CN112987091A - 储层检测方法、装置、电子设备和存储介质 - Google Patents
储层检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112987091A CN112987091A CN202011453990.6A CN202011453990A CN112987091A CN 112987091 A CN112987091 A CN 112987091A CN 202011453990 A CN202011453990 A CN 202011453990A CN 112987091 A CN112987091 A CN 112987091A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- seismic waveform
- seismic
- waveform data
- target stratum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 208000035126 Facies Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005553 drilling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6167—Nuclear
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开提供了一种储层检测方法、装置、电子设备和存储介质，属于石油勘探技术领域。该方法包括：获取带标签的地震波形数据，该标签基于储层特征和地震波形特征得到；采用带标签的地震波形数据进行神经网络模型的训练，神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，输入层用于输入带标签的地震波形数据，模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，结论层用于对隶属度函数进行模糊运算，得到模糊规则，输出层用于基于模糊规则得到输入的地震波形数据对应的储层分布结果；采用神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
Description
技术领域
本公开涉及石油勘探技术领域，尤其涉及一种储层检测方法、装置、电子设备和存储介质。
背景技术
地震波形数据是地震波振幅、相位、频率的综合响应，受储层厚度、分布、地层岩性影响较大，是重要的地球物理属性参数。在四川复杂岩性油气藏勘探、开发过程中，应用神经网络技术或者聚类分析技术对地震波形数据进行识别、分类，是预测储层位置以及深度的一种有效而快捷的方法。
发明内容
本公开实施例提供了一种储层检测方法、装置、电子设备和存储介质，解决相关技术中通过地震波形数据直接进行神经网络的训练，并使用训练好的模型进行存储检测时精度不高的问题。所述技术方案如下：
一方面，提供了一种储层检测方法，所述方法包括：
获取带标签的地震波形数据，所述地震波形数据是多次地震勘探得到的，所述地震波形数据的标签是基于所述地震波形数据对应的储层特征和所述地震波形数据的地震波形特征划分得到的；
采用所述带标签的地震波形数据进行神经网络模型的训练，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果；
采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
可选地，获取带标签的地震波形数据，包括：
获取所述地震波形数据对应的测井数据，所述测井数据包括测井声波曲线、密度曲线和中子曲线，所述测井数据用于反映目的地层的储层特征；
将所述地震波形数据和所述测井数据进行对齐；
获取对对齐后的所述地震波形数据人工拾取得到的标签以及标签对应的地震波形数据。
可选地，所述地震波形数据的标签包括标签1～4四种，四种标签与地震波形特征的对应关系如下：
标签1对应的地震波形特征包括：地震波形存在单轴，目的地层的顶界对应的波形为波谷或临界点、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签2对应的地震波形特征包括：地震波形存在双轴，目的地层的顶界对应的波形为强波峰、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签3对应的地震波形特征包括：地震波形存在复波，目的地层的顶界对应的波形为临界点、目的地层的底界对应的波形为波谷、顶部为强波峰；
标签4对应的地震波形特征包括：目的地层的顶界对应的波形为强波峰、目的地层的内部对应的波形不存在波峰。
可选地，所述四种标签与储层特征的对应关系如下；
标签1对应的储层特征包括：储层总厚度范围为35米至40米，储层分布在距离目的地层的顶界40米至50米的位置；
标签2对应的储层特征包括：储层总厚度范围为20米至40米，储层分成2 层，一层分布在距离目的地层的顶界40米至50米的位置，另一层分布在目的地层的顶界处；
标签3对应的储层特征包括：储层总厚度范围为15米至20米，储层分布在目的地层的顶界处；
标签4对应的储层特征包括：储层总厚度范围为1米至5米，储层分布在随机位置。
另一方面，提供了一种储层检测装置，所述装置包括：
获取模块，用于获取带标签的地震波形数据，所述地震波形数据是多次地震勘探得到的，所述地震波形数据的标签是基于所述地震波形数据对应的储层特征和所述地震波形数据的地震波形特征划分得到的；
