CN112651171B - 一种数据驱动岩石物理建模方法及系统 - Google Patents
一种数据驱动岩石物理建模方法及系统 Download PDFInfo
- Publication number
- CN112651171B CN112651171B CN202011480969.5A CN202011480969A CN112651171B CN 112651171 B CN112651171 B CN 112651171B CN 202011480969 A CN202011480969 A CN 202011480969A CN 112651171 B CN112651171 B CN 112651171B
- Authority
- CN
- China
- Prior art keywords
- petrophysical
- data
- expression
- neural network
- model
- 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 70
- 239000011435 rock Substances 0.000 title claims description 30
- 230000014509 gene expression Effects 0.000 claims abstract description 149
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 239000012530 fluid Substances 0.000 claims abstract description 61
- 238000012892 rational function Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 50
- 239000011148 porous material Substances 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000007787 solid Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 13
- 239000011707 mineral Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种数据驱动岩石物理建模方法及系统,该方法包括:基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。本发明通过测井和地震剖面相结合实现储层参数的快速识别,使岩石物理模型应用系统更加快捷、方便。
Description
技术领域
本发明涉及地质技术领域,尤其涉及一种数据驱动岩石物理建模方法及系统。
背景技术
利用地震数据对储层结构、岩性、物性等参数进行建模分析的研究工作是地球物理勘探的重要方向。这些工作的共同点是:通过提取地震数据中尽可能多的有效特征,包括信号振幅、频率、衰减等,通过数学、物理建模在特征和储层参数(速度、孔隙度、泥质含量等)之间建立联系,实现对储层油气藏的识别。
近年来,深度神经网络已经变得非常精确并广泛应用于许多应用领域,例如图像识别、自然语言处理和时间序列分析。其中,时间序列分析已经成为现代社会的一门特殊的学科。特别是在大数据的情况下,利用深度学习,比如循环神经网络、长短时记忆、自回归神经网络等已经得到广泛应用。尽管深度神经网络在许多领域都非常成功,但是它们在处理从地震岩石物理过程中采集的数据序列时仍然面临一些瓶颈。
在勘探石油、天然气等化石资源的过程中,通过使用测井仪器获取井下岩层的物理参数以及测井数据。测井数据主要包括井深度,纵波速度,密度,横波速度,伽马曲线(代表含泥质量),孔隙度等物理参数组成。考察随着测井深度的增加,测井曲线物理参量也发生相应变化,反映了对应地层的岩石物理属性。
基于测井曲线数据实现数据驱动的岩石物理建模技术,其目标是要找到一个从孔隙度、流体性质、骨架材料性质出发,预测体积模量变化的模型。自然界多种多样的岩石具有各自不同的特征,遵循各有差别的岩石物理规律,对这些规律的建模形成了一个岩石物理模型空间,传统理想岩石物理模型(如Gassmann方程,Biot方程,White模型,Johnson模型和斑块饱和模型等)是该模型空间中的特定数据特征区域,具备描述该模型类别岩石的能力,但是这些传统模型并非可以完全覆盖整个模型空间,实践工作中总有些数据无法被现有模型解释。
从数据中学习岩石物理模型与传统数据回归/拟合存在重要区别。首先,数据拟合方法一般采用较为简单传统的固有模型(如线性,二次,高斯和幂律模型等),而基于数据驱动的建模方法允许处理越来越多的通用类型的模型,甚至是现有各种模型的混合。这种新型建模方法在多个任务种取得广泛成功。因此该方法正日益适应于科学和工程数据密集型系统的应用。
其次,数据驱动建模方法被用来发现描述和预测行为的模型的物理系统。传统数据拟合方法更多的关注于对数据形态和分类,数据驱动建模方法基于物理上可解释的模型,能够解释现有发现的数据,预测以前未观察到的行为,提供有效的预测,并能够被未来的实验数据验证。
第三,深度神经网络算法往往面临着外推和高度参数化等困难,使它们的预测结果难以给出解释。许多数据驱动的建模方法已经转而寻求更一般化和可解释的模型,通过使用动力学系统理论来建立模型形式。
因此,现在亟需一种数据驱动岩石物理建模方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种数据驱动岩石物理建模方法及系统。
本发明提供一种数据驱动岩石物理建模方法,包括:
基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;
