CN114021700A - 基于岩石物理约束神经网络的渗透率计算方法及装置 - Google Patents
基于岩石物理约束神经网络的渗透率计算方法及装置 Download PDFInfo
- Publication number
- CN114021700A CN114021700A CN202111289167.0A CN202111289167A CN114021700A CN 114021700 A CN114021700 A CN 114021700A CN 202111289167 A CN202111289167 A CN 202111289167A CN 114021700 A CN114021700 A CN 114021700A
- Authority
- CN
- China
- Prior art keywords
- neural network
- constraint
- layer
- sample set
- logging parameters
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 141
- 230000035699 permeability Effects 0.000 title claims abstract description 61
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 25
- 239000011435 rock Substances 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明实施例公开了一种基于岩石物理约束神经网络的渗透率计算方法及装置，方法包括：基于岩心样本提取对应的深度点测井参数，对测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集；根据第一样本集构建并训练得到第一神经网络；根据第二样本集构建并训练得到第二约束神经网络；其中，第二约束神经网络由输入层、约束层、隐含层以及输出层组成，约束层为指定增加约束元的网络层；约束元根据第一神经网络的输出结果计算得到，输入至第二约束神经网络的约束层并约束第二约束神经网络的计算；获取待预测井的测井参数，分别输入至第一神经网络和第二约束神经网络，以得到待预测井的渗透率。本发明提升了对全井段渗透率预测准确性。
Description
技术领域
本发明实施例涉及石油勘探中数据处理技术领域，具体涉及一种基于岩石物理约束神经网络的渗透率计算方法及装置。
背景技术
渗透率是衡量岩石在压差下允许流体通过的能力，是油气田勘探开发中极为重要的一个参数，通过建立渗透率与其他岩石物理参数的数学模型，利用数学模型计算渗透率，是目前唯一可用的全井段渗透率评价方法。渗透率数学模型大致可分为两种，一种是经典孔渗公式，如Timur公式，因区域适用性等原因，计算精度较低；另一种是基于岩心建立的渗透率模型，如FZI，该方法受岩心分布范围影响较大。基于岩心建立渗透率模型成立的前提是，所取岩心岩性在全井段具有代表性，即岩心岩性与全井段岩性服从同一分布，但由于井下取心作业难度大、成本高，一般仅在目的层进行取心作业，因此岩心岩性分布很难与全井段分布一致，同时受岩石非均质性影响，基于岩心建立的渗透率模型会出现计算精度低、泛化能力差的现象。
在目前的技术水平下，获得岩石渗透率的主要途径包括通过实验或工程手段直接测量、基于地球物理方法间接求取。直接测量法包括岩心实验测量法、电缆地层测试法、钻杆地层测试法等，间接求取法包括测井解释法和地震解释法等。由于地层测试法、岩心实验测量法成本较高且测量的深度范围有限等因素的影响，该方法仅限于测井渗透率计算的标定。目前最常用的仍是利用常规测井资料建立公式或模型，应用实验分析渗透率标定的方法计算，由于该公式或模型的经验性、人为因素影响、地区差异以及复杂繁琐的模型建立步骤，常导致最终的计算模型不能广泛应用或计算精度不足，而部分采用机器学习算法进行储层渗透率预测的方法，需求的岩心渗透率样本较多，且由于只是简单生硬的应用机器学习算法进行模型训练预测，并未对考虑岩心分布的影响，因此该方法在渗透率计算中应用效果不佳，计算精度一般较低。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的渗透率计算方法及装置。
根据本发明实施例的一个方面，提供了一种基于岩石物理约束神经网络的渗透率计算方法，方法包括：
基于岩心样本提取对应的深度点测井参数，对所述测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集；
根据第一样本集构建并训练得到第一神经网络；
根据第二样本集构建并训练得到第二约束神经网络；其中，所述第二约束神经网络由输入层、约束层、隐含层以及输出层组成，所述约束层为指定增加约束元的网络层；所述约束元根据所述第一神经网络的输出结果计算得到，输入至第二约束神经网络的约束层并约束所述第二约束神经网络的计算；
获取待预测井的测井参数，分别输入至所述第一神经网络和所述第二约束神经网络，以得到待预测井的渗透率。
根据本发明实施例的另一方面，提供了一种基于岩石物理约束神经网络的渗透率计算装置，其包括：
构建样本模块，适于基于岩心样本提取对应的深度点测井参数，对所述测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集；
