CN112507615B - 一种陆相致密储层岩相智能识别与可视化方法 - Google Patents
一种陆相致密储层岩相智能识别与可视化方法 Download PDFInfo
- Publication number
- CN112507615B CN112507615B CN202011393013.1A CN202011393013A CN112507615B CN 112507615 B CN112507615 B CN 112507615B CN 202011393013 A CN202011393013 A CN 202011393013A CN 112507615 B CN112507615 B CN 112507615B
- Authority
- CN
- China
- Prior art keywords
- lithofacies
- facies
- data
- continental
- reservoir
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 9
- 208000035126 Facies Diseases 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012800 visualization Methods 0.000 claims abstract description 30
- 239000011435 rock Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 21
- 238000013499 data model Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 68
- 239000007789 gas Substances 0.000 description 21
- 239000003079 shale oil Substances 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 2
- 241001080798 Polygala tenuifolia Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000010017 yuan zhi Substances 0.000 description 2
- 241000743799 Calamagrostis Species 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 241000907903 Shorea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种陆相致密储层岩相智能识别与可视化方法,包括以下步骤:一:通过野外岩心描述与室内薄片鉴定,依靠三要素归类与三级类型归并方法建立岩相体系;二:利用岩‑电数据挖掘岩相‑电相数据集,确定陆相致密储层岩相识别标准模式;三:根据致密储层岩相非线性岩‑电标准模式构建数据样本,依靠数据样本进行自反馈智能学习训练并开展致密储层岩相预测,根据预测结果进行致密储层岩相的三维可视化。本发明实现了对不同地域内不同陆相沉积环境中致密储层岩相类型的识别与单井可视化,从而为陆相致密储层岩相三维建模提供了技术支撑。
Description
技术领域
本发明涉及石油开采技术领域,尤其涉及一种陆相致密储层岩相智能识别与可视化方法。
背景技术
随着大规模海相页岩油气开发在世界各地取得成功,陆相页岩油气、致密砂岩油气和致密碳酸盐岩油气等致密储层逐渐引起了研究者的重视。西部的四川盆地、准噶尔盆地、柴达木盆地,中部的鄂尔多斯盆地、华北盆地、江汉盆地,东部的渤海湾盆地、松辽盆地等,都发育有多套陆相页岩油气、致密砂岩油气和致密碳酸盐岩油气等形成的致密储层。油气的高效开发需要准确表征其储层的岩相特征,然而,这些陆相致密储层具有沉积环境变化快、水动力强弱交替频次高、岩石类型丰富多样,构成异常复杂,很难实现对不同地域内不同陆相沉积环境中致密储层岩相类型的统一划分。
四川盆地东北部中侏罗统千佛崖组(四川其余地区称为凉高山组)为一套颇具油气资源潜力的滨浅湖沉积地层,总体呈现出“页包砂”特征,局部的致密砂岩与页岩呈互层状产出。页岩富含有机质和有机孔,不仅作为烃源岩生成了大量油气,还作为储集体储存了部分油气;页岩中多余的油气就近运移到包裹的致密砂岩中储存起来,形成了典型的致密砂岩-页岩油气组合。四川盆地下侏罗统自流井组大安寨段为一套致密介屑灰岩与砂泥岩的混合沉积地层,该套地层既具有一定的生烃能力,又具备一定的油气储集性能。其中,川中-川西地区大安寨段致密油气勘探开发的历史较长、研究深入、成效显著;川东北地区,尤其是元坝区块大安寨段致密灰岩与砂岩和泥页岩天然气的勘探工作已经启动,其中的YB21井在大安寨段47.7m致密灰岩-砂岩-泥页岩混合储集体中测试获日产气50.70×104m3,显示了该区天然气资源的良好前景。
