CN113640879B - 基于双网络的储层时移参数预测方法和系统 - Google Patents
基于双网络的储层时移参数预测方法和系统 Download PDFInfo
- Publication number
- CN113640879B CN113640879B CN202110934633.XA CN202110934633A CN113640879B CN 113640879 B CN113640879 B CN 113640879B CN 202110934633 A CN202110934633 A CN 202110934633A CN 113640879 B CN113640879 B CN 113640879B
- Authority
- CN
- China
- Prior art keywords
- seismic data
- neural network
- dimensional
- reservoir
- target
- 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 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- 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
- G01V2210/622—Velocity, density or impedance
- G01V2210/6224—Density
-
- 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
-
- 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
- G01V2210/6244—Porosity
-
- 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
- G01V2210/6246—Permeability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于双网络的储层时移参数预测方法和系统,包括:获取目标区域的三维背景地震数据体和目标测井曲线;基于井旁背景地震数据属性和目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;将三维背景地震数据属性输入到训练之后的第一神经网络,得到目标区域的三维背景储层参数预测结果;基于三维背景地震数据体和三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;基于训练之后的第二神经网络,对目标区域的三维时移储层参数进行预测。本发明缓解了现有技术中存在的无法同时对多种储层参数实现预测的技术问题。
Description
技术领域
本发明涉及时移地震勘探技术领域,尤其是涉及一种基于双网络的储层时移参数预测方法和系统。
背景技术
在能源清洁利用与绿色开采的时代背景下,掌握资源开采所引起的地下岩层结构、应力分布、地下水等的变化具有重要的意义。而地层弹性、物性参数、有效应力、电阻率等是表征上述变化的有效参数。
时移地震勘探作为储层动态监测的关键技术之一,但是由于实际应用中只能进行一次裸眼测井,导致储层开发后很难直接获得与监测地震数据对应的测井曲线,这严重制约着时移地震勘探在储层动态监测中的预测精度及应用效果。
针对时移地震数据,现有技术中有时移测井曲线重构方法、差异反演方法等,这些方法在一定程度上缓解了时移地震用于储层参数预测的限制,但是只能针对某一参数通过大量分析而获得,无法实现多种储层参数的预测。
发明内容
有鉴于此,本发明的目的在于提供一种基于双网络的储层时移参数预测方法和系统,以缓解现有技术中存在的无法同时对多种储层参数实现预测的技术问题。
第一方面,本发明实施例提供了一种基于双网络的储层时移参数预测方法,包括:获取目标区域的三维背景地震数据体和目标测井曲线;所述三维背景地震数据体包括炮集地震数据、叠前角道集数据和叠后地震数据;所述目标测井曲线为基于所述目标区域上的目标测井针对于目标储层参数所测得的测井曲线;基于所述叠后地震数据,获取关于所述目标测井的井旁背景地震数据属性,和获取所述目标区域的三维背景地震数据属性;基于所述井旁背景地震数据属性和所述目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;所述第一神经网络为基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系构建的神经网络;将所述三维背景地震数据属性输入到所述训练之后的第一神经网络,得到所述目标区域的三维背景储层参数预测结果;基于所述三维背景地震数据体和所述三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;所述第二神经网络为基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系构建的神经网络;基于所述训练之后的第二神经网络,对所述目标区域的三维时移储层参数进行预测;所述三维时移储层参数为所述目标区域的储层在不同时期对应的储层参数。
