CN113359212B - 一种基于深度学习的储层特征预测方法及模型 - Google Patents
一种基于深度学习的储层特征预测方法及模型 Download PDFInfo
- Publication number
- CN113359212B CN113359212B CN202110694823.9A CN202110694823A CN113359212B CN 113359212 B CN113359212 B CN 113359212B CN 202110694823 A CN202110694823 A CN 202110694823A CN 113359212 B CN113359212 B CN 113359212B
- Authority
- CN
- China
- Prior art keywords
- multimode
- neural network
- lstm model
- lstm
- trained
- 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 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000035699 permeability Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 17
- 230000006698 induction Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 230000015654 memory Effects 0.000 abstract description 4
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 60
- 238000011176 pooling Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000008161 low-grade oil Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的储层特征预测方法，包括：获取测井数据训练集；构建卷积神经网络和加入了注意力层的前后向长短时记忆神经网络，并结合两者进行序列建模，生成多模Bi‑LSTM模型；将所述训练集输入多模Bi‑LSTM模型，采用联和训练的方式对其进行训练，对卷积神经网络和加入了注意力层的前后向长短时记忆神经网络的参数进行联合优化；将实际测井数据输入训练后的多模Bi‑LSTM模型，并通过该模型预测得到储层特征的预测结果。本发明利用双向长短时记忆能高效精准地进行时间序列预测的优点，再加上注意力机制层，弥补了卷积神经网络处理有序列相关性数据的不足，能够精准地预测不同深度储层的孔隙度和渗透率等储层特征。
Description
技术领域
本发明涉及储层改造技术领域，具体涉及一种基于深度学习的储层特征预测方法及模型。
背景技术
随着人类社会对清洁能源需求不断扩大，低渗透、特低渗透等低品位油气储量的开发动用以及21世纪以来美国的页岩气革命和致密油大突破，传统意义上的储层改造技术从采油过程中的一项附属工艺，已经发展为一项和物探、钻井同等重要的系统工程。目前常用的两类储层改造技术为压裂改造技术和酸化改造技术。运用压裂或者酸化技术进行储层改造时，为了在保证裂缝稳定性、复杂性，以及保护储层结构的前提下改善储层的孔隙度和渗透率以提高产量，需要针对不同特征的储层制定合适的改造方案，精确地预测出储层的原始孔隙度和渗透率是储层改造的重要前提之一。所以建立一套科学系统且合理的方法技术对储层数据进行预测，对油气田能进行合理高效的储层改造和实现生产优化管理具有重要的意义。
对于目前传统的储层预测技术，例如套用经验公式和简单的地质模型来预测未知层段的储层参数这类方法来说，由于其难以应付测井数据的复杂非线性关联，很难满足油气田开发阶段的需要。随着近年来人工智能的不断发展和应用，其领域中的各个研究热点特别是深度学习为地质储层参数预测方法提供了新的思路和途径。目前已经有利用卷积神经网络(Convolutional Neural Networks，CNN)特有的局部卷积、权值共享网络结构特性对储层的孔隙度进行预测的方法。
卷积神经网络的基本结构包括两种特殊的神经元层，其一为卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征；其二是池化层，用来求局部敏感性与二次特征提取的计算层。卷积神经网络的整个网络由输入层、一对或多对交替相连的卷积层和池化层、全连接层以及输出层组成。以图像识别为例，卷积神经网络过程：输入层通过3个卷积核进行卷积得到卷积层C1，卷积后产生3个特征图，然后每个特征图中每4个像素再进行池化，得到3个池化层S1。同样，S1层再经过特定组合的9个多层卷积核进行卷积得到9个C2层，经过池化生成9个S2层。最终，这些像素值被光栅化，连接成一个向量输入到传统的神经网络，即通过一个全连接层得到输出。在卷积层和池化层中有若干个特征图，每个特征图都与其前一层特征图相连接。
目前已提出的方法分别构建了卷积神经网络模型，将输入和输出数据模拟成像素点通过卷积神经网络训练储层特征。卷积神经网络模型有像素输入层、卷积特征层和传统神经网络输出层这3层结构。像素输入层为声波、密度、中子和自然伽马4种测井参数组成的2*2像素点。卷积特征层中设置了4个2*2参数的卷积核k以及偏置b，激活函数选择Sigmoid函数。卷积作用是为了提取4种输入参数分别对最终输出孔隙度影响度的特征，并通过4个卷积核来表现。传统神经网络输出层将特征层的4个特征作为输入，设置权值和偏置，最终得到一个输出。最后将油井的测井数据输入到模型中得到孔隙度的输出结果。