第一训练模块，适于根据第一样本集构建并训练得到第一神经网络；
第二训练模块，适于根据第二样本集构建并训练得到第二约束神经网络；其中，所述第二约束神经网络由输入层、约束层、隐含层以及输出层组成，所述约束层为指定增加约束元的网络层；所述约束元根据所述第一神经网络的输出结果计算得到，输入至第二约束神经网络的约束层并约束所述第二约束神经网络的计算；
预测模块，适于获取待预测井的测井参数，分别输入至所述第一神经网络和所述第二约束神经网络，以得到待预测井的渗透率。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于岩石物理约束神经网络的渗透率计算方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于岩石物理约束神经网络的渗透率计算方法对应的操作。
根据本发明实施例的提供的基于岩石物理约束神经网络的渗透率计算方法及装置，通过在第二约束神经网络的约束层中增加约束元，对第二约束神经网络的计算进行约束，降低岩心分布的影响，构造出更符合实际情况且具有更好泛化能力的神经网络，从而可以快速准确地预测全井段测井的渗透率。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的基于岩石物理约束神经网络的渗透率计算方法的流程图；
图2示出了根据本发明一个实施例的基于岩石物理约束神经网络的渗透率计算装置的结构示意图；
图3示出了根据本发明一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的基于岩石物理约束神经网络的渗透率计算方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，基于岩心样本提取对应的深度点测井参数，对测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集。
本实施例以岩心为样本，从中提取与渗透率、束缚水饱和度相关性极高的伽马、中子、密度等测井参数，以测井参数样本集的输入数据，分别构建第一样本集和第二样本集。第一样本集由测井参数以及匹配的岩心束缚水饱和度构成，第二样本集由测井参数以及匹配的岩心渗透率匹配构成。
进一步，为保障后续训练时的准确性，对测井参数以及对应的岩心数据进行数据预处理。具体的，根据测井参数中的孔隙度以及岩心渗透率绘制交会图版，根据交会图版确定测井参数的取值范围，以剔除离群值对应的测井参数。这些离群值在取值范围之外，影响训练时的准确性。或者，若岩心数据中无对应的测井参数时，则根据岩心数据的邻近上下深度，利用插值法插值得到对应的测井参数来补全测井参数所需的缺省值。考虑到不同测井的测井参数采用不同的采集方式获取，井况不同、采集使用的仪器不同等，导致测井参数标准不同，对测井参数进行归一化处理，归一化处理根据测井参数的最大值与最小值进行归一化处理，使其响应差别在同一量级，从而统一测井参数的计量单位，使训练时可以更好地从中发现其规律性。归一化处理时，如某测井参数值为m，最大值为x，最小值为y，可以利用(m-y)/(x-y)方式进行归一化处理，归一化处理可以根据实施情况设置，使得测井参数归一至0-1区间等，此处不限定具体归一化处理的计算方式。在对测井参数进行数据预处理时，可以根据具体实施情况选择以上的一种或多种进行数据预处理，使得测井数据更具有规律性，方便准确训练神经网络。
步骤S102，根据第一样本集构建并训练得到第一神经网络。
第一神经网络的输入层为第一样本集的测井参数，输出层为第一样本集的束缚水饱和度。第一神经网络具有第一指定层数，如第一神经网络为三层的神经网络结构，第一层神经元个数为输入层神经元个数的两倍，第二层神经元个数等于输入层神经元个数，最后输出层输出束缚水饱和度。利用第一样本集对第一神经网络进行训练时，可以采用K-Fold交叉验证的方式划分第一样本集，将其分为测试样本集和验证样本集来进行训练，调整第一神经网络的训练参数，完成第一神经网络的训练。
步骤S103，根据第二样本集构建并训练得到第二约束神经网络。
第二约束神经网络的输入层为第二样本集的测井参数，输出层为第二样本集的岩心渗透率。考虑到岩心岩性分布很难与全井段分布一致，仅基于岩心建立的渗透率模型会出现计算精度低、泛化能力差等问题，本实施例在构建第二约束神经网络时，第二约束神经网络基于神经网络结构，由输入层、约束层、隐含层以及输出层组成。其中，在约束层中增加约束元，约束元与第一神经网络的输出层连接，与第二约束神经网络的输入层的各神经元处于非连接状态，不是直接输入至第二约束神经网络的输入层，约束层中非约束元的神经元与第二约束神经网络的输入层的神经元处于全连接状态，即约束层中非约束元外的其他神经元由第二约束神经网络的输入层确定。第二约束神经网络的约束元输入由第一神经网络的输出提供，由第一神经网络的输出结果和测井参数的孔隙度计算得到。约束元输出与隐含层全连接，约束元的权重、偏置与其他神经元共同调节。约束元输入该约束层为岩石物理模型约束层。具体的，第二约束神经网络的约束元由岩石物理模型来进行约束，根据岩石物理模型计算得到。岩石物理模型可以根据如以下公式得到：
