CN114152978B - 储层参数预测方法、装置、存储介质及电子设备 - Google Patents
储层参数预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114152978B CN114152978B CN202010931370.2A CN202010931370A CN114152978B CN 114152978 B CN114152978 B CN 114152978B CN 202010931370 A CN202010931370 A CN 202010931370A CN 114152978 B CN114152978 B CN 114152978B
- Authority
- CN
- China
- Prior art keywords
- data
- gate
- network model
- input
- lstm
- 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 56
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 24
- 125000004122 cyclic group Chemical group 0.000 claims description 18
- 230000020411 cell activation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 238000004148 unit process Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01V1/282—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种储层参数预测方法、系统、存储介质及电子设备，该方法包括以下步骤：获取目的层段的地震数据和与所述地震数据相匹配的测井数据；构建用于预测目的层段的储层参数的LSTM‑RNN循环神经网络模型；利用目的层段的地震数据和与所述地震数据相匹配的测井数据，对所述LSTM‑RNN循环神经网络模型进行训练，以优化该模型的模型参数；利用训练好的LSTM‑RNN循环神经网络模型对目的层段的储层参数进行预测。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。
Description
技术领域
本发明涉及储层勘探技术领域，特别地涉及一种储层参数预测方法、装置、存储介质及电子设备。
背景技术
常见的地震储层参数预测方法通过褶积理论或者神经网络进行地震储层参数预测。褶积模型数学表达形式为子波与反射系数进行卷积，其作为一种近似的数学模型在地震储层参数预测中得到了广泛的应用，通过褶积模型进行反演可获得相应的储层参数。另一种方法是基于神经网络的地震储层参数预测方法，通过直接建立地震波形与储层参数的非线性映射关系，进行储层参数直接预测。
褶积模型是线性模型且基于垂直入射和均匀层状介质假设，但是实际地下介质非常复杂，且实际地震子波是一个随空间和时间变化的模型分量，因此，褶积模型存在一定的局限性。同样，由于测井数据与地震数据为时序序列，具有渐变的特征，常规人工神经网络算法通过建立测井样本与地震数据一一对应的关系，未考虑数据的时序特征，且测井样本与地震数据有效样本较少，导致常规的算法存在训练模型较难不收敛，预测效果不理想的问题。
上述方法均存在未考虑地震波空间上的连续性，导致预测的储层参数准确度偏低的技术问题。
发明内容
针对现有技术中存在的技术问题，本发明提出一种新的储层参数预测方法、系统、存储介质及电子设备。该方法基于长短时记忆-循环神经网络(LSTM-RNN)算法训练地震波形与储层参数的非线性映射关系，由此进行储层参数的空间预测。
首先，本发明提出的一种储层参数预测方法，其主要包括以下步骤：
获取目的层段的地震数据和与所述地震数据相匹配的测井数据；
构建用于预测目的层段的储层参数的LSTM-RNN循环神经网络模型；
利用目的层段的地震数据和与所述地震数据相匹配的测井数据作为训练数据和预测数据，对所述LSTM-RNN循环神经网络模型进行训练，以优化该模型的模型参数；
利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测。
根据本发明的一个实施例，在获取目的层段的地震数据和与所述地震数据相匹配的测井数据之前，所述方法还包括：对目的层段的地震数据和测井数据进行预处理，使其在频域相互匹配。
根据本发明的一个实施例，所述对目的层段的地震数据和测井数据进行预处理，使其在频域相互匹配，包括：对测井数据进行平滑处理，使得平滑处理后的测井数据的频谱与地震数据的频谱相互匹配；对匹配后的地震数据和测井数据进行归一化处理；以目的层段的顶底为边界，从归一化处理后的地震数据和测井数据中截取属于目的层段范围内的地震数据和测井数据。
根据本发明的一个实施例，相应地，所述利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行空间预测，包括：在利用训练好的LSTM-RNN循环神经网络模型获得参数预测结果后，对所述参数预测结果进行反归一化处理，得到最终的储层参数的预测结果。
根据本发明的一个实施例，根据下式对测井数据进行平滑处理，以使测井数据的频谱与地震数据的频谱相互匹配：
式中，N为偶数，X为平滑处理前的历史测井数据，Xsmooth为平滑处理后的历史测井数据。
根据本发明的一个实施例，按照下式进行归一化处理：
式中，X为待归一化处理的数据,Xmin、Xmax为待归一化处理的数据中的最大值和最小值，Xnorm归一化处理后的数据；
根据本发明的一个实施例，按照下式进行反归一化处理：
XFin＝XPred·(Xmax-Xmin)+Xmin