训练模块，用于采用所述带标签的地震波形数据进行神经网络模型的训练，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果；
检测模块，用于采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
可选地，所述获取模块，用于获取所述地震波形数据对应的测井数据，所述测井数据包括测井声波曲线、密度曲线和中子曲线，所述测井数据用于反映目的地层的储层特征；将所述地震波形数据和所述测井数据进行对齐；获取对对齐后的所述地震波形数据人工拾取得到的标签以及标签对应的地震波形数据。
可选地，所述地震波形数据的标签包括标签1～4四种，四种标签与地震波形特征的对应关系如下：
标签1对应的地震波形特征包括：地震波形存在单轴，目的地层的顶界对应的波形为波谷或临界点、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签2对应的地震波形特征包括：地震波形存在双轴，目的地层的顶界对应的波形为强波峰、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签3对应的地震波形特征包括：地震波形存在复波，目的地层的顶界对应的波形为临界点、目的地层的底界对应的波形为波谷、顶部为强波峰；
标签4对应的地震波形特征包括：目的地层的顶界对应的波形为强波峰、目的地层的内部对应的波形不存在波峰。
可选地，所述四种标签与储层特征的对应关系如下；
标签1对应的储层特征包括：储层总厚度范围为35米至40米，储层分布在距离目的地层的顶界40米至50米的位置；
标签2对应的储层特征包括：储层总厚度范围为20米至40米，储层分成2 层，一层分布在距离目的地层的顶界40米至50米的位置，另一层分布在目的地层的顶界处；
标签3对应的储层特征包括：储层总厚度范围为15米至20米，储层分布在目的地层的顶界处；
标签4对应的储层特征包括：储层总厚度范围为1米至5米，储层分布在随机位置。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器存储有至少一条程序代码，所述程序代码由所述处理器加载并执行以实现前述储层检测方法。
一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条程序代码，所述程序代码由所述处理器加载并执行以实现前述储层检测方法。
本公开实施例提供的技术方案带来的有益效果至少包括：
在本公开实施例中，提出构建模糊推理过程神经网络模型用于识别储层分布。利用地震勘测得到的地震波形数据，以及钻井后确定出的储层特征，基于地震波形数据的地震波形特征和对应的储层特征，给地震波形数据打上标签；采用带标签的地震波形数据进行神经网络模型的训练，然后用训练好的神经网络模型对待检测的地震波形数据进行检测，从而对未开采的地层中储层的分布情况进行判断，从而为后续钻井工作提供指导。在该方法中，由于采用了地震波形特征和对应的储层特征给地震波形数据打上标签，该标签可以由人工拾取方式完成，保证了标签的准确性，使得神经网络模型基于有标签数据进行学习，提高训练完成后的神经网络模型的精度。该方法不但利用测井得到的局部储层特性，而且能够结合大面积的地震波形数据所代表的整体储层信息，提高了储层检测的精度。同时，采用基于模糊推理过程神经网络进行模型训练，相比于使用其他类型的神经网络，检测精度更高。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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为本公开一个示意性实施例的储层检测方法的流程示意图；
图2为本公开一个示意性实施例的储层检测方法的流程示意图；
图3为本公开实施例提供的一种地震波形的示意图；
图4为本公开实施例提供的一种地震波形的示意图；
图5为本公开实施例提供的一种地震波形的示意图；
图6为本公开实施例提供的一种地震波形的示意图；
图7为本公开实施例提供的一种神经网络模型的结构示意图；
图8为本公开实施例提供的一种储层检测装置的结构框图；
图9是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
图1为本公开一个示意性实施例的储层检测方法的流程示意图。如图1所示，该方法可以包括：
在步骤101中：获取带标签的地震波形数据。
其中，所述地震波形数据是多次地震勘探得到的，所述地震波形数据的标签是基于所述地震波形数据对应的储层特征和所述地震波形数据的地震波形特征划分得到的。
这里的多次地震勘探可以是指在多个位置进行地震勘探，得到的多个位置的地震波形数据。从地震波形数据中可以得到地震波形特征。
这里的地震波形数据主要是针对
在地震勘探完成后，通过钻井和测井，得到测井数据，测井数据主要包括：测井声波曲线、密度曲线和中子曲线。测井时，将测井设备深入到井内的不同深度，从而测得不同深度的声波速度、密度和热中子密度。将不同深度的数据拟合成深度阈上的曲线，从而得到上述3条曲线。
其中，密度曲线反映了地层随着深度变化的物性变化，中子曲线反映了地层随着深度变化的孔隙度变化。
分析测井声波曲线、密度曲线和中子曲线可以确定目的地层中储层的位置分布及厚度等信息，也即前述储层特征就包括储层的位置分布及厚度。
在步骤102中：采用所述带标签的地震波形数据进行神经网络模型的训练。
其中，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果。该神经网络模型也可以称为基于模糊推理过程神经网络的模型。
