CN113537544A - 一种基于卷积神经网络的圈闭有效性评价方法 - Google Patents
一种基于卷积神经网络的圈闭有效性评价方法 Download PDFInfo
- Publication number
- CN113537544A CN113537544A CN202010308477.1A CN202010308477A CN113537544A CN 113537544 A CN113537544 A CN 113537544A CN 202010308477 A CN202010308477 A CN 202010308477A CN 113537544 A CN113537544 A CN 113537544A
- Authority
- CN
- China
- Prior art keywords
- trap
- neural network
- convolutional neural
- convolution
- dimensional
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 239000010410 layer Substances 0.000 claims description 51
- 238000011176 pooling Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 230000003213 activating effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 210000003484 anatomy Anatomy 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 30
- 238000004364 calculation method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009825 accumulation 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
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- 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
- G06N3/045—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Abstract
本发明公开了一种基于卷积神经网络的圈闭有效性评价方法，通过对三维地质体进行切片得到的二维地质属性平面，将属性平面网格化各点与对应点实际出油气情况（油气藏、出油气点、空圈闭）作为训练数据，搭建卷积神经网络，将不同的属性切片及对应坐标标签输入到训练网络之中，获得训练后网络参数权重，根据训练准确率，不断调整参数，直到训练准确率达到标准，将网络参数锁定，将待评价区域数据输入到网络中进行预测评价。该方法主要应用了深度学习技术在以下几个方面的优势：拟合能力很强；自动获取特征；灵活性很强；具有良好的应用效果和推广前景。
Description
技术领域
本发明涉及油气地质勘探技术领域，适用于对圈闭的有效性进行评价预测，具体是一种根据实际圈闭地质解剖，利用卷积神经网络原理对未知圈闭的含油气性进行预测的方法。
背景技术
石油和天然气都是活动的流体，它们在自然环境中能够从一个地方运移到另一个地方。圈闭是捕获、聚集和保存油气的场所，是油气聚集的最基本单元。因此，圈闭成了油气勘探的主要对象。
圈闭有效性评价是在综合分析区域地质条件和圈闭石油地质条件的基础上，评价圈闭成藏条件的优劣和成藏可能性的大小。客观评价油气发现概率，是区带、圈闭评价的主要内容。实际勘探经验表明，圈闭钻探的成功率一般仅在40％左右，由此可见，基于地质资料对于圈闭进行准确的有效性评价是具有重大意义的。
目前圈闭有效性评价常用的方法有：模糊数学判别法、地质风险概率法、专家系统分析法、BP神经网络法、灰色关联分析法、含油气风险依赖性法等方法。这些方法都或多或少的有一些弊端。例如：专家系统法、灰色关联法虽不断改进，但仍都是由人为给定要素权重，存在很大的不确定性；地质风险概率法按“源、储、圈、保、盖”分别制定分级标准，但其评价算法简单，只能应用于勘探程度较高且地质构造简单的区域；BP神经网络法摆脱了人为加权，但由于其结构简单，方法自适应性较差；含油气风险依赖性法采用“概率组合加和方法”，提高了圈闭统一优选排队的合理性，但由于其人为推测地下结构，准确性还有待提升。
经检索，中国专利CN109215029A公开了《一种基于卷积神经网络的三维地质异常体的分割提取方法》，该方法通过从三维地质异常体数据选择大量中心点，将中心点扩展一定大小作为训练集，训练集从X、Y、Z三个维度进行切片，将所有切片进行训练，获得训练后网络参数权重，把三维河道数据所有点作为中心点，扩展为一定大小的区域作为测试集，依据结果对卷积神经网络参数进行调节，再次训练与测试，直到达到理想效果。但是该方法主要解决的是三维河道数据异常体的的分割提取方法，不适用于常规圈闭有效性评价。