进一步地,基于所述训练之后的第二神经网络,对所述目标区域的三维时移储层参数进行预测,包括:获取所述目标区域的三维时移地震数据体;所述三维时移地震数据体为所述目标区域在不同时期对应的地震数据体;将所述三维时移地震数据体输入到所述训练之后的第二神经网络,得到所述目标区域的三维时移储层参数的预测结果。
进一步地,所述方法还包括:基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系,构建所述第一神经网络;基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系,构建所述第二神经网络。
进一步地,所述第一神经网络为深度前馈神经网络;所述第二神经网络为全卷积神经网络。
第二方面,本发明实施例还提供了一种基于双网络的储层时移参数预测系统,包括:第一获取模块,第二获取模块,第一训练模块,第一预测模块,第二训练模块和第二预测模块;其中,所述第一获取模块,用于获取目标区域的三维背景地震数据体和目标测井曲线;所述三维背景地震数据体包括炮集地震数据、叠前角道集数据和叠后地震数据;所述目标测井曲线为基于所述目标区域上的目标测井针对于目标储层参数所测得的测井曲线;所述第二获取模块,用于基于所述叠后地震数据,获取关于所述目标测井的井旁背景地震数据属性,和获取所述目标区域的三维背景地震数据属性;所述第一训练模块,用于基于所述井旁背景地震数据属性和所述目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;所述第一神经网络为基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系构建的神经网络;所述第一预测模块,用于将所述三维背景地震数据属性输入到所述训练之后的第一神经网络,得到所述目标区域的三维背景储层参数预测结果;所述第二训练模块,用于基于所述三维背景地震数据体和所述三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;所述第二神经网络为基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系构建的神经网络;所述第二预测模块,用于基于所述训练之后的第二神经网络,对所述目标区域的三维时移储层参数进行预测;所述三维时移储层参数为所述目标区域的储层在不同时期对应的储层参数。
进一步地,所述第二预测模块,还包括:获取单元和预测单元;其中,所述获取单元,用于获取所述目标区域的三维时移地震数据体;所述三维时移地震数据体为所述目标区域在不同时期对应的地震数据体;所述预测单元,用于将所述三维时移地震数据体输入到所述训练之后的第二神经网络,得到所述目标区域的三维时移储层参数的预测结果。
进一步地,所述系统还包括第一构建模块和第二构建模块;其中,所述第一构建模块,用于:基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系,构建所述第一神经网络;所述第二构建模块,用于基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系,构建所述第二神经网络。
进一步地,所述第一神经网络为深度前馈神经网络;所述第二神经网络为全卷积神经网络。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面,本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种基于双网络的储层时移参数预测方法和系统,通过双神经网络的方法,可以在很大程度上减少训练数据量,以及在只有背景测井曲线和不同时期的地震数据的基础上实现储层参数的动态监测,缓解了现有技术中存在的无法同时对多种储层参数实现预测的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于双网络的储层时移参数预测方法的流程图;
图2为本发明实施例提供的一种数据采集时间轴示意图;
图3为本发明实施例提供的一种基于双网络的储层时移参数预测系统的示意图;
图4为本发明实施例提供的另一种基于双网络的储层时移参数预测系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
图1是根据本发明实施例提供的一种基于双网络的储层时移参数预测方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取目标区域的三维背景地震数据体和目标测井曲线;三维背景地震数据体包括炮集地震数据、叠前角道集数据和叠后地震数据;目标测井曲线为基于目标区域上的目标测井针对于目标储层参数所测得的测井曲线。
可选地,目标储层参数为通过目标测井直接测量或间接转换的参数,例如:地层速度、密度、孔隙度、渗透率、流体饱和度和含气量等。
步骤S104,基于叠后地震数据,获取关于目标测井的井旁背景地震数据属性,和获取目标区域的三维背景地震数据属性。
可选地,地震数据属性包括从叠后或叠前地震数据计算的相关属性,例如:波阻抗、AVO、截距、梯度等。
步骤S106,基于井旁背景地震数据属性和目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;第一神经网络为基于井旁背景地震数据属性和目标测井曲线之间的非线性关系构建的神经网络。
步骤S108,将三维背景地震数据属性输入到训练之后的第一神经网络,得到目标区域的三维背景储层参数预测结果。