式中，XFin为目的层段最终的储层参数的预测结果,Xmin、Xmax为原始的待归一化处理的数据中的最大值和最小值，XPred反归一化前的参数预测结果。
根据本发明的一个实施例，所述LSTM-RNN循环神经网络模型，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，所述目的层段的储层参数包括目的层段的空间三维弹性参数体，所述方法还包括输出目的层段的空间三维弹性参数体的分布图。
另一方面，本发明提供一种储层参数预测装置，其特征在于，包括：
数据收集模块，用于获取目的层段的地震数据和与所述地震数据相匹配的测井数据；
模型建立模块，用于构建用于预测目的层段的储层参数的LSTM-RNN循环神经网络模型；
模型训练模块，用于利用目的层段的地震数据和与所述地震数据相匹配的测井数据，对所述LSTM-RNN循环神经网络模型进行训练，以优化该模型的网络模型参数；
参数预测模块，用于利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测。
第三方面，本发明提供一种存储介质，所述存储介质存储有计算机程序，所述存储介质被一个或多个处理器执行时，实现如前所述的储层参数预测方法。
第四方面，本发明提供一种电子设备，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。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本发明提供的一种储层参数预测方法、装置、存储介质及电子设备，该方法基于数据驱动，收集井震数据，基于LSTM-RNN循环神经网络建立地震属性与储层参数之间的非线性映射关系；再基于训练好的LSTM-RNN循环神经网络模型，预测目的层段的空间三维弹性参数体。本发明采用LSTM-RNN循环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。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。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图，具体地，在下文中将基于实施例并参考附图来对本发明进行更详细的描述：
附图1是本发明提供的循环神经网络模型中LSTM-RNN单元内部结构的示意图；
附图2是本发明实施例一的基于LSTM-RNN算法的储层参数预测方法流程图；
附图3是本发明实施例二的工区构造底图及钻探的井-A和井-B的示意图；
附图4是本发明实施例二的过井-A的叠后地震剖面的示意图；
附图5是本发明实施例二的预处理后的井旁地震道的示意图；
附图6是本发明实施例二的预处理后的纵波阻抗曲线的示意图；
附图7是本发明实施例二的基于LSTM-RNN的循环神经网络模型的构建示意图；
附图8是本发明实施例二的基于LSTM-RNN的循环神经网络模型的关键参数表；
附图9是本发明实施例二的模型预测误差随训练次数变化的示意图；
附图10是本发明实施例二的井-A预处理后的纵波阻抗与预测纵波阻抗的对比图；
附图11是本发明实施例二的井-A预处理后的纵波阻抗与预测纵波阻抗的散点交汇图；
附图12是本发明实施例二的井-B预处理后的纵波阻抗与预测纵波阻抗的对比图；
附图13是本发明实施例二的井-B预处理后的纵波阻抗与预测纵波阻抗的散点交汇图；
附图14是本发明实施例二的过井-A的预测纵波阻抗剖面的示意图；
附图15是本发明实施例二的过井-B的预测纵波阻抗剖面的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚、明白，下面，将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
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。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
实施例一
储层参数预测是建立精确油气地藏模型，准确估计油气储量，确定合理开发方案的基础工作，不仅可以用于油气勘探，而且对于指导油气藏特别是复杂隐蔽油气藏或岩性油气藏的开发具有重要意义。如图1和图2所示，针对目前现有技术中存在的技术问题，本实施例提供一种储层参数预测方法。需要说明的是，本实施例提供的储层参数预测方法并不以图1和图2以及以下的具体顺序为限制，应当理解的是，在其它实施例中，本实施例提供的储层参数预测方法中的部分步骤的顺序可以根据实际需要相互交换，或者部分步骤也可以省略或删除。下面将对图1和图2涉及到的具体流程进行阐述。
如图1和图2所示，本实施例的储层参数预测方法主要包括如下步骤：
S100，收集目的层段的地震数据和测井数据，对地震数据和测井数据进行预处理，以使两种不同类型的数据相互匹配；
S200，构建具有长短时记忆的循环神经网络模型，即LSTM-RNN循环神经网络模型，用于预测目的层段的储层参数；
S300，利用目的层段的地震数据和与所述地震数据相匹配的测井数据作为训练数据和预测数据，对所述LSTM-RNN循环神经网络模型进行训练，以优化该模型的模型参数；
S400，利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测。
下面对各步骤展开详细说明。
在步骤S100中，收集的数据包括：井资料及井旁地震道，三维地震数据，其中，井资料作为训练标签，井旁地震道作为训练样本，三维地震数据作为输入数据。
对收集的数据进行预处理，包括：①对测井数据进行平滑处理；②测井数据和地震数据归一化处理；③以目的储层的顶底为边界，截取有效的地震和测井数据。其中：
①分析原始测井数据和井旁地震道的频谱，选择合适的滑动窗口对测井数据进行平滑处理，以使两者数据频谱基本匹配。