发明内容
本发明目的就是针对现有技术存在的问题，以卷积神经网络为基础，以解剖得到的圈闭要素作为训练参数，以实际圈闭出油气情况作为标签，训练卷积神经网络，提供一种基于卷积神经网络的圈闭有效性评价方法。
本发明提供以下技术措施：
一种基于卷积神经网络的圈闭有效性评价方法，包括：
步骤1，将工作区域地震资料、钻井资料、测井资料、岩心资料作为工区解剖的基础数据库，通过地质方法搭建三维地质体模型；
步骤2，将三维地质体模型按照圈闭要素解剖为已知圈闭和待评价圈闭；
步骤3，针对已知圈闭通过已知区域的实际出油气情况，编制训练标签，将已成藏圈闭、出油气井点、空圈闭分别进行标记；
步骤4，将三维地质体模型网格化，再将网格化的三维数据体二维化；
步骤5，将步骤4的二维化平面数据预处理，提取卷积特征，分离出的不同属性参数面作为训练数据，搭建评价卷积神经网络；
步骤6，将调参训练好的评价卷积神经网络保存；
步骤7，按照步骤4的方法，将步骤2中的待评价圈闭三维地质体模型处理后的数据具有与已知圈闭相同的属性参数，输入步骤6的评价卷积神经网络，对待评价圈闭进行评价。
上述方案进一步包括：
所述步骤5中的卷积过程包括：对输入二维化平面用一个可训练的滤波器fx即卷积核去卷积，然后加一个偏置bx，计算得到卷积层Cx；子采样过程包括：邻域内四个像素求和变为一个像素，然后通过wx+1加权，再加偏置bx+1，通过Relu激活函数进行数值提取，得到一个数量缩小四倍的特征映射图Sx+1。
搭建两层“卷积+池化层”，最后加入全连接层。
卷积过程中卷积核大小选取工区范围边界大小的1/10，步长以卷积核大小一半，第二层卷积核大小同样按照此规则选取；卷积通道数按照参与训练的属性参数的个数来设置，包括沉积微相类型、隔层频率、砂体厚度、砂地比、孔隙度五种参数。
还包括激活：所述评价卷积神经网络选取Relu函数作为激活函数，Relu函数式为f(x)＝max(0,x)。
还包括池化：所述池化采用最大池化方法(Max-pool)，把提取之后的特征看做一个矩阵，并在这个矩阵上划分出几个不重合的区域，然后在每个区域上计算该区域内特征的最大值，然后用这些最大值参与后续的训练。
通过两次“卷积-激活-池化”后，数据进入Dropout层，之后进入全连接层，通过Softmax算法进行匹配，判别圈闭有效性类型，从而达到对圈闭有效性的判别预测。
所述步骤4中，三维数据体根据不同属性分为不同的属性体，其数据格式为(x,y,z,value)，将n个相同(x,y)坐标点按z值从小到大排列，按照排列顺序赋索引值(0，n)，将相同索引值点取出组成一个面，得出不同平面的各种属性二维面(x,y,value)。
所述步骤7中，待评价圈闭三维地质体模型处理后的数据具有与已知圈闭相同的属性参数，包括相同的属性个数、属性种类、网格大小。
所述搭建评价卷积神经网络是多层的人工神经网络，每层由多个二维平面构成，同时每个平面又由多个独立的神经元组成，输入通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数得到三个S2层的特征映射图，这些映射图再经过相应滤波得到C3层，该层再和S2一样产生S4，最终，这些值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
本发明通过对三维地质体进行切片得到的二维地质属性平面，将属性平面网格化各点(x,y,value)与对应点实际出油气情况(油气藏、出油气点、空圈闭)作为训练数据，搭建卷积神经网络，将不同的属性切片及对应坐标标签输入到训练网络之中，获得训练后网络参数权重，根据训练准确率，不断调整参数，直到训练准确率达到标准，将网络参数锁定，将待评价区域数据输入到网络中进行预测评价。
本发明基于深度学习方法卷积神经网络结构，为圈闭有效性评价提出了新方法。该方法主要应用了深度学习技术在以下几个方面的优势：
①拟合能力很强：可以做非常复杂的非线性映射；
②自动获取特征：深度神经网络可以提取图像，语音，文本的抽象特征，而且提取出来的特征要比人为提取的特征具有更强的泛化性能，为后面不同的任务提供特征；
③灵活性很强：设计不同的结构，可以改变网络提取特征的方法，同样也可以对拟合目标函数达到不同的效果。该方法具有良好的应用效果和推广前景。
附图说明
图1本发明的一种卷积特征提取示意图；
图2本发明的一种卷积神经网络结构设计图；
图3本发明的一种整体评价技术路线图；
图4本发明的一种深度学习评价模块流程图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
实施例1
一种基于卷积神经网络的圈闭有效性评价方法，包括：
(1)三维地质体数据的二维提取。三维地质体根据不同属性可以分为不同的属性体，其数据格式为(x,y,z,value)。将n个相同(x,y)坐标点按z值从小到大排列，按照排列顺序赋索引值(0，n)，将相同索引值点取出组成一个面，最终可得出不同平面的各种属性二维面(x,y,value)。