在步骤103中：采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
这里的储层分布结果也就是待检测的地震波形数据所在位置的储层特征与各个标签对应的储层特征的相似度，例如，有四种标签，分别对应四种储存特征，这里的储层分布结果就是待检测的地震波形数据的储层特征分别和这四种储层特征的相似度。示例性地，如果待检测的地震波形数据的储层特征和一种储存特征的相似度大于阈值，则认为待检测的地震波形数据的储层特征为这种储存特征。
在本公开实施例中，提出构建模糊推理过程神经网络模型用于识别储层分布。利用地震勘测得到的地震波形数据，以及钻井后确定出的储层特征，基于地震波形数据的地震波形特征和对应的储层特征，给地震波形数据打上标签；采用带标签的地震波形数据进行神经网络模型的训练，然后用训练好的神经网络模型对待检测的地震波形数据进行检测，从而对未开采的地层中储层的分布情况进行判断，从而为后续钻井工作提供指导。在该方法中，由于采用了地震波形特征和对应的储层特征给地震波形数据打上标签，该标签可以由人工拾取方式完成，保证了标签的准确性，使得神经网络模型基于有标签数据进行学习，提高训练完成后的神经网络模型的精度。该方法不但利用测井得到的局部储层特性，而且能够结合大面积的地震波形数据所代表的整体储层信息，提高了储层检测的精度。同时，采用基于模糊推理过程神经网络进行模型训练，相比于使用其他类型的神经网络，检测精度更高。
图2为本公开一个示意性实施例的储层检测方法的流程示意图。如图2所示，该方法可以包括：
在步骤201中：获取带标签的地震波形数据。
示例性地，步骤201包括：获取所述地震波形数据对应的测井数据，所述测井数据包括测井声波曲线、密度曲线和中子曲线，所述测井数据用于反映目的地层的储层特征；将所述地震波形数据和所述测井数据进行对齐；获取对对齐后的所述地震波形数据人工拾取得到的标签以及标签对应的地震波形数据。
在所述地震波形数据和所述测井数据对齐后，采用人工拾取的方式选取典型的震波形数据，并给出标签。
基于地震波形数据对应的位置的储层特征和地震波形数据的地震波形特征，确定一个标签，该标签也即地震相标签，采用该标签对该地震波形数据进行标定，使该地震波形数据成为带标签的地震波形数据。
其中，将所述地震波形数据和所述测井数据进行对齐可以按照如下方式进行：将测井声波曲线转换成伪地震波形；将伪地震波形和地震波形数据进行特征对齐，从而将测井数据与地震波形数据对齐。测井声波曲线本来是深度阈的曲线，通过公式转换为时间阈的数据，这样就能够与同样是时间阈的地震波形数据对齐。
下面结合表1对如何进行地震波形数据的标定进行说明：
表1
其中，轴是指同相轴，地震记录上各道振动相位相同的极值(俗称波峰或波谷)的连线称为同相轴。在图3至图6中，黑色部分条纹表示波峰，白色条纹表示波谷，波峰和波谷之间的部分为临界点。在波峰部分，黑色块状排列越紧密，说明波峰越强，例如图4中，上方的波峰强于下方的波峰，上方的波峰可以称为强波峰。复波则是由2个波峰叠加而成，例如图5所示。
在地震探测时，检测到的地震波形实际包括各种地层深度的数据，但在进行储层检测时，可能只需要某一范围内的地震波形，对此进行研究即可。需要研究的范围的地层也即前文中的目的地层，比如目的地层可以为龙王庙区域，深度为4000至4500米。
目的地层的顶界是指目的地层的最顶部(如图3中线条x)，目的地层的底界是指目的地层的最底部(如图3中线条y)。
从上表可以看出，储层特征和地震波形特征是相互对应的，相同标签下的储层特征和地震波形特征是对应的，例如地震波形特征为单轴时，储层分布在一层，地震波形特征为双轴时，储层分布为2层，再例如地震波形特征为顶界复波，则储层分布位于地层顶部等。
因此，当地震波形数据同时满足同一标签对应的储层特征和地震波形特征时，则为该地震波形数据标定对应的标签。
在上述4种标签中，按照储层发育程度从高到低(含气从好到差)依次为：标签1、标签2、标签3和标签4。并且，其中标签4的储层厚度和物性均明显较差，勘探开发的潜力较小。
表1中的标签划分方式只是一种划分方式，对于不同地区的储层发育模式，可以有不同的标签划分方式。
在步骤202中：采用所述带标签的地震波形数据对所述神经网络模型进行多轮迭代训练。
其中，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果。
图7为本公开实施例提供的一种神经网络模型的结构示意图，参见图7，其中L1为输入层，L2为模糊规则层，图7所示的模糊规则层中共有A1、A2、B1 和B2四个语言变量，L3为结论层，L4为输出层。
示例性地，测井数据为wi，定义地震波形数据为
和每一个波形数据所对应的地震相标签
N是参与运算的测井个数，pi的取值范围为 1…M，M为需要识别的地震相(储层类型)个数。
其中，i是指测井曲线的编号，最大值为N；M为储层特征的种类个数，也即前述标签的个数。
通过人工拾取出的各个标签对应的典型的地震波形数据集合
其中，K是人工拾取的地震道数量，j为编号。
以集合G中的地震波形ui为初始向量，对集合R中的地震波形rj，采用模糊集合进行分类，由rj所构成的集合称为G上的一个模糊集tj，
称为rj对tj的隶属度。其中，rj对tj的隶属度也即rj和tj的相关性。
例如，在数据集G,uA是把x∈G任意映射为[0,1]上某个值的函数，即， uA:G→[0，1]x→uA(x)，则uA为定义在G上的隶属函数，由uA(x)(x∈G)所构成的集合A称为G上的一个模糊集，uA(x)(x∈G)称为x对A的隶属度：
