井Wr中存在多个砂体j与之连接,找出其中与砂体i的厚度、顶深最接近的砂体jmax1,仅保留砂体i与砂体jmax1的连接,删除砂体i与井Wr中其他砂体的连接;寻找jmax1的过程如下:对于上述砂体i的多个连接,分别计算每对连接的厚度差与顶深差之和,即|Dep1[i]-Dep2[j]-Depmin|+|Tck1[i]-Tck2[j]|;使该和最小的砂体对i,j中的j,即为jmax1;则在砂体i的多个连接中,保存该连接,删除其他连接,即Am×n[i,jmax1]=1,且Am×n[i,1:jmax1-1]=0,Am×n[i,jmax1+1:n]=0。计算顶深差时减去Depmin,是为了消除因Depmin正负号带来的影响。
在本发明中,仅考虑砂体连接为一对一的情况,原因如下:1)如果一个连接是多对多的,那么许多个砂体可以被视为一个大砂体,而不会影响整体砂岩的展布规律;2)“一对多”的连接比“一对一”的连接少得多,也就是意味着专家或本领域的技术人员只需要把“一对一”的结果稍作修改,就可改为“一对多”的连接。因此,在一个砂体有多个与之相连的砂体时,我们保留与该砂体厚度、顶深最相近的那个连接。
一种基于卷积神经网络的岩性剖面图构建系统,包括:
数据采集处理模块,其生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据。
粗预测结果生成模块,其根据历史样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果;
砂岩预测结果模块,其根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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所述的构建方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于卷积神经网络的岩性剖面图构建方法,包括以下步骤:
步骤一:生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据;
步骤二:根据历史的样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果;
步骤三:根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果;
所述卷积神经网络包括卷积模块、特征拼接模块、全连接层;所述卷积模块按数据(Logs)流动方向依次包括第一卷积层(Conv1)、第一激活层(Relu1)、第一池化层(MaxPool1)、第二卷积层(Conv2)、第二激活层(Relu2)以及第二池化层(MaxPool2),第一卷积层的卷积核大小为1*3,第二卷积层的卷积核大小为1*5,第一池化层的核大小为1*2,第二池化层的核大小为1*2;所述特征拼接模块将卷积模块的输出、砂体的顶深、砂体的厚度拼接在一起,生成拼接特征向量,将拼接特征向量输入全连接层,得到所述的粗预测结果。
3.根据权利要求2所述的基于卷积神经网络的岩性剖面图构建方法,其特征在于,步骤一中对样本数据进行预处理时,将样本数据中每个砂体特征向量的SP测井曲线提取出来进行归一化处理,将归一化处理后的SP测井曲线统一到100维,对100维的SP曲线进行滑动平均滤波,生成预处理SP测井曲线。
4.根据权利要求2所述的基于卷积神经网络的岩性剖面图构建方法,其特征在于,步骤三中,通过两口相邻井的砂体之间的一致性、不相交性以及唯一性对粗预测结果中的瑕疵连接关系进行删除。
5.根据权利要求4所述的基于卷积神经网络的岩性剖面图构建方法,其特征在于,通过两口井的砂体之间的一致性对粗预测结果中的瑕疵连接关系进行删除时,当Am×n[i,j]=1(i=1,2,…,m;j=1,2,…,n)时,如果|i-j|≥3或者|Depl[i]-Depr[j]|>50m,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;其中Am×n为卷积神经网络输出的粗预测结果,Am×n[,j]=1表示井Wl的第i个砂体与井Wr的第j个砂体之间存在连接,Am×n[i,j]=0表示井Wl的第i个砂体与井Wr的第j个砂体之间不存在连接,Depl[i]为井Wl第i个砂体的顶深,Depr[j]为井Wr第j个砂体的顶深。
6.根据权利要求4所述的基于卷积神经网络的岩性剖面图构建方法,其特征在于,通过两口相邻井的砂体之间的不相交性对粗预测结果中的瑕疵连接关系进行删除时,当Am×n[i,j]=1(i=1,2,…,m;j=1,2,…,),且井Wr中只有第j个砂体与井Wl的第i个砂体存在连接时,井Wl的第i个砂体称为单连接砂体;计算井Wl中的每个单连接砂体和与之连接的井Wr中砂体的厚度和Tcksum=Tckl[i1]+Tckr[j1],找到厚度和最大的砂体imax和与之相连的砂体jmax,并计算砂体imax和砂体jmax的顶深差Depmin=Depl[imax]-Depr[jmax],并以Depmin的正负号判断砂体所在地区的砂体展布方向,删除与砂体展布方向相反的砂体连接:当Depmin>0时,如果Am×n[i,j]=1且Depl[i]-Depr[j]<0,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;当Depmin<0时,如果Am×n[i,j]=1且Depl[i]-Depr[i]>0,则删除井Wl的第i个砂体与井Wr的第j个砂体之间的连接,即Am×n[i,j]赋值为0;其中Am×n为卷积神经网络输出的粗预测结果,Am×n[i,j]=1表示井Wl的第i个砂体与井Wr的第j个砂体之间存在连接,Am×n[i,j]=0表示井Wl的第i个砂体与井Wr的第j个砂体之间不存在连接,Depl[i]为井Wl第i个砂体的顶深,Depr[j]为井Wr第j个砂体的顶深;Tckl[i1]为井Wl单连接砂体中的第i1个砂体的厚度,Tckr[j1]为井Wr中与i1连接的砂体j1的厚度。