该方法能够有效的进行数据特征提取，但未把数据的本身序列相关性利用上，从而在预测同一测井不同深度段、以及不同测井的孔隙度、渗透率等储层特征时预测精度较低。具体的，随着测井深度的不同，储层特征发生了改变。不同深度的测井数据可以看作一个序列相关数据，这些不同深度的储层之间的不同特征是具有一定的序列相关性的，而卷积神经网络实质上是对某一特定的特征进行识别，常用于静态输出，没有记忆功能，所以对于一个序列的前后关联性的处理能力并不理想，导致了在预测不同深度的储层特征时出现预测精度较低的问题。
发明内容
本发明的目的在于提供一种基于深度学习的储层特征预测方法及模型，以至少解决现有技术采用卷积神经网络在预测不同深度的储层特征时出现预测精度较低的技术问题。
本发明通过下述技术方案实现：
本发明提供一种基于深度学习的储层特征预测方法，包括：
获取测井数据训练集；
构建卷积神经网络和加入了Attention层的Attention-Based Bi-LSTM神经网络，并结合两者进行序列建模，生成多模Bi-LSTM模型；
将所述训练集输入多模Bi-LSTM模型，采用联和训练的方式对多模Bi-LSTM模型进行训练，对卷积神经网络和Attention-Based Bi-LSTM神经网络的参数进行联合优化；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
进一步，所述测井数据包括特征和标签，其中特征包括声波、密度、中子和自然伽马，标签包括与四个特征对应的孔隙度；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际声波、密度、中子和自然伽马输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到孔隙度的预测结果；或者，
所述测井数据包括特征和标签，其中特征包括电阻率、感应测井、自然电位和井径，标签包括与四个特征对应的渗透率；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际电阻率、感应测井、自然电位和井径输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到渗透率的预测结果。
进一步，将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际测井数据随机分布到适当规模的像素上形成像素图；
将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
进一步，将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
通过卷积神经网络对像素图进行特征提取；
将提取的特征输入至Bi-LSTM神经网络进行处理；
通过Attention层计算每个时序的权重，将所有时序的向量进行加权和作为特征向量，得到储层特征的预测结果。
进一步，将所述训练集输入多模Bi-LSTM模型之前，还包括：
对训练集的数据进行归一化处理和正态化处理。
进一步，获取测井数据训练集的同时也会获取测井数据测试集；
获取测井数据测试集后，还包括：
将测试集输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果；
根据所述储层特征的预测结果和测试集内储层特征的预测结果，采用均方根误差和Pear son相关系数评价预测效果。
本发明还提供一种基于深度学习的储层特征预测模型，包括：
训练集获取模块，用于获取测井数据训练集；
多模Bi-LSTM模型生成模块，用于构建卷积神经网络和加入了Attention层的Attention-Based Bi-LSTM神经网络，并结合两者进行序列建模，生成多模Bi-LSTM模型；
联合优化模块，用于将所述训练集输入多模Bi-LSTM模型，采用联和训练的方式对多模B i-LSTM模型进行训练，对卷积神经网络和Attention-Based Bi-LSTM神经网络的参数进行联合优化；
预测模块，用于将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
进一步，所述测井数据包括特征和标签，其中特征包括声波、密度、中子和自然伽马，标签包括与四个特征对应的孔隙度；
所述预测模块具体用于：
将实际声波、密度、中子和自然伽马输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到孔隙度的预测结果；或者，
所述测井数据包括特征和标签，其中特征包括电阻率、感应测井、自然电位和井径，标签包括与四个特征对应的渗透率；
所述预测模块具体用于：
将实际电阻率、感应测井、自然电位和井径输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到渗透率的预测结果。
进一步，所述预测模块具体用于：
将实际测井数据随机分布到适当规模的像素上形成像素图；
将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