获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;
基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
根据本发明提供的一种数据驱动岩石物理建模方法,所述基于有理式神经网络,构建岩石物理模型一般表达式,包括:
计算固体骨架体积模量、孔隙流体体积模和孔隙度满足的通用表达式;
基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式。
根据本发明提供的一种数据驱动岩石物理建模方法,所述通用表达式为:
其中,是自变量,含流体孔隙介质体积模量/>是/>的函数,c和d是多项式和/>的系数,/>是误差函数,p和q表示分子和分母多项式的阶数。
根据本发明提供的一种数据驱动岩石物理建模方法,所述基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式,包括:
生成有理式函数神经网络输入层数据,并初始化所述有理式神经网络的权系数;
对所述有理式函数神经网络的参数进行训练,构建岩石物理模型一般表达式。
根据本发明提供的一种数据驱动岩石物理建模方法,所述获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,包括:
获取测井数据集,并根据所述测井数据集确定待拟合的函数项;
根据所述待拟合的函数项进行参数估计,以得到岩石物理模型对应测井数据集的最优化表达形式。
根据本发明提供的一种数据驱动岩石物理建模方法,所述基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测,包括:
基于建立的神经网络岩石物理模型,建立弹性参数与储层参数之间的非线性关系;
加载剖面数据,利用迭代算法得到剖面数据对应储层孔隙度和流体体积模量。
根据本发明提供的一种数据驱动岩石物理建模方法,所述剖面数据包括:纵波阻抗数据、纵横波速度比数据、密度数据以及横波阻抗数据。
本发明还提供一种数据驱动岩石物理建模系统,包括:
一般表达式模型建立模块,用于基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;
岩石物理模型表达式建立模块,用于获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;
识别预测模块,用于基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述数据驱动岩石物理建模方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述数据驱动岩石物理建模方法的步骤。
本发明提供的数据驱动岩石物理建模方法及系统,可以开发基于测井数据曲线的快速实时岩石物理建模系统,通过测井和地震剖面相结合实现储层参数的快速识别,使岩石物理模型应用系统更加快捷、方便。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的数据驱动岩石物理建模方法的流程示意图;
图2为本发明提供的模型结构示意图;
图3为本发明提供的收敛示意图;
图4为本发明提供的训练结果曲线;
图5为本发明提供的数据驱动岩石物理建模系统的结构示意图;
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的数据驱动岩石物理建模方法的流程示意图,如图1所示,本发明提供了一种数据驱动岩石物理建模方法,包括:
步骤101,基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;
步骤102,获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;
步骤103,基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
需要说明的是,针对目前深度学习神经网络的一系列问题,本发明提出了基于有理式神经网络的数据驱动岩石物理建模技术。现有岩石物理建模方法表明,有理式模型结构是一种具有普遍性的数学表示方法,可以实现任意精度的大范围线性和非线性系统模拟。有理式函数神经网络是一个良好的岩石物理近似模型,该技术在数学上易于操作,提供了便捷的模型描述方法;同时,符合长期研究发现的岩石物理模型固体骨架体积模量、孔隙流体体积模量、孔隙度等参数之间的函数关系形式,提供了一种良好的地震岩石物理机器学习建模方法。
基于有理式神经网络的数据驱动岩石物理模型是从数据出发的建模方法,只要给定相关数据集,就可以通过神经网络获得对应得岩石物理模型,这样得到的模型表达式可以很好的刻画这些数据遵循的岩石物理规律,同时神经网络的结构和预测结果具有可解释性,与有理式函数的数学形式具有对应关系。可以这样认为,有理式神经网络岩石物理建模实现了自动建立岩石物理模型的方法,有可能取代要求较高数学物理和专业岩石物理背景知识的“理论建模”,并实现对真实海量数据空间中任意特征区域的快速自适应“数据驱动建模”。
本发明有利于实现碎屑岩等复杂储层数据驱动的岩石物理建模技术发展,并可以借助不同地区数据形成丰富的岩石物理模型库。这对于根据不同地区油田地质结构特征和储层岩性特征形成有特色的岩石物理模型意义非凡,是人工智能在地球物理领域的热点应用之一。
具体的,在步骤101中,利用有理式神经网络构建岩石物理模型一般化表达式。利用有理式函数方法形成储层岩石体积模量、孔隙流体体积模、孔隙度等参数之间的函数关系,该函数表达式由多个函数项和系数矩阵组成,这些函数项涵盖了岩石物理模型有可能出现的表达式形式。