式中:N为偶数，Xsmooth为滤波后的测井数据，X为原始测井数据。
②对测井数据和地震数据进行归一化处理，以使网络快速收敛。
式中:X为待归一化处理的数据,Xmin、Xmax为相应的最大值和最小值，
Xnorm归一化处理后的数据。
③以地震数据目的层解释的上下层位为边界，截取对应的地震数据和测井数据，作为训练数据和预测数据。
在步骤S200中，构建具有长短时记忆(LSTM)的循环神经网络模型，并初始化网络模型参数。其中，LSTM单元能有效解决循环神经网络训练时的梯度爆炸和梯度消失问题，同时，保留测井数据和地震数据的时序特征。该网络模型包含：输入层、隐藏层、输出层，其中隐藏层采用LSTM单元，该单元的具体结构如图1所示，其具有三个门：输入门，遗忘门，输出门。其中，输入门用于对信号的输入进行处理，如果为1(门开)，则允许信息进入隐藏节点，如果为0(门关)，则不允许信息进入隐藏节点，这样就可以舍弃无用输入数据。遗忘门用来设置选择性遗忘的权重，表示是否保留当前隐藏层节点存储的历史数据，如果为1(门开)，则保留，如果为0(门关)，则清除当前存储的历史数据。输出门用于对信号的输出进行处理，表示是否将当前节点输出值输出给下一隐藏层或输出层，如果为1(门开)，则当前节点值将输出并作用于下一层，如果为0(门关)，则当前节点值不输出。
LSTM单元的具体过程如下：
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。
在步骤S300中，利用目的层段的地震数据和测井数据作为训练数据和预测数据，训练通过步骤S200建立的基于LSTM单元的循环神经网络模型，并优化调整该网络模型的参数。该网络模型的输入层为井旁地震数据，输出层为相应的测井储层参数，隐藏层则由：LSTM单元、full-connected层、dropout层、regression层构成，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层作为训练网络模型的输出。
在最后的步骤S400中，利用训练好的LSTM-RNN循环神经网络模型来预测储层参数，并根据需要输出储层参数的平面分布图。
由于步骤S300中利用经过归一化处理处理的地震数据和测井数据进行训练，得到LSTM-RNN循环神经网络模型，因此在利用LSTM-RNN循环神经网络模型获得参数预测结果后，还需要对参数预测结果进行反归一化处理(参见以下公式4)，获得最终的储层参数的预测结果。
XFin＝XPred·(Xmax-Xmin)+Xmin (4)
其中:XFin为最终储层参数预测结果,Xmin、Xmax为原始测井数据的最大值和最小值，XPred反归一化前的储层参数预测结果。
上述方法相对于现有技术，通过LSTM-RNN算法直接预测地震储层参数，能够考虑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，预测结果与井上吻合度较高，预测精度及空间稳定性也相对较高。
实施例二
下面通过某地区的页岩工区的实际数据来说明本发明基于LSTM-RNN算法的储层参数预测方法的有效性和正确性。如图2所示，该方法的整体流程与实施例一所述的方法流程一致，包括：数据收集、LSTM-RNN神经网络模型构建、模型训练及网络参数优化以及储层参数预测、反归一化。
实验工区的整体地质构造为向斜构造，共有两口井，其中井-A为训练井，井-B为验证井(图3)，该区域上覆发育一大套稳定的页岩层，且页岩品质由上到下逐渐变好，下覆发育一小套灰岩层(图4)。输入样本数据为预处理后的井旁地震道(图5)，输出标签数据为预处理后的相应纵波阻抗(图6)，构建基于LSTM-RNN的多层循环神经网络模型(图7)，通过训练数据测试，并优化调整关键参数，得到最终的网络模型参数(图8)，模型的误差随迭代次数的变化关系如图9所示，随着迭代次数的增加，整个网络的预测误差趋于稳定。通过训练井A的预测结果及与测井纵波阻抗的对比、交汇分析(图10、图11)可见，模型的表征能力相当好，统计预测精度达到0.96。同时，通过验证井B的预测结果及与测井纵波阻抗的交汇分析可见(图12、图13)，模型的预测能力也较好，统计预测精度达到0.75。
进一步利用训练好的网络模型对过井-A和井-B的地震剖面进行储层参数直接预测，得到过井的纵波阻抗剖面(图14和图15)，预测纵波阻抗剖面的整体趋势与地质认识一致，横向连续性较好，说明训练模型较好的结合了测井数据的纵向变化关系和地震数据的横向变化关系，从而验证了基于LSTM-RNN算法直接预测储层参数的有效性和正确性。
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：
数据收集模块，用于获取目的层段的地震数据和与所述地震数据相匹配的测井数据；
模型建立模块，用于构建用于预测目的层段的储层参数的LSTM-RNN循环神经网络模型；
模型训练模块，用于利用目的层段的地震数据和与所述地震数据相匹配的测井数据，对所述LSTM-RNN循环神经网络模型进行训练，以优化该模型的网络模型参数；
参数预测模块，用于利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测。
实施例四
此外，本实施例提供一种存储介质，所述存储介质存储有计算机程序。
所述存储介质被一个或多个处理器执行时，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，本实施例提供一种电子设备，所述电子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 (8)
1.一种储层参数预测方法，其特征在于，所述方法包括：
获取目的层段的地震数据和与所述地震数据在频域相匹配的测井数据；
构建用于预测目的层段的储层参数的LSTM-RNN循环神经网络模型；
利用目的层段的地震数据和与所述地震数据在频域相匹配的测井数据，对所述LSTM-RNN循环神经网络模型进行训练，以优化该模型的网络模型参数；
