CN113534261A - 基于智能优化集成网络的储层含气性检测方法及装置 - Google Patents
基于智能优化集成网络的储层含气性检测方法及装置 Download PDFInfo
- Publication number
- CN113534261A CN113534261A CN202110959318.2A CN202110959318A CN113534261A CN 113534261 A CN113534261 A CN 113534261A CN 202110959318 A CN202110959318 A CN 202110959318A CN 113534261 A CN113534261 A CN 113534261A
- Authority
- CN
- China
- Prior art keywords
- data
- reservoir
- well
- seismic
- gas
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 22
- 230000010354 integration Effects 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000013136 deep learning model Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000005553 drilling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004062 sedimentation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000004044 response Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 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
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于智能优化集成网络的储层含气性检测方法及装置，属于地震勘探油气检测技术领域。该方法包括：获取井数据和地震数据；提取能够表征油气特征的地震属性和已钻井的储层信息，获得数据样本和对应的标签并将其划分为训练集和验证集；基于所述训练集训练深网络模型，并采用自适应粒子群优化算法对模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；利用所述验证集对模型进行验证，若验证结果满足预设条件，则利用该模型实现由有井区到无井区储层的含气性检测。本发明综合了井点数据与地震数据，可较好的挖掘原始数据中蕴含的有效信息，提高储层含气性检测的准确性。
Description
技术领域
本发明涉及石油地球物理勘探领域，特别地，涉及一种基于智能优化集成网络的储层含气性检测方法及装置。
背景技术
地震勘探是目前最常用的油气勘探方法之一，地震数据作为了解地下地质情况的媒介，一直占有着至关重要的地位。随着油气勘探开发的不断深入，勘探对象己由常规油气藏逐渐向裂缝油气藏和岩性油气藏转变，常规储层含气性检测方法的精度和效率己难以满足对这些油气藏的预测要求，尤其是在深层条件下。因此，有针对性的循新的思路发展新的储层含气性检测方法对油气勘探开发有着重大意义。
人工智能深度学习技术的发展为储层含气性检测提供了新的思路和方法。深度学习是利用计算机从数据中自动分析获得规律，并利用获得的规律对未知数据进行预测的算法，在许多科学领域都取得了突破性的应用成果。深度学习的本质是构建一个被称之为深网络的嵌套映射矩阵，功用和数理解析模型中的变量映射关系相当。在变量关系无法确定的复杂问题中，深度学习是现阶段构建其映射关系模型的最佳手段。我们现在面临的问题就是如此：储层信息与地震数据之间的关系相当复杂，受固体骨架弹性模量、孔隙结构、孔隙大小、孔隙连通性、孔隙流体组成等多种因素的影响，表现出强的非线性特征。在这种情况下，使用深度学习构建深网络映射模型可能是最佳选择。
为此，受集成学习思想的启发，基于储层地质沉积规律及其在地震响应上的特点，我们将深度学习中的两种特殊网络卷积神经网络(CNN)和循环神经网络(RNN)进行集成，并采用自适应粒子群优化算法(PSO-ALS)对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，发明了一种基于超参数智能优化集成网络的储层含气性检测方法及装置，以最大程度地挖掘输入输出数据之间的内禀特征，提高储层含气性检测的准确性。
发明内容
有鉴于此，本发明的目的在于提出一种基于智能优化集成网络的储层含气性检测方法。首先，利用井点的储层分类数据为训练标签，提取的地震属性数据为训练输入，训练集成深网络储层含气性检测深度学习模型，建立起地震属性数据与储层信息之间的复杂映射关系。同时采用自适应粒子群优化算法对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型。然后，以无井区的地震属性数据作为输入，实现由有井区到无井区储层的含气性检测。该方法以测井数据和地震数据为驱动，可较好的挖掘原始数据中蕴含的有效信息，提高储层含气性检测的准确性。
本发明的另一个目的是提出一种基于智能优化集成网络的储层含气性检测装置。
本发明为了实现上述目的，采用如下技术方案：
第一方面，本发明提供一种基于智能优化集成网络的储层含气性检测方法，所述含气性预测方法包括：
步骤1、获取目标地区的井数据和地震数据；
步骤2、基于所述的井数据和地震数据，提取能够表征油气特征的振幅、频率、相位等地震属性数据和已钻井的储层分类信息；
步骤3、基于所述的地震属性数据和井上的储层分类信息，以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，得到所述地震数据样本和对应的标签；
步骤4、将所述地震数据样本按要求划分为训练集和验证集；
步骤5、设计集成网络深度学习模型，基于所述训练集训练集成网络深度学习模型，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；