其中，K为约束元参数，其用于表征利用公式计算得到的渗透率，C为指定系数，可设置为常数项，其值此处不做限定。φ为第二约束神经网络输入的测井参数的孔隙度，Swirr为第一神经网络所输出的束缚水饱和度。此处，第一神经网络在计算束缚水饱和度时所使用的测井参数与第二约束神经网络输入的测井参数为同一测井参数。通过该公式对第二约束神经网络进行约束，使第二约束神经网络更能适应全井段的测井参数，提升预测准确性。以上公式为举例说明，在具体实施时可以根据实施情况选择合适的岩石物理模型对应的公式，此处不做限定。
第二约束神经网络具有第二指定层数，如第二约束神经网络为五层的神经网络结构，第二指定层，如前两层为全连接层，其中，第一层神经元个数为第二层神经元个数的两倍，用于特征的提取；第三层神经元个数在第二层的基础上再减半，第三层为约束层，增加一个输入的神经元作为约束元，该层为岩石物理模型约束层；第四层神经元个数为第三层神经元个数的两倍，并与第三层神经元全连接，用于数据的精炼；最后一层为输出层。
在训练得到第一神经网络后，基于训练得到的第一神经网络、第二样本集训练第二约束神经网络。训练时，可以采用K-Fold交叉验证的方式划分第二样本集，将其分为测试样本集和验证样本集来进行训练。
第一神经网络与第二约束神经网络类型包括如单井模型、区域模型以及通用模型。类型根据样本集的数量大小、分布范围等确定。根据实施情况选择构建合适类型的第一神经网络和第二约束神经网络。
步骤S104，获取待预测井的测井参数，分别输入至第一神经网络和第二约束神经网络，以得到待预测井的渗透率。
将训练好的第一神经网络和第二约束神经网络可以应用至全井段，基于待预测井的测井参数，将其输入至训练得到的第一神经网络和第二约束神经网络，可以得到待预测井的的渗透率，帮助完成对待预测井的测井渗透率评价。
根据本发明实施例提供的基于岩石物理约束神经网络的渗透率计算方法，对神经网络结构进行改进，通过在第二约束神经网络的约束层中增加神经元作为约束元，对第二约束神经网络的计算进行约束，降低岩心分布的影响，构造出更符合实际情况且具有更好泛化能力的神经网络，从而可以快速准确地预测全井段测井的渗透率。
图2示出了本发明实施例提供的基于岩石物理约束神经网络的渗透率计算装置的结构示意图。如图2所示，该装置包括：
构建样本模块210，适于基于岩心样本提取对应的深度点测井参数，对测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集；
第一训练模块220，适于根据第一样本集构建并训练得到第一神经网络；
第二训练模块230，适于根据第二样本集构建并训练得到第二约束神经网络；其中，第二约束神经网络由输入层、约束层、隐含层以及输出层组成，约束层为指定增加约束元的网络层；约束元根据第一神经网络的输出结果计算得到，输入至第二约束神经网络的约束层并约束第二约束神经网络的计算；
预测模块240，适于获取待预测井的测井参数，分别输入至第一神经网络和第二约束神经网络，以得到待预测井的渗透率。
可选地，构建样本模块210进一步适于：
对测井参数进行归一化处理，以统一测井参数的计量单位；
绘制交会图版，剔除离群值，并利用插值法补全测井参数所需的缺省值。
可选地，约束层的约束元与第一神经网络的输出层处于连接状态，与第二约束神经网络的输入层的神经元处于非连接状态，约束层中非约束元的神经元与第二约束神经网络的输入层的神经元处于全连接状态。
可选地，第二约束神经网络的约束层由岩石物理模型约束，约束层的约束元计算根据岩石物理模型得到。
可选地，第二约束神经网络的约束元输入由第一神经网络的输出提供，约束元输出与隐含层全连接，约束元的权重、偏置与其他神经元共同调节。
可选地，第一样本集由测井参数以及匹配的束缚水饱和度构成；第二样本集由测井参数以及匹配的岩心渗透率匹配构成；第一神经网络的输入层为第一样本集的测井参数；输出层为第一样本集的束缚水饱和度；第二约束神经网络的输入层为第二样本集的测井参数；输出层为第二样本集的渗透率。
可选地，第一神经网络与第二约束神经网络类型包括：单井模型、区域模型以及通用模型；类型根据样本集的数量大小和/或分布范围确定。
以上各模块的描述参照方法实施例中对应的描述，在此不再赘述。
本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的基于岩石物理约束神经网络的渗透率计算方法。
图3示出了根据本发明实施例的一种计算设备的结构示意图，本发明实施例的具体实施例并不对计算设备的具体实现做限定。
如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其特征在于：
处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述基于岩石物理约束神经网络的渗透率计算方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行上述任意方法实施例中的基于岩石物理约束神经网络的渗透率计算方法。程序310中各步骤的具体实现可以参见上述基于岩石物理约束神经网络的渗透率计算实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其特征在于每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种基于岩石物理约束神经网络的渗透率计算方法，其特征在于，方法包括：