利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测，以使所述训练好的LSTM-RNN循环神经网络模型输出与输入的地震数据在频域上相匹配的纵波阻抗；
所述LSTM-RNN循环神经网络模型，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；
所述LSTM单元包括输入门、遗忘门和输出门；所述输入门用于确定是否允许信息进入隐藏层节点；所述遗忘门用于确定是否保留当前隐藏层节点存储的历史数据；所述输出门用于确定是否将当前节点输出值输出给下一隐藏层或输出层；
所述LSTM单元采用以下方式处理数据：
it＝σ(Wxixt+Whiht-1+WciCt-1+bi)
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)
Ct＝ft·Ct-1+it·(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+WcoCt-1+bo)
ht＝ot·tanh(Ct)
其中，i为输入门；σ为逻辑sigmoid函数；Wxi为输入特征向量与输入门之间的权重矩阵；Whi为隐藏层单元与输入门之间的权重矩阵；Wci为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为输入特征向量与遗忘门之间的权重矩阵；Whf为隐藏层单元与遗忘门之间的权重矩阵；Wcf为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为输入特征向量与单元激活向量之间的权重矩阵；Whc为隐藏层单元与单元激活向量之间的权重矩阵；bc为单元激活向量的偏置量；o为输出门；Wxo为输入特征向量与输出门之间的权重矩阵；Who为隐藏层单元与输出门之间的权重矩阵；Wco为单元激活向量与输出门之间的权重矩阵；t为采样时刻；tanh为激活函数；xt为t时刻的输入信号；ht-1为t-1时刻的输出信号；Ct-1为t-1时刻的单元激活向量；bo为输出门的偏置量。
2.根据权利要求1所述的方法，其特征在于，
所述获取目的层段的地震数据和与所述地震数据在频域相匹配的测井数据，包括：
对测井数据进行平滑处理，使得平滑处理后的测井数据的频谱与地震数据的频谱相匹配；
对匹配后的地震数据和测井数据进行归一化处理；
以目的层段的顶底为边界，从归一化处理后的地震数据和测井数据中截取属于目的层段范围内的地震数据和测井数据；
相应地，所述利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测，以使所述训练好的LSTM-RNN循环神经网络模型输出与输入的地震数据在频域上相匹配的纵波阻抗，包括：
在利用训练好的LSTM-RNN循环神经网络模型获得参数预测结果后，对所述参数预测结果进行反归一化处理，得到最终的与输入的地震数据在频域上相匹配的纵波阻抗。
3.根据权利要求2所述的方法，其特征在于，根据下式对测井数据进行平滑处理，以使测井数据的频谱与地震数据的频谱相匹配：
式中，N为偶数，X为平滑处理前的历史测井数据，Xsmooth为平滑处理后的历史测井数据。
4.根据权利要求2所述的方法，其特征在于，
按照下式进行归一化处理：
式中，X为待归一化处理的数据，Xmin、Xmax分别为待归一化处理的数据中的最小值和最大值，Xnorm为归一化处理后的数据；
按照下式进行反归一化处理：
XFin＝XPred·(Xmax-Xmin)+Xmin
式中，XFin为目的层段最终的储层参数的预测结果，XPred反归一化前的参数预测结果。
5.根据权利要求1所述的方法，其特征在于，所述目的层段的储层参数包括目的层段的空间三维弹性参数体，所述方法还包括输出目的层段的空间三维弹性参数体的分布图。
6.一种储层参数预测装置，其特征在于，包括：
数据收集模块，用于获取目的层段的地震数据和与所述地震数据在频域相匹配的测井数据；
模型建立模块，用于构建用于预测目的层段的储层参数的LSTM-RNN循环神经网络模型；
模型训练模块，用于利用目的层段的地震数据和与所述地震数据在频域相匹配的测井数据，对所述LSTM-RNN循环神经网络模型进行训练，以优化该模型的网络模型参数；
参数预测模块，用于利用训练好的LSTM-RNN循环神经网络模型对目的层段的储层参数进行预测，以使所述训练好的LSTM-RNN循环神经网络模型输出与输入的地震数据在频域上相匹配的纵波阻抗；
所述LSTM-RNN循环神经网络模型，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；
所述LSTM单元包括输入门、遗忘门和输出门；所述输入门用于确定是否允许信息进入隐藏层节点；所述遗忘门用于确定是否保留当前隐藏层节点存储的历史数据；所述输出门用于确定是否将当前节点输出值输出给下一隐藏层或输出层；
所述LSTM单元采用以下方式处理数据：
it＝σ(Wxixt+Whiht-1+WciCt-1+bi)
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)
Ct＝ft·Ct-1+it·(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+WcoCt-1+bo)
ht＝ot·tanh(Ct)