步骤6、基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
可选地，所述步骤2包括：在获取目标地区的井数据和地震数据的基础上，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息。
可选地，所述步骤3包括：
根据地震与钻井的对应关系，将所述地震数据样本与对应的井数据进行统一尺度处理；
以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签。
可选地，所述步骤4包括：
根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库；
将目标地区内的各个测井按需求划分为训练井和验证井；
根据所述训练井对应的地震数据样本和对应的标签生成训练集；
在此基础上，根据所述验证井对应的地震数据样本和对应的标签生成验证集。
可选地，所述步骤5包括：设计集成网络深度学习模型，基于所述训练集，基于反向传播算法，利用批量随机梯度下降算法求解所述多层集成网络的储层检测深度学习模型，并采用自适应粒子群优化算法对储层检测集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，从而建立储层检测集成深网络模型。其中，所述关键超参数包括模型每层神经元节点数、时间步长及批量大小。
可选地，所述基于所述训练集对预设的集成网络进行数据训练，得到储层含气性预测模型，包括：基于所述训练集，使得所述关键参数智能优化集成深网络自动提取所述地震数据样本与储层含气性之间的关联特征，建立起用于表示所述地震数据样本与所述储层含气性之间的数学物理关系的储层的最佳含气性检测模型。
可选地，所述步骤6包括：
基于所述验证集对所述的储层含气性检测模型进行验证，若验证结果满足预设条件，则保存该含气性检测模型；
在此基础上，以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
本发明中，所述储层信息以及地震属性数据为本领域公知的常识。
第二方面，本发明基于智能优化集成网络的储层含气性检测装置，该装置用于实现权利要求上述基于智能优化集成网络的储层含气性检测方法，该含气性检测装置包括：
资料获取模块，用于获取目标区域的井数据和地震数据；
数据处理模块，用于以获取的原始地震数据和井数据为基础，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层信息；
样本及标签获取模块，用于根据地震与钻井的对应关系，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签；
数据集构建模块，根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库；
训练集和验证集划分模块，用于将所述地震数据样本和对应的标签按要求划分为训练集和验证集；
含气性检测模型生成模块，用于基于所述训练集对预设的集成网络进行数据训练，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；
含气性检测模块，用于基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
本发明提供的一种基于智能优化集成网络的储层含气性检测方法及装置，其核心问题在于：基于储层地质沉积规律及其在地震响应上的特点，以测井数据和地震数据为驱动，利用井点的储层信息为训练标签，提取的地震属性数据为训练输入，构建基于集成网络的储层含气性检测深度学习模型，建立起地震数据与储层信息之间的映射复杂映射关系，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，从而获得智能优化集成深网络的储层含气性检测深度学习模型。最后以无井区的地震属性数据作为输入，实现由有井区到无井区的储层含气性检测。
本发明的一种基于智能优化集成网络的储层含气性检测方法及装置，具有如下特点，主要表现为：
(1)在获取目标地区的井数据和地震数据的基础上，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息；根据地震与钻井的对应关系，建立地震属性与储层分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库。
(2)所述集成网络模型由卷积神经网络和循环神经网络两种特殊网络组成，充分利用这两种网络的优势最大程度地挖掘地震属性数据和储层信息之间的内禀特征；所述卷积神经网络作为地震数据信息提取的特征提取器，将卷积神经网络提取的特征信息作为所述循环神经网络的输入，以考虑地层沉积的时序关系，将其转换成内部隐含层信息，然后通过全连接层将所述隐含信息转换到储层类型数据。
(3)本发明采用自适应粒子群优化算法对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型。自适应粒子群算法能够根据种群自身的分布，通过自适应的子群划分和粒子更新来避免局部最优，提高参数寻优的准确性。自适应粒子群算法的自适应特性使得集成网络模型能够根据地震和测井数据的特征，快速、准确地确定最优超参数，实现集成网络模型结构与数据特征的有效结合。
(4)所述基于智能优化集成深深网络的储层含气性检测方法以地震属性数据作为输入，检测储层信息作为输出，具体包括三个阶段，一是提取能够表征油气特征的地震属性和已钻井的储层分类信息，构建训练集和验证集；二是利用训练集对智能优化集成深网络模型进行监督学习；三是反演预测，以无井区的地震属性数据作为输入，实现由有井区到无井区储层的含气性检测。
(5)所述超参数智能优化集成深网络的储层含气性检测方法无需建立初始反演模型，直接利用工区的少量测井标签数据，以地震属性数据为输入，将储层含气性检测转化为分类建模任务，最终输出无井区的储层含其性信息。该方法综合了井点数据与地震数据，可较好的挖掘原始地震数据中蕴含的有效信息，最大程度避免储层横向和纵向非均质性带来的影响，提高储层含气性检测的准确性。