进一步，将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
通过卷积神经网络对像素图进行特征提取；
将提取的特征输入至Bi-LSTM神经网络进行处理；
通过Attention层计算每个时序的权重，将所有时序的向量进行加权和作为特征向量，通过所述多模Bi-LSTM模型预测得到储层特征的预测结果。
进一步，将所述训练集输入多模Bi-LSTM模型之前，还包括：
对训练集的数据进行归一化处理和正态化处理。
进一步，获取测井数据训练集的同时也会获取测井数据测试集；
获取测井数据测试集后，还包括：
将测试集输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果；
根据所述储层特征的预测结果和测试集内储层特征的预测结果，采用均方根误差和Pear son相关系数评价预测效果。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种基于深度学习的储层特征预测方法及模型，结合了卷积神经网络(Convolutional Neural Networks，CNN)、双向长短时记忆(Bi-directional LongShort-Term Memory，Bi-LSTM)以及注意力机制(Attention Mechanism)，利用双向长短时记忆能高效精准地进行时间序列预测的优点，再加上注意力机制层，弥补卷积神经网络处理有序列相关性数据的不足，精准的预测不同深度储层的孔隙度和渗透率等储层特征，从而合理高效地进行储层改造和生产优化管理，至少解决了现有技术采用卷积神经网络在预测不同深度的储层特征时出现预测精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一种基于深度学习的储层特征预测方法的流程图；
图2为本发明一种基于深度学习的储层特征预测模型的原理结构示意图；
图3为本发明一种基于深度学习的储层特征预测方法及模型中双层卷积神经网络模型的原理结构示意图；
图4为本发明一种基于深度学习的储层特征预测方法及模型中多模Bi-LSTM模型的原理结构示意图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一
请参考图1、图3和图4，本发明提供一种基于深度学习的储层特征预测方法，包括：
S101、获取测井数据训练集；
S102、构建卷积神经网络和加入了Attention层的Attention-Based Bi-LSTM神经网络，并结合两者进行序列建模，生成多模Bi-LSTM模型；
S103、将所述训练集输入多模Bi-LSTM模型，采用联和训练的方式对多模Bi-LSTM模型进行训练，对卷积神经网络和Attention-Based Bi-LSTM神经网络的参数进行联合优化；
S104、将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
作为具体实施方式，所述测井数据包括特征和标签，其中特征包括声波、密度、中子和自然伽马，标签包括与四个特征对应的孔隙度；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际声波、密度、中子和自然伽马输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到孔隙度的预测结果；或者，
所述测井数据包括特征和标签，其中特征包括电阻率、感应测井、自然电位和井径，标签包括与四个特征对应的渗透率；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际电阻率、感应测井、自然电位和井径输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到渗透率的预测结果。
作为具体实施方式，将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际测井数据随机分布到适当规模的像素上形成像素图；
将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
作为具体实施方式，将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
通过卷积神经网络对像素图进行特征提取；
将提取的特征输入至Bi-LSTM神经网络进行处理；
通过Attention层计算每个时序的权重，将所有时序的向量进行加权和作为特征向量，得到储层特征的预测结果。
请参考图3，卷积神经网络采用双层卷积神经网络模型，模型有4层结构，分别是像素输入层、第一个卷积特征层、第二个卷积特征层和最后的传统神经网络输出层。8种测井参数随机分布到双层卷积神经网络模型的像素输入层中，输入层的大小设置为参数特征数量的两倍，即4*4的像素点。第一个卷积特征层分别设置了4个3*3参数的卷积核及偏值，第二个卷积特征层设置了6个4*2*2的卷积核及偏值，两个特征层都用Sigmoid函数作为激活函数。输出层以组合特征作为输入，设置权值和偏置得到一个输出。
请参考图4，像素图输入到多模Bi-LSTM模型后，双层卷积神经网络先对像素图进行特征提取，然后将提取的特征输入到Bi-LSTM神经网络中处理，在输出结果前经过Attention层，计算每个时序的权重，提取最重要的信息，将所有时序的向量进行加权和作为特征向量，得到储层特征的预测结果。在多模Bi-LSTM模型中，LSTM层采用双层双向构造，以此提高时间序列关联特征分析的效率和准确度。