其中，i为输入门；σ为逻辑sigmoid函数；Wxi为输入特征向量与输入门之间的权重矩阵；Whi为隐藏层单元与输入门之间的权重矩阵；Wci为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为输入特征向量与遗忘门之间的权重矩阵；Whf为隐藏层单元与遗忘门之间的权重矩阵；Wcf为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为输入特征向量与单元激活向量之间的权重矩阵；Whc为隐藏层单元与单元激活向量之间的权重矩阵；bc为单元激活向量的偏置量；o为输出门；Wxo为输入特征向量与输出门之间的权重矩阵；Who为隐藏层单元与输出门之间的权重矩阵；Wco为单元激活向量与输出门之间的权重矩阵；t为采样时刻；tanh为激活函数；xt为t时刻的输入信号；ht-1为t-1时刻的输出信号；Ct-1为t-1时刻的单元激活向量；bo为输出门的偏置量。
7.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述存储介质被一个或多个处理器执行时，实现如权利要求1-5中任意一项所述的储层参数预测方法。
8.一种电子设备，其特征在于，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，执行如权利要求1-5中任意一项所述的储层参数预测方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010931370.2A CN114152978B (zh) | 2020-09-07 | 2020-09-07 | 储层参数预测方法、装置、存储介质及电子设备 |
| 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 |
|---|---|---|---|
| CN202010931370.2A CN114152978B (zh) | 2020-09-07 | 2020-09-07 | 储层参数预测方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114152978A CN114152978A (zh) | 2022-03-08 |
| CN114152978B true CN114152978B (zh) | 2023-06-06 |
Family
ID=80461055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010931370.2A Active CN114152978B (zh) | 2020-09-07 | 2020-09-07 | 储层参数预测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114152978B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019125359A1 (en) * | 2017-12-18 | 2019-06-27 | Landmark Graphics Corporation | Recurrent neural network model for multi-stage pumping |
| WO2020056073A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
| CN110927791B (zh) * | 2018-09-20 | 2022-01-25 | 中国石油化工股份有限公司 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
| CN109799533B (zh) * | 2018-12-28 | 2021-07-27 | 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 |
| CN109828304B (zh) * | 2019-03-08 | 2021-04-27 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
-
2020
- 2020-09-07 CN CN202010931370.2A patent/CN114152978B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114152978A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Larsen et al. | Bayesian lithology/fluid prediction and simulation on the basis of a Markov-chain prior model | |
| Gholami et al. | Applications of artificial intelligence methods in prediction of permeability in hydrocarbon reservoirs | |
| US8700370B2 (en) | Method, system and program storage device for history matching and forecasting of hydrocarbon-bearing reservoirs utilizing proxies for likelihood functions | |
| US7363163B2 (en) | Method for updating a geological reservoir model by means of dynamic data | |
| US20060074825A1 (en) | System and method for inferring geological classes | |
| CN110852527A (zh) | 一种结合深度学习的储层物性参数预测方法 | |
| Zhou et al. | A pattern‐search‐based inverse method | |
