CN114152977B - 基于地质特征约束的储层参数预测方法、装置和存储介质 - Google Patents

基于地质特征约束的储层参数预测方法、装置和存储介质 Download PDF

Info

Publication number
CN114152977B
CN114152977B CN202010928912.0A CN202010928912A CN114152977B CN 114152977 B CN114152977 B CN 114152977B CN 202010928912 A CN202010928912 A CN 202010928912A CN 114152977 B CN114152977 B CN 114152977B
Authority
CN
China
Prior art keywords
neural network
seismic
model
reservoir
prediction
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
Application number
CN202010928912.0A
Other languages
English (en)
Other versions
CN114152977A (zh
Inventor
许凯
孙振涛
王世星
唐金良
曹慧兰
张如一
郑笑雪
姚铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Geophysical Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN202010928912.0A priority Critical patent/CN114152977B/zh
Priority to PCT/CN2021/103487 priority patent/WO2022048288A1/zh
Priority to US18/005,011 priority patent/US20230314649A1/en
Publication of CN114152977A publication Critical patent/CN114152977A/zh
Application granted granted Critical
Publication of CN114152977B publication Critical patent/CN114152977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G01V2210/624—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
    • G01V2210/66—Subsurface modeling
    • G01V2210/665—Subsurface modeling using geostatistical modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (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

本发明提出了一种基于地质特征约束的储层参数预测方法、装置和计算机存储介质以及计算机设备。该方法根据目标层段的不同类型的地震属性与储层参数之间的相关度选出优势地震属性；基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；利用空变多神经网络预测模型对目标层段的储层参数进行预测。本发明能够实现对尤其是深度域储层参数的直接预测，提高储层参数预测精度及空间稳定性。

Description

基于地质特征约束的储层参数预测方法、装置和存储介质
技术领域
本发明属于地球物理勘探技术领域，尤其涉及一种基于地质特征约束的储层参数预测方法、装置和计算机存储介质以及计算机设备。
背景技术
随着叠前深度偏移处理技术的发展及其在地震资料处理中日益广泛的应用，直接在深度域进行储层参数预测具有十分重要的意义。针对深度域地震储层预测技术，国内外主要的方法技术主要有三种：一是以Hampson-Russell软件公司部分模块、GeophysicalInsight公司、BGP公司为代表的映射类方法，该技术主要通过神经网络建立多属性数据与测井数据的一个综合性的网络映射关系，进行储层参数直接预测，但是，在不同沉积环境下，用同一个模型预测可能会出现预测精度低的问题，同时，缺少地质特征约束，预测模型泛化能力差，预测结果容易过拟合，不符合宏观地质规律；二是以Paradigm公司、中石油西北分院、胜利油田为代表的基于深度域“子波”提取的反演类方法，该技术主要通过深度域“子波”提取，结合常规的反演技术，开展弹性参数直接预测，但是基于深度域数据的理论模型尚未建立，因此基础理论性不足；三是以Jason公司为代表的基于高精度速度体转换的深度域储层参数预测方法，该方法将深度域数据转化为时间域数据，进行常规储层参数预测，但是深时转化存在一定的转化累积误差，且费时费力，不利于提高储层预测精度。
发明内容
针对上述技术问题，本发明提出了一种基于地质特征约束的储层参数预测方法、装置和计算机存储介质以及计算机设备。本发明是基于地质特征约束的非线性储层参数预测技术，能够实现对尤其是深度域储层参数的直接预测，提高储层参数预测精度及空间稳定性。
本发明的一种基于地质特征约束的储层参数预测方法，具体包括以下步骤：
S100、根据目标层段的不同类型的地震属性与储层参数之间的相关度，从不同类型的地震属性中选出优势地震属性；
S200、基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；