新疆吉木萨尔页岩油具有显著不同于四川页岩油气的特点:(1)主产层芦草沟组为陆相咸化湖泊-三角洲沉积体系,岩性复杂多变,为一套细粒碎屑岩、页岩、碳酸盐岩构成的混积岩层;(2)无论是岩性、物性、含油性、岩层结构等宏观特征,还是微观孔隙类型、孔喉组合及其分布等的非均质性都极其强烈;(3)储层由泥页岩夹粉砂质页岩和砂屑粉晶云岩薄层的毫米-厘米级韵律互层构成,纵向上单层厚度平均仅仅0.32m,小层结构极其复杂;(4)天然裂缝不发育、两向应力差大,脆性好、储层弱水敏,无边底水,适合水平井大规模压裂开发;(5)单井产量低,递减快,生产周期长,一次采收率低。
总的来说,在我国西部的四川盆地、准噶尔盆地、柴达木盆地,中部的鄂尔多斯盆地、华北盆地、江汉盆地,东部的渤海湾盆地、松辽盆地等,都发育有多套陆相页岩油气、致密砂岩油气和致密碳酸盐岩油气等形成的致密储层。
致密储层岩相分析结果可靠与否,直接关系着开发的规模和效果。然而,陆相致密储层沉积环境变化快、水动力强弱交替频次高、岩石类型丰富多样,构成异常复杂,很难实现对不同地域内不同陆相沉积环境中致密储层岩相类型的统一划分。传统的岩相分析主要采用岩心分析、剖面观察、测井及地震相研究等,缺乏统一的、系统的技术流程,且大多是定性分析,难以适应陆相致密储层岩相定量分析及可视化的需要。
发明内容
本发明的目的在于克服现有技术的不足,提供一种陆相致密储层岩相智能识别与可视化方法,通过采用三要素归类法与三级类型归并法建立岩相体系,利用岩电数据挖掘确定陆相致密储层岩相识别标准模式、通过单井智能识别与可视化方法完成单井岩相的识别与可视化,实现了对不同地域内不同陆相沉积环境中致密储层岩相类型的识别与单井可视化,从而为陆相致密储层岩相三维建模提供了技术支撑。
本发明的目的是通过以下技术方案来实现的:
一种陆相致密储层岩相智能识别与可视化方法,包括以下步骤:
步骤一:通过野外岩心描述与室内薄片鉴定,依靠三要素归类与三级类型归并方法建立岩相体系;
步骤二:利用岩-电数据挖掘岩相-电相数据集,确定陆相致密储层岩相识别标准模式;
步骤三:根据致密储层岩相非线性岩-电标准模式构建数据样本,依靠数据样本进行自反馈智能学习训练并开展致密储层岩相预测,根据预测结果进行致密储层岩相的三维可视化。
具体的,步骤一具体包括:满覆盖目标工区平面范围与纵向目标地层录取岩心,完成野外岩心描述与室内薄片鉴定;采用岩性类别、沉积构造与结构特征三要素归类法,以及从细类、亚类到大类的三级类型归并法,建立目标工区的岩相体系。
具体的,所述步骤二具体包括以下子步骤:
S1,在岩心归位的基础上,建立岩相-电相转换关系,拾取得到岩相-电相数据集;
S2,采用gini值最小或方差最小的原则,利用分类回归树算法挖掘岩相与电相间的分类关系,确定识别岩相的敏感曲线;
S3,保留岩相-电相分类敏感曲线,去掉不敏感曲线,重新梳理岩相-电相数据集,构建形成陆相致密储层岩相标准模式。
具体的,所述步骤三具体包括以下子步骤:
S1,根据致密储层岩相非线性岩-电标准模式构建数据样本,依靠数据样本进行自反馈智能学习建立自反馈智能学习网络系统;
S2,利用自反馈智能学习网络系统开展致密储层岩相预测,并对输出的预测结果进行对比获得预测正确率;
S3,构建井的三维图形的数据模型,并基于数据模型利用可视化工具进行生成三维图形,完成单井岩相三维可视化和多井岩相三维可视化。
具体的,步骤S1具体包括以下子步骤:
S101,依靠致密储层岩相识别标准模式建立岩相智能识别所需要的非线性岩-电标准模式学习用数据样本;
S102,建立包括输入层、隐藏层和输出层的三层自反馈智能学习网络系统,各层网络节点的具体数目依据实例岩相学习数据样本特点设定;
S103,利用建立的自反馈智能学习网络系统实现岩-电标准模式知识的顺向传递与吸收。将学习用数据样本从输入层导入,采用样本数据加权耦合阈值的算法分别计算隐藏层和输出层的状态值aj,zk,采用ReLU函数计算隐藏层的激活值bj,采用Softmax函数计算输出层的激活值yk;
S104,将输出层的激活值组合起来构成一个输出向量Y={y1,…,yk},对比该向量与学习用数据样本岩相类型向量T={T1,…,TM}之间的差异,利用设计的阈值、采用Adam算法计算出每个参数的修正量,并将这个修正量向隐藏层反向传递;
