CN114218852B - 基于扰动校正的神经网络深度预测方法 - Google Patents

基于扰动校正的神经网络深度预测方法 Download PDF

Info

Publication number
CN114218852B
CN114218852B CN202111338281.8A CN202111338281A CN114218852B CN 114218852 B CN114218852 B CN 114218852B CN 202111338281 A CN202111338281 A CN 202111338281A CN 114218852 B CN114218852 B CN 114218852B
Authority
CN
China
Prior art keywords
depth
neural network
time
disturbance
pseudo
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
CN202111338281.8A
Other languages
English (en)
Other versions
CN114218852A (zh
Inventor
徐诚诚
周东红
明君
夏同星
王建立
彭刚
樊建华
谷志猛
王腾
严皓
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 National Offshore Oil Corp CNOOC
CNOOC China Ltd Tianjin Branch
Original Assignee
China National Offshore Oil Corp CNOOC
CNOOC China Ltd Tianjin Branch
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 National Offshore Oil Corp CNOOC, CNOOC China Ltd Tianjin Branch filed Critical China National Offshore Oil Corp CNOOC
Priority to CN202111338281.8A priority Critical patent/CN114218852B/zh
Publication of CN114218852A publication Critical patent/CN114218852A/zh
Application granted granted Critical
Publication of CN114218852B publication Critical patent/CN114218852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于扰动校正的神经网络深度预测方法，采用如下步骤：一：对构造压实及异常体因素分析；二：对目标工区内时深关系分析；三：建立构造约束神经网络模型并进行深度预测；四：容错率分析；五：构建伪井时深数据；六：基于五对三优化并进行初步深度预测；七：对浅层速度异常求取均方根振幅；八：计算工区内已钻井对应目的层位的实际深度扰动量，且训练扰动量校正神经网络模型；九：对深度扰动量的预测及扰动校正，最终得到高精度的深度预测结果。本发明不仅能在目标工区内构建伪井数据，对时—深关系进行扩充；而且，提高了构造趋势的稳定性，优化构造约束网络模型，实现了高精度神经网络深度预测；同时，还能绘制研究工区内的平面误差网格。