步骤S110,基于三维背景地震数据体和三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;第二神经网络为基于三维背景地震数据体和三维背景储层参数预测结果之间的非线性关系构建的神经网络。
其中,三维背景地震数据体包含了三种数据类型,即炮集地震数据、叠前角道集数据和叠后地震数据,本发明实施例按照叠后-角道集-炮集的顺序将三种数据形成一个超数据体集合,作为第二神经网络的训练集输入数据,为网络训练提供了充足的数据,同时该三维背景地震数据体包含了时移储层的特征,因此可以需不要大量的训练数据。
步骤S112,基于训练之后的第二神经网络,对目标区域的三维时移储层参数进行预测;三维时移储层参数为目标区域的储层在不同时期对应的储层参数。
本发明提供了一种基于双网络的储层时移参数预测方法和系统,通过双神经网络的方法,可以在很大程度上减少训练数据量,以及在只有背景测井曲线和不同时期的地震数据的基础上实现储层参数的动态监测,缓解了现有技术中存在的无法同时对多种储层参数实现预测的技术问题。
具体的,步骤S112还包括如下步骤:
步骤S1121,获取目标区域的三维时移地震数据体;三维时移地震数据体为目标区域在不同时期对应的地震数据体;
步骤S1122,将三维时移地震数据体输入到训练之后的第二神经网络,得到目标区域的三维时移储层参数的预测结果。
在本发明实施例中,将不同时期所采集的地震数据按照叠后-角道集-炮集的顺序形成超数据集,即三维时移地震数据体,然后输入到步骤S110中训练好的第二神经网络,即可得到储层的动态参数幻化,即三维时移储层参数的预测结果。
可选地,本发明实施例提供的方法还包括对神经网络的训练步骤,具体的,包括:
基于井旁背景地震数据属性和目标测井曲线之间的非线性关系,构建第一神经网络。可选地,第一神经网络为深度前馈神经网络(DFNN),也可以为径向基函数(RBF)等非线性关系的网络。
基于三维背景地震数据体和三维背景储层参数预测结果之间的非线性关系,构建第二神经网络。可选地,第二神经网络为全卷积神经网络(FCN)。
在本发明实施例中,对第二神经网络进行训练用的三维背景储层参数预测结果,是将三维背景地震数据属性输入到第一神经网络所得到的预测结果,因为时移储层动态监测是预测储层参数的相对变化,因此,可以认为获得的三维背景储层参数预测结果是准确的,因此可以作为第二神经网络的训练数据,为第二神经网络的训练提供大量的具有目标区域特征的训练数据。
需要说明的是,用于第一神经网络和第二神经网络组成的双网络储层动态参数预测的测井及地震数据采集时间是不同的,具体的,图2为本发明实施例提供的一种数据采集时间轴示意图。如图2所示,在对第一神经网络和第二神经网络的训练过程中,所用的数据为背景地震及测井数据采集过程中得到的数据;而对目标区域的目标储层参数进行实时监测的过程,所用的数据为后续时移地震采集过程中得到的数据。
在本发明实施例中,目标测井曲线为一维测井曲线,与目标测井曲线相对应的井旁背景地震数据属性也为一维地震属性。本发明实施例提供的基于双网络的储层时移参数预测方法,从一维测井曲线和一维地震属性的非线性关系出发,通过构建神经网络预测得到三维储层背景参数,再通过三维背景地震数据和三维储层背景参数的非线性关系预测得到动态、时移的储层参数,可以在不需要时移地震数据所对应的测井曲线以及反演中无需建立初始模型的基础上,实现对多种储层参数的预测,有效克服了实际数据中监测阶段测井曲线缺失的问题,具有高效和高精度的优点。
实施例二:
图3是根据本发明实施例提供的一种基于双网络的储层时移参数预测系统的示意图。如图3所示,该系统包括:第一获取模块10,第二获取模块20,第一训练模块30,第一预测模块40,第二训练模块50和第二预测模块60。
具体的,第一获取模块10,用于获取目标区域的三维背景地震数据体和目标测井曲线;三维背景地震数据体包括炮集地震数据、叠前角道集数据和叠后地震数据;目标测井曲线为基于目标区域上的目标测井针对于目标储层参数所测得的测井曲线。
可选地,目标储层参数为通过目标测井直接测量或间接转换的参数,例如:地层速度、密度、孔隙度、渗透率、流体饱和度和含气量等。
第二获取模块20,用于基于叠后地震数据,获取关于目标测井的井旁背景地震数据属性,和获取目标区域的三维背景地震数据属性。
可选地,地震数据属性包括从叠后或叠前地震数据计算的相关属性,例如:波阻抗、AVO、截距、梯度等。
第一训练模块30,用于基于井旁背景地震数据属性和目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;第一神经网络为基于井旁背景地震数据属性和目标测井曲线之间的非线性关系构建的神经网络。
第一预测模块40,用于将三维背景地震数据属性输入到训练之后的第一神经网络,得到目标区域的三维背景储层参数预测结果。
第二训练模块50,用于基于三维背景地震数据体和三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;第二神经网络为基于三维背景地震数据体和三维背景储层参数预测结果之间的非线性关系构建的神经网络。
第二预测模块60,用于基于训练之后的第二神经网络,对目标区域的三维时移储层参数进行预测;三维时移储层参数为目标区域的储层在不同时期对应的储层参数。
本发明提供了一种基于双网络的储层时移参数预测方法和系统,通过双神经网络的方法,可以在很大程度上减少训练数据量,以及在只有背景测井曲线和不同时期的地震数据的基础上实现储层参数的动态监测,缓解了现有技术中存在的无法同时对多种储层参数实现预测的技术问题。