接着,在步骤102中,通过测井数据集的训练,识别不同岩性数据点对应的岩石物理模型所包含的函数项和非零系数矩阵,建立与数据特征吻合的岩石物理模型。
最后,在步骤103中,利用机器学习岩石物理模型识别地层孔隙度等参数的技术。该技术从纵横波速度比、密度、横波阻抗二维剖面数据出发,利用有理式神经网络岩石物理建模方法得到的模型,实现对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
本发明提供的数据驱动岩石物理建模方法,可以开发基于测井数据曲线的快速实时岩石物理建模系统,通过测井和地震剖面相结合实现储层参数的快速识别,使岩石物理模型应用系统更加快捷、方便。
在上述实施例的基础上,所述基于有理式神经网络,构建岩石物理模型一般表达式,包括:
计算固体骨架体积模量、孔隙流体体积模和孔隙度满足的通用表达式;
基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式。
在本发明中,基于岩石物理模型的特点,借鉴现有主要岩石物理模型的体积模量、孔隙度等参数之间都满足有理式形式(如Gassmann方程,微分等效介质模型等),提出一种有理式形式的岩石物理模型库,以此保证数学方法能够符合地球物理现象的要求。
在上述实施例的基础上,所述通用表达式为:
其中,是自变量,含流体孔隙介质体积模量/>是/>的函数,c和d是多项式和/>的系数,/>是误差函数,p和q表示分子和分母多项式的阶数。
在本发明中,定义固体骨架体积模量、孔隙流体体积模和孔隙度等参数满足的通用表达式技术。构造了一个由岩石物理参数组成的候选函数库,其中每个函数是一个候选模型项。基函数的选择通常反映了岩石物理系统的一些知识。一个常见的选择是孔隙度的多项式,这是由于一个复杂非线性函数的泰勒展开通常是一个多项式形式。基于岩石物理模型的特点,从微分等效介质理论出发,提出一种有理式形式的岩石物理模型库。针对孔隙度的通用表达式为:
其中,孔隙度是自变量,含流体孔隙介质体积模量/>是/>的函数,c和d是多项式/>和/>的系数,/>是误差函数,p和q表示分子和分母多项式的阶数。这里xi可以是孔隙介质干骨架体积模、孔隙流体体积模量等参数。以Gassmann方程为例,含流体孔隙介质体积模量/>是干骨架体积模量Kd、孔隙度/>固体骨架材料体积模量Km和孔隙流体体积模量Kf的函数,具体可表示为:
如果引入自变量此时分子多项式最高阶数为p=4,分母多项式最高阶数为q=3,Gassmann方程可以写为:
其中,系数c1011=-1,c0021=1,c1120=1,c1111=-1,d1001=-1,d0011=1,d0120=1,d0111=-1,其他系数均为零。
将任意函数的有理式近似方程写为矢量形式,得到:
其中,ΞN是由函数的多项式组成的矩阵,具体表示为:
系数矩阵c为:
在上述实施例的基础上,所述基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式,包括:
生成有理式函数神经网络输入层数据,并初始化所述有理式神经网络的权系数;
对所述有理式函数神经网络的参数进行训练,构建岩石物理模型一般表达式。
在本发明中,有理式函数可以通过神经网络结构描述,该有理式函数神经网络结构包含输入层、隐含层和输出层三部分。输入层由多项式函数构成,包括分子项和分母项两部分,隐含层分别由分子输入层和分母输入层的线性组合组成,输出层由分子项和分母项的比值组成,图2为本发明提供的模型结构示意图,可参考图2所示,连接输入层和隐含层的权重网络是多项式系数c和d,经过训练和学习过程后,权重网络的系数使得输出层函数值与期望值一致。
由于有理式函数神经网络的输入层包含较多的多项式,在经过训练后的权重系数中需尽量满足稀疏性要求,即用尽量少的项来逼近真实函数值。因此,定义如下神经网络代价函数:
其中,第一项表示神经网络对非线性函数的近似误差,第二项λ1||c||1和第三项λ2||d||1是有理式函数神经网络的一范数,其作用是使网络权重系数尽量稀疏,λ1和λ2是控制稀疏约束的系数。
有理式函数神经网络的训练和学习过程包括正向传播和误差反馈过程。网络正向传播计算由下面公式实现:
其中,i,i+1表示训练样本集合中每个样本数据对应的下标。
有理式函数神经网络反向误差反馈由下面公式实现:
其中,i=1,…,L,L是训练数据的长度,cj表示j=1,2,...,p且/>dk表示/>k=1,2,...,q且/>这里p,q是有理式函数的阶数,η是学习率。进一步地,下面给出有理式函数神经网络的计算步骤:
第一步,生成有理式函数神经网络输入层数据。根据训练数据变量x={x1,x2,...,xn},按照有理式的阶数,生成神经网络输入层数据ΞN,ΞD,这里是基本变量/>的函数,ΞN=[1,Ξ1,...,Ξp],ΞD=[1,Ξ1,...,Ξq],其中:
Ξ1=[x1,x2,...,xn],
第二步,初始化有理式神经网络权系数。网络权系数cj和dk取均匀分布的随机数,随机数具有0均值和较小的方差。
第三步,有理式函数神经网络参数训练,具体为:
for m=0to M(训练迭代循环);
for i=1to L(训练样本长度循环)。
(1)正向传播计算
其中,σ(.)是Heaviside函数,表示当系数cj的绝对值小于数值ε时,该系数被赋予0值。
(2)误差反向传播
cj(i+1)=cj(i)-ηδcj;
dk(i+1)=dk(i)-ηδdk;
end(训练样本长度循环结束);
end(训练迭代循环结束)。
在上述实施例的基础上,所述获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,包括:
获取测井数据集,并根据所述测井数据集确定待拟合的函数项;
根据所述待拟合的函数项进行参数估计,以得到岩石物理模型对应测井数据集的最优化表达形式。