Description

基于扰动校正的神经网络深度预测方法
技术领域
本发明属于地球物理勘探领域，尤其涉及基于扰动校正的神经网络深度预测方法。
背景技术
目前，面对日益复杂的研究目标，油气勘探开发对于构造(层位)深度预测的精度要求越来越高。尤其是针对构造较陡、速度横向变化趋势较大的地区，一般，在生产上，常利用现有的“时—深转换方法”进行深度预测；“时—深转换方法”有以下几种：
1.区域时深法；
2.拟合公式法；
3.速度沿层插值等方法；
但是，利用上述方法，均存在当速度横向变化快时，其深度预测精度较低的问题，这样一来，往往会产生较大的预测误差，因此，其不仅不能满足油气田开发的需求，还会直接影响油气储量的计算和水平井开发实施的成败。如何克服现有的“时—深转换方法”中存在的问题，在构造复杂、横向速度变化快的区域内实现高精度的深度预测，其是油气田开发过程中的重要研究课题。
发明内容
本发明目的在于提供一种基于扰动校正的神经网络深度预测方法,以解决当速度横向变化快时，其深度预测精度较低，并产生较大的预测误差的技术问题。
为实现上述目的，本发明的基于扰动校正的神经网络深度预测方法的具体技术方案如下：
一种基于扰动校正的神经网络深度预测方法，采用如下步骤：
第一步：分别对构造压实因素及异常体因素进行研究分析；
第二步：对目标工区内构造对应的时深关系进行统计分析；
第三步：基于神经网络理论建立构造约束神经网络模型进行深度预测；
第四步：容错率分析；
第五步：构建伪井时深数据，增强数据样本稳定性；
第六步：基于伪井数据优化构造约束神经网络模型进行初步深度预测；
第七步：确定浅层的速度异常体是该油田工区内除构造压实作用外影响构造的其他因素，对浅层速度异常求取均方根振幅；
第八步：计算研究工区内数口已钻井对应目的层位的实际深度扰动量，并基于深度扰动表征因子与实际深度扰动量之间的关系建立，且训练扰动量校正神经网络模型；
第九步：利用扰动量校正神经网络模型实现对深度扰动量的预测，进而对初步深度预测结果进行扰动校正，最终得到高精度的深度预测结果。
进一步，所述第一步中，对目标工区内构造深度影响因素进行研究分析：以确定除构造压实作用外，影响目的层位深度的其他因素；其中，
1.基于理论分析，能够确定地质年代、岩性、温度、孔隙度、构造压实、地层结构是构造深度的重要影响因素；
2.分析实际地震资料，能够确定研究工区内的构造深度主要受构造压实作用影响，且能够将其称之为主要因素；并根据具体地质条件和地震剖面分析，将地质年代、岩性、温度、孔隙度的深度影响因素排除，仅剩下浅层的速度异常体，作为研究工区的其他深度扰动因素。
进一步，所述第二步中，对目标工区内构造对应时深关系进行统计分析的内容是对层位对应已钻井的时—深关系进行统计分析。
进一步，所述第三步中，采用如下步骤：
①通过统计研究工区内几口已钻井目标层位对应的时—深关系，将其作为训练样本数据，建立基于主控因素的构造约束神经网络模型，并利用该神经网络模型实现样本数据的预测；并对其预测时—深关系曲线与真实时—深关系曲线进行对比；
②对比分析各口井的目标层位对应的预测误差；即：基于构造约束神经网络得到的预测结果能够很好地控制高部位的构造深度趋势，因此，其高部位的深度预测误差相对较小；但低部位构造深度趋势仍然难以把控，因此，低部位仍然存在较大的预测误差。
进一步，所述第四步中，引入容错率的概念，对研究工区内已钻井的数据样本进行质量监控和定量化的稳定性分析，确定工区内已钻井数据的稳定性；
A1、在研究工区内，引入容错率的概念，对已钻井样本信息进行定量化的容错分析；由于研究工区内高、低部位构造差异往往较大，因此，能够将工区分为高、低两个部位进行分析；并分别通过统计，高部位共有8口已钻井，并分别利用2、3、4、5和8口已钻井参与训练建立数个构造约束神经网络模型：即：网络H1、网络H2、网络H3、网络H4、网络H5；