S300、以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；
S400、利用目标层段的地震数据和测井数据作为训练数据和预测数据，对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；
S500、将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；其中，基于波形的相似性和空间距离确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数；
S600、利用空变多神经网络预测模型对目标层段的储层参数进行预测。
根据本发明的一个实施例，上述步骤S100包括以下步骤：
利用目标层段的地震数据和测井数据，通过交汇分析确定目标层段的不同类型的地震属性与储层参数之间的相关度，从不同类型的地震属性中选出相关度超过预设相关度阈值的地震属性，作为优势地震属性；
对于每一个优势地震属性，通过奇异谱分析对该地震属性的数据进行分解和重构，其中，在重构后的序列中按照对该地震属性的贡献度的大小保留贡献度高于预设贡献度阈值的序列分量，作为该优势地震属性的优势分量。
根据本发明的一个实施例，上述步骤S200中，所述波形分类网络模型为基于SOM无监督聚类算法设计的SOM无监督网络模型，该网络模型包括地震属性输入层和分类结果输出层。
根据本发明的一个实施例，上述步骤S300中，每个所述深度神经网络模型为LSTM-RNN循环神经网络模型，该网络模型包括地震属性输入层和储层参数输出层以及位于地震属性输入层与储层参数输出层之间的隐藏层；其中，所述隐藏层包括：
LSTM单元，用于保留地震数据和测井数据的时序特征；
full-connected层，用作训练网络模型的分类器
dropout层，用于缓解网络模型训练过程中的过拟合现象；
regression层，用作训练网络模型的输出。
根据本发明的一个实施例，上述步骤S600中，所述空变多神经网络预测模型为：
Figure GDA0003821350250000031
式中：Vp代表储层参数，fk(x1,x2,…xN)代表第k种地质特征下的神经网络预测模型，wk,i,j代表第k种地质特征下的神经网络预测模型的空变系数，x1,x2,…xN代表不同类型的地震属性。
根据本发明的一个实施例，按照下式确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数：
w＝λwc+(1-λ)wd
Figure GDA0003821350250000032
Figure GDA0003821350250000033
wc＝exp(-αcc12 2)
wd＝exp(-αdd12 2 )
式中：w为空变系数，v1为已构建神经网络模型的地震道，v2为待构建神经网络模型的地震道，wc表示已构建神经网络模型地震道与待构建神经网络模型地震道波形相似性的插值系数，wd表示已构建神经网络模型地震道与待构建神经网络模型地震道距离的插值系数，c12表示v1和v2之间的相关性，d12表示表示v1和v2之间的距离，
Figure GDA0003821350250000034
和
Figure GDA0003821350250000035
分别表示v1和v2的空间位置，λ为调节因子，αc和αd为指数因子。
根据本发明的一个实施例，上述目标层段的储层参数包括目标层段的空间三维弹性参数体，所述方法还包括输出目标层段的空间三维弹性参数体的分布图。
另一方面，本发明还提供一种基于地质特征约束的储层参数预测装置，其特征在于，包括：
属性筛选模块，用于利用目标层段的地震数据和测井数据，分析目标层段的不同类型的地震属性与储层参数之间的相关度，根据所述相关度的大小从不同类型的地震属性中选出优势地震属性；
波形分类模块，用于基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；
模型构建模块，用于以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；
模型训练模块，用于利用目标层段的地震数据和测井数据作为训练数据和预测数据，对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；
模型融合模块，用于将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；其中，基于波形的相似性和空间距离确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数；
参数预测模块，用于利用空变多神经网络预测模型对目标层段的储层参数进行预测。
再者，本发明还提供一种计算机存储介质，其特征在于，其中存储有可被处理器执行的计算机程序，该计算机程序在被处理器执行时实现上述基于地质特征约束的储层参数预测方法。
此外，本发明还提供一种计算机设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的计算机程序，以实现上述基于地质特征约束的储层参数预测方法。
与现有技术相比，本发明提供的融入内外部知识的暴力视频分类技术具有如下优点或有益效果：
本发明采用LSTM-RNN神经网络模型来描述地震属性与储层参数之间的非线性映射关系，既考虑了地震数据的上下关联性和测井数据的上下关联性，同时还兼顾了地震数据和测井数据的时序特征，建立了比现有技术更加准确的井震映射关系。此外，本发明通过引入波形聚类，在同一沉积特征下对应一个深度网络模型，通过构建空变多网络预测模型，以多类型地震属性数据为输入，以地质特征为约束，在不同的波形特征下使用不同的网络模型进行储层参数预测，有效提高了预测精度。通过本发明提供的储层参数预测方法，可以有效提高地震储层参数预测的准确度和稳定性，有助于进一步提高钻井成功率，降低油田勘探开发成本，提高油田生产效益。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