其中μA(xi)为对A的隶属度，如果μA(xi)＝0，可略去不计。
定义神经网络模型Model(Θ0)(其中)，用数据集合
定对Model(Θ0)中的参数进行训练，并记录每一步循环迭代的误差errol和当前的更新参数Θl，l是当前的循环次数；当errol<0.05*erro0(也即本次误差小于上次误差的5％)时，训练过程停止，保存当前的参数Θl。
其中，该模型输入输出关系为：
其中，p为输入类型数，m中间层模糊规则数，wij(t)为输入层与隐层的连接权函数，vi为隐层过程神经元到输出层的连接权值，θj为隐层过程神经元的阈值，[0,T]为时域聚合区间，y表示输出的相关性，xi为集合G中的地震波形数据(也即ui)。
在步骤203中：记录每轮训练后的误差和模型参数。
误差是指通过模型检测的储层分布结果和实际的储层分布结果之间的误差。
在步骤204中：当所述误差小于阈值时，采用对应的模型参数作为训练好的神经网络模型的模型参数。
在步骤203和步骤204中，通过对模型中的参数进行训练，并记录每一步循环迭代的误差和当前的更新参数，当误差小于阈值时，训练过程停止，保存当前的参数。其中，阈值可以为上一轮训练结果的误差的5％。
在步骤205中：采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
对待检测的工区中的地震道波形，输入到神经网络模型中，得到储层分布结果(地震相标签)，从而实现对整个工区的储层检测。
通过该神经网络模型对井点处的地震波形数据进行检测，得到储层分布结果，也即对应的模式，通过与实际开采时的测井数据和地震波形特征比较，可以确定采用神经网络模型检测的结果的准确度。
下面结合下表2对神经网络模型检测的结果的准确度进行说明：
表2
从表2中可知，井点处的地震波形数据通过神经网络模型检测确定出的储层发育模式，与测井数据的储层特征对应的储层发育模式一致性较高，11口验证井中只有2口的储层特征对应的储层发育模式与储层分布结果不一致，吻合率超过80％，充分证明了本公开实施例提供的方法的实用性。
并且基于上表的储层分布结果，与各个井的实际地理位置可以看出，代表优质储层厚度大、物性好的储层发育标签1、2和3主要分布在古隆起中部，而向东侧、北部延伸，储层发育模式逐渐转变为第4种。表明由古隆起向边缘处，碳酸盐岩储层品质逐渐降低，这与该地区的宏观沉积背景一致，表明预测结果符合地质规律，进一步验证了本公开实施例提供的方法的实用性。
本公开实施例通过利用模糊推理过程神经网络模型对地震波形数据进行分类，通过采用测井标定、人工拾取、模糊推理过程神经网络模型训练与识别等方法的应用与分析，最终实现高精度的地震相识别，与传统方法相比，提高了储层及流体预测吻合率。
本公开实施例提供的方法可以应用到四川盆地川中地区深部碳酸盐岩的储层预测中。该方法充分利用了研究区地震资料波形特征丰富的特点，采用模糊推理过程神经网络模型把地震波形特征刻画出来，通过对目的层地震数据逐道进行对比分类，细致地刻画地震信号的横向变化，从而得到与地质层位对应的地震相图，用于不同储层模式的空间预测。应用本次提出的基于模糊推理过程神经网络模型的波形聚类算法对研究区不同岩性、不同深度的储层分布均进行了有效预测，验证井吻合率大于85％。本次预测结果与该区宏观地质认识吻合，与单井储层分类模式匹配程度高，不同地震相在平面上的细节变化也更加清晰。利用该预测结果共提出建议井位目标9口，其中3口已实施钻探并获得工业气流，为该地区的增储上产提供了地质依据。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图8为本公开实施例的储层检测装置的结构框图。该装置可以实现成为电子设备的全部或一部分。如图8所示，该装置包括：获取模块301、训练模块和检测模块303。
其中，获取模块301，用于获取带标签的地震波形数据，所述地震波形数据是多次地震勘探得到的，所述地震波形数据的标签是基于所述地震波形数据对应的储层特征和所述地震波形数据的地震波形特征划分得到的；
训练模块302，用于采用所述带标签的地震波形数据进行神经网络模型的训练，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果；
检测模块303，用于采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
可选地，所述获取模块301，用于获取所述地震波形数据对应的测井数据，所述测井数据包括测井声波曲线、密度曲线和中子曲线，所述测井数据用于反映目的地层的储层特征；将所述地震波形数据和所述测井数据进行对齐；获取对对齐后的所述地震波形数据人工拾取得到的标签以及标签对应的地震波形数据。
可选地，所述地震波形数据的标签包括标签1～4四种，四种标签与地震波形特征的对应关系如下：
标签1对应的地震波形特征包括：地震波形存在单轴，目的地层的顶界对应的波形为波谷或临界点、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签2对应的地震波形特征包括：地震波形存在双轴，目的地层的顶界对应的波形为强波峰、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签3对应的地震波形特征包括：地震波形存在复波，目的地层的顶界对应的波形为临界点、目的地层的底界对应的波形为波谷、顶部为强波峰；
标签4对应的地震波形特征包括：目的地层的顶界对应的波形为强波峰、目的地层的内部对应的波形不存在波峰。
可选地，所述四种标签与储层特征的对应关系如下；