A2、将剩余的均未参与的3口高部位井的对应时深关系作为测试样本，分别利用不同的神经网络模型进行深度预测结果对比，预测结果表明高部位构造趋势较为稳定，仅需3口井就可以基本控制其构造趋势，预测误差基本趋于稳定；
A3、通过统计，低部位共有5口已钻井，分别利用2、3和5口已钻井参与训练建立数个构造约束神经网络模型：网络L1、网络L2、网络L3；
A4、将剩余的均未参与的2口低部位井的对应时深关系作为测试样本，分别利用不同的神经网络模型进行深度预测结果对比，预测结果表明低部位构造趋势变化较大，即使所有已钻井数据样本均参与训练，仍然难以控制其构造趋势，因此，低部位的深度预测误差仍然较大。
进一步，所述第五步中，提出了一种伴随随机扰动的加权插值公式，基于该公式能够有效地在目标工区内构建伪井数据，对目标构造，即：层位对应的时—深关系数据样本，尤其是低部位数据样本进行有效且合理地扩充，进而，提高构造趋势的稳定性，优化构造约束网络模型，实现构造约束神经网络的初步深度预测；
B1、针对低部位样本点少且构造趋势不稳定的问题，提出如下所示的伪井深度数据构建公式：
Figure BDA0003351304440000031
式中，Depth：表示目的层位对应的海拔深度；Time：表示目的层位对应的时间；下标i表示伪井序号，即：第i个伪井数据；Timem-1和Timem表示距离Timei最近的两口实钻井对应目的层位的时间；Depthm-1和Depthm表示该两口实钻井对应的目的层位的海拔深度；rand：表示随机深度扰动因子，用于增强伪井数据的稳定性；
伪井数据构建的过程是：
⑴将所有已钻井对应目的层位对应的时间按从小到大的顺序排列；
⑵给定伪井对应的时间，并且，确定该伪井时间所在区间阈值对应的两口井；
⑶根据两口井对应目的层位的海拔深度进行加权插值构建出初步的伪井深度数据，加权系数分别为：
Figure BDA0003351304440000041
和
Figure BDA0003351304440000042
其中，Timei为伪井对应的时间；
⑷在初步的伪井深度数据的基础上增加一个随机的深度扰动因子，能够得到最终构建的伪井深度数据，其中，深度扰动因子主要用于增加伪井数据的稳定性，目前给定的区间范围是：-5m,5m；
B2、针对低部位样本少且构造不稳定的问题，基于所提公式进行伪井数据插值，实现数据样本的有效扩充。
进一步，所述第六步中，利用扩充后的伪井数据作为训练样本，重新优化训练构造约束的神经网络模型，能够有效地控制低部位构造趋势、大幅度提高低部位深度预测的精度，实现构造即：层位的初步深度预测。
进一步，所述第七步中，油田工区内除构造压实作用外影响构造深度的其他扰动因子为：目的层上覆的浅层速度异常体，提取已钻井上覆地层对应的属性异常表征因子值，即，均方根振幅属性。
进一步，所述第一步至第九步得到的最终误差范围：均在2米以内。
本发明的基于扰动校正的神经网络深度预测方法具有以下优点：
1)本发明能够对目标工区内构造(层位)深度影响因素进行研究分析：并确定除构造压实作用外，影响目的层位的其他因素，如：地层结构、速度异常体等。
2)本发明能够对目标工区内构造(层位)对应已钻井的时—深关系进行统计分析，并对基于神经网络理论建立构造约束神经网络模型，进行深度预测。
3)本发明引入容错率的概念，并对目标工区内已钻井的数据样本，进行质量监控和定量化的稳定性分析，且确定工区内已钻井数据的稳定性。
4)发明提出了一种伴随随机扰动的加权插值公式，并基于该公式能够有效地在目标工区内构建伪井数据，对目标构造(层位)对应的时—深关系数据样本(尤其是低部位)进行有效且合理地扩充，进而，能够有效地提高了构造趋势的稳定性，优化构造约束网络模型，实现了构造约束神经网络的初步深度预测。
5)本发明对目标工区内，除构造压实作用之外的其他深度影响因素(即：扰动因素)与深度扰动量之间的关系进行统计分析，并基于神经网络理论建立扰动校正神经网络模型，进行深度扰动量的预测，进而对初步深度预测基础之上进行深度扰动校正，实现了最终的高精度深度预测。