附图1是本发明实施例一的基于地质特征约束的储层参数预测方法流程示意图；
附图2是本发明实施例一的储层参数预测方法中的SOM无监督聚类网络模型示意图；
附图3是本发明实施例一的储层参数预测方法中的LSTM-RNN循环神经网络模型示意图；
附图4是本发明实施例一的LSTM-RNN循环神经网络模型中的遗忘门示意图；
附图5是本发明实施例一的LSTM-RNN循环神经网络模型中的传入门示意图；
附图6是本发明实施例一的LSTM-RNN循环神经网络模型中的输出门示意图；
附图7是本发明实施例一的构建空变多神经网络预测模型中的空变系数的示意图；
附图8是本发明实施例二的波形分类输入数据示意图；
附图9是本发明实施例二的波形分类结果沿O72切片示意图；
附图10是本发明实施例二的深度神经网络输入数据示意图；
附图11是本发明实施例二的深度神经网络模型构建示意图；
附图12(a)是本发明实施例二的基于深度神经网络的多模型弹性参数预测结果沿层切片示意图；
附图12(b)是本发明实施例二的基于深度神经网络的单模型弹性参数预测结果沿层切片示意图；
附图12(c)是本发明实施例二的时间域反演结果沿层切片示意图；
附图12(d)是本发明实施例二的工程开发部署方案示意图；
附图13(a)是本发明实施例二的PU_IA井原始测井曲线与多模型预测结果对比图；
附图13(b)是本发明实施例二的PU_IB井原始测井曲线与多模型预测结果对比图；
附图13(c)是本发明实施例二的PU_IC井原始测井曲线与多模型预测结果对比图；
附图13(d)是本发明实施例二的PU_IC井原始测井曲线与单模型预测结果对比图。
具体实施方式
由于现有技术中尚未建立基于深度域地震记录的数学模型，并且常见的深度域储层预测方法存在预测精度低、预测效率低以及不符合宏观地质特征等缺点，因此本发明提出了一种基于地质特征约束的深度域储层参数直接预测技术，以提高尤其深度域储层参数预测精度，提升空间预测稳定性，为后续钻井及油藏模拟提供合理的认识、高精度的数据，以支撑高效勘探开发。
本发明的核心思想是：针对在不同沉积环境下，使用同一个模型预测可能会导致预测精度骗低的问题，通过引入波形聚类，在同一沉积特征下，采用深度网络进行储层参数预测，以提高预测精度。主要方法的流程如图1所示，首先是建立宏观地质特征分带，通过计算深度域动力学、运动学、几何学等多类型的属性，并比对宏观地质背景及测井数据，优选相关性高的地震属性，作为波形特征分类的划分及依据，也作为后续储层参数提供数据基础；然后，结合基于SOM无监督学习的自动聚类算法，实现对波形特征的自动划分，以波形分类结果作为地质特征分带依据；接着，按照不同地质特征构建不同的储层参数预测模型，在不同的地质分带下，结合测井数据和地震属性数据，利用长短时记忆-循环神经网络(LSTM-RNN)构建不同井位置处的非线性网络预测模型，通过不断调参、优化模型参数，使单点预测模型泛化、收敛；最后，构建空变多网络预测模型，以多类型地震属性数据为输入，以地质特征为约束，在不同的波形特征下使用不同的网络模型进行储层参数预测，最终获得三维空间参数体的综合预测结果。
为使本发明的目的，技术方案和优点更加清楚，以下结合实施例和附图对本发明作进一步的详细说明，借此对本发明如何应用技术手段解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
实施例一
如图1所示，本发明提供的基于地质特征约束的储层参数预测方法主要包括以下步骤：
S100、根据目标层段的不同类型的地震属性与储层参数之间的相关度，从不同类型的地震属性中选出优势地震属性；
具体而言，首先利用目标层段的地震数据和测井数据，通过交汇分析确定目标层段的不同类型的地震属性与储层参数之间的相关度，根据所述相关度的大小从不同类型的地震属性中选出相关度超过预设相关度阈值的地震属性，作为优势地震属性；然后，对于每一个优势地震属性，通过奇异谱分析对该地震属性的数据进行分解和重构，其中，在重构后的序列中按照对该地震属性的贡献度的大小保留贡献度高于预设贡献度阈值的序列分量，作为该优势地震属性的优势分量；
S200、基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；其中，不同的波形对应于一种不同的地质特征；
S300、以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；
S400、利用目标层段的地震数据和测井数据作为训练数据和预测数据，对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；
S500、将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型(空间变化多神经网络预测模型)；其中，利用波形相似性和空间距离确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数；
S600、利用空变多神经网络预测模型对目标层段的储层参数进行预测。
下面对各个步骤展开详细说明。
步骤S100是基于交汇分析和奇异谱分析的地震属性优选技术。在该步骤中，首先开展目标层段的不同类型的地震属性与储层参数的交汇分析，优选相关性或贡献度较高的属性。然后，将优选后的地震属性表示成一维数据，并构造出轨迹矩阵，进一步将轨迹矩阵进行分解、重构，按贡献度大小将属性的不同成分、不同分量进行重排，最终，确定优势地震属性的优势分量，为后续波形分类和储层参数直接预测提供数据基础。奇异谱分析的具体算法如下：