(2)搭建评价卷积神经网络。卷积神经网络是多层的人工神经网络，每层由多个二维平面构成，同时每个平面又由多个独立的神经元组成。输入通过和三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数(Sigmoid函数)得到三个S2层的特征映射图。这些映射图再经过相应滤波得到C3层。该层再和S2一样产生S4。最终，这些值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
(3)卷积
卷积是分析数学中的一种运算，设f(x)，g(x)是上两个可积函数，做积分
这个积分定义了函数的卷积，公式中f(x)和g(x)函数是卷积的变量，τ是积分变量，x是使函数g(-τ)位移的量，星号*表示卷积。
自然世界中的物理信号有其固有特性，也就是说，信号的一部分的统计特性与其他部分在很大程度上是一样的。例如，从一个大分辨率的图像中随机选取5*5的小块作为样本，并且从该样本中学习到了一些特征，这时可以把从这个5*5样本中学习到的特征探测器应用到这个图像的任意地方中去。特别是，可以用从5*5样本中所学习到的特征探测器跟原本的大分辨率图像作卷积，从而对这个大分辨率图像上的任一位置获得一个不同的特征激活值。
(4)池化
以图像为例，使用卷积后的特征是因为图像具有一种“静态性”的属性，这意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大分辨率的图像，一个自然的想法是对不同位置的特征进行统计，例如可以计算图像一个区域上的特定特征卷积核卷积后的平均值(或最大值)。这些计算后的统计特征具有低得多的维度(相当于做了下采样)，同时也提高了模型的泛化能力(不容易过拟合)。这种聚合的操作叫做池化，有时也称为平均池化或者最大池化(取决于计算的方法)。
实施例2
参照附图3，一种基于卷积神经网络的圈闭有效性评价方法，包括：
步骤1，将工作区域地震资料、钻井资料、测井资料、岩心资料作为工区解剖的基础数据库，通过地质方法搭建三维地质体模型；
步骤2，将三维地质体模型按照圈闭要素解剖为已知圈闭和待评价圈闭；
步骤3，针对已知圈闭通过已知区域的实际出油气情况，编制训练标签，将已成藏圈闭、出油气井点、空圈闭分别进行标记；
步骤4，将三维地质体模型网格化，再将网格化的三维数据体二维化；
步骤5，将步骤4的二维化平面数据预处理，提取卷积特征，分离出的不同属性参数面作为训练数据，搭建评价卷积神经网络；
步骤6，将调参训练好的评价卷积神经网络保存；
步骤7，按照步骤4的方法，将步骤2中的待评价圈闭三维地质体模型处理后的数据具有与已知圈闭相同的属性参数，输入步骤6的评价卷积神经网络，对待评价圈闭进行评价。
其中：
所述步骤5中的卷积过程包括：对输入二维化平面用一个可训练的滤波器fx即卷积核去卷积，然后加一个偏置bx，计算得到卷积层Cx；子采样过程包括：邻域内四个像素求和变为一个像素，然后通过wx+1加权，再加偏置bx+1，通过Relu激活函数进行数值提取，得到一个数量缩小四倍的特征映射图Sx+1。
搭建两层“卷积+池化层”，最后加入全连接层。
卷积过程中卷积核大小选取工区范围边界大小的1/10，步长以卷积核大小一半，第二层卷积核大小同样按照此规则选取；卷积通道数按照参与训练的属性参数的个数来设置，包括沉积微相类型、隔层频率、砂体厚度、砂地比、孔隙度五种参数。
激活：所述评价卷积神经网络选取Relu函数作为激活函数，Relu函数式为f(x)＝max(0,x)。
池化：所述池化采用最大池化方法(Max-pool)，把提取之后的特征看做一个矩阵，并在这个矩阵上划分出几个不重合的区域，然后在每个区域上计算该区域内特征的最大值，然后用这些最大值参与后续的训练。
通过两次“卷积-激活-池化”后，数据进入Dropout层，之后进入全连接层，通过Softmax算法进行匹配，判别圈闭有效性类型，从而达到对圈闭有效性的判别预测。
所述步骤4中，三维数据体根据不同属性分为不同的属性体，其数据格式为(x,y,z,value)，将n个相同(x,y)坐标点按z值从小到大排列，按照排列顺序赋索引值(0，n)，将相同索引值点取出组成一个面，得出不同平面的各种属性二维面(x,y,value)。
所述步骤7中，待评价圈闭三维地质体模型处理后的数据具有与已知圈闭相同的属性参数，包括相同的属性个数、属性种类、网格大小。
所述搭建评价卷积神经网络是多层的人工神经网络，每层由多个二维平面构成，同时每个平面又由多个独立的神经元组成，输入通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数得到三个S2层的特征映射图，这些映射图再经过相应滤波得到C3层，该层再和S2一样产生S4，最终，这些值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
实施例3