6)本发明能够绘制研究工区内的平面误差网格。
附图说明
图1为本发明流程示意图；
图2-1为本发明统计已钻井时—深关系后建立构造约束神经网络模型进行深度预测示意图；(其为屏幕上的实际图形)
图2-2为本发明统计已钻井时—深关系后建立构造约束神经网络模型进行深度预测误差示意图；(其为屏幕上的实际图形)
图3-1为本发明分别对目标工区内高部位数据样本进行定量化稳定性分析示意图；(其为屏幕上的实际图形)
图3-2为本发明分别对目标工区内低部位数据样本进行定量化稳定性分析示意图；(其为屏幕上的实际图形)
图4为本发明基于所提公式对进行有效且合理的伪井数据构建，实现样本扩充示意图；(其为屏幕上的实际图形)
图5-1为本发明优化后的构造约束神经网络模型进行深度预测示意图；(其为屏幕上的实际图形)
图5-2为本发明优化后的构造约束神经网络模型进行深度预测误差示意图；(其为屏幕上的实际图形)
图6为本发明用于表征浅层异常体的均方根振幅属性平面分布示意图；(其为屏幕上的实际图形)
图7-1为本发明最终的基于扰动校正的神经网络高精度深度预测示意图；(其为屏幕上的实际图形)
图7-2为本发明最终的基于扰动校正的神经网络高精度深度预测误差示意图；(其为屏幕上的实际图形)
图8为本发明最终的高精度深度预测平面误差网格示意图。(其为屏幕上的实际图形)
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于扰动校正的神经网络深度预测方法做进一步详细的描述。
如图1至图8所示，本发明具体采用步骤如下：
第一步：分别对构造压实因素及异常体因素进行研究分析；
对目标工区内构造深度影响因素进行研究分析：以确定除构造压实作用外，影响目的层位深度的其他因素，如：特殊岩性、速度异常体等；其中，
a1.基于理论分析，基本可以确定地质年代、岩性、温度、孔隙度、构造压实、地层结构等是构造深度的重要影响因素；
a2.分析实际地震资料，基本可以确定研究工区内的构造深度主要受构造压实作用影响，可将其称之为主要因素；并根据具体地质条件和地震剖面分析，基本可将地质年代、岩性、温度、孔隙度等深度影响因素基本排除，仅剩下浅层的速度异常体，可作为研究工区的其他深度扰动因素。
第二步：对目标工区内构造对应时深关系进行统计分析，即：统计分析已钻井对应层位的时—深关系；
第三步：基于神经网络理论建立构造约束神经网络模型进行深度预测；
⑴如图2-1所示，通过统计研究工区内几口已钻井目标层位对应的时—深关系，将其作为训练样本数据，建立基于主控因素的构造约束神经网络模型，并利用该神经网络模型实现样本数据的预测；在图2-1中，将通过构造约束神经网络模型预测出的13口已钻井目标层位对应的时—深关系曲线与真实时—深关系曲线进行对比；
如图2-2所示，表示各口井的目标层位对应的预测误差。
⑵如图2-2所示，基于构造约束神经网络得到的预测结果能够很好地控制高部位的构造深度趋势，因此，其高部位的深度预测误差相对较小；但低部位构造深度趋势仍然难以把控，因此，低部位仍然存在较大的预测误差。
第四步：容错率分析；
引入容错率的概念，对研究工区内已钻井的数据样本进行质量监控和定量化的稳定性分析，确定工区内已钻井数据的稳定性；
b1、在研究工区内，引入容错率的概念，对已钻井样本信息进行定量化的容错分析。由于研究工区内高、低部位构造差异往往较大，因此，可将工区分为高、低两个部位进行分析；并分别通过统计，高部位共有8口已钻井，并分别利用2、3、4、5和8口已钻井参与训练建立数个构造约束神经网络模型：(本实施例为：Network_H1、Network_H 2、Network_H 3、Network_H 4和Network_H 5；即：网络H1、网络H2、网络H3、网络H4、网络H5)；