LSTM是为了解决RNN反向传播时梯度消失，导致难以处理较长序列的问题而改进后的神经网络。LSTM神经网络模型相较一般的RNN模型，引入了细胞状态，并使用了输入门、遗忘门、输出门三种门来保持和控制信息。双向长短时记忆(Bi-directional Long Short-Term Memory，Bi-LSTM)是前向和后向的长短时记忆(Long Short-Term，LSTM)结合起来得到的一种循环神经网络(Recurrent Neural Networks，RNN)。Bi-LSTM在LSTM的基础上结合了序列在前向和后向两个方向上的信息。对于t时刻的输出，前向LSTM层具有输入序列中t时刻以及之前t1时刻的信息，而后向LSTM层中具有输入序列中t时刻以及之后t+1时刻的信息。前后两个LSTM层输出的向量可以使用相加、平均值或连接等方式进行处理，从而能得到更好的序列处理结果。
注意力机制(Attention mechanism)的本质是模仿人类视觉注意力机制，学习出一个对图像特征的权重分布，再把这个权重分布施加在原来的特征上，为后面任务如图像分类、图像识别等提供不同的特征影响，使得任务主要关注一些重点特征，忽略不重要特征，提高任务效率。注意力机制在序列学习任务上具有巨大的提升作用，在编解码器框架内，通过在编码段加入Attention模型，对源数据序列进行数据加权变换，或者在解码端引入Attention模型，对目标数据进行加权变化，可以有效提高序列对序列的自然方式下的系统表现。本发明将Attention机制运用到Bi-LSTM神经网络中是为了对Bi-LTSM的结果进行加权，聚焦到最重要的信息，从而使得预测结果更加精确。
本发明采用CNN和Bi-LSTM网络结合Attention机制的方法，充分利用CNN在识别特征空间相关性上的优势，对图像化处理后的测井数据进行卷积和池化处理，提取出隐藏在数据中的特征关系，然后Bi-LSTM网络充分利用特征的深度序列相关性进行预测，在预测过程中Attention通过加权求和整合了多个特征向量的信息，使预测结果更加精确。
本发明预测结果精准且有较好的模型泛化能力。相较于只使用CNN进行预测的方法，本发明方法中Bi-LSTM在特征的时间相关性处理上的优势弥补了CNN对于不同深度测井预测精度不足的缺陷。同时，本发明充分发挥了人工神经网络的大规模的并行协同处理能力，整合了不同人工神经网络的优点，互相弥补不足。本方法中的CNN模型和多模Bi-LSTM模型在预测目标的地质条件发生不确定变化时，可以通过调整模型的卷积层数或者循环次数等方式来调整模型自身结构，以此适应具体情况，增强了模型泛化能力。除此之外，本发明采用的CNN和Bi-LSTM网络都有训练速度快的特性，在面对复杂的地质情况和大量的数据时也能游刃有余。
本发明提供的一种基于深度学习的储层特征预测方法及模型，结合了卷积神经网络(Convolutional Neural Networks，CNN)、双向长短时记忆(Bi-directional LongShort-TermMemory，Bi-LSTM)以及注意力机制(Attention Mechanism)，利用双向长短时记忆能高效精准地进行时间序列预测的优点，再加上注意力机制层，弥补卷积神经网络处理有序列相关性数据的不足，精准的预测不同深度储层的孔隙度和渗透率等储层特征，从而合理高效地进行储层改造和生产优化管理，至少解决了现有技术采用卷积神经网络在预测不同深度的储层特征时出现预测精度较低的技术问题。
综上所述，基于CNN和Bi-LSTM及Attention的储层特征预测方法可以充分利用储层特征的空间相关性和时间序列相关性，识别特征间的关联，减小了误差；通过发挥人工神经网络的大规模的并行协同处理能力，利用不同神经网络的优点，有效提升了模型泛化能力，建立了高效的储层参数预测模型，为储层改造表征特征参数的预测提供了新思路。
作为具体实施方式，将所述训练集输入多模Bi-LSTM模型之前，还包括：
对训练集的数据进行归一化处理和正态化处理。其中，归一化参数值＝(原参数值样本参数最小值)/(样本参数最大值-样本参数最小值)，可以采用Yeo-Johnson变换对数据进行正态化使其标准化，其表达式为：
作为具体实施方式，获取测井数据训练集的同时也会获取测井数据测试集；
获取测井数据测试集后，还包括：
将测试集输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果；
根据所述储层特征的预测结果和测试集内储层特征的预测结果，采用均方根误差和Pear son相关系数评价预测效果。
本发明运用均方根误差RMSE和Pearson相关系数(R)来评价预测效果。其中R是衡量2个变量间关联性的方法，其取值范围为[-1，1]，公式为
式中：Y和P分别为原始参数值与预测参数值；D为方差；COV(Y，P)为协方差函数，表征变量Y与变量P相互关系的特征。
RMSE反映目标孔隙度与预测实际孔隙度、渗透率之间的偏差，公式为：
式中：yi和pi分别为实际孔隙度、渗透率与预测孔隙度、渗透率的值；N表示样本数量。
实施例二
请参考图1至图4，本发明还提供一种基于深度学习的储层特征预测模型，包括：
训练集获取模块，用于获取测井数据训练集；
多模Bi-LSTM模型生成模块，用于构建卷积神经网络和加入了Attention层的Attention-Based Bi-LSTM神经网络，并结合两者进行序列建模，生成多模Bi-LSTM模型；