本发明的有益效果是：该储层含气性检测方法基于数据驱动的研究思路，基于储层地质沉积规律及其在地震响应上的特点，发明了一种基于智能优化集成网络的储层含气性检测方法。该方法综合了井点数据与地震数据，减少人为因素的干扰，可较好的挖掘原始地震数据中蕴含的有效信息，最大程度避免储层横向和纵向非均质性带来的影响，降低了储层预测的多解性，提高地震勘探数据的储层如油气、烃类检测精度。
附图说明
图1为本发明实施例提供的基于智能优化集成网络储层含气性检测方法的流程图；
图2为本发明实施例采用的一种卷积神经网络结构图；
图3为本发明实施例采用的一种循环神经网络结构图；
图4为本发明实施例采用的一种集成卷积循环深网络结构图；
图5为本发明提供实施例研究区的原始地震剖面；
图6为本发明提供实施例中的AVO属性分析结果连井P-G属性过井剖面；
图7为本发明提供实施例中的智能优化集成网络含气性检测方法的反演结果剖面；
图8为本发明实施例提供的智能优化集成网络的储层含气性检测装置的结构框图；
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。
步骤1、获取目标地区的井数据和地震数据；
步骤2、基于所述的井数据和地震数据，提取能够表征油气特征的振幅、频率、相位等地震属性数据和已钻井的储层分类信息；
步骤3、基于所述的井地震属性数据和井上的储层分类信息，以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，得到所述地震数据样本和对应的标签；
步骤4、将所述地震数据样本和对应的标签划分为训练集和验证集；
步骤5、设计集成网络深度学习模型，基于所述训练集训练集成网络深度学习模型，迭代计算使其达到收敛，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；
步骤6、基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
可选地，所述步骤2包括：在获取目标地区的井数据和地震数据的基础上，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息。
可选地，所述步骤3包括：
根据地震与钻井的对应关系，将所述叠前地震数据样本与对应的井数据进行统一尺度处理；
以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签。
可选地，所述步骤4包括：
根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库；
将目标地区内的各个测井根据需求划分为训练井和验证井；
根据所述训练井对应得所述地震数据样本和对应的标签生成训练集；
在此基础上，根据所述验证井对应得所述地震数据样本和对应的标签生成验证集。
可选地，所述步骤5包括：设计集成网络深度学习模型，基于所述训练集地震数据样本和对应的标签，基于反向传播算法，利用批量随机梯度下降算法求解所述多层集成网络的储层检测深度学习模型，并采用自适应粒子群优化算法对储层检测集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，从而建立超参数智能优化集成深网络的储层检测深度学习模型。其中，所述关键超参数包括模型每层神经元节点数、时间步长及批量大小。
可选地，所述基于所述训练集对预设的集成网络进行数据训练，得到储层含气性预测模型，包括：基于所述训练集，使得所述智能优化集成深网络模型自动提取所述地震数据样本与储层含气性之间的关联特征，建立起用于表示所述地震数据样本与所述储层含气性之间的数学物理关系的储层的含气性检测模型。
可选地，所述步骤6包括：
基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则保存该含气性检测模型；
在此基础上，以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
图2为本发明实施例采用的一种卷积神经网络结构图，卷积神经网络是深度学习中最经典的网络模型之一，作为一种特殊前馈神经网络，具有局部连接和权值共享两大特点，在区域局部特征提取和图像处理等方面具有很大的优势，已在图像分类、自然语言处理等领域获得显著成效。CNN由于能够自动解释和反演地震或测井数据而受到地球物理学家的特别关注，已成功应用于合成地震记录重建地下速度模型、从测井资料中自动解释岩性相等。故本发明使用CNN进行地震数据深层特征的挖掘。
图3为本发明实施例采用的一种循环神经网络结构图，循环神经网络是一种具有独特优势处理序列数据的特殊神经网络，已在许多序列处理任务中获得了广泛应用。所述RNN利用时序记忆的强大特性，跨时间提取特征信息，是一种对时序数据进行建模的深度神经网络。该网络模型弥补了卷积神经网络无法根据时序数据中前后时刻的预测结果影响当前时刻的计算的问题。故本发明使用RNN提取地震数据的时序特征，
图4为本发明实施例采用的一种集成卷积循环(CNN+RNN)深网络结构图。基于储层地质沉积规律及其在地震响应上的特点，针对地震数据和储层类型信息之间的复杂关系。受集成学习的思想的启发，为充分利用卷积神经网络和双向循环网络两种特殊网络的特性，最大程度的挖掘地震属性数据和储层类型信息之间的内禀特征，本发明提出了将两者结合以处理具有复杂特征数据的集成网络模型。其主要思路有两方面。首先，作为一种特殊网络模型，卷积神经网络可以较好的学习数据特征，并且通过权值共享使得运算量大大降低。卷积神经网络不会因为对数据深层次特征的提取而导致大量特征信息损失，考虑到一维卷积神经网络模型的输入数据是数值向量，而地震数据通过适当处理后可生成满足一维卷积神经网络模型的输入要求。因此，本发明选用一维卷积神经网络作为地震数据信息提取的特征提取器。其次，从储层沉积连续性角度，地震数据可以看作纵向上具有联系的时序数据，时序特征也是进行储层检测的关键信息。由于具有很强的记忆能力，循环网络网络可高效提取时序数据的时序特征，故本文将卷积神经网络提取的特征信息作为循环网络的输入，充分利用循环网络学习地震数据沿深度方向的趋势信息，以考虑地层沉积的时序关系，一定程度上降低预测结果的不确定性。