标签1对应的储层特征包括：储层总厚度范围为35米至40米，储层分布在距离目的地层的顶界40米至50米的位置；
标签2对应的储层特征包括：储层总厚度范围为20米至40米，储层分成2 层，一层分布在距离目的地层的顶界40米至50米的位置，另一层分布在目的地层的顶界处；
标签3对应的储层特征包括：储层总厚度范围为15米至20米，储层分布在目的地层的顶界处；
标签4对应的储层特征包括：储层总厚度范围为1米至5米，储层分布在随机位置。
本公开实施例还提供了一种电子设备，该电子设备可以是前述终端或服务器。该电子设备可以包括处理器和存储器，所述存储器存储有至少一条程序代码，所述程序代码由所述处理器加载并执行以实现前述方法。
图9是本公开实施例提供的一种电子设备的结构示意图。参见图9，电子设备400包括中央处理单元(Central Processing Unit，CPU)401、包括随机存取存储器(RandomAccess Memory，RAM)402和只读存储器(Read-Only Memory， ROM)403的系统存储器404，以及连接系统存储器404和中央处理单元401的系统总线405。电子设备400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output，I/O系统)406，和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。
基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为电子设备400提供非易失性存储。也就是说，大容量存储设备407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、带电可擦可编程只读存储 (Electrically Erasable Programmable read only memory，EEPROM)、闪存或其他固态存储其技术，只读光盘(Compact Disc Read-Only Memory，CD-ROM)、数字通用光盘(Digital Video Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。
根据本公开的各种实施例，电子设备400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即电子设备400可以通过连接在系统总线405 上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411 来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。CPU 401通过执行该一个或一个以上程序来实现前述储层检测方法。
本领域技术人员可以理解，图9中示出的结构并不构成对电子设备400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有至少一条程序代码，所述程序代码由所述处理器加载并执行以实现如上所述的方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器 (RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品存储有至少一条程序代码，所述程序代码由所述处理器加载并执行以实现如上所述的方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种储层检测方法，其特征在于，所述方法包括：
获取带标签的地震波形数据，所述地震波形数据是多次地震勘探得到的，所述地震波形数据的标签是基于所述地震波形数据对应的储层特征和所述地震波形数据的地震波形特征划分得到的；
采用所述带标签的地震波形数据进行神经网络模型的训练，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果；
采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
2.根据权利要求1所述的方法，其特征在于，获取带标签的地震波形数据，包括：
获取所述地震波形数据对应的测井数据，所述测井数据包括测井声波曲线、密度曲线和中子曲线，所述测井数据用于反映目的地层的储层特征；
将所述地震波形数据和所述测井数据进行对齐；
获取对对齐后的所述地震波形数据人工拾取得到的标签以及标签对应的地震波形数据。
3.根据权利要求1或2所述的方法，其特征在于，所述地震波形数据的标签包括标签1～4四种，四种标签与地震波形特征的对应关系如下：
标签1对应的地震波形特征包括：地震波形存在单轴，目的地层的顶界对应的波形为波谷或临界点、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签2对应的地震波形特征包括：地震波形存在双轴，目的地层的顶界对应的波形为强波峰、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签3对应的地震波形特征包括：地震波形存在复波，目的地层的顶界对应的波形为临界点、目的地层的底界对应的波形为波谷、顶部为强波峰；
标签4对应的地震波形特征包括：目的地层的顶界对应的波形为强波峰、目的地层的内部对应的波形不存在波峰。
4.根据权利要求3所述的方法，其特征在于，所述四种标签与储层特征的对应关系如下；
标签1对应的储层特征包括：储层总厚度范围为35米至40米，储层分布在距离目的地层的顶界40米至50米的位置；