在本发明中,通过已知测井数据集,训练得到岩石物理模型表达式,使之满足对应地区的地质特征和岩性要求,实现岩石物理模型的自主学习和生成算法。传统岩石物理模型往往直接给出特定的数学表达式形式,但在实际应用中很多情况下无法给出模型结构的先验性知识,这些具有特殊形式的公式难以在不同地区、不同地质结构和不同岩性的实际应用中给出都令人满意的数据解释。数据驱动岩石物理建模的神经网络数学表达式包含大量待确定的函数项,这些函数项涵盖了各种不同情况下岩石物理模型可能出现的数学形式。
首先,数据驱动岩石物理建模神经网络的数学表达式包含大量待确定的函数项,在已知需要拟合哪些函数项的情况下,参数估计就变得简单了。例如,在数据驱动神经网络导出Gassmann方程式的过程中,虽然有理式函数包含69个分子函数项和34个分母函数项,而且在神经网络初始化过程中,对所有函数项系数都赋予随机初始化数值,但是,由于已知数据训练集满足Gassmann方程所描述的规律,因此对岩石物理模型的数学表达式形式具有先验知识。具体来讲,如果引入自变量其中Kd为干骨架体积模量,Km为固体矿物体积模量,/>为孔隙度,Kf为流体体积模量,可知四个分子函数项和四个分母函数项应当具有/>和/>的形式,且这些函数项的系数真实值大致范围是已知的,处于(-1,1,1,1)附近。因此,可以将先验知识引入到模型系数初始化中,令这些对应函数项的系数在真实值附近变化,加快模型的收敛过程。
然而,但在实际应用中很多情况下,无法给出模型结构的先验性知识,因此,非线性模型中的函数项数量将会迅速增加,模型使用者不得不在大范围模型空间中搜索符合数据特征的岩石物理模型,而且最后的模型表达式可能会具有多种形式。因此,如何寻求简洁准确的岩石物理模型有理式函数表达式是至关重要的。
进一步地,有理式神经网络中函数项包含孔隙介质骨架体积模量、矿物材料体积模量和流体体积模量,将已分类的数据集合作为输入,把体积模量等参数带入有理式神经网络中,经过网络循环独立训练后,取代价函数均方误差小于阈值的有理式神经网络所代表的有理式表达式作为岩石物理模型。随着误差的降低,有理式的分子项数目和分母项数目逐渐收敛到稳定值,因此,得到的岩石物理模型为对应数据集合的最优化表达形式。
其次,有理式神经网络岩石物理建模误差分析技术。在本发明中,通过测井数据来分析数据驱动的岩石物理模型预测误差分布,通过对每一对预测-真实数据点的均方差数据分析,可以得到对应模型的质量评估。一般情况下,当不少于80%的数据点相对误差(绝对误差与实验出现的最大参数值之比)小于5%时,可以认为模型是准确的。不少于70%的数据点相对误差小于5%时,可以认为模型是可以接受的。
在上述实施例的基础上,所述基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测,包括:
基于建立的神经网络岩石物理模型,建立弹性参数与储层参数之间的非线性关系;
加载剖面数据,利用迭代算法得到剖面数据对应储层孔隙度和流体体积模量。
在上述实施例的基础上,所述剖面数据包括:纵波阻抗数据、纵横波速度比数据、密度数据以及横波阻抗数据。
在本发明中,基于有理式神经网络和测井曲线数据,可以将纵横波速度比-波阻抗平面上的数据点大致分为三类岩石物理模型,在纵波阻抗、横波阻抗、密度等弹性参数与孔隙度、泥质含量等储层参数之间建立了非线性关系。从纵横波速度比、波阻抗、密度、横波阻抗的二维剖面数据出发,利用机器学习的岩石物理模型来识别地层孔隙度参数。
首先,从纵横波速度、波阻抗剖面出发,利用基于测井数据驱动的可解释神经网络岩石物理模型,在软件模块系统中加载剖面数据,通过人机交互选择关心的储层数据窗口,实现标签化孔隙度特征的自动识别。需要加载的二维数据剖面包括:(1)纵波阻抗数据,(2)纵横波速度比数据,(3)密度数据,(4)横波阻抗数据。
其次,利用迭代算法得到剖面数据对应储层孔隙度和流体体积模量的技术。从纵横波速度比的定义可知:
其中,K为含流体孔隙介质体积模量,G为孔隙介质剪切模量。由于横波波阻抗可以表示为因此/>将有理式神经网络得到的岩石物理模型体积模量K表达式代入上式,得到纵横波速度比理论表达式。/>
进一步地,测井曲线提供了纵横波速度比密度ρ、横波阻抗ZS等数据信息,根据伽马测井曲线等数据,可以大致估计出地层矿物组分,并根据Voigt、Ruess等模型计算出地层岩石矿物体积模量Km。同时,根据岩石物理实验或者理论模型经验公式,可以从骨架矿物体积模量计算出干骨架模量Kd。在已知流体类型的情况下,可以估算出流体体积模量Kf。因此,上式给出了纵横波速度比/>和孔隙度/>的定量关系。与此同时,可以从上式中得到孔隙度/>与纵横波速度比/>密度ρ、横波阻抗ZS等数据的依赖关系。
根据人机交互选择的数据窗口中所含数据点对应的纵横波速度比密度ρ、横波阻抗ZS剖面数据,同时根据数据所在模板上的分布位置,估计出固体骨架矿物体积模量Km,就可以得到干骨架Kd、孔隙流体体积模量Kf和孔隙度/>满足的关系式:
当这三者中的两者确定下来后,就可以得到第三个参数的数值。例如,假设孔隙中填充了水,则孔隙度与干骨架模量之间的关系可以唯一确定下来。此外,还可以预设出干骨架模量与孔隙度的关系,则可以识别出孔隙度与孔隙流体体积模量之间的变化规律。例如采用Toksoz(1976)提出的关系式:
带入上面得到的孔隙度表达式,得到关系式:
上式中右端表示利用一个给定初始孔隙度可以通过Toksoz公式估计出干骨架体积模量,带入可解释神经网络岩石物理模型的孔隙度公式,得到一个预测出的孔隙度数值。当孔隙流体的体积模量Kf和初始预测孔隙度/>是符合观测数据的真实值时,预测孔隙度与初始孔隙度是相同的。但是,初始预测值往往距离真实值较远,使得两者之间存在误差
利用迭代计算的方法,在给定的流体体积模量范围(Kf0,Kf1)和给定的孔隙度范围内搜索不同的搭配/>当孔隙度误差小于给定的截断误差/>时,可以认为找到了与真实数据接近的流体体积模量和孔隙度预测值。