| Venkataramanan et al. | An unsupervised learning algorithm to compute fluid volumes from NMR T1-T2 logs in unconventional reservoirs | |
| Liu et al. | Permeability predictions for tight sandstone reservoir using explainable machine learning and particle swarm optimization | |
| Bai et al. | Efficient and data-driven prediction of water breakthrough in subsurface systems using deep long short-term memory machine learning | |
| J Al-Mudhafar | Integrating lithofacies and well logging data into smooth generalized additive model for improved permeability estimation: Zubair formation, South Rumaila oil field | |
| CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| US11893495B2 (en) | Dual neural network architecture for determining epistemic and aleatoric uncertainties | |
| Wiener et al. | Predicting carbonate permeabilities from wireline logs using a back-propagation neural network | |
| 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 | |
| Szabó et al. | Series expansion-based genetic inversion of wireline logging data | |
| US20210157116A1 (en) | Resolution preserving methodology to generate continuous log scale reservoir permeability profile from petrographic thin section images | |
| Craddock et al. | Enhanced Mineral Quantification and Uncertainty Analysis from Downhole Spectroscopy Logs Using Variational Autoencoders | |
| CN112882123B (zh) | 一种基于两步法的cnn井震联合反演方法、系统及应用 | |
| Pham et al. | Missing sonic log prediction using convolutional long short-term memory | |
| CN114152978B (zh) | 储层参数预测方法、装置、存储介质及电子设备 | |
| Abdelaal et al. | Empirical correlation for formation resistivity prediction using machine learning | |
| Barham et al. | Predicting the maturity and organic richness using artificial neural networks (ANNs): A case study of Montney Formation, NE British Columbia, Canada | |
| Liu et al. | Recurrent neural network for seismic reservoir characterization | |
| Misra et al. | Shallow neural networks and classification methods for approximating the subsurface in situ fluid-filled pore size distribution |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231102 Address after: No. 219 Shanggao Road, Dongshan Street, Jiangning District, Nanjing City, Jiangsu Province, 211103 Patentee after: Sinopec Petroleum Geophysical Exploration Technology Research Institute Co.,Ltd. Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee before: CHINA PETROLEUM & CHEMICAL Corp. Patentee before: SINOPEC GEOPHYSICAL Research Institute |
|
| TR01 | Transfer of patent right |