可选地,图4是根据本发明实施例提供的另一种基于双网络的储层时移参数预测系统的示意图。如图4所示,第二预测模块60,还包括:获取单元61和预测单元62。
具体的,获取单元61,用于获取目标区域的三维时移地震数据体;三维时移地震数据体为目标区域在不同时期对应的地震数据体。
预测单元62,用于将三维时移地震数据体输入到训练之后的第二神经网络,得到目标区域的三维时移储层参数的预测结果。
可选地,如图4所示,本发明实施例提供的系统还包括第一构建模块70和第二构建模块80。
具体的,第一构建模块70,用于:基于井旁背景地震数据属性和目标测井曲线之间的非线性关系,构建第一神经网络。可选地,第一神经网络为深度前馈神经网络(DFNN),也可以为径向基函数(RBF)等非线性关系的网络。
第二构建模块80,用于基于三维背景地震数据体和三维背景储层参数预测结果之间的非线性关系,构建第二神经网络。可选地,第二神经网络为全卷积神经网络(FCN)。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行上述实施例一中的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于双网络的储层时移参数预测方法,其特征在于,包括:
获取目标区域的三维背景地震数据体和目标测井曲线;所述三维背景地震数据体包括炮集地震数据、叠前角道集数据和叠后地震数据;所述目标测井曲线为基于所述目标区域上的目标测井针对于目标储层参数所测得的测井曲线;
基于所述叠后地震数据,获取关于所述目标测井的井旁背景地震数据属性,和获取所述目标区域的三维背景地震数据属性;
基于所述井旁背景地震数据属性和所述目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;所述第一神经网络为基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系构建的神经网络;
将所述三维背景地震数据属性输入到所述训练之后的第一神经网络,得到所述目标区域的三维背景储层参数预测结果;
基于所述三维背景地震数据体和所述三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;所述第二神经网络为基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系构建的神经网络;
基于所述训练之后的第二神经网络,对所述目标区域的三维时移储层参数进行预测;所述三维时移储层参数为所述目标区域的储层在不同时期对应的储层参数。
2.根据权利要求1所述的方法,其特征在于,基于所述训练之后的第二神经网络,对所述目标区域的三维时移储层参数进行预测,包括:
获取所述目标区域的三维时移地震数据体;所述三维时移地震数据体为所述目标区域在不同时期对应的地震数据体;
将所述三维时移地震数据体输入到所述训练之后的第二神经网络,得到所述目标区域的三维时移储层参数的预测结果。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系,构建所述第一神经网络;
基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系,构建所述第二神经网络。
4.根据权利要求3所述的方法,其特征在于,所述第一神经网络为深度前馈神经网络;所述第二神经网络为全卷积神经网络。
5.一种基于双网络的储层时移参数预测系统,其特征在于,包括:第一获取模块,第二获取模块,第一训练模块,第一预测模块,第二训练模块和第二预测模块;其中,
所述第一获取模块,用于获取目标区域的三维背景地震数据体和目标测井曲线;所述三维背景地震数据体包括炮集地震数据、叠前角道集数据和叠后地震数据;所述目标测井曲线为基于所述目标区域上的目标测井针对于目标储层参数所测得的测井曲线;
所述第二获取模块,用于基于所述叠后地震数据,获取关于所述目标测井的井旁背景地震数据属性,和获取所述目标区域的三维背景地震数据属性;
所述第一训练模块,用于基于所述井旁背景地震数据属性和所述目标测井曲线,对第一神经网络进行训练,得到训练之后的第一神经网络;所述第一神经网络为基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系构建的神经网络;
所述第一预测模块,用于将所述三维背景地震数据属性输入到所述训练之后的第一神经网络,得到所述目标区域的三维背景储层参数预测结果;
所述第二训练模块,用于基于所述三维背景地震数据体和所述三维背景储层参数预测结果,对第二神经网络进行训练,得到训练之后的第二神经网络;所述第二神经网络为基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系构建的神经网络;
所述第二预测模块,用于基于所述训练之后的第二神经网络,对所述目标区域的三维时移储层参数进行预测;所述三维时移储层参数为所述目标区域的储层在不同时期对应的储层参数。
6.根据权利要求5所述的系统,其特征在于,所述第二预测模块,还包括:获取单元和预测单元;其中,
所述获取单元,用于获取所述目标区域的三维时移地震数据体;所述三维时移地震数据体为所述目标区域在不同时期对应的地震数据体;
所述预测单元,用于将所述三维时移地震数据体输入到所述训练之后的第二神经网络,得到所述目标区域的三维时移储层参数的预测结果。