7.根据权利要求6所述的基于卷积神经网络的岩性剖面图构建方法,其特征在于,通过两口相邻井的砂体之间的唯一性对粗预测结果中的瑕疵连接关系进行删除时,对于井Wl的一个砂体i(i=1,2,…,m;j=1,2,…,n),如果井Wr中存在多个砂体j与之连接,找出其中与砂体i的厚度、顶深最接近的砂体jmax1,仅保留砂体i与砂体jmax1的连接,删除砂体i与井Wr中其他砂体的连接。
8.一种基于卷积神经网络的岩性剖面图构建系统,其特征在于,包括:
数据采集处理模块,其生成需构建岩性剖面的两口相邻井的样本数据,对样本数据进行预处理,生成预处理数据;
粗预测结果生成模块,其根据历史样本数据构建卷积神经网络,将预处理数据输入卷积神经网络,生成包含瑕疵连接关系的粗预测结果;
纠错模块,其根据地质规律删除粗预测结果中的瑕疵连接关系,得到砂岩预测结果;
所述卷积神经网络包括卷积模块、特征拼接模块、全连接层;所述卷积模块按数据(Logs)流动方向依次包括第一卷积层(Conv1)、第一激活层(Relu1)、第一池化层(MaxPool1)、第二卷积层(Conv2)、第二激活层(Relu2)以及第二池化层(MaxPool2),第一卷积层的卷积核大小为1*3,第二卷积层的卷积核大小为1*5,第一池化层的核大小为1*2,第二池化层的核大小为1*2;所述特征拼接模块将卷积模块的输出、砂体的顶深、砂体的厚度拼接在一起,生成拼接特征向量,将拼接特征向量输入全连接层,得到所述的粗预测结果。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1-7中任一项所述的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011253782.1A CN112396161B (zh) | 2020-11-11 | 2020-11-11 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011253782.1A CN112396161B (zh) | 2020-11-11 | 2020-11-11 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396161A CN112396161A (zh) | 2021-02-23 |
CN112396161B true CN112396161B (zh) | 2022-09-06 |
Family
ID=74599863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011253782.1A Active CN112396161B (zh) | 2020-11-11 | 2020-11-11 | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396161B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830421A (zh) * | 2018-06-21 | 2018-11-16 | 中国石油大学(北京) | 致密砂岩储层的含气性预测方法及装置 |
CN109447532A (zh) * | 2018-12-28 | 2019-03-08 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
WO2019118656A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN110223106A (zh) * | 2019-05-20 | 2019-09-10 | 华南理工大学 | 一种基于深度学习的欺诈应用检测方法 |
CN111027249A (zh) * | 2019-12-10 | 2020-04-17 | 北京科技大学 | 一种基于机器学习的井间连通性评价方法 |
CN111175818A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
CN111353531A (zh) * | 2020-02-25 | 2020-06-30 | 西安电子科技大学 | 基于奇异值分解和空谱域注意力机制高光谱图像分类方法 |
CN111598026A (zh) * | 2020-05-20 | 2020-08-28 | 广州市百果园信息技术有限公司 | 动作识别方法、装置、设备及存储介质 |
CN111766635A (zh) * | 2019-04-02 | 2020-10-13 | 中国石油天然气股份有限公司 | 砂体连通程度分析方法和系统 |
CN111767674A (zh) * | 2020-05-29 | 2020-10-13 | 中国科学技术大学 | 一种基于主动域适应的测井岩性识别方法 |
-
2020
- 2020-11-11 CN CN202011253782.1A patent/CN112396161B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111712823A (zh) * | 2017-12-14 | 2020-09-25 | 斯伦贝谢技术有限公司 | 用于模拟储层模型的系统和方法 |
WO2019118656A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
CN108830421A (zh) * | 2018-06-21 | 2018-11-16 | 中国石油大学(北京) | 致密砂岩储层的含气性预测方法及装置 |
CN109447532A (zh) * | 2018-12-28 | 2019-03-08 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