联合优化模块，用于将所述训练集输入多模Bi-LSTM模型，采用联和训练的方式对多模Bi-LSTM模型进行训练，对卷积神经网络和Attention-Based Bi-LSTM神经网络的参数进行联合优化；
预测模块，用于将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
作为具体实施方式，所述测井数据包括特征和标签，其中特征包括声波、密度、中子和自然伽马，标签包括与四个特征对应的孔隙度；
所述预测模块具体用于：
将实际声波、密度、中子和自然伽马输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到孔隙度的预测结果；或者，
所述测井数据包括特征和标签，其中特征包括电阻率、感应测井、自然电位和井径，标签包括与四个特征对应的渗透率；
所述预测模块具体用于：
将实际电阻率、感应测井、自然电位和井径输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到渗透率的预测结果。
作为具体实施方式，所述预测模块具体用于：
将实际测井数据随机分布到适当规模的像素上形成像素图；
将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果。
作为具体实施方式，将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模B i-LSTM模型预测得到储层特征的预测结果，具体包括：
通过卷积神经网络对像素图进行特征提取；
将提取的特征输入至Bi-LSTM神经网络进行处理；
通过Attention层计算每个时序的权重，将所有时序的向量进行加权和作为特征向量，通过所述多模Bi-LSTM模型预测得到储层特征的预测结果。
作为具体实施方式，将所述训练集输入多模Bi-LSTM模型之前，还包括：
对训练集的数据进行归一化处理和正态化处理。
作为具体实施方式，获取测井数据训练集的同时也会获取测井数据测试集；
获取测井数据测试集后，还包括：
将测试集输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果；
根据所述储层特征的预测结果和测试集内储层特征的预测结果，采用均方根误差和Pear son相关系数评价预测效果。
对于实施例二的具体实现过程，由于实施例一的方法中已有详细说明，故此处不再赘述。
本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下步骤：此时引出相应的方法步骤，所述的存储介质可以是ROM/RAM、磁碟、光盘等等
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的储层特征预测方法，其特征在于，包括：
获取测井数据训练集；
构建卷积神经网络和加入了Attention层的Attention-Based Bi-LSTM神经网络，并结合两者进行序列建模，生成多模Bi-LSTM模型；
将所述训练集输入多模Bi-LSTM模型，采用联合训练的方式对多模Bi-LSTM模型进行训练，对卷积神经网络和Attention-Based Bi-LSTM神经网络的参数进行联合优化；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际测井数据随机分布到适当规模的像素上形成像素图；
将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
像素图输入到多模Bi-LSTM模型后，双层卷积神经网络先对像素图进行特征提取，然后将提取的特征输入到Bi-LSTM神经网络中处理，在输出结果前经过Attention层，计算每个时序的权重，提取最重要的信息，将所有时序的向量进行加权和作为特征向量，得到储层特征的预测结果；
所述卷积神经网络采用双层卷积神经网络模型，模型有4层结构，分别是像素输入层、第一个卷积特征层、第二个卷积特征层和最后的传统神经网络输出层；
在多模Bi-LSTM模型中，LSTM层采用双层双向构造；
所述测井数据包括特征和标签，其中特征包括声波、密度、中子和自然伽马，标签包括与四个特征对应的孔隙度；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际声波、密度、中子和自然伽马输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到孔隙度的预测结果；或者，
所述测井数据包括特征和标签，其中特征包括电阻率、感应测井、自然电位和井径，标签包括与四个特征对应的渗透率；
将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际电阻率、感应测井、自然电位和井径输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到渗透率的预测结果。
2.如权利要求1所述的方法，其特征在于，
将所述训练集输入多模Bi-LSTM模型之前，还包括：
对训练集的数据进行归一化处理和正态化处理。
3.如权利要求1所述的方法，其特征在于，获取测井数据训练集的同时也会获取测井数据测试集；
获取测井数据测试集后，还包括：
将测试集输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果；
根据所述储层特征的预测结果和测试集内储层特征的预测结果，采用均方根误差和Pearson相关系数评价预测效果。