基于岩心样本提取对应的深度点测井参数，对所述测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集；
根据第一样本集构建并训练得到第一神经网络；
根据第二样本集构建并训练得到第二约束神经网络；其中，所述第二约束神经网络由输入层、约束层、隐含层以及输出层组成，所述约束层为指定增加约束元的网络层；所述约束元根据所述第一神经网络的输出结果计算得到，输入至第二约束神经网络的约束层并约束所述第二约束神经网络的计算；
获取待预测井的测井参数，分别输入至所述第一神经网络和所述第二约束神经网络，以得到待预测井的渗透率。
2.根据权利要求1所述的方法，其特征在于，所述对所述测井参数以及对应的岩心数据进行预处理进一步包括：
对所述测井参数进行归一化处理，以统一所述测井参数的计量单位；
绘制交会图版，剔除离群值，并利用插值法补全所述测井参数所需的缺省值。
3.根据权利要求1所述的方法，其特征在于，所述约束层的约束元与所述第一神经网络的输出层处于连接状态，与所述第二约束神经网络的输入层的神经元处于非连接状态，约束层中非约束元的神经元与第二约束神经网络的输入层的神经元处于全连接状态。
4.根据权利要求3所述的方法，其特征在于，所述第二约束神经网络的约束层由岩石物理模型约束，所述约束层的约束元计算根据岩石物理模型得到。
5.根据权利要求3所述的方法，其特征在于，所述第二约束神经网络的约束元输入由第一神经网络的输出提供，约束元输出与隐含层全连接，约束元的权重、偏置与其他神经元共同调节。
6.根据权利要求1所述的方法，其特征在于，所述第一样本集由所述测井参数以及匹配的束缚水饱和度构成；所述第二样本集由所述测井参数以及匹配的岩心渗透率匹配构成；所述第一神经网络的输入层为第一样本集的测井参数；输出层为第一样本集的束缚水饱和度；所述第二约束神经网络的输入层为第二样本集的测井参数；输出层为第二样本集的渗透率。
7.根据权利要求1所述的方法，其特征在于，所述第一神经网络与第二约束神经网络类型包括：单井模型、区域模型以及通用模型；所述类型根据样本集的数量大小和/或分布范围确定。
8.一种基于岩石物理约束神经网络的渗透率计算装置，特征在于，装置包括：
构建样本模块，适于基于岩心样本提取对应的深度点测井参数，对所述测井参数以及对应的岩心数据进行预处理，以构建第一样本集和第二样本集；
第一训练模块，适于根据第一样本集构建并训练得到第一神经网络；
第二训练模块，适于根据第二样本集构建并训练得到第二约束神经网络；其中，所述第二约束神经网络由输入层、约束层、隐含层以及输出层组成，所述约束层为指定增加约束元的网络层；所述约束元根据所述第一神经网络的输出结果计算得到，输入至第二约束神经网络的约束层并约束所述第二约束神经网络的计算；
预测模块，适于获取待预测井的测井参数，分别输入至所述第一神经网络和所述第二约束神经网络，以得到待预测井的渗透率。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于岩石物理约束神经网络的渗透率计算方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于岩石物理约束神经网络的渗透率计算方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111289167.0A CN114021700A (zh) | 2021-11-02 | 2021-11-02 | 基于岩石物理约束神经网络的渗透率计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111289167.0A CN114021700A (zh) | 2021-11-02 | 2021-11-02 | 基于岩石物理约束神经网络的渗透率计算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114021700A true CN114021700A (zh) | 2022-02-08 |
Family
ID=80059775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111289167.0A Pending CN114021700A (zh) | 2021-11-02 | 2021-11-02 | 基于岩石物理约束神经网络的渗透率计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021700A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201615A (zh) * | 2022-09-15 | 2022-10-18 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
-
2021
- 2021-11-02 CN CN202111289167.0A patent/CN114021700A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201615A (zh) * | 2022-09-15 | 2022-10-18 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