本发明采用自适应粒子群优化算法对储层检测集成深网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，从而建立超参数智能优化集成深网络的储层检测深度学习模型。自适应粒子群算法能够根据种群自身的分布，通过自适应的子群划分和粒子更新来避免局部最优，提高参数寻优的准确性。自适应粒子群算法的自适应特性使得集成网络模型能够根据地震和测井数据的特征，快速、准确地确定最优超参数，实现集成网络模型网络结构与地震和测井数据特征的有效结合。
图5为本发明提供实施例某研究区的原始地震剖面，该研究区储层非均质性强，物性纵横向变化大，风化壳顶部在地震剖面上有一个较为明显的响应，底部地震特征响应不明显，导致风化壳底界面的追踪和识别具有一定的难度，难以获得储集层的有利分布范围。
图6为本发明提供实施例的AVO属性分析结果连井P-G属性过井剖面。AVO属性分析是在Zoeppritz方程近似上发展提出的截距和梯度理论，截距剖面是P波叠加形成的，与泊松比特征变化有关。梯度G剖面是梯度叠加剖面，梯度剖面反映了岩石性质变化的整体特征。一般来说，难以单独使用梯度剖面解释AVO特征。截距P剖面表征了垂直入射时的纵波反射系数，所以多用截距P和斜率G剖面结合显示。根据Zoeppritz近似方程，以截距P剖面为填充背景，同时用其它颜色凸显梯度G的值，可以在实际地震资料反演中形成一套被研究学者们广泛应用的AVO属性剖面。用P与G相加得到的属性剖面称为泊松比变化率剖面，可反映相对泊松比的变化信息，对岩性和储层预测有参考意义。由P与G相乘制作的P-G属性剖面可反映碳氢含量。这也是常见的AVO属性分析剖面。据Hilterman近似理论，P-G剖面在反演中更易于识别气层。
用截距P与梯度G相乘构建的P-G剖面反映储层中的碳氢含量。图6所示为过井1和井2的P-G属性剖面，能够看出井2处有气层响应，与实测结果也较为一致。但井1目的层处见含气响应，与实测该处为水层的认知不符，P-G属性分析效果一般。表明AVO属性分析方法无法有效识别研究区的风化壳含气储层，我们认为AVO属性分析方法不适用于研究区储层含气性检测。
将基于智能优化集成深网络的储层含气性检测方法应用于研究区进行含气性检测，反演结果如图7所示。井2实测储层位于风化壳顶界面下方，厚度较厚，反演结果在该处为红黄色响应特征，与实际情况吻合。井1储层厚度较薄，钻井显示风化壳处为水层，地震剖面显示为灰色响应。结果表明基于智能优化集成深网络的储层含气性检测方法在研究区应用良好，适合研究区的储层含气性的检测。
对比分析AVO分析方法和智能优化集成网络的储层含气性检测方法在研究区的储层含气性检测结果。AVO正演模拟中花岗岩风化壳气层与干层的AVO响应特征有所差异，但在实际花岗岩风化壳储层中，AVO属性分析所得P-G剖面分布略为杂乱，无法获得有效的含气异常响应，该方法应用效果较差。基于智能优化集成网络的储层含气性检测方法以测井数据和地震数据为驱动，利用训练模型对目标区域的含气性进行预测，得到了良好的反演效果，证实该方法适用于研究区的储层含气性检测。
本发明的还提供了一种能够实现上述基于智能优化集成网络的储层含气性检测方法的储层含气性检测装置，的具体实施方式详见图8，所述储层含气性检测装置具体包括如下内容：
资料获取模块，用于获取目标区域的井数据和地震数据；
数据处理模块，用于以获取的原始地震数据井数据为基础，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息；
样本及标签获取模块，用于根据地震与钻井的对应关系，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签；
数据集构建模块，根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库；
训练集和验证集划分模块，用于将所述地震数据样本和对应的标签按要求划分为训练集和验证集；
含气性检测模型生成模块，用于基于所述训练集对预设的集成网络进行数据训练，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得超参数智能优化集成网络的储层含气性检测模型；
含气性检测模块，用于基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
以上显示和描述描述了本发明专利的基本原理，主要特征和本发明专利的特点。本行业的技术人员应该了解，本发明专利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本发明专利的原理，在不脱离本发明专利精神和范围的前提下，本发明专利还会有各种变化和改进，这些变化的改进都落入要求保护的本发明专利的范围内。
Claims (7)
1.一种基于智能优化集成网络的储层含气性检测方法，其特征在于，所述含气性检测方法包括以下步骤：
1)获取井数据和地震数据；
2)基于所述的井数据和地震数据，提取能够表征油气特征的地震属性和已钻井的储层分类信息；
3)基于所述的地震属性数据和井上储层分类信息，以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，得到地震数据样本和对应的标签；
4)将所述地震数据样本和对应的标签划分为训练集和验证集；
5)设计集成网络深度学习模型，基于所述训练集训练集成网络深度学习模型，迭代计算使其达到收敛，并采用自适应粒子群优化算法对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；
6)基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
2.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于：在获取目标地区的井数据和地震数据的基础上，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息；根据地震与钻井的对应关系，建立地震属性与储层分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库。