标签2对应的储层特征包括：储层总厚度范围为20米至40米，储层分成2层，一层分布在距离目的地层的顶界40米至50米的位置，另一层分布在目的地层的顶界处；
标签3对应的储层特征包括：储层总厚度范围为15米至20米，储层分布在目的地层的顶界处；
标签4对应的储层特征包括：储层总厚度范围为1米至5米，储层分布在随机位置。
5.一种储层检测装置，其特征在于，所述装置包括：
获取模块，用于获取带标签的地震波形数据，所述地震波形数据是多次地震勘探得到的，所述地震波形数据的标签是基于所述地震波形数据对应的储层特征和所述地震波形数据的地震波形特征划分得到的；
训练模块，用于采用所述带标签的地震波形数据进行神经网络模型的训练，所述神经网络模型包括依次连接的输入层、模糊规则层、结论层和输出层，其中，所述输入层用于输入所述带标签的地震波形数据，所述模糊规则层中每个神经元用于将接收到的输入转换为在论域中对应的语言变量的隶属度函数，所述结论层用于对所述隶属度函数进行模糊运算，得到模糊规则，所述输出层用于基于所述模糊规则得到输入的地震波形数据对应的储层分布结果；
检测模块，用于采用所述神经网络模型对待检测的地震波形数据进行检测，得到储层分布结果。
6.根据权利要求5所述的装置，其特征在于，所述获取模块，用于获取所述地震波形数据对应的测井数据，所述测井数据包括测井声波曲线、密度曲线和中子曲线，所述测井数据用于反映目的地层的储层特征；将所述地震波形数据和所述测井数据进行对齐；获取对对齐后的所述地震波形数据人工拾取得到的标签以及标签对应的地震波形数据。
7.根据权利要求5或6所述的装置，其特征在于，所述地震波形数据的标签包括标签1～4四种，四种标签与地震波形特征的对应关系如下：
标签1对应的地震波形特征包括：地震波形存在单轴，目的地层的顶界对应的波形为波谷或临界点、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签2对应的地震波形特征包括：地震波形存在双轴，目的地层的顶界对应的波形为强波峰、目的地层的底界对应的波形为波谷、目的地层的内部对应的波形存在强波峰；
标签3对应的地震波形特征包括：地震波形存在复波，目的地层的顶界对应的波形为临界点、目的地层的底界对应的波形为波谷、顶部为强波峰；
标签4对应的地震波形特征包括：目的地层的顶界对应的波形为强波峰、目的地层的内部对应的波形不存在波峰。
8.根据权利要求7所述的装置，其特征在于，所述四种标签与储层特征的对应关系如下；
标签1对应的储层特征包括：储层总厚度范围为35米至40米，储层分布在距离目的地层的顶界40米至50米的位置；
标签2对应的储层特征包括：储层总厚度范围为20米至40米，储层分成2层，一层分布在距离目的地层的顶界40米至50米的位置，另一层分布在目的地层的顶界处；
标签3对应的储层特征包括：储层总厚度范围为15米至20米，储层分布在目的地层的顶界处；
标签4对应的储层特征包括：储层总厚度范围为1米至5米，储层分布在随机位置。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储有至少一条程序代码，所述程序代码由所述处理器加载并执行以实现如权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453990.6A CN112987091B (zh) | 2020-12-09 | 2020-12-09 | 储层检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453990.6A CN112987091B (zh) | 2020-12-09 | 2020-12-09 | 储层检测方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112987091A true CN112987091A (zh) | 2021-06-18 |
| CN112987091B CN112987091B (zh) | 2024-02-02 |
Family
ID=76344945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011453990.6A Active CN112987091B (zh) | 2020-12-09 | 2020-12-09 | 储层检测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112987091B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684497A (zh) * | 2019-10-17 | 2021-04-20 | 中国石油天然气集团有限公司 | 地震波形聚类方法和装置 |
Citations (2)
| 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 |
| US20200088897A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine Learning-Based Analysis of Seismic Attributes |
-
2020
- 2020-12-09 CN CN202011453990.6A patent/CN112987091B/zh active Active
Patent Citations (2)
| 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 |