S105,重复S103、S104两个步骤,直到从输出层计算得到的结果与学习用数据样本岩相类型向量T={T1,…,TM}之间的差异达到要求的误差为止,或者整个训练样本的训练次数达到给定的次数为止。
具体的,所述步骤S2具体包括:首先采用样本数据加权耦合阈值的算法分别计算隐藏层和输出层的状态值aj,zk,然后采用ReLU函数计算隐藏层和采用Softmax函数计算输出层的激活值bj,yk,同时在最后softmax函数输出的向量Y中需要得到最大分量所在的位置,该位置代表预测的类型值。
具体的,所述步骤S3中的单井岩相三维可视化过程具体包括:首先规定图形比例尺度,并将单井岩相所有的实际数据按照该图形比例尺度进行存储;然后建立三维直线的数据模型然后通过可视化工具将三维直线的数据模型变换成井筒的数据模型;再利用可视化工具的mapper方法将井筒的数据模型其映射成三维图形。
具体的,所述步骤S3中的多井岩相三维可视化过程包括:首先在所有井中选定一口参考井,以其为原点然后网格化整个空间,即将整个空间分成一定量的网格,每个网格实际为一个小方块;然后每口井以网格所在的序号来表示其坐标;根据每口井的三维图形,对井间的地层进行插值获得整个地质模型。
本发明的有益效果:本发明在直井段、斜井段和水平段小层测井识别模式的基础上,通过三维可视化地层对比方法,获得穿层点及其上下层界面标高数据集,从而建立获得以水平井为主要井型区域的小层精细构造模型。
附图说明
图1是本发明的方法流程图。
图2是本发明实施例的某油田陆相致密储层岩相识别敏感曲线图。
图3是本发明实施例的某油田陆相致密储层岩相非线性岩-电标准模式自反馈智能学习网络系统结构示意图。
图4是本发明实施例的某油田陆相致密储层岩相非线性岩-电标准模式自反馈智能学习训练时步与模拟精度变化关系图。
图5是本发明实施例的某井的三维可视化展示结果。
图6是本发明实施例的12号、13号以及14号井建立的地质模型图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本实施例中,如图1所示,一种陆相致密储层岩相智能识别与可视化方法,包括以下步骤:步骤一:通过野外岩心描述与室内薄片鉴定,依靠三要素归类与三级类型归并方法建立岩相体系;步骤二:利用岩-电数据挖掘岩相-电相数据集,确定陆相致密储层岩相识别标准模式;步骤三:根据致密储层岩相非线性岩-电标准模式构建数据样本,依靠数据样本进行自反馈智能学习训练并开展致密储层岩相预测,根据预测结果进行致密储层岩相的三维可视化。
方法的具体流程如下:
(1)采用三要素归类法与三级类型归并法建立岩相体系
满覆盖目标工区平面范围与纵向目标地层录取岩心,完成野外岩心描述与室内薄片鉴定;采用岩性类别、沉积构造与结构特征三要素归类法,以及从细类、亚类到大类的三级类型归并法,建立目标工区的岩相体系。
实例区为我国西部某页岩油田,全区共完钻22口取心井,开展了岩心描述及薄片鉴定工作,积累了满覆盖研究工区的岩石学分析数据。通过提取相关的岩相分析成果,梳理出岩相细类如表1所示,然后采用岩性类别、沉积构造与结构特征三要素归类法,将岩性类别、沉积构造与结构特征相近的细类岩相合并成亚类岩相,再按同样的处理方法,将亚类岩相归并为大类岩相,从而建立起研究工区内的岩相大类-亚类-细类的三级完整体系。其中大类岩相共有3类,亚类岩相6类,细类岩相共有70类。
表1我国西部某油田致密储层岩相大类、亚类、细类完整体系表
(2)利用岩-电数据挖掘确定陆相致密储层岩相识别标准模式
①在岩心归位的基础上,建立岩相-电相转换关系,拾取得到岩相-电相数据集。
考虑到实际测井曲线的分辨率,只能识别岩相到亚类级别,因而利用岩相-电相关系只能识别出亚类以粗的岩相类别。针对我国西部某油田致密储层,在上述岩相大类-亚类-细类的三级完整体系与岩心归位基础上,完成了22口取心井亚类岩相的复原,以及各深度段亚类岩相测井响应参数的拾取,得到了岩相-电相数据集(表2)。限于篇幅,表2仅仅给出了其中三口井的部分岩相-电相数据集,该数据集包含了井号、深度、层位、亚类岩相,以及GR、DEN、AC、CNL、RT等常见的测井曲线值,形成了研究区岩相-电相转换关系,从而具备了利用岩-电数据挖掘确定研究工区陆相致密储层岩相标准模式的基础。
表2我国西部某油田陆相致密储层岩相-电相标准模式数据集
②采用gini值最小或方差最小的原则,利用分类回归树算法挖掘岩相与电相间的分类关系,确定识别岩相的敏感曲线。
岩相-电相数据集还不能成为陆相致密储层岩相标准模式,还需要利用分类回归树算法挖掘岩相与电相间的关系,确定识别岩相的敏感测井曲线,从而得到陆相致密储层岩相标准模式。本发明主要利用其中的gini值最小或方差最小的原则挖掘岩相与每条测井曲线间的分类关系,以便确定识别岩相的敏感曲线。