3.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于：所述集成网络深度学习模型由卷积神经网络和循环神经网络两种特殊组成，充分利用这两种网络的优势最大程度地挖掘地震属性数据和储层信息之间的内禀特征；所述卷积神经网络作为地震数据信息提取的特征提取器，将卷积神经网络提取的特征信息作为所述循环神经网络的输入，以考虑地层沉积的时序关系，将其转换成内部隐含层信息，然后通过全连接层将所述隐含信息转换到储层类型数据。
4.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于，该方法以测井数据和地震数据为驱动，以地震属性数据作为输入，预测储层信息作为输出，具体包括三个阶段，一是提取能够表征油气特征的地震属性和已钻井的储层分类信息，构建训练集和验证集；二是利用训练集对关键超参数智能优化集成深网络进行监督学习；三是反演预测，以无井区的地震属性数据作为输入，实现由有井区到无井区储层的含气性检测。
5.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于，所述基于所述训练集训练集成网络储层检测深度学习模型，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，从而建立最佳的储层检测关键超参数智能优化集成深网络模型包括：
设计集成网络深度学习模型，基于所述训练集地震数据样本和对应的标签，基于反向传播算法，利用批量随机梯度下降算法求解所述多层集成网络的储层检测深度学习模型，并采用自适应粒子群优化算法对储层检测集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，从而建立起最佳的储层检测集成深网络模型。其中，所述关键超参数包括模型每层神经元节点数、时间步长及批量大小。
6.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于：该方法无需建立初始反演模型，直接利用工区的少量测井标签数据，以地震属性数据为输入，将储层含气性检测转化为分类建模任务，最终输出无井区的储层含气性信息。该方法综合了井点数据与地震数据，可较好的挖掘原始地震数据中蕴含的有效信息，最大程度避免储层横向和纵向非均质性带来的影响，实现由有井区到无井区储层的含气性检测。
7.一种基于智能优化集成网络的储层含气性检测装置，其特征在于，所述装置包括：
资料获取模块，用于获取目标区域的井数据和地震数据；
数据处理模块，用于以获取的原始地震数据和井数据为基础，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息；
样本及标签获取模块，用于根据地震与钻井的对应关系，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签；
数据集构建模块，根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库；
训练集和验证集划分模块，用于将所述地震数据样本按要求划分为训练集和验证集；
含气性检测模型生成模块，用于基于所述训练集对预设的集成网络进行数据训练，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；
含气性检测模块，用于基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959318.2A CN113534261A (zh) | 2021-08-20 | 2021-08-20 | 基于智能优化集成网络的储层含气性检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959318.2A CN113534261A (zh) | 2021-08-20 | 2021-08-20 | 基于智能优化集成网络的储层含气性检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113534261A true CN113534261A (zh) | 2021-10-22 |
Family
ID=78091913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110959318.2A Withdrawn CN113534261A (zh) | 2021-08-20 | 2021-08-20 | 基于智能优化集成网络的储层含气性检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113534261A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114167497A (zh) * | 2021-11-16 | 2022-03-11 | 中国地质大学（武汉） | 基于相似性度量地质结构标签的ssl-cnn储层油气检测方法 |
| CN114624773A (zh) * | 2022-04-29 | 2022-06-14 | 成都理工大学 | 一种确定致密储层含气性的方法及装置 |
| CN115308799A (zh) * | 2022-09-05 | 2022-11-08 | 中国地质科学院地质力学研究所 | 一种地震成像游离气构造识别方法及系统 |
| WO2023154610A1 (en) * | 2022-02-09 | 2023-08-17 | Bp Corporation North America Inc. | Method and apparatus for seismic data inversion |
-
2021
- 2021-08-20 CN CN202110959318.2A patent/CN113534261A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114167497A (zh) * | 2021-11-16 | 2022-03-11 | 中国地质大学（武汉） | 基于相似性度量地质结构标签的ssl-cnn储层油气检测方法 |
| CN114167497B (zh) * | 2021-11-16 | 2024-05-07 | 中国地质大学（武汉） | 基于相似性度量地质结构标签的ssl-cnn储层油气检测方法 |