进一步地,在一实施例中,还进行了实施算例测试。具体的,Gassmann基于单一类型矿物颗粒的堆垒模型,得到了具有有理式形的含流体体积模量表达式:
在Gassmann模型数据驱动下,通过训练有理式神经网络,应该可以得到具有Gassmann方程形式(系数一致)的岩石物理模型表达式。同样,对于Gassmann模型无法描述的储层岩石数据,经过训练和学习的有理式神经网络可以获得与Gassmann方程不一样的模型表达式,该表达式是针对于经典模型无法完全表达的真实储层岩石物理规律,因此是在数据驱动下,建立了新的岩石物理模型。相对于从物理现象出发的岩石物理理论模型建模过程,数据驱动岩石物理建模不需要理论假设和数学物理推导过程,并且具有快速、高度适应性特点。
基于有理式神经网络算法和岩石体积模量数据集,将建立针对不同物理特征的数据驱动岩石物理模型。首先,从满足Gassmann方程的数据集出发,需要能够通过RatNN网络训练和学习过程,得到与Gassmann方程数学形式一致的岩石物理模型。
利用Gassmann方程,生成训练数据集和测试数据集。孔隙度变化范围为0.01~0.4,骨架采用砂岩矿物材料(Km=37GPa,Gm=44GPa),孔隙流体为水(Kf=2.15GPa),干骨架体积模量采用Toksoz(1976)提出的计算公式:
令岩石物理基本参数为有理式函数的分子阶数为p=4,分母最高阶数为q=3,则有理式神经网络的分子输入层数据包含 等69项,分母输入层包含34项。网络权系数的阈值设为ε=0.1,网络训练循环次数为1000次。进一步地,对网络进行了多次独立训练,代价函数均方误差小于1的35个有理式神经网络中,随着误差的降低,有理式的分子项数目和分母项数目分别收敛于4,图3为本发明提供的收敛示意图,可参考图3所示,随着有理式神经网络模型训练误差降低,有理式表达式的分子、分母项数收敛于4,这是与Gassmann方程的表达式一致的。
取均方误差最小的一个有理式神经网络得到的岩石物理模型,其数学表达式为:
上面有理式形式与Gassmann方程一致,但是经过神经网络训练得到的系数与Gassmann方程不一样。仔细观察发现系数之间的关系仍然与Gassmann方程一致,如果令分子和分母项的系数约分,得到如下表达式:
上式是从数据出发,经过有理式神经网络得到的岩石物理模型表达式。图4为本发明提供的训练结果曲线,如图4所示,其预测结果与Gassmann理论公式结果高度吻合。
对比Gassmann公式和上式可知,两者具有完全相同的数学形式,而且在8个有理式函数系数中,6个完全一样,另外两个系数与Gassmann方程系数之间的误差分别是0.01%和0.004%。因此可以看出,从数据驱动的有理式神经网络出发,可以得到与理论建模几乎完全一样的岩石物理模型数学表达式。
进一步地,本实施例提供了基于二维地震剖面的储层孔隙度和流体体积模量识别算例。本算例从纵横波速度比、波阻抗、密度、横波阻抗的二维剖面数据出发,利用机器学习的岩石物理模型来识别地层孔隙度参数。
具体地,给出了某区块纵横波速度比、波阻抗、密度、横波阻抗的二维剖面数据图。识别碎屑岩孔隙度的第一步是在参考波阻抗剖面上选择具有显著特征的信号区域,并通过人工交互给出待识别数据窗口,本发明选择窗口内的波阻抗、纵横波速度比数据分布在三个不同的岩石物理模型覆盖区间中,表明这些数据点并非完全遵循相同的岩石物理模型,如果仅仅使用一种模型来预测所有数据点的分布,识别这些数据点对应的孔隙度,这是比较困难的。
考虑到基于可解释神经网络得到的测井数据驱动岩石物理模型,给出了三个子区间对应的模型表达式。
孔隙度区域[0,0.04]的数据对应岩石物理模型表达式,该模型对应于有理式神经网络代价函数误差为2.9882(GPa)的岩石物理模型:
孔隙度区域(0.04,0.1]的数据对应岩石物理模型表达式,其对应网络代价函数均方误差为3.068(GPa):
孔隙度区域(0.1,0.12]的数据对应岩石物理模型表达式,其对应网络代价函数均方误差为2.4006(GPa):
其中,Km表示固体骨架矿物材料的体积模量,Kf表示孔隙流体体积模量,Kd表示干骨架模量,表示孔隙度,Ksat表示含流体孔隙介质体积模量。由上面公式容易得到孔隙度、体积模量、流体模量之间的关系。
从纵横波速度比的定义可知:
其中K为含流体孔隙介质体积模量,G为孔隙介质剪切模量。由于横波波阻抗可以表示为因此/>将孔隙度[0,0.04]对应的岩石物理模型公式代入上式,得到纵横波速度比-纵波阻抗第一覆盖区域对应的纵横波速度比理论表达式:
其中ρ为含流体孔隙介质密度,ZS为横波阻抗。
进一步地,测井曲线提供了纵横波速度比密度ρ、横波阻抗ZS等数据信息,根据伽马测井曲线等数据,可以大致估计出地层矿物组分,并根据Voigt、Ruess等模型计算出地层岩石矿物体积模量Km。同时,根据岩石物理实验或者理论模型经验公式,可以从骨架矿物体积模量计算出干骨架模量Kd。在已知流体类型的情况下,可以估算出流体体积模量Kf。因此,上式给出了纵横波速度比/>和孔隙度/>的定量关系。与此同时,可以从上式中得到孔隙度/>与纵横波速度比/>密度ρ、横波阻抗ZS等数据的依赖关系:
同理,将孔隙度区域(0.1,0.12]对应的岩石物理模型公式代入纵横波速度比公式,得到纵横波速度比-纵波阻抗第二覆盖区域对应的纵横波速度比理论表达式:
从上式中得到孔隙度与纵横波速度比/>密度ρ、横波阻抗ZS等数据的依赖关系:/>
将孔隙度区域(0.04,0.1]对应的岩石物理模型公式代入纵横波速度比公式,得到纵横波速度比-纵波阻抗第三覆盖区域对应的纵横波速度比表达式:
从上式中得到孔隙度与纵横波速度比/>密度ρ、横波阻抗ZS等数据的依赖关系:
在识别碎屑岩孔隙度的第二步中,根据人机交互选择的数据窗口中所含数据点对应的纵横波速度比密度ρ、横波阻抗ZS剖面数据,同时根据数据所在模板上的分布位置,估计出固体骨架矿物体积模量Km,就可以得到干骨架Kd、孔隙流体体积模量Kf和孔隙度满足的关系式:
当这三者中的两者确定下来后,就可以得到第三个参数的数值。
采用Toksoz(1976)提出的关系式:
带入上面得到的孔隙度表达式,得到关系式:
上式中右端表示利用一个给定初始孔隙度可以通过Toksoz公式估计出干骨架体积模量,利用迭代计算的方法,分别给出了三个不同模型的孔隙度识别数据。通过得到的数据点得到孔隙度和流体体积模量的分布状况,孔隙度-流体体积模量两者之间大致存在线性关系,从而可获取到不同的特征,例如,孔隙度和流体体积模量比较弥散,显示出含水-气、油-气不饱和填充的特征;当流体体积模量分布在1~4.35GPa之间,流体体积模量明显增大,显示出孔隙流体含有较多水和油的特征,而且这部分数据点对应的孔隙度范围相对较高,多数处于0.08~0.1之间。
图5为本发明提供的数据驱动岩石物理建模系统的结构示意图,如图5所示,本发明提供了一种数据驱动岩石物理建模系统,包括一般表达式模型建立模块501、岩石物理模型表达式建立模块502和识别预测模块503,其中,一般表达式模型建立模块501用于基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;岩石物理模型表达式建立模块502用于获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;识别预测模块503用于基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
本发明提供的数据驱动岩石物理建模系统,可以开发基于测井数据曲线的快速实时岩石物理建模系统,通过测井和地震剖面相结合实现储层参数的快速识别,使岩石物理模型应用系统更加快捷、方便。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图6为本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(CommunicationsInterface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行数据驱动岩石物理建模方法,该方法包括:基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的数据驱动岩石物理建模方法,该方法包括:基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的数据驱动岩石物理建模方法,该方法包括:基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种数据驱动岩石物理建模方法,其特征在于,包括:
基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;
获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;
基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测;
所述基于有理式神经网络,构建岩石物理模型一般表达式,包括:
计算固体骨架体积模量、孔隙流体体积模和孔隙度满足的通用表达式;
基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式;
所述通用表达式为:
其中,是自变量,含流体孔隙介质体积模量/>是/>的函数,c和d是多项式和/>的系数,/>是误差函数,p和q表示分子和分母多项式的阶数。
2.根据权利要求1所述的数据驱动岩石物理建模方法,其特征在于,所述基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式,包括:
生成有理式函数神经网络输入层数据,并初始化所述有理式神经网络的权系数;
对所述有理式函数神经网络的参数进行训练,构建岩石物理模型一般表达式。
3.根据权利要求1所述的数据驱动岩石物理建模方法,其特征在于,所述获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,包括:
获取测井数据集,并根据所述测井数据集确定待拟合的函数项;
根据所述待拟合的函数项进行参数估计,以得到岩石物理模型对应测井数据集的最优化表达形式。
4.根据权利要求1所述的数据驱动岩石物理建模方法,其特征在于,所述基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测,包括:
基于建立的神经网络岩石物理模型,建立弹性参数与储层参数之间的非线性关系;
加载剖面数据,利用迭代算法得到剖面数据对应储层孔隙度和流体体积模量。
5.根据权利要求4所述的数据驱动岩石物理建模方法,其特征在于,所述剖面数据包括:纵波阻抗数据、纵横波速度比数据、密度数据以及横波阻抗数据。
6.一种数据驱动岩石物理建模系统,其特征在于,包括:
一般表达式模型建立模块,用于基于有理式神经网络,构建岩石物理模型一般表达式,所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式;
岩石物理模型表达式建立模块,用于获取测井数据集,并根据所述测井数据集训练得到岩石物理模型表达式,所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求;
识别预测模块,用于基于所述岩石物理一般化表达式和所述岩石物理模型表达式,对剖面数据的直接孔隙度、孔隙流体体积模量识别预测;
所述基于有理式神经网络,构建岩石物理模型一般表达式,包括:
计算固体骨架体积模量、孔隙流体体积模和孔隙度满足的通用表达式;