7.根据权利要求5所述的系统,其特征在于,所述系统还包括第一构建模块和第二构建模块;其中,
所述第一构建模块,用于:基于所述井旁背景地震数据属性和所述目标测井曲线之间的非线性关系,构建所述第一神经网络;
所述第二构建模块,用于基于所述三维背景地震数据体和所述三维背景储层参数预测结果之间的非线性关系,构建所述第二神经网络。
8.根据权利要求7所述的系统,其特征在于,所述第一神经网络为深度前馈神经网络;所述第二神经网络为全卷积神经网络。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934633.XA CN113640879B (zh) | 2021-08-16 | 2021-08-16 | 基于双网络的储层时移参数预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934633.XA CN113640879B (zh) | 2021-08-16 | 2021-08-16 | 基于双网络的储层时移参数预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640879A CN113640879A (zh) | 2021-11-12 |
CN113640879B true CN113640879B (zh) | 2022-02-15 |
Family
ID=78421892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934633.XA Active CN113640879B (zh) | 2021-08-16 | 2021-08-16 | 基于双网络的储层时移参数预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640879B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421181B (zh) * | 2022-07-27 | 2023-10-20 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
WO2004095077A1 (en) * | 2003-04-23 | 2004-11-04 | Commonwealth Scientific And Industrial Research Organisation | Method for predicting pore pressure |
CN101149439A (zh) * | 2007-11-13 | 2008-03-26 | 符力耘 | 高分辨率非线性储层物性反演方法 |
CN101726750A (zh) * | 2009-11-30 | 2010-06-09 | 中国矿业大学(北京) | 地裂缝评价的“三图法” |
CN103364831A (zh) * | 2013-07-29 | 2013-10-23 | 中国石油集团川庆钻探工程有限公司 | 基于神经网络算法的物性参数量化方法 |
CN106407649A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
CN111175818A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
CN111538879A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于半监督卷积神经网络的储层预测方法 |
WO2020243216A1 (en) * | 2019-05-28 | 2020-12-03 | Schlumberger Technology Corporation | Interpreting seismic faults with machine learning techniques |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3894903A1 (en) * | 2018-12-11 | 2021-10-20 | ExxonMobil Upstream Research Company | Automated reservoir modeling using deep generative networks |
-
2021
- 2021-08-16 CN CN202110934633.XA patent/CN113640879B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
WO2004095077A1 (en) * | 2003-04-23 | 2004-11-04 | Commonwealth Scientific And Industrial Research Organisation | Method for predicting pore pressure |
CN101149439A (zh) * | 2007-11-13 | 2008-03-26 | 符力耘 | 高分辨率非线性储层物性反演方法 |
CN101726750A (zh) * | 2009-11-30 | 2010-06-09 | 中国矿业大学(北京) | 地裂缝评价的“三图法” |