请参阅图3，本发明提供了一种基于卷积神经网络的圈闭评价方法，具体通过以下步骤实现：
步骤1，将工区地震资料、钻井资料、测井资料、岩心资料作为工区解剖的基础数据库，通过地质方法搭建三维地质体模型。
步骤2，通过已知区域的实际出油气情况，编制训练标签，将已成藏区域坐标点标为“2”，出油气井点标为“1”，空圈闭标为“0”。
步骤3，将三维地质体模型网格化，再将网格化的三维数据体二维化。具体做法是将坐标点(x，y，z)中的z值按照从小到大排列，再将所有点z值最小的提出(x，y)坐标组成一个面，z值次小的组成第二个面，以此类推，就完成了三维地质体模型的二维化。根据属性的不同，可以得到相同坐标的多个二维属性平面。
步骤4，卷积神经网络搭建，参阅图2。
进一步地，步骤4可分为三个小步骤：
卷积：
卷积和采样过程由图1所示。卷积过程包括：对输入二维平面用一个可训练的滤波器fx即卷积核去卷积(后面高层次卷积对象为前面得到的特征图)，然后加一个偏置bx，计算得到卷积层Cx。子采样过程包括：邻域内四个像素求和变为一个像素，然后通过wx+1加权，再加偏置bx+1，通过Relu激活函数进行数值提取，得到一个数量缩小四倍的特征映射图Sx+1。
将步骤3分离出的不同属性参数面作为训练数据。搭建两层“卷积+池化层”，最后加入全连接层。卷积核大小选取工区范围边界大小的1/10，如平面为100*100，则卷积核选取10*10即可，步长以卷积核大小一半为宜。第二层卷积核大小同样按照此规则选取。
卷积通道数按照参与训练的属性参数的个数来设置。如示例工区中参评参数有沉积微相类型、隔层频率、砂体厚度、砂地比、孔隙度五种参数，则通道数设置为“5”，每层各点由于坐标值完全相同，故无需对卷积核大小进行特别设置。
激活：激活函数选取原则：(1)非线性。线性激活层对于深层神经网络没有作用，因为其作用以后仍然是输入的各种线性变换。(2)连续可微。梯度下降法的要求。(3)范围最好不饱和，当有饱和的区间段时，若系统优化进入到该段，梯度近似为0，网络的学习就会停止。(4)单调性，当激活函数是单调时，单层神经网络的误差函数是凸的，好优化。(5)在原点处近似线性，这样当权值初始化为接近0的随机值时，网络可以学习的较快，不用可以调节网络的初始值。
本网络选取Relu函数作为激活函数，Relu函数式为f(x)＝max(0,x)。Relu函数相较传统的激活函数，主要优势体现在x>0时，梯度恒为1，无梯度耗散问题，收敛快，运算量很小，增大了网络的稀疏性，相对于其他的函数效果较好。
池化：以图像为例，使用卷积后的特征是因为图像具有一种“静态性”的属性，这意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大分辨率的图像，一个自然的想法是对不同位置的特征进行统计，例如可以计算图像一个区域上的特定特征卷积核卷积后的平均值(或最大值)。这些计算后的统计特征具有低得多的维度(相当于做了下采样)，同时也提高了模型的泛化能力(不容易过拟合)。这种聚合的操作叫做池化，有时也称为平均池化或者最大池化(取决于计算的方法)。
本发明采用最大池化方法(Max-pool)，过程就是把提取之后的特征看做一个矩阵，并在这个矩阵上划分出几个不重合的区域，然后在每个区域上计算该区域内特征的最大值，然后用这些最大值参与后续的训练。
通过两次“卷积-激活-池化”后，数据进入Dropout层，主要作用是为了防止过拟合，之后进入全连接层，通过Softmax算法进行匹配，判别圈闭有效性类型，从而达到对圈闭有效性的判别预测。过程如图4所示，展示了一个根据结果准确率调参过程。
步骤5，整理待评价区域评价参数，输入到训练完毕的卷积神经网络中。待评价区域参数整理可参考步骤3中的方法，整理后的数据应具有与训练数据相同的属性个数、属性种类、网格大小等。
特别说明：
三维地质体数据二维化
地质建模数据往往是三维数据体，但目前的卷积神经网络，还无法对三维数据体进行卷积。只能将三维数据体网格化，之后再按照一个面一个面分开，面上的每个点都具有(x,y)坐标值和属性值。每一个面可以按照属性值的不同，拆分成多种类型的面数据，如可以表示孔隙度、渗透率等物性参数的数值大小，或表示该点坐标沉积相类型等。
根据实际情况为点数据打标签
根据对已知地区的出油气情况进行统计，可以确定不同位置的出油气情况。可将其分为三类：已形成油气藏的(Ⅰ类)、出油气井点(Ⅱ类)、空圈闭(Ⅲ类)。按照这三类对已知数据点进行标记，为后面的训练工作提供样本数据。
卷积提取特征
设置与参数类型数目相同的通道个数，每个通道可分别设置卷积核的大小、个数，多通道同时进行卷积计算。这里主要使用的是Tensorflow深度学习库的内置二维卷积函数进行卷积计算。
池化降维
由于地质体体量庞大，将其二维化后再卷积，数据量成倍增加。为了降低数据量庞大所带来的影响，采用最大池化计算降低数据量。最大池化算法的优点具有平移不变性，在经过池化运算减少数据量后，不会影响到数据原本的特征，是数据降维常用的算法。
全连接判别