图2展示了利用分类回归树算法,采用gini值最小或方差最小的原则,通过挖掘我国西部某油田陆相致密储层岩相与电相间的分类关系,从而获得的对研究工区岩相类型识别比较敏感的测井曲线为RT和GR,而AC、骨架密度和归一化密度中子差值对于识别岩相几乎没有贡献。
③保留岩相-电相分类敏感曲线,去掉不敏感曲线,重新梳理岩相-电相数据集,建立形成陆相致密储层岩相标准模式。如表2,保留电相中的测井曲线RT和GR,剔除AC、骨架密度和归一化密度中子差值,从而建立获得了我国西部某油田陆相致密储层岩相识别的标准模式。
(3)致密储层岩相单井智能识别与可视化
①致密储层岩相非线性岩-电标准模式的自反馈智能学习
A、依靠致密储层岩相识别标准模式建立岩相智能识别所需要的非线性岩-电标准模式学习用数据样本。如表2中的第2、3、6、7、9列数据即为我国西部某油田陆相致密储层岩相非线性岩-电标准模式学习用数据样本的一部分展示。
B、建立包括输入层、隐藏层和输出层的三层自反馈智能学习网络系统,各层网络节点的具体数目依据实例岩相学习数据样本特点设定;如图3所示的某油田陆相致密储层岩相非线性岩-电标准模式自反馈智能学习网络系统结构,我国西部某油田陆相致密储层岩相输入层、隐含层和输出层的节点数依据学习数据样本特点分别设计为2、4、6。
C、利用建立的自反馈智能学习网络系统实现岩-电标准模式知识的顺向传递与吸收。将学习用数据样本从输入层导入,采用样本数据加权耦合阈值的算法分别计算隐藏层和输出层的状态值aj,zk,采用ReLU函数计算隐藏层的激活值bj,采用Softmax函数计算输出层的激活值yk;
式中:x1表示输入层第1个节点的输入值;x2表示输入层第2个节点的输入值;表示输入层第i个节点到隐藏层第j个节点的权值;表示隐藏层第j个节点到输出层第k个节点的权值;表示隐藏层第j个节点的阈值;表示输出层第k个节点的阈值;aj表示隐藏层第j个节点的状态值;bj表示隐藏层第j个节点的激活值;zk表示输出层第k个节点的状态值;yk表示输出层第k个节点的激活值。
D、利用建立的自反馈智能学习网络系统实现岩-电标准模式知识的反向反馈与自助完善。将输出层的激活值组合起来构成一个输出向量Y={y1,…,yk},对比该向量与学习用数据样本岩相类型向量T={T1,…,TM}之间的差异,利用设计的阈值、采用Adam算法计算出每个参数的修正量,并将这个修正量向隐藏层反向传递;重复C、D两个步骤,直到从输出层计算得到的结果与学习用数据样本岩相类型向量T={T1,…,TM}之间的差异达到要求的误差为止,或者整个训练样本的训练次数达到给定的次数为止。
要计算每个参数的修正量,需要确定好损失函数,目前常用的损失函数是交叉熵(cross-entropy)函数,并且在计算修正量时并不是每训练一个样本就计算一次,而是训练一定量的样本后计算一次平均的修正量,因次我们需要对上述的输出向量和样本向量做一定的修改。用向量Ys={ys1,…,ysk}表示第s个样本的输出分量,同理定义Ts={ts1,…,tsk},则交叉熵函数的数学表达式为:
式中,N表示每次计算平均修正量所需要的样本数,一般设置为5,即每5个样本计算一次平均损失函数值并与给定精度做比较。考虑到向量T的特点即T中只有某一个分量为1其他全为0,则上述损失函数可以简化为:
式中ts表示第s个样本呢向量Ts中值为1分量,ys为与之对应的输出向量的分量。
有了上面的损失函数,我们就可以计算每一个样本的损失函数对每一个参数的梯度,然后求N个样本的平均梯度,每一个参数的修正量主要由该平均梯度组成。这里涉及的参数主要是指输入层到隐藏层的权值隐藏层的阈值隐藏层到输出层的权值以及输出层的阈值一共四个参数,求这四个参数的主要用到的数学原理是链式法则。下面是这四个梯度的推导过程:
当k≠m时有:
至此,已经可以完全计算出每一个参数的梯度了,对于传统的随机梯度法,每个参数的修正量就是其梯度的负值,但随着发展已经有了性能更好的方法——Adam法。
对Adam算法而言,并不直接使用参数的梯度来更新参数,而是借鉴物理学上的一些思路,主要是动能和惯性的思想来对梯度加以优化,然后用来修正参数。
对于参数x,其修正量Δx的计算公式为:
式中:Mt,Mt-1表示当前和上一次的动量值;Vt,Vt-1表示当前和上一次的速度值;β1表示动量修正系数,β2表示速度修正系数;LR表示学习率;ε表示修正值
上述中的动量和速度修正系数一般取0.9和0.99,学习率一般取0.001,修正值则取10-5。有了上述的公式后就能计算每一个样本的修正值,然后每N个样本求取平均修正值作为参数的更新量。