b2、如图3-1所示，将剩余的均未参与的3口高部位井的对应时深关系作为测试样本，分别利用不同的神经网络模型进行深度预测结果对比，预测结果表明高部位构造趋势较为稳定，仅需3口井就可以基本控制其构造趋势，预测误差基本趋于稳定；
b3、通过统计，低部位共有5口已钻井，分别利用2、3和5口已钻井参与训练建立数个构造约束神经网络模型：(本实施例为：Network_L1、Network_L 2、和Network_L 3；即：网络L1、网络L2、网络L3)。
b4、如图3-2所示，将剩余的均未参与的2口低部位井的对应时深关系作为测试样本，分别利用不同的神经网络模型进行深度预测结果对比，预测结果表明低部位构造趋势变化较大，即使所有已钻井数据样本均参与训练，仍然难以控制其构造趋势，因此，低部位的深度预测误差仍然较大。
第五步：构建伪井时深数据，增强数据样本稳定性；提出了一种伴随随机扰动的加权插值公式，基于该公式能够有效地在目标工区内构建伪井数据，对目标构造，即：层位对应的时—深关系数据样本(尤其是低部位)进行有效且合理地扩充，进而，提高构造趋势的稳定性，优化构造约束网络模型，实现构造约束神经网络的初步深度预测。
c1、针对低部位样本点少且构造趋势不稳定的问题，提出如下所示的伪井深度数据构建公式：
Figure BDA0003351304440000081
式中，Depthi：表示目的层位对应的海拔深度(TVDSS)；Timei：表示目的层位对应的时间(TWT)；下标i表示伪井序号，即：第i个伪井数据；Timem-1和Timem表示距离Timei最近的两口实钻井对应目的层位的时间；Depthm-1和Depthm表示该两口实钻井对应的目的层位的海拔深度；rand：表示随机深度扰动因子，用于增强伪井数据的稳定性。
伪井数据构建的过程是：
①将所有已钻井对应目的层位对应的时间按从小到大的顺序排列；
②给定伪井Welli对应的时间Timei，并且，确定该TWT所在区间阈值对应的井Wellm-1和Wellm；
③根据两口井对应目的层位的海拔深度Depthm-1和Depthm进行加权插值构建出初步的伪井深度数据，加权系数分别为：
Figure BDA0003351304440000082
和
Figure BDA0003351304440000083
④在初步的伪井深度数据的基础上增加一个随机的深度扰动因子rand可以得到最终构建的伪井深度数据，其中，rand主要用于增加伪井数据的稳定性，目前给定的区间范围是[-5m,5m]。
c2、如图4所示，针对低部位样本少且构造不稳定的问题，基于所提公式进行伪井数据插值，实现数据样本的有效扩充。
第六步：基于伪井数据优化构造约束神经网络模型进行初步深度预测；如图5-1至图5-2所示，利用扩充后的伪井数据作为训练样本，重新优化训练构造约束的神经网络模型，可以有效地控制低部位构造趋势、大幅度提高低部位深度预测的精度，实现构造，即：层位的初步深度预测。
第七步：确定浅层的速度异常体是该油田工区内除构造压实作用外影响构造的其他因素，对浅层速度异常求取均方根振幅；如图6所示，对浅层速度异常求取均方根振幅，即：RMS振幅属性，提取已钻井上覆地层对应的属性异常表征因子值；
第八步：计算研究工区内13口已钻井对应目的层位的实际深度扰动量，基于深度扰动表征因子与实际深度扰动量之间的关系建立并训练扰动量校正神经网络模型；
第九步：如图7所示，利用扰动量校正神经网络模型实现对深度扰动量的预测，进而对第五步中：④得到的初步深度预测结果进行扰动校正，最终得到高精度的深度预测结果。
如图8所示，利用本发明可得到该油田研究工区内的平面误差网格，从平面误差网格来看，本发明所提出的基于扰动校正的神经网络深度预测方法，基本上可以稳定地控制住研究工区内的深度构造趋势，误差范围基本均在2米以内。
上述未作说明的技术为现有技术，故不再赘述。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (9)