4.一种基于深度学习的储层特征预测装置，其特征在于，包括：
训练集获取模块，用于获取测井数据训练集；
多模Bi-LSTM模型生成模块，用于构建卷积神经网络和加入了Attention层的Attention-Based Bi-LSTM神经网络，并结合两者进行序列建模，生成多模Bi-LSTM模型；
联合优化模块，用于将所述训练集输入多模Bi-LSTM模型，采用联合训练的方式对多模Bi-LSTM模型进行训练，对卷积神经网络和Attention-Based Bi-LSTM神经网络的参数进行联合优化；
预测模块，用于将实际测井数据输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
将实际测井数据随机分布到适当规模的像素上形成像素图；
将所述像素图输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到储层特征的预测结果，具体包括：
像素图输入到多模Bi-LSTM模型后，双层卷积神经网络先对像素图进行特征提取，然后将提取的特征输入到Bi-LSTM神经网络中处理，在输出结果前经过Attention层，计算每个时序的权重，提取最重要的信息，将所有时序的向量进行加权和作为特征向量，得到储层特征的预测结果；
所述卷积神经网络采用双层卷积神经网络模型，模型有4层结构，分别是像素输入层、第一个卷积特征层、第二个卷积特征层和最后的传统神经网络输出层；
在多模Bi-LSTM模型中，LSTM层采用双层双向构造；
所述测井数据包括特征和标签，其中特征包括声波、密度、中子和自然伽马，标签包括与四个特征对应的孔隙度；
所述预测模块具体用于：
将实际声波、密度、中子和自然伽马输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到孔隙度的预测结果；或者，
所述测井数据包括特征和标签，其中特征包括电阻率、感应测井、自然电位和井径，标签包括与四个特征对应的渗透率；
所述预测模块具体用于：
将实际电阻率、感应测井、自然电位和井径输入训练后的多模Bi-LSTM模型，通过训练后的多模Bi-LSTM模型预测得到渗透率的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694823.9A CN113359212B (zh) | 2021-06-22 | 2021-06-22 | 一种基于深度学习的储层特征预测方法及模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694823.9A CN113359212B (zh) | 2021-06-22 | 2021-06-22 | 一种基于深度学习的储层特征预测方法及模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113359212A CN113359212A (zh) | 2021-09-07 |
| CN113359212B true CN113359212B (zh) | 2024-03-15 |
Family
ID=77535853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110694823.9A Active CN113359212B (zh) | 2021-06-22 | 2021-06-22 | 一种基于深度学习的储层特征预测方法及模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113359212B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002744B (zh) * | 2021-10-29 | 2023-07-14 | 重庆科技学院 | 一种基于深度学习的致密砂岩储层流体识别方法 |
| CN114033352B (zh) * | 2021-11-02 | 2023-09-05 | 天津渤海中联石油科技有限公司 | 一种井周裂缝密度估算的方法及设备 |
| CN115019893A (zh) * | 2022-06-14 | 2022-09-06 | 邵阳学院 | 一种基于双向长短时记忆和注意机制的增强子识别方法 |
| CN115032891B (zh) * | 2022-08-11 | 2022-11-08 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
| CN116152259B (zh) * | 2023-04-23 | 2023-07-04 | 西南石油大学 | 一种基于图神经网络的储层渗透率计算方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
| CN110188819A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 一种基于信息增益的cnn和lstm图像高层语义理解方法 |
| CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
-
2021
- 2021-06-22 CN CN202110694823.9A patent/CN113359212B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