图4给出了我国西部某油田陆相致密储层岩相非线性岩-电标准模式自反馈智能学习训练时步与模拟精度变化关系,由图中可以看出,当训练了1000步以上,致密储层岩相非线性岩-电标准模式自反馈智能学习知识复原的准确度达到了90%以上,获得了良好的学习效果。
②致密储层岩相的自组织自适应自主预测
通过自反馈智能学习训练,建立的三层自反馈智能学习网络系统拥有了陆相致密储层岩相非线性岩-电标准模式知识能力,即可利用该网络系统开展致密储层岩相预测。
预测时仍然采用前述公式(1)-(4),采用样本数据加权耦合阈值的算法分别计算隐藏层和输出层的状态值aj,zk,采用ReLU函数计算隐藏层和采用Softmax函数计算输出层的激活值bj,yk,但要保留各个公式系数与训练结束时各个网络层节点处各个公式系数一致,同时在最后softmax函数输出的向量Y中需要得到最大分量所在的位置,该位置代表预测的类型值,如输出分量为Y={y1,…,ym},其中yk(k≤m)为最大分量,则该输入样本的预测值为k。
采用上述步骤,选择了我国西部某油田陆相致密储层岩相非线性岩-电标准模式自反馈智能学习样本数据中没有用于训练的100个样本进行预测对比,获得了83%的预测正确率。预测结果的详细对比情况见表3所示。
表3我国西部某油田陆相致密储层岩相的自组织自适应自主预测效果对比表
样本值 | 预测值 | 样本值 | 预测值 | 样本值 | 预测值 | 样本值 | 预测值 | 样本值 | 预测值 |
2 | 2 | 1 | 1 | 2 | 2 | 6 | 5 | 5 | 5 |
5 | 5 | 1 | 1 | 4 | 1 | 6 | 6 | 6 | 3 |
5 | 5 | 4 | 4 | 1 | 1 | 5 | 5 | 5 | 5 |
5 | 5 | 5 | 5 | 1 | 1 | 5 | 5 | 2 | 2 |
2 | 2 | 2 | 1 | 6 | 6 | 2 | 2 | 6 | 3 |
2 | 2 | 1 | 1 | 4 | 4 | 6 | 6 | 3 | 3 |
1 | 1 | 5 | 5 | 6 | 5 | 2 | 2 | 3 | 3 |
1 | 1 | 6 | 5 | 6 | 5 | 1 | 4 | 2 | 2 |
1 | 2 | 2 | 2 | 1 | 2 | 4 | 4 | 6 | 6 |
1 | 2 | 1 | 1 | 4 | 4 | 4 | 4 | 1 | 1 |
6 | 6 | 2 | 2 | 1 | 1 | 6 | 6 | 2 | 2 |
4 | 4 | 1 | 1 | 1 | 1 | 4 | 4 | 3 | 3 |
1 | 5 | 5 | 5 | 1 | 1 | 1 | 1 | 2 | 2 |
1 | 5 | 2 | 2 | 5 | 5 | 1 | 1 | 6 | 6 |
2 | 2 | 1 | 1 | 4 | 4 | 1 | 2 | 5 | 5 |
4 | 4 | 2 | 2 | 1 | 1 | 2 | 2 | 3 | 3 |
2 | 2 | 2 | 2 | 4 | 4 | 2 | 2 | 5 | 5 |
5 | 2 | 2 | 5 | 2 | 2 | 1 | 1 | 6 | 6 |
2 | 2 | 2 | 2 | 1 | 1 | 5 | 5 | 6 | 6 |
1 | 1 | 2 | 2 | 2 | 2 | 6 | 6 | 2 | 2 |
③单井岩相三维可视化
A、可视化采用vtk这一开源的工具,该工具已经封装好了许多计算机图形方面的算法,具有较快的产出速度。
B、将实际井的坐标数据展示到计算机之前我们需要规定一定的比例尺度,并将后面所有的实际数据按照该尺度存储到计算机中。否则在展示时图形会非常大不便观察。
C、在使用vtk进行三维可视化之前,我们需要建立井的三维图形的数据模型,一般先建立三维直线的数据模型然后通过vtk中提供的方法来将三维直线的数据模型变换成井筒模型,因次对于单井而言我们需要知道其x和y的坐标以及每段岩相之间界面的深度,这样就会产生一系列的三维坐标,这些坐标汇集后就是该三维直线的数据模型。
D、有了上面的三维直线的数据模型后,设定一个井筒半径并通过vtk中的TubeFilter方法即可将其变换成井筒的数据模型,然后通过vtk中的mapper方法将其映射成三维图形,然后再通过一系列既定的步骤即可展示该三维图形。图5即为某井的展示结果。
④多井岩相三维可视化
A、多井可视化和单井可视化是相似的,但是需要考虑多井时的各个井的定位问题,一般而言,首先在所有井中选定一口参考井,以其为原点然后网格化整个空间,即将整个空间分成一定量的网格,每个网格实际为一个小方块,然后每口井以网格所在的序号来表示其坐标。可见将连续的空间离散化的关键在于确定合理的空间网格尺度,太大则网格数少造成精度不够,太小则网格数多使得整个三维图形的渲染工作量变大。