1.一种基于扰动校正的神经网络深度预测方法，其特征在于，采用如下步骤：
第一步：分别对构造压实因素及异常体因素进行研究分析；
第二步：对目标工区内构造对应的时深关系进行统计分析；
第三步：基于神经网络理论建立构造约束神经网络模型进行深度预测；
第四步：容错率分析；
第五步：构建伪井时深数据，增强数据样本稳定性；
第六步：基于伪井数据优化构造约束神经网络模型进行初步深度预测；
第七步：确定浅层的速度异常体是该油田工区内除构造压实作用外影响构造的其他因素，对浅层速度异常求取均方根振幅；
第八步：计算研究工区内数口已钻井对应目的层位的实际深度扰动量，并基于深度扰动表征因子与实际深度扰动量之间的关系建立，且训练扰动量校正神经网络模型；
第九步：利用扰动量校正神经网络模型实现对深度扰动量的预测，进而对初步深度预测结果进行扰动校正，最终得到高精度的深度预测结果。
2.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第一步中，对目标工区内构造深度影响因素进行研究分析：以确定除构造压实作用外，影响目的层位深度的其他因素；其中，
1.基于理论分析，能够确定地质年代、岩性、温度、孔隙度、构造压实、地层结构是构造深度的重要影响因素；
2.分析实际地震资料，能够确定研究工区内的构造深度主要受构造压实作用影响，且能够将其称之为主要因素；并根据具体地质条件和地震剖面分析，将地质年代、岩性、温度、孔隙度的深度影响因素排除，仅剩下浅层的速度异常体，作为研究工区的其他深度扰动因素。
3.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第二步中，对目标工区内构造对应时深关系进行统计分析的内容是对层位对应已钻井的时—深关系进行统计分析。
4.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第三步中，采用如下步骤：
①通过统计研究工区内几口已钻井目标层位对应的时—深关系，将其作为训练样本数据，建立基于主控因素的构造约束神经网络模型，并利用该神经网络模型实现样本数据的预测；并对其预测时—深关系曲线与真实时—深关系曲线进行对比；
②对比分析各口井的目标层位对应的预测误差；即：基于构造约束神经网络得到的预测结果能够很好地控制高部位的构造深度趋势，因此，其高部位的深度预测误差相对较小；但低部位构造深度趋势仍然难以把控，因此，低部位仍然存在较大的预测误差。
5.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第四步中，引入容错率的概念，对研究工区内已钻井的数据样本进行质量监控和定量化的稳定性分析，确定工区内已钻井数据的稳定性；
A1、在研究工区内，引入容错率的概念，对已钻井样本信息进行定量化的容错分析；由于研究工区内高、低部位构造差异往往较大，因此，能够将工区分为高、低两个部位进行分析；并分别通过统计，高部位共有8口已钻井，并分别利用2、3、4、5和8口已钻井参与训练建立数个构造约束神经网络模型：即：网络H1、网络H2、网络H3、网络H4、网络H5；
A2、将剩余的均未参与的3口高部位井的对应时深关系作为测试样本，分别利用不同的神经网络模型进行深度预测结果对比，预测结果表明高部位构造趋势较为稳定，仅需3口井就可以基本控制其构造趋势，预测误差基本趋于稳定；
A3、通过统计，低部位共有5口已钻井，分别利用2、3和5口已钻井参与训练建立数个构造约束神经网络模型：网络L1、网络L2、网络L3；
A4、将剩余的均未参与的2口低部位井的对应时深关系作为测试样本，分别利用不同的神经网络模型进行深度预测结果对比，预测结果表明低部位构造趋势变化较大，即使所有已钻井数据样本均参与训练，仍然难以控制其构造趋势，因此，低部位的深度预测误差仍然较大。
6.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第五步中，提出了一种伴随随机扰动的加权插值公式，基于该公式能够有效地在目标工区内构建伪井数据，对目标构造，即：层位对应的时—深关系数据样本，尤其是低部位数据样本进行有效且合理地扩充，进而，提高构造趋势的稳定性，优化构造约束网络模型，实现构造约束神经网络的初步深度预测；
B1、针对低部位样本点少且构造趋势不稳定的问题，提出如下所示的伪井深度数据构建公式：
Figure FDA0003351304430000031
式中，Depth：表示目的层位对应的海拔深度；Time：表示目的层位对应的时间；下标i表示伪井序号，即：第i个伪井数据；Timem-1和Timem表示距离Timei最近的两口实钻井对应目的层位的时间；Depthm-1和Depthm表示该两口实钻井对应的目的层位的海拔深度；rand：表示随机深度扰动因子，用于增强伪井数据的稳定性；
伪井数据构建的过程是：
⑴将所有已钻井对应目的层位对应的时间按从小到大的顺序排列；
⑵给定伪井对应的时间，并且，确定该伪井时间所在区间阈值对应的两口井；
⑶根据两口井对应目的层位的海拔深度进行加权插值构建出初步的伪井深度数据，加权系数分别为：
Figure FDA0003351304430000032
和
Figure FDA0003351304430000033
其中，Timei为伪井对应的时间；
⑷在初步的伪井深度数据的基础上增加一个随机的深度扰动因子，能够得到最终构建的伪井深度数据，其中，深度扰动因子主要用于增加伪井数据的稳定性，目前给定的区间范围是：-5m,5m；
B2、针对低部位样本少且构造不稳定的问题，基于所提公式进行伪井数据插值，实现数据样本的有效扩充。
7.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第六步中，利用扩充后的伪井数据作为训练样本，重新优化训练构造约束的神经网络模型，能够有效地控制低部位构造趋势、大幅度提高低部位深度预测的精度，实现构造即：层位的初步深度预测。
8.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第七步中，油田工区内除构造压实作用外影响构造深度的其他扰动因子为：目的层上覆的浅层速度异常体，提取已钻井上覆地层对应的属性异常表征因子值，即，均方根振幅属性。
9.根据权利要求1所述的基于扰动校正的神经网络深度预测方法，其特征在于，所述第一步至第九步得到的最终误差范围：均在2米以内。
CN202111338281.8A 2021-11-12 2021-11-12 基于扰动校正的神经网络深度预测方法 Active CN114218852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111338281.8A CN114218852B (zh) 2021-11-12 2021-11-12 基于扰动校正的神经网络深度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111338281.8A CN114218852B (zh) 2021-11-12 2021-11-12 基于扰动校正的神经网络深度预测方法