基于有理式函数神经网络,构造关于所述有理式函数神经网络的训练和学习算法,并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式;
所述通用表达式为:
其中,是自变量,含流体孔隙介质体积模量/>是/>的函数,c和d是多项式和/>的系数,/>是误差函数,p和q表示分子和分母多项式的阶数。
7.一种电子设备,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至5任一项所述数据驱动岩石物理建模方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述数据驱动岩石物理建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480969.5A CN112651171B (zh) | 2020-12-15 | 2020-12-15 | 一种数据驱动岩石物理建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480969.5A CN112651171B (zh) | 2020-12-15 | 2020-12-15 | 一种数据驱动岩石物理建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651171A CN112651171A (zh) | 2021-04-13 |
CN112651171B true CN112651171B (zh) | 2024-05-14 |
Family
ID=75354162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480969.5A Active CN112651171B (zh) | 2020-12-15 | 2020-12-15 | 一种数据驱动岩石物理建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651171B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537458B (zh) * | 2021-06-21 | 2022-12-30 | 中国科学技术大学 | 一种有理式函数神经网络构建方法、系统及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556866A (zh) * | 2015-09-24 | 2017-04-05 | 中国石油化工股份有限公司 | 一种利用岩石物理模板对储层定量解释的方法 |
CN110660099A (zh) * | 2019-03-22 | 2020-01-07 | 西安电子科技大学 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
CN110954948A (zh) * | 2018-09-27 | 2020-04-03 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及系统 |
CN111598444A (zh) * | 2020-05-15 | 2020-08-28 | 中国石油天然气集团有限公司 | 基于卷积神经网络的测井岩性识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054248B (zh) * | 2016-07-15 | 2017-07-18 | 河海大学 | 一种基于大面积致密储层地震岩石物理反演方法 |
GB2577437B (en) * | 2017-07-21 | 2022-05-04 | Landmark Graphics Corp | Deep learning based reservoir modeling |
-
2020
- 2020-12-15 CN CN202011480969.5A patent/CN112651171B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556866A (zh) * | 2015-09-24 | 2017-04-05 | 中国石油化工股份有限公司 | 一种利用岩石物理模板对储层定量解释的方法 |
CN110954948A (zh) * | 2018-09-27 | 2020-04-03 | 中国石油化工股份有限公司 | 一种岩石物理约束储层物性参数反演方法及系统 |
CN110660099A (zh) * | 2019-03-22 | 2020-01-07 | 西安电子科技大学 | 基于神经网络的遥感影像处理的有理函数模型拟合方法 |
CN111598444A (zh) * | 2020-05-15 | 2020-08-28 | 中国石油天然气集团有限公司 | 基于卷积神经网络的测井岩性识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
A back propagation algorithm to estimate the parameters of non-linear dynamic rational models;Q.M. Zhu;Applied Mathematical Modelling;20030331;第27卷(第3期);第169页第1段至第170页第2-4段、第171页第2段、第183页第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651171A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aleardi et al. | 1D elastic full‐waveform inversion and uncertainty estimation by means of a hybrid genetic algorithm–Gibbs sampler approach | |