嵌入，将优选的属性数据表示为一维数据：[x1,x2,…,xN]
[x1,x2,…,xN]
其中，N为序列长度。
首先选择合适的窗口长度L，将原始时间序列进行滞后排列得到轨迹矩阵：
Figure GDA0003821350250000081
通常情况下取L<N/2，令K＝N-L+1，则轨迹矩阵X为L×K的矩阵：
Figure GDA0003821350250000082
②分解，计算轨迹矩阵的协方差矩阵：
S＝X·XT (3)
接下来，对S进行特征值分解得到λ1>λ2>…>λL≥0和对应的特征
向量U1,U2,…,UL。此时，U＝[U1,U2,…,UL]，
Figure GDA0003821350250000083
为原序列的奇异谱，并且有：
Figure GDA0003821350250000084
其中：λm对应的特征向量Um反映了时间序列的演变型。
③分组，假定所有的L个成分分为c个不相交的组，具体公式如下：
Figure GDA0003821350250000091
④重构，首先计算迟滞序列Xi在Um上的投影：
Figure GDA0003821350250000092
其中，Xi表示轨迹矩阵X的第i列，
Figure GDA0003821350250000093
表示Xi所反映的时间演变型在原序列的xi+1,xi+2,…,xi+L时段的权重。
接下来，通过时间经验正交函数和时间主成分来重构信号，具体重构过程如下：
Figure GDA0003821350250000094
这样，重构序列的等于原序列，即：
Figure GDA0003821350250000095
其中，
Figure GDA0003821350250000096
为按主要性排序的第k个信号。
因此，通过交汇分析和奇异谱分析，获得优势属性及优势属性的主要分量，为后续储层预测提供数据基础。
(2)在多属性优选的基础上，通过SOM无监督聚类算法(图2)，来实现波形特征的自动划分，优选地震多属性为输入数据，设计SOM无监督网络训练模型及拓扑结构，输出波形分类结果，为后续储层参数预测提供约束数据。SOM具体算法如下：
①初始化：每个节点随机初始化自己的参数。每个节点的参数个数与输入数据的维度相同。
②对于每一个输入数据，找到与它最相配的节点。假设输入是D维的数据，即X＝{x_i,i＝1,,D}，那么判别函数可以为欧几里得距离：
Figure GDA0003821350250000101
③找到激活节点I(x)之后，我们也希望更新和它临近的节点。令S_ij表示节点i和j之间的距离，对于I(x)临近的节点，分配给它们一个更新权重：
Figure GDA0003821350250000102
④接着就是更新节点的参数了。按照梯度下降法更新：
Δwji＝η(t)*Tj，l(x)(t)*(xi-wji) (12)
迭代，直至收敛。
因此，通过SOM无监督自动聚类技术，结合基于交汇分析和SSA奇异谱分析的多属性优选技术，实现波形特征自动划分。
(3)在波形分类的基础上，进一步开展分波形特征的不同深度神经网络构建。由于地震数据具有时序信号特征，且测井数据在纵向上也具有一定关联性，优选LSTM-RNN(长短时记忆-循环神经网络)进行不同地质特征下的非线性多网络预测模型构建(图3)。
LSTM-RNN循环神经网络模型的示意图为图3，一个LSTM单元是由3个门限结构和1个状态向量传输线组成的，门限分别是遗忘门，传入门，输出门；其中状态向量传输线负责长程记忆，只做一些简单的线性操作；3个门负责短时记忆的选择，通过门限设置对输入向量做删除或者添加操作。
遗忘门(图4)通过一个sigmoid神经层实现，它的作用是决定让哪些信息通过这个单元。0表示“不让任何信息通过”，1表示“让所有信息通过”。
传入门(图5)的作用是决定让多少新信息加入到单元状态中，传入门实现需要两个步骤：首先，一个sigmod层决定哪些信息需要更新；一个tanh层生成一个备选的用来更新内容；再下一步，将这两部门通过向量点乘联合起来，对单元的状态进行一个更新。
输出门(图6)的作用是输出最后的结果，输出门实现需要两个步骤：首先，通过一个sigmoid层决定哪部分信息会被输出；接着，把状态向量通过一个tanh层，然后将tanh层的输出和sigmoid层计算出来的权重相乘，这样就得到了最后输出的结果。
LSTM单元的具体数学过程如下：
Figure GDA0003821350250000111
其中：i为输入门，σ为逻辑sigmoid函数，Wxi、Whi、Wci分别表示输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，bi为输入门的偏置量；f为遗忘门，Wxf、Whf、Wcf分别表示输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵，bf为遗忘门的偏置量；C为单元激活向量，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵为对角阵，bc为输出门的偏置值；o为输出门，Wxo、Who、Wco分别表示输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，bf为遗忘门的偏置量；t作为下标时表示采样时刻，tanh为激活函数。
(4)训练基于LSTM-RNN的深度神经网络模型，并优化调整网络模型参数，使模型泛化、收敛。其输入层为井旁多属性数据，输出层为相应的测井弹性参数，如纵波速度，隐藏层则由：LSTM单元、full-connected层、dropout层、regression层组成，其中：LSTM单元用于保留测井数据和地震数据的时序特征；full-connected层作为整个训练网络的分类器；dropout层用于缓解网络训练过程中过拟合现象的发生，起到正则化的效果；regression层作为网络训练模型的输出。