Publications (2)

Publication Number Publication Date
CN114218852A CN114218852A (zh) 2022-03-22
CN114218852B true CN114218852B (zh) 2022-08-30

Family

ID=80697026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111338281.8A Active CN114218852B (zh) 2021-11-12 2021-11-12 基于扰动校正的神经网络深度预测方法

Country Status (1)

Country Link
CN (1) CN114218852B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105717540A (zh) * 2016-03-14 2016-06-29 中国海洋石油总公司 一种微幅度构造精细预测方法
CN113608265A (zh) * 2021-08-13 2021-11-05 成都理工大学 一种基于深度混合神经网络的储层预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105717540A (zh) * 2016-03-14 2016-06-29 中国海洋石油总公司 一种微幅度构造精细预测方法
CN113608265A (zh) * 2021-08-13 2021-11-05 成都理工大学 一种基于深度混合神经网络的储层预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
密井网区高精度三维速度场的建立;胡玉双等;《黑龙江科技大学学报》;20160330(第02期);全文 *

Also Published As

Publication number Publication date
CN114218852A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN109388817B (zh) 一种储层裂缝三维建模方法
CN113901681B (zh) 一种全寿命周期页岩气储层双甜点三维可压性评估方法
CN103472484A (zh) 基于rs三维敏感地震属性分析的水平井轨迹优化方法
CN105701319B (zh) 一种水平井规则开发井网下的沉积微相建模方法
CN107676085A (zh) 一种海相页岩气水平井测井产能预测方法
CN112147684A (zh) 表征同沉积断层活动强度的方法和装置
CN115330060A (zh) 基于储层与工程因素分析的页岩油水平井产能计算方法
CN110413952A (zh) 油气区块勘探程度的预测方法及装置
CN112049629B (zh) 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法
CN115877447A (zh) 一种直平联合井网条件下地震约束三维地质建模的储层预测方法
CN114218852B (zh) 基于扰动校正的神经网络深度预测方法
CN112523744A (zh) 一种薄差层水平井井位设计及实时跟踪导向方法
CN110907990B (zh) 一种叠后地震裂缝定量预测方法及系统
CN114109374B (zh) 页岩气储层靶窗位置的确定方法及装置
Deng et al. Hydrocarbon accumulation conditions and key exploration and development technologies for PL 19–3 oilfield
CN110568149B (zh) 沉积盆地烃源岩生排烃史精细快速定量模拟方法
CN117454755B (zh) 一种页岩油立体井网压裂多元参数优化设计方法
CN115422789B (zh) 一种考虑全过程优化断块油藏水驱采收率预测方法及系统
Li et al. Uncertainty evaluation method and application of reservoir Lithofacies proportion under the condition of few wells
CN113361111B (zh) 一种低渗透油藏储层特征模型的划分方法
CN115469361B (zh) 一种碎屑岩地层三维地质建模方法
CN117345208B (zh) 一种压裂优势区定量表征方法、装置、电子设备及介质
CN117372639B (zh) 一种稀疏骨干剖面结合任意位置辅助面的三维地质-地球物理建模方法
CN111142158B (zh) 一种提高断阶构造地震解释精度的标定方法
CN114139328B (zh) 一种层间氧化带砂岩型铀矿有利成矿带的预测方法

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