EP3894902B1 (en) | Subsurface models with uncertainty quantification | |
US8700370B2 (en) | Method, system and program storage device for history matching and forecasting of hydrocarbon-bearing reservoirs utilizing proxies for likelihood functions | |
CA2919543A1 (en) | System and method for estimating a reservoir parameter using joint stochastic inversion of multisource geophysical data | |
CN111048163B (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
US20210073631A1 (en) | Dual neural network architecture for determining epistemic and aleatoric uncertainties | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
Tan et al. | Evaluation of complex petroleum reservoirs based on data mining methods | |
Phan et al. | Hopfield networks for high-resolution prestack seismic inversion | |
Aleardi | Using orthogonal Legendre polynomials to parameterize global geophysical optimizations: applications to seismic‐petrophysical inversion and 1D elastic full‐waveform inversion | |
CN112651171B (zh) | 一种数据驱动岩石物理建模方法及系统 | |
Alyaev et al. | Direct multi‐modal inversion of geophysical logs using deep learning | |
Zalavadia et al. | Parametric model order reduction for adaptive basis selection using machine learning techniques during well location opt | |
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 | |
Sedighi et al. | Faster convergence in seismic history matching by dividing and conquering the unknowns | |
Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
GB2584449A (en) | Apparatus method and computer-program product for calculating a measurable geological metric | |
GB2584447A (en) | Apparatus method and computer-program product for processing geological data | |
Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
Zhang et al. | Simultaneous prediction of multiple physical parameters using gated recurrent neural network: Porosity, water saturation, shale content | |
Owen et al. | A Bayesian statistical approach to decision support for TNO OLYMPUS well control optimisation under uncertainty | |
CN115685314A (zh) | 一种地震储层物性参数预测方法及装置 | |
Walker et al. | Varying prior information in Bayesian inversion | |
Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density | |
Hou et al. | Estimation of reservoir porosity using probabilistic neural network and seismic attributes |
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 |