(5)空变多神经网络预测模型构建。在空间多神经网络预测模型构建的基础上，利用波形相似性和空间距离构建神经网络预测模型的空变系数(图7)，最终，实现空变多神经网络预测模型的构建。空变系数的构建公式为：
w＝λwc+(1-λ)wd (14)
Figure GDA0003821350250000121
Figure GDA0003821350250000122
wc＝exp(-αcc12 2) (17)
wd＝exp(-αdd12 2) (18)
式中：w为空变系数，v1为已构建神经网络模型的地震道，v2为待构建神经网络模型的地震道，wc表示已构建神经网络模型地震道与待构建神经网络模型地震道波形相似性的插值系数，wd表示已构建神经网络模型地震道与待构建神经网络模型地震道距离的插值系数，c12表示v1和v2之间的相关性，d12表示表示v1和v2之间的距离，
Figure GDA0003821350250000123
和
Figure GDA0003821350250000124
分别表示v1和v2的空间位置，λ为调节因子，αc和αd为指数因子。
最终，实现空变神经网络预测模型的构建。
(6)空间弹性参数预测。以多属性为输入数据，以弹性参数为输出数据，以波形分类结果为约束，通过空变多神经网络预测模型实现空间弹性参数的预测。
Figure GDA0003821350250000125
其中：Vp代表储层参数，fk(x1,x2,…xN)代表第k种地质特征所对应的神经网络预测模型，wk,i,j代表第k种地质特征所对应的神经网络预测模型的空变系数，x1,x2,…xN代表不同类型的地震属性。
实施例二
下面通过某工区的实际数据来说明本发明方法的有效性。该区为碎屑岩储层类型，共发育两套储层，分别为O72和O73层，O72层为浊积水道席状砂岩，全区发育稳定，该区有效测井共有3口，分别为PU_IA井、PU_IB井、PU_IC井。首先基于交汇分析和奇异谱分析技术优选多属性(图8)，优选输入属性分别为：包络属性、相对波阻抗、瞬时振幅属性，并结合SOM无监督聚类算法，进行波形分类(图9)，将波形共分为三类，为：能量较弱、能量中等、能量较强，分别对应的三口井为PU_IC井、PU_IB井、PU_IA井。在波形分类的基础上，分波形特征训练深度神经网络，优选输入数据(图10)包括：地震道、包络属性、薄层因子、相对波阻抗、希尔伯特属性、瞬时频率、主频及瞬时相位属性，输出数据为：纵波速度，设计5层深度神经网络(图11)，进行预测模型构建，将波形分类结果作为约束数据，最终实现基于深度循环神经网络的多模型弹性参数预测。
对比基于深度神经网络的多模型弹性参数预测结果与基于深度神经网络的单模型弹性参数预测结果、时间域反演结果以及工程开发部署方案(图12)，从平面趋势上可看出，本发明专利与基于单模型预测的纵波速度相比较，具有较好的空间预测精度，且较好地保留了整体宏观特征；本发明专利与时间域反演结果对比可看出，由于时间域反演结果受井及初始模型的限制，反演结果不能较好地表征宏观地质特征，综合图12-a、b、c、d分析，基于多模型的弹性参数直接预测技术具有较好的空间预测精度，且与开发部署方案具有较好的一致性。
对比PU_IA、PU_IB、PU_IC三口井的基于多模型预测结果与原始测井曲线(图13-a、b、c)，可见，纵波速度预测结果与原始测井曲线整体趋势一致，且与井吻合度均较高；进一步，对比PU_IC井的多模型预测结果与单模型预测结果，可见，基于多模型预测的纵波速度预测精度高于基于单模型预测的纵波速度。
综上所述，基于本发明专利研发了基于LSTM-RNN循环神经网络的储层参数直接预测技术，实现了基于空变多模型的储层参数直接预测，有效保持了地质地层结构，进一步提高了储层参数预测精度。
实施例三
在上一实施例的基础上，本实施例提供一种储层参数预测装置，其特征在于，包括：
属性筛选模块，用于利用目标层段的地震数据和测井数据，分析目标层段的不同类型的地震属性与储层参数之间的相关度，根据所述相关度的大小从不同类型的地震属性中选出优势地震属性；
波形分类模块，用于基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；
模型构建模块，用于以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；
模型训练模块，用于利用目标层段的地震数据和测井数据作为训练数据和预测数据，对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；
模型融合模块，用于将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；其中，基于波形的相似性和空间距离确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数；
参数预测模块，用于利用空变多神经网络预测模型对目标层段的储层参数进行预测。
实施例四
此外，本实施例提供一种计算机存储介质，所述计算机存储介质存储有计算机程序。
所述计算机存储介质被一个或多个计算机处理器执行时，实现如前所述的储层参数预测方法。
上述存储介质可以是闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App(Application，应用)应用商城等等。
实施例五
另外，本实施例提供一种计算机设备，所述计算机设备包括存储器和处理器。
所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，执行如前所述的储层参数预测方法。
处理器可以是专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，处理器可以用于执行上述实施例一至实施例五中任意一项所述的储层参数预测方法。