CN111766635A (zh) * | 2019-04-02 | 2020-10-13 | 中国石油天然气股份有限公司 | 砂体连通程度分析方法和系统 |
CN110223106A (zh) * | 2019-05-20 | 2019-09-10 | 华南理工大学 | 一种基于深度学习的欺诈应用检测方法 |
CN111027249A (zh) * | 2019-12-10 | 2020-04-17 | 北京科技大学 | 一种基于机器学习的井间连通性评价方法 |
CN111175818A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
CN111353531A (zh) * | 2020-02-25 | 2020-06-30 | 西安电子科技大学 | 基于奇异值分解和空谱域注意力机制高光谱图像分类方法 |
CN111598026A (zh) * | 2020-05-20 | 2020-08-28 | 广州市百果园信息技术有限公司 | 动作识别方法、装置、设备及存储介质 |
CN111767674A (zh) * | 2020-05-29 | 2020-10-13 | 中国科学技术大学 | 一种基于主动域适应的测井岩性识别方法 |
Non-Patent Citations (2)
Title |
---|
BP神经网络在砂体连通性评价中的应用;李月 等;《甘肃科学学报》;20170831;第16-21页 * |
Feature Extraction and Grain Segmentation of Sandstone Images Based onConvolutional Neural Networks;Feng Jiang 等;《2018 24th International Conference on Pattern Recognition (ICPR)》;20181129;第2636-2641页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396161A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
Akinnikawe et al. | Synthetic well log generation using machine learning techniques | |
CN105954804B (zh) | 页岩气储层脆性地震预测方法及装置 | |
Gao et al. | A stochastic optimization algorithm for automatic history matching | |
CN112083498B (zh) | 一种基于深度神经网络的多波地震油气储层预测方法 | |
US20060052938A1 (en) | Method for creating facies probability cubes based upon geologic interpretation | |
CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN106324674A (zh) | 一种页岩气toc叠前地震反演预测方法 | |
CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
WO2020256738A1 (en) | Field development planning based on deep reinforcement learning | |
CN110927793B (zh) | 一种基于序贯随机模糊模拟的储层预测方法及系统 | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
US11965998B2 (en) | Training a machine learning system using hard and soft constraints | |
Gao et al. | Robust uncertainty quantification through integration of distributed-Gauss-Newton optimization with a Gaussian mixture model and parallelized sampling algorithms | |
CN112396161B (zh) | 基于卷积神经网络的岩性剖面图构建方法、系统及设备 | |
CN117541070A (zh) | 基于机器学习与博弈论的油井多层合采产量劈分方法 | |
Castellini et al. | History matching and uncertainty quantification assisted by global optimization techniques | |
Wang et al. | On the Feasibility of An Ensemble Multi-Fidelity Neural Network for Fast Data Assimilation for Subsurface Flow in Porous Media | |
EP3475529B1 (en) | Drilling measurement valuation | |
Silva et al. | A GAN-based Reduced Order Model for Prediction, Data Assimilation and Uncertainty Quantification | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 |
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 |