| US20200088897A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine Learning-Based Analysis of Seismic Attributes |
Non-Patent Citations (3)
| Title |
|---|
| 张丹妮;: "西湖凹陷A区块致密砂岩储层地震响应研究", 西部探矿工程, no. 12, pages 51 - 54 * |
| 熊艳, 包吉山, 肖慈: "模糊神经网络预测储层及油气", 石油地球物理勘探, no. 02, pages 222 - 227 * |
| 程浪洪;: "塔里木盆地轮古西地区多地震属性储层综合预测", 油气地质与采收率, no. 03, pages 78 - 80 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684497A (zh) * | 2019-10-17 | 2021-04-20 | 中国石油天然气集团有限公司 | 地震波形聚类方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112987091B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| Chang et al. | Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system | |
| US9519865B2 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
| 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 | |
| CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
| CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
| Ali et al. | A novel machine learning approach for detecting outliers, rebuilding well logs, and enhancing reservoir characterization | |
| US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
| US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
| Xu et al. | Joint use of multiseismic information for lithofacies prediction via supervised convolutional neural networks | |
| CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
| Ye et al. | Drilling formation perception by supervised learning: Model evaluation and parameter analysis | |
| WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| CN112987091B (zh) | 储层检测方法、装置、电子设备和存储介质 | |
| CN116990865A (zh) | 基于深度迁移学习的微地震事件检测方法及系统 | |
| Liu et al. | Machine learning assisted recovery of subsurface energy: a review | |
| Hong et al. | A DTW distance-based seismic waveform clustering method for layers of varying thickness | |
| CN110806444A (zh) | 基于浅地层剖面仪与svm的海底底质识别与分类方法 | |
| Sun et al. | Dynamic graph convolutional networks for fluid identification of well logging data transformed through the gram angle field | |
| CN112444868B (zh) | 一种基于改进的k均值算法的地震相分析方法 | |
| de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
| CN112882092B (zh) | 一种基于多属性cnn井震联合反演方法、系统、介质及应用 | |
| US12124949B2 (en) | Methodology for learning a similarity measure between geophysical objects | |
| WO2024087800A1 (zh) | 基于常规测井资料的高频旋回碳酸盐岩识别方法 |
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 |