存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
应该理解到，在上述实施例中所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，或者，也可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者，还可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
还需要说明的是，以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种基于地质特征约束的储层参数预测方法，其特征在于，包括以下步骤：
S100、根据目标层段的不同类型的地震属性与储层参数之间的相关度，从不同类型的地震属性中选出优势地震属性；
S200、基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征分类，获得波形分类结果；
S300、以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；
S400、利用目标层段的地震数据和测井数据对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；
S500、将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；
S600、利用空变多神经网络预测模型对目标层段的储层参数进行预测。
2.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S100包括以下步骤：
利用目标层段的地震数据和测井数据，通过交汇分析确定目标层段的不同类型的地震属性与储层参数之间的相关度，根据所述相关度的大小从不同类型的地震属性中选出相关度超过预设相关度阈值的地震属性，作为优势地震属性；
对于每一个优势地震属性，通过奇异谱分析对该地震属性的数据进行分解和重构，其中，在重构后的序列中按照对该地震属性的贡献度的大小保留贡献度高于预设贡献度阈值的序列分量，作为该优势地震属性的优势分量。
3.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S200中，所述波形分类网络模型为基于SOM无监督聚类算法设计的SOM无监督网络模型，该网络模型包括地震属性输入层和分类结果输出层。
4.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S300中，每个所述深度神经网络模型为LSTM-RNN循环神经网络模型，该网络模型包括地震属性输入层和储层参数输出层以及位于地震属性输入层与储层参数输出层之间的隐藏层；其中，所述隐藏层包括：
LSTM单元，用于保留地震数据和测井数据的时序特征；
full-connected层，用作训练网络模型的分类器
dropout层，用于缓解网络模型训练过程中的过拟合现象；
regression层，用作训练网络模型的输出。
5.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S600中，所述空变多神经网络预测模型为：
Figure FDA0003821350240000021
其中：Vp代表储层参数，fk(x1,x2,…xN)代表第k种地质特征所对应的神经网络预测模型，wk,i,j代表第k种地质特征所对应的神经网络预测模型的空变系数，x1,x2,…xN代表不同类型的地震属性。
6.根据权利要求5所述的储层参数预测方法，其特征在于，按照下式确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数：
w＝λwc+(1-λ)wd
Figure FDA0003821350240000022
Figure FDA0003821350240000023
wc＝exp(-αcc12 2)
wd＝exp(-αdd12 2)
式中：w为空变系数，v1为已构建神经网络模型的地震道，v2为待构建神经网络模型的地震道，wc表示已构建神经网络模型地震道与待构建神经网络模型地震道波形相似性的插值系数，wd表示已构建神经网络模型地震道与待构建神经网络模型地震道距离的插值系数，c12表示v1和v2之间的相关性，d12表示v1和v2之间的距离，
Figure FDA0003821350240000031
和
Figure FDA0003821350240000032
分别表示v1和v2的空间位置，λ为调节因子，αc和αd为指数因子。
7.根据权利要求1所述的储层参数预测方法，其特征在于，所述目标层段的储层参数包括目标层段的空间三维弹性参数体，所述方法还包括输出目标层段的空间三维弹性参数体的分布图。
8.一种基于地质特征约束的储层参数预测装置，其特征在于，包括：
属性筛选模块，用于利用目标层段的地震数据和测井数据，分析目标层段的不同类型的地震属性与储层参数之间的相关度，根据所述相关度的大小从不同类型的地震属性中选出优势地震属性；
波形分类模块，用于基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；
模型构建模块，用于以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；
模型训练模块，用于利用目标层段的地震数据和测井数据作为训练数据和预测数据，对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；