B、根据每口井的三维图形,对井间的地层进行插值,插值后则可以得到整个地质模型。图6为12号、13号以及14号井建立的地质模型。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种陆相致密储层岩相智能识别与可视化方法,其特征在于,包括以下步骤:
步骤一:通过野外岩心描述与室内薄片鉴定,依靠三要素归类与三级类型归并方法建立岩相体系;
步骤二:利用岩-电数据挖掘岩相-电相数据集,确定陆相致密储层岩相识别标准模式;
步骤三:根据致密储层岩相非线性岩-电标准模式构建数据样本,依靠数据样本进行自反馈智能学习训练并开展致密储层岩相预测,根据预测结果进行致密储层岩相的三维可视化;
所述步骤三具体包括以下子步骤:
S1,根据致密储层岩相非线性岩-电标准模式构建数据样本,依靠数据样本进行自反馈智能学习建立自反馈智能学习网络系统;
S2,利用自反馈智能学习网络系统开展致密储层岩相预测,并对输出的预测结果进行对比获得预测正确率;
S3,构建井的三维图形的数据模型,并基于数据模型利用可视化工具进行生成三维图形,完成单井岩相三维可视化和多井岩相三维可视化;
所述步骤S1具体包括以下子步骤:
S101,依靠致密储层岩相识别标准模式建立岩相智能识别所需要的非线性岩-电标准模式学习用数据样本;
S102,建立包括输入层、隐藏层和输出层的三层自反馈智能学习网络系统,各层网络节点的具体数目依据实例岩相学习数据样本特点设定;
S103,利用建立的自反馈智能学习网络系统实现岩-电标准模式知识的顺向传递与吸收,将学习用数据样本从输入层导入,采用样本数据加权耦合阈值的算法分别计算隐藏层和输出层的状态值aj,zk,采用ReLU函数计算隐藏层的激活值bj,采用Softmax函数计算输出层的激活值yk;
S104,将输出层的激活值组合起来构成一个输出向量Y={y1,…,yk},对比该向量与学习用数据样本岩相类型向量T={T1,…,TM}之间的差异,利用设计的阈值、采用Adam算法计算出每个参数的修正量,并将这个修正量向隐藏层反向传递;
S105,重复S103、S104两个步骤,直到从输出层计算得到的结果与学习用数据样本岩相类型向量T={T1,…,TM}之间的差异达到要求的误差为止,或者整个训练样本的训练次数达到给定的次数为止。
2.根据权利要求1所述的一种陆相致密储层岩相智能识别与可视化方法,其特征在于,所述步骤一具体包括:满覆盖目标工区平面范围与纵向目标地层录取岩心,完成野外岩心描述与室内薄片鉴定;采用岩性类别、沉积构造与结构特征三要素归类法,以及从细类、亚类到大类的三级类型归并法,建立目标工区的岩相体系。
3.根据权利要求1所述的一种陆相致密储层岩相智能识别与可视化方法,其特征在于,所述步骤二具体包括以下子步骤:
S1,在岩心归位的基础上,建立岩相-电相转换关系,拾取得到岩相-电相数据集;
S2,采用gini值最小或方差最小的原则,利用分类回归树算法挖掘岩相与电相间的分类关系,确定识别岩相的敏感曲线;
S3,保留岩相-电相分类敏感曲线,去掉不敏感曲线,重新梳理岩相-电相数据集,构建形成陆相致密储层岩相标准模式。
4.根据权利要求1所述的一种陆相致密储层岩相智能识别与可视化方法,其特征在于,所述步骤S2具体包括:首先采用样本数据加权耦合阈值的算法分别计算隐藏层和输出层的状态值aj,zk,然后采用ReLU函数计算隐藏层和采用Softmax函数计算输出层的激活值bj,yk,同时在最后softmax函数输出的向量Y中需要得到最大分量所在的位置,该位置代表预测的类型值。
5.根据权利要求1所述的一种陆相致密储层岩相智能识别与可视化方法,其特征在于,所述步骤S3中的单井岩相三维可视化过程具体包括:首先规定图形比例尺度,并将单井岩相所有的实际数据按照该图形比例尺度进行存储;然后建立三维直线的数据模型然后通过可视化工具将三维直线的数据模型变换成井筒的数据模型;再利用可视化工具的mapper方法将井筒的数据模型其映射成三维图形。