| CN115201615B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Machine learning derived correlation to determine water saturation in complex lithologies | |
| WO2016065127A1 (en) | A system and method of pore type classification for petrophysical rock typing | |
| US9274249B2 (en) | System and method for facies classification | |
| CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
| Crnkovic-Friis et al. | Geology driven EUR prediction using deep learning | |
| CN105929452A (zh) | 基于地震数据预测地下裂缝空间展布的方法及装置 | |
| CN114723155B (zh) | 横波曲线预测方法、装置、计算设备及存储介质 | |
| WO2021108603A1 (en) | Resolution preserving methodology to generate continuous log scale reservoir permeability profile from petrographic thin section images | |
| Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
| Correia et al. | Multiscale integration for karst-reservoir flow-simulation models | |
| CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
| Le Ravalec | Optimizing well placement with quality maps derived from multi-fidelity meta-models | |
| Kamal et al. | Numerical well testing: a method to use transient testing results in reservoir simulation | |
| Wang et al. | Uncertainty and explainable analysis of machine learning model for reconstruction of sonic slowness logs | |
| US20220390633A1 (en) | Fast, deep learning based, evaluation of physical parameters in the subsurface | |
| CN111381279B (zh) | 储层孔隙度定量预测方法及装置 | |
| CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
| Davari et al. | Comprehensive input models and machine learning methods to improve permeability prediction | |
| CN114185108A (zh) | 裂缝孔隙度确定方法、存储介质和计算机设备 | |
| EP4018077A1 (en) | Method for determining drain configurations of wells in a field | |
| CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
| Vu et al. | Estimation of shale volume from well logging data using Artificial Neural Network | |
| Ramadhan et al. | Unravel Carbonate Reservoir Heterogeneities Through 3D Seismic Neural Network Application: A Machine Learning Based Approach and Workflow | |
| Wambeke et al. | An integrated approach to simulate and validate orebody realizations with complex trends: A case study in heavy mineral sands | |
| CN118314074A (zh) | 多模态岩性分类识别方法、装置、电子设备及存储介质 |
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 |