CN103364831A (zh) * | 2013-07-29 | 2013-10-23 | 中国石油集团川庆钻探工程有限公司 | 基于神经网络算法的物性参数量化方法 |
CN106407649A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
WO2020243216A1 (en) * | 2019-05-28 | 2020-12-03 | Schlumberger Technology Corporation | Interpreting seismic faults with machine learning techniques |
CN111175818A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | Co2气驱前缘位置的判断方法及其模型训练方法、装置 |
CN111538879A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于半监督卷积神经网络的储层预测方法 |
Non-Patent Citations (2)
Title |
---|
Spark-based intelligent parameter inversion method for prestack seismic data;Xuesong Yan 等;《Neural Computing and Applications》;20190930;第31卷(第3期);4577-4593 * |
地震属性模式聚类预测储层物性参数;陈波 等;《石油地球物理勘探》;20050430;第40卷(第2期);204-208 * |
Also Published As
Publication number | Publication date |
---|---|
CN113640879A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8923093B2 (en) | Determining the quality of a seismic inversion | |
US10909281B2 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CA2630384A1 (en) | Method, system and apparatus for real-time reservoir model updating using ensemble kalman filter | |
US8760968B2 (en) | Determining a quantity of a given material in a subterranean structure | |
CN104879103A (zh) | 一种分层注水效果分析方法 | |
CN103245972B (zh) | 一种在二维空间内确定复杂地质构造的方法 | |
CN113640879B (zh) | 基于双网络的储层时移参数预测方法和系统 | |
CN103969682A (zh) | 一种钻测井资料深度匹配方法及系统 | |
CN106646603B (zh) | 一种实际时移地震资料处理差异的可靠性判断方法 | |
CN111706318B (zh) | 一种确定低渗储层剩余油分布状况的方法 | |
CN110095811B (zh) | 膏岩层速度模型构建处理方法及装置 | |
US11402540B2 (en) | Coupled reservoir-geomechanical models using compaction tables | |
CN107526117B (zh) | 基于自动编码和超限学习联合网络的声波速度预测方法 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN111830557B (zh) | 基于压裂微地震的人工裂缝复杂度指数获取方法及系统 | |
CN111008482A (zh) | 一种变质岩储层含水饱和度计算方法及装置 | |
CN103334740A (zh) | 考虑启动压力梯度的确定泄油前缘的方法 | |
CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
CN111949945B (zh) | 一种确定烃源岩总有机碳含量的方法、装置、设备及系统 | |
CN111562630B (zh) | 基于网格划分的储层参数测井评价方法 | |
Nejadi et al. | Ensemble Kalman filter predictor bias correction method for non-Gaussian geological facies detection | |
CN111736233A (zh) | 蒸汽腔分布的预测方法及装置 | |
CN113138412A (zh) | 深层页岩气孔隙度地震预测方法及装置 | |
CN111751886A (zh) | 一种基于微地震监测数据的页岩气藏裂缝建模方法 | |
CN112444857A (zh) | 一种基于叠后地震资料的膏盐地球物理预测方法 |
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 |