池化后的数据通过全连接层，可自动按概率给出对该点的类型判别，并与之前第2步给出的实际情况标签做对比，网络自动计算，不断使评价的结果接近真实结果，使误差值达到最小。
对未知圈闭进行评价
将调参训练好的神经网络保存，输入待评价区域的属性参数。网络将根据该地区的油气成藏实际规律与参数之间的关系，自动根据参数数值类型对未知圈闭进行分类，从而实现对未知圈闭进行评价的功能。
Claims (10)
1.一种基于卷积神经网络的圈闭有效性评价方法，其特征在于：
步骤1，将工作区域地震资料、钻井资料、测井资料、岩心资料作为工区解剖的基础数据库，通过地质方法搭建三维地质体模型；
步骤2，将三维地质体模型按照圈闭要素解剖为已知圈闭和待评价圈闭；
步骤3，针对已知圈闭通过已知区域的实际出油气情况，编制训练标签，将已成藏圈闭、出油气井点、空圈闭分别进行标记；
步骤4，将三维地质体模型网格化，再将网格化的三维数据体二维化；
步骤5，将步骤4的二维化平面数据预处理，提取卷积特征，分离出的不同属性参数面作为训练数据，搭建评价卷积神经网络；
步骤6，将调参训练好的评价卷积神经网络保存；
步骤7，按照步骤4的方法，将步骤2中的待评价圈闭三维地质体模型处理后的数据具有与已知圈闭相同的属性参数，输入步骤6的评价卷积神经网络，对待评价圈闭进行评价。
2.根据权利要求1所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于所述步骤5中的卷积过程包括：对输入二维化平面用一个可训练的滤波器fx即卷积核去卷积，然后加一个偏置bx，计算得到卷积层Cx；
子采样过程包括：邻域内四个像素求和变为一个像素，然后通过wx+1加权，再加偏置bx+1，通过Relu激活函数进行数值提取，得到一个数量缩小四倍的特征映射图Sx+1。
3.根据权利要求2所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于：搭建两层“卷积+池化层”，最后加入全连接层。
4.根据权利要求3所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于：卷积过程中卷积核大小选取工区范围边界大小的1/10，步长以卷积核大小一半，第二层卷积核大小同样按照此规则选取；卷积通道数按照参与训练的属性参数的个数来设置，包括沉积微相类型、隔层频率、砂体厚度、砂地比、孔隙度五种参数。
5.根据权利要求4所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于还包括激活：所述评价卷积神经网络选取Relu函数作为激活函数，Relu函数式为f(x)＝max(0,x)。
6.根据权利要求5所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于还包括池化：所述池化采用最大池化方法(Max-pool)，把提取之后的特征看做一个矩阵，并在这个矩阵上划分出几个不重合的区域，然后在每个区域上计算该区域内特征的最大值，然后用这些最大值参与后续的训练。
7.根据权利要求6所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于：通过两次“卷积-激活-池化”后，数据进入Dropout层，之后进入全连接层，通过Softmax算法进行匹配，判别圈闭有效性类型，从而达到对圈闭有效性的判别预测。
8.根据权利要求1-7任一所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于所述步骤7中，待评价圈闭三维地质体模型处理后的数据具有与已知圈闭相同的属性参数，包括相同的属性个数、属性种类、网格大小。
9.根据权利要求1-7任一所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于所述步骤4中，三维数据体根据不同属性分为不同的属性体，其数据格式为(x,y,z,value)，将n个相同(x,y)坐标点按z值从小到大排列，按照排列顺序赋索引值(0，n)，将相同索引值点取出组成一个面，得出不同平面的各种属性二维面(x,y,value)。
10.根据权利要求1-7任一所述的基于卷积神经网络的圈闭有效性评价方法，其特征在于：所述搭建评价卷积神经网络是多层的人工神经网络，每层由多个二维平面构成，同时每个平面又由多个独立的神经元组成，输入通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置，通过一个激活函数得到三个S2层的特征映射图，这些映射图再经过相应滤波得到C3层，该层再和S2一样产生S4，最终，这些值被栅格化，并连接成一个一维向量输入到传统的神经网络中，得到输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010308477.1A CN113537544A (zh) | 2020-04-18 | 2020-04-18 | 一种基于卷积神经网络的圈闭有效性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010308477.1A CN113537544A (zh) | 2020-04-18 | 2020-04-18 | 一种基于卷积神经网络的圈闭有效性评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537544A true CN113537544A (zh) | 2021-10-22 |