6.根据权利要求1所述的一种陆相致密储层岩相智能识别与可视化方法,其特征在于,所述步骤S3中的多井岩相三维可视化过程包括:首先在所有井中选定一口参考井,以其为原点然后网格化整个空间,即将整个空间分成一定量的网格,每个网格实际为一个小方块;然后每口井以网格所在的序号来表示其坐标;根据每口井的三维图形,对井间的地层进行插值获得整个地质模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393013.1A CN112507615B (zh) | 2020-12-01 | 2020-12-01 | 一种陆相致密储层岩相智能识别与可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393013.1A CN112507615B (zh) | 2020-12-01 | 2020-12-01 | 一种陆相致密储层岩相智能识别与可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507615A CN112507615A (zh) | 2021-03-16 |
CN112507615B true CN112507615B (zh) | 2022-04-22 |
Family
ID=74969301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011393013.1A Active CN112507615B (zh) | 2020-12-01 | 2020-12-01 | 一种陆相致密储层岩相智能识别与可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507615B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421181B (zh) * | 2022-07-27 | 2023-10-20 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145938A (zh) * | 2017-05-27 | 2017-09-08 | 重庆科技学院 | 基于测井信息的储层岩石中值半径预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2198121A1 (en) * | 2007-08-31 | 2010-06-23 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
US20130325349A1 (en) * | 2012-05-31 | 2013-12-05 | Chevron U.S.A. Inc. | Methods for Generating Depofacies Classifications for Subsurface Oil or Gas Reservoirs or Fields |
CN105719339B (zh) * | 2016-01-15 | 2018-09-28 | 西南石油大学 | 一种页岩气储层页理缝三维建模方法 |
CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
CN110837115B (zh) * | 2019-10-31 | 2023-02-28 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
-
2020
- 2020-12-01 CN CN202011393013.1A patent/CN112507615B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145938A (zh) * | 2017-05-27 | 2017-09-08 | 重庆科技学院 | 基于测井信息的储层岩石中值半径预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112507615A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Radwan | Three-dimensional gas property geological modeling and simulation | |
CN110056346B (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN102243678A (zh) | 一种基于沉积动力学反演的储集砂体分析方法 | |
CN109979011B (zh) | 基于多源异构数据的平原地区三维地质模型建设方法 | |
Tyler et al. | Modeling heterogeneities in fluvial domains: a review of the influence on production profiles | |
CN110838175A (zh) | 注气开发油藏的地质模型建立方法 | |