| CN110188819A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 一种基于信息增益的cnn和lstm图像高层语义理解方法 |
| CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CNN-BiLSTM hybrid neural networks with attention mechanism for well log prediction;Shan Liqun et al.;《Journal of Petroleum Science and Engineering》;第205卷;第108838-1~108838-12页 * |
| 卷积神经网络在储层预测中的应用研究;段友祥 等;《通信学报》;第37卷(第Z1期);第2016240-1~2016240-9页 * |
| 基于LSTM循环神经网络的储层物性参数预测方法研究;安鹏 等;《地球物理学报》;第34卷(第5期);第1849-1858页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113359212A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
| Zhu et al. | Forming a new small sample deep learning model to predict total organic carbon content by combining unsupervised learning with semisupervised learning | |
| Zeng et al. | Attention-based bidirectional gated recurrent unit neural networks for well logs prediction and lithology identification | |
| US20210026031A1 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| CN107678059B (zh) | 一种储层含气识别的方法、装置及系统 | |
| Wang et al. | Two parameter optimization methods of multi-point geostatistics | |
| Wang et al. | Distilling knowledge from an ensemble of convolutional neural networks for seismic fault detection | |
| He et al. | Application of CNN-LSTM in gradual changing fault diagnosis of rod pumping system | |
| Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
| CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| Wang et al. | Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism | |
| CN116299665A (zh) | Lstm面波反演方法、装置及介质 | |
| Zhang et al. | Multi-source information fused generative adversarial network model and data assimilation based history matching for reservoir with complex geologies | |
| CN111882042A (zh) | 用于液体状态机的神经网络架构自动搜索方法、系统及介质 | |
| Zhou et al. | Sequential data-driven cross-domain lithology identification under logging data distribution discrepancy | |
| CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
| CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
| CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
| Xu et al. | Serial structure multi-task learning method for predicting reservoir parameters | |
| CN113592028A (zh) | 多专家分类委员会机器测井流体识别的方法及系统 | |
| Lin | An intelligent fault diagnosis model of WSN based on artificial immune system | |
| 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 |