Family
ID=78123498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010308477.1A Pending CN113537544A (zh) | 2020-04-18 | 2020-04-18 | 一种基于卷积神经网络的圈闭有效性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537544A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
| CN108873706A (zh) * | 2018-07-30 | 2018-11-23 | 中国石油化工股份有限公司 | 基于深度神经网络的圈闭评价智能专家推荐方法 |
| CN109215029A (zh) * | 2018-08-29 | 2019-01-15 | 电子科技大学 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
| US20190064378A1 (en) * | 2017-08-25 | 2019-02-28 | Wei D. LIU | Automated Seismic Interpretation Using Fully Convolutional Neural Networks |
| US20190122360A1 (en) * | 2017-10-24 | 2019-04-25 | General Electric Company | Deep convolutional neural network with self-transfer learning |
| CN110671092A (zh) * | 2019-09-26 | 2020-01-10 | 北京博达瑞恒科技有限公司 | 油气产能检测方法及系统 |
-
2020
- 2020-04-18 CN CN202010308477.1A patent/CN113537544A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190064378A1 (en) * | 2017-08-25 | 2019-02-28 | Wei D. LIU | Automated Seismic Interpretation Using Fully Convolutional Neural Networks |
| US20190122360A1 (en) * | 2017-10-24 | 2019-04-25 | General Electric Company | Deep convolutional neural network with self-transfer learning |
| CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
| CN108873706A (zh) * | 2018-07-30 | 2018-11-23 | 中国石油化工股份有限公司 | 基于深度神经网络的圈闭评价智能专家推荐方法 |
| CN109215029A (zh) * | 2018-08-29 | 2019-01-15 | 电子科技大学 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
| CN110671092A (zh) * | 2019-09-26 | 2020-01-10 | 北京博达瑞恒科技有限公司 | 油气产能检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| Mohd Razak et al. | Convolutional neural networks (CNN) for feature-based model calibration under uncertain geologic scenarios | |
| Taghizadeh-Mehrjardi et al. | Multi-task convolutional neural networks outperformed random forest for mapping soil particle size fractions in central Iran | |
| AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