CN110244021B (zh) | 一种基于各向异性插值的地层分层方法 | |
Al-Baldawi | Building a 3D geological model using petrel software for Asmari reservoir, south eastern Iraq | |
CN109143337A (zh) | 一种浊积砂体储层建模方法 | |
CN112507615B (zh) | 一种陆相致密储层岩相智能识别与可视化方法 | |
Li et al. | Uncertainty visualisation of a 3D geological geometry model and its application in GIS-based mineral resource assessment: a case study in Huayuan District, Northwestern Hunan Province, China | |
Hou et al. | Reconstructing Three-dimensional geological structures by the Multiple-point statistics method coupled with a deep neural network: A case study of a metro station in Guangzhou, China | |
CN110688728B (zh) | 一种时间域内一维沉积物沉积特征及水体环境定量分析方法 | |
Menshed et al. | Geological Modeling for Nahr Umr Formation in Subba Oil Field, Southern Iraq | |
Šram et al. | The three-dimensional regional geological model of the Mura-Zala Basin, northeastern Slovenia | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
WO2016187238A1 (en) | Auto-validating earth interpretation and modeling system | |
Wong | A novel technique for modeling fracture intensity: A case study from the Pinedale anticline in Wyoming | |
Abdulredah et al. | Building 3D geological model using non-uniform gridding for Mishrif reservoir in Garraf oilfield | |
Faidhllah et al. | Building of a Static Model for Jeribe Formation in Jambour Oil Field | |
Willems et al. | Hydraulic connectivity in Pannonian sandstones of the Mezőberény geothermal doublet | |
Ivlev | Prediction of geophysical properties of rocks on rare well data and attributes of seismic waves by machine learning methods on the example of the Achimov formation | |
Kadhim et al. | Advanced Geostatistical Techniques for Building 3D Geological Modeling: A Case Study from Cretaceous Reservoir in Bai Hassan Oil Field | |
Peng et al. | Geological Modeling Technology and Application Based on Seismic Interpretation Results under the Background of Artificial Intelligence |
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 |