模型融合模块，用于将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；其中，基于波形的相似性和空间距离确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数；
参数预测模块，用于利用空变多神经网络预测模型对目标层段的储层参数进行预测。
9.一种计算机存储介质，其特征在于，其中存储有可被处理器执行的计算机程序，该计算机程序在被处理器执行时实现上述权利要求1至7中任意一项所述基于地质特征约束的储层参数预测方法。
10.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的计算机程序，所述计算机程序用于实现上述权利要求1至7中任意一项所述基于地质特征约束的储层参数预测方法。
CN202010928912.0A 2020-09-07 2020-09-07 基于地质特征约束的储层参数预测方法、装置和存储介质 Active CN114152977B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010928912.0A CN114152977B (zh) 2020-09-07 2020-09-07 基于地质特征约束的储层参数预测方法、装置和存储介质
PCT/CN2021/103487 WO2022048288A1 (zh) 2020-09-07 2021-06-30 基于地质特征约束的储层参数预测方法、装置和存储介质
US18/005,011 US20230314649A1 (en) 2020-09-07 2021-06-30 Reservoir parameter prediction method and apparatus based on geological characteristic constraint, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928912.0A CN114152977B (zh) 2020-09-07 2020-09-07 基于地质特征约束的储层参数预测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN114152977A CN114152977A (zh) 2022-03-08
CN114152977B true CN114152977B (zh) 2023-01-10

Family

ID=80460365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928912.0A Active CN114152977B (zh) 2020-09-07 2020-09-07 基于地质特征约束的储层参数预测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114152977B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579768A (zh) * 2022-05-06 2022-06-03 深圳市信润富联数字科技有限公司 一种实现设备智能运维知识库的维修方法
CN115204530B (zh) * 2022-09-16 2023-05-23 中科数智能源科技(深圳)有限公司 基于傅里叶神经算子和循环神经网络的油藏预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106707340A (zh) * 2016-12-13 2017-05-24 中国石油天然气股份有限公司大港油田分公司 一种火山岩岩相的预测方法
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
CN111025384A (zh) * 2019-11-26 2020-04-17 中国石油天然气股份有限公司 基于波形分类交汇融合的储层预测方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271898A (zh) * 2018-08-31 2019-01-25 电子科技大学 基于优化卷积神经网络的溶洞体识别算法
US10983235B2 (en) * 2018-09-14 2021-04-20 Saudi Arabian Oil Company Characterizing depositional features by geologic-based seismic classification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106707340A (zh) * 2016-12-13 2017-05-24 中国石油天然气股份有限公司大港油田分公司 一种火山岩岩相的预测方法
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
CN111025384A (zh) * 2019-11-26 2020-04-17 中国石油天然气股份有限公司 基于波形分类交汇融合的储层预测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Waveforms classification based on convolutional neural networks;Bendong Zhao et al.;《IEEE》;20171231;第162-165页 *
基于深度学习的波形聚类方法在储层预测中的应用;林煜等;《中国石油学会2019年物探技术研讨会》;20191231;第648-651页 *

Also Published As