| Sahoo et al. | Pattern recognition in lithology classification: modeling using neural networks, self-organizing maps and genetic algorithms | |
| Wan | Entropy-based particle swarm optimization with clustering analysis on landslide susceptibility mapping | |
| Lee et al. | Feature extraction using a deep learning algorithm for uncertainty quantification of channelized reservoirs | |
| Daviran et al. | Assessment of various fuzzy c-mean clustering validation indices for mapping mineral prospectivity: combination of multifractal geochemical model and mineralization processes | |
| CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
| CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
| Eskandari et al. | Reservoir Modelling of Complex Geological Systems--A Multiple-Point Perspective | |
| Tzu-hao et al. | Reservoir uncertainty quantification using probabilistic history matching workflow | |
| CN111080021A (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
| CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
| CN114997501A (zh) | 基于样本失衡的深度学习矿产资源分类预测方法及系统 | |
| Juliani et al. | Deep learning of terrain morphology and pattern discovery via network-based representational similarity analysis for deep-sea mineral exploration | |
| Parsa et al. | Innovative methods applied to processing and interpreting geochemical data | |
| Bougrain et al. | Knowledge recovery for continental-scale mineral exploration by neural networks | |
| Friedel et al. | Hybrid modeling of spatial continuity for application to numerical inverse problems | |
| Abedini et al. | Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation | |
| CN113537544A (zh) | 一种基于卷积神经网络的圈闭有效性评价方法 | |
| Wu et al. | Effective parametrization for reliable reservoir performance predictions | |
| Koochak et al. | A variability aware GAN for improving spatial representativeness of discrete geobodies | |
| Ye et al. | Automatic high resolution texture analysis on borehole imagery | |
| Abdellatif et al. | Generation of non-stationary stochastic fields using Generative Adversarial Networks |
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 |