| WO2023154610A1 (en) * | 2022-02-09 | 2023-08-17 | Bp Corporation North America Inc. | Method and apparatus for seismic data inversion |
| CN114624773A (zh) * | 2022-04-29 | 2022-06-14 | 成都理工大学 | 一种确定致密储层含气性的方法及装置 |
| CN115308799A (zh) * | 2022-09-05 | 2022-11-08 | 中国地质科学院地质力学研究所 | 一种地震成像游离气构造识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | Attention-based bidirectional gated recurrent unit neural networks for well logs prediction and lithology identification | |
| US11520077B2 (en) | Automated reservoir modeling using deep generative networks | |
| US11599790B2 (en) | Deep learning based reservoir modeling | |
| US11636240B2 (en) | Reservoir performance system | |
| Nikravesh | Soft computing-based computational intelligent for reservoir characterization | |
| CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
| Wang et al. | Shear wave velocity prediction based on adaptive particle swarm optimization optimized recurrent neural network | |
| Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
| 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 | |
| Liu et al. | Artificial intelligence method for shear wave travel time prediction considering reservoir geological continuity | |
| Yuyang et al. | Shale gas well flowback rate prediction for Weiyuan field based on a deep learning algorithm | |
| Tan et al. | Evaluation of complex petroleum reservoirs based on data mining methods | |
| Wang et al. | Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism | |
| US20240126959A1 (en) | Reservoir modeling | |
| Guo et al. | A method of predicting oil and gas resource spatial distribution based on Bayesian network and its application | |
| Yang et al. | Deep-learning missing well-log prediction via long short-term memory network with attention-period mechanism | |
| Barham et al. | Predicting the maturity and organic richness using artificial neural networks (ANNs): A case study of Montney Formation, NE British Columbia, Canada | |
| Chaikine et al. | A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs | |
| CN114741944A (zh) | 一种利用机器学习和深度学习算法预测测井曲线的方法 | |
| Hou et al. | Data-driven optimization of brittleness index for hydraulic fracturing | |
| US20230176242A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
| CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
| Mukherjee et al. | Vertical lithological proxy using statistical and artificial intelligence approach: a case study from Krishna-Godavari Basin, offshore India | |
| Azizzadeh Mehmandoust Olya et al. | Hydrocarbon reservoir potential mapping through Permeability estimation by a CUDNNLSTM Deep Learning Algorithm | |
| Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211022 |