Publication number Publication date
CN114152977A (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN109709603B (zh) 地震层位识别与追踪方法、系统
Aleardi et al. 1D elastic full‐waveform inversion and uncertainty estimation by means of a hybrid genetic algorithm–Gibbs sampler approach
US20230314649A1 (en) Reservoir parameter prediction method and apparatus based on geological characteristic constraint, and storage medium
CN112017289B (zh) 一种基于深度学习的井震联合初始岩性模型构建方法
Azevedo et al. Generative adversarial network as a stochastic subsurface model reconstruction
CN114152977B (zh) 基于地质特征约束的储层参数预测方法、装置和存储介质
Wang et al. Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network
Mishra et al. Evaluation and development of a predictive model for geophysical well log data analysis and reservoir characterization: Machine learning applications to lithology prediction
Karmakar et al. Mapping of rock types using a joint approach by combining the multivariate statistics, self-organizing map and Bayesian neural networks: an example from IODP 323 site
Bougher Machine learning applications to geophysical data analysis
Azevedo Model reduction in geostatistical seismic inversion with functional data analysis
Alameedy et al. Evaluating machine learning techniques for carbonate formation permeability prediction using well log data
CN112882123B (zh) 一种基于两步法的cnn井震联合反演方法、系统及应用
Chen et al. Prediction of Shear Wave Velocity Based on a Hybrid Network of Two‐Dimensional Convolutional Neural Network and Gated Recurrent Unit
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
Melnikova et al. History matching through a smooth formulation of multiple-point statistics
Verma et al. Quantification of sand fraction from seismic attributes using Neuro-Fuzzy approach
Wong et al. Introduction: field applications of intelligent computing techniques
Pradhan et al. Consistency and prior falsification of training data in seismic deep learning: Application to offshore deltaic reservoir characterization
Verga et al. Improved application of assisted history matching techniques
Malvić et al. Neural networks in petroleum geology as interpretation tools
US12013508B2 (en) Method and system for determining seismic processing parameters using machine learning
Bhattacharya Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks
Chikhi et al. Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province
CN112147679B (zh) 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置

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