CN114462703A - 声波参数曲线预测、测井曲线预测方法及电子设备 - Google Patents

声波参数曲线预测、测井曲线预测方法及电子设备 Download PDF

Info

Publication number
CN114462703A
CN114462703A CN202210114092.0A CN202210114092A CN114462703A CN 114462703 A CN114462703 A CN 114462703A CN 202210114092 A CN202210114092 A CN 202210114092A CN 114462703 A CN114462703 A CN 114462703A
Authority
CN
China
Prior art keywords
curve
target
well
logging
depth
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
Application number
CN202210114092.0A
Other languages
English (en)
Inventor
刘震
李晨曦
冯子豪
尤香棱
马昕箬
李晋
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 University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202210114092.0A priority Critical patent/CN114462703A/zh
Publication of CN114462703A publication Critical patent/CN114462703A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本说明书公开了声波参数曲线预测、测井曲线预测方法及电子设备，其中声波参数曲线预测方法包括：获取目标勘探区域中的目标井对应的目标测井曲线；将所述目标测井曲线中各采样深度对应的测井数据输入预先训练的第一网络模型，得到各采样深度对应的预测数据；其中，所述第一网络模型是以所述目标勘探区域中的样本井对应的目标测井曲线中各采样深度对应的测井数据为输入，以所述样本井对应的声波参数曲线中各采样深度对应的测井数据为输出训练得到的；以各采样深度对应的预测数据构成的曲线作为所述目标井对应的声波参数预测曲线。该方法可以通过样本井的测井曲线与声波参数曲线的关联关系，基于目标井的测井曲线预测目标井的声波参数曲线。

Description

声波参数曲线预测、测井曲线预测方法及电子设备
技术领域
本申请涉及地震反演技术领域，特别涉及声波参数曲线预测、测井曲线预测方法及电子设备。
背景技术
在地震反演技术领域，经常需要用到测井参数对储层进行分析。然而，现有钻井的测井资料中通常会出现一些井的某类测井曲线缺失，或者一些井的某类测井曲线的部分深度段的数据缺失的情况。这就导致在采用测井参数对储层进行分析时，数据资料不全，影响分析结果。目前尚未提出有效的解决方式。
发明内容
本申请实施方式的目的是提供声波参数曲线预测、测井曲线预测方法及电子设备，以解决现有测井曲线数据缺失的问题。
为解决上述技术问题，本说明书第一方面提供一种声波参数曲线预测方法，包括：获取目标勘探区域中的目标井对应的目标测井曲线；将所述目标测井曲线中各采样深度对应的测井数据输入预先训练的第一网络模型，得到各采样深度对应的预测数据；其中，所述第一网络模型是以所述目标勘探区域中的样本井对应的目标测井曲线中各采样深度对应的测井数据为输入，以所述样本井对应的声波参数曲线中各采样深度对应的测井数据为输出训练得到的；以各采样深度对应的预测数据构成的曲线作为所述目标井对应的声波参数预测曲线。
在一些实施例中，所述目标测井曲线为对储层敏感的测井曲线；以各采样深度对应的预测数据构成的曲线作为所述目标井对应的声波参数预测曲线之后，还包括：基于所述声波参数预测曲线，识别所述目标井所在的勘探区域的岩性。
在一些实施例中，按照以下步骤训练所述第一网络模型，直至第二数据小于或等于第一预设阈值后，结束训练，并输出第一网络模型的参数：获取所述目标勘探区域中的样本井对应的目标测井曲线样本和声波参数曲线样本；将所述测井曲线样本中各深度对应的测井输入第一网络模型，得到各深度对应的预测数据；计算每个深度对应的预测数据与所述声波参数曲线样本中的测井数据之间差值的平方作为第一数据，并计算各深度对应的第一数据的和作为第二数据；在第二数据大于第一预设阈值的情况下，根据所述第二数据确定第一网络模型中参数的调整量，并根据所述调整量调整第一网络模型中的参数，得到新的第一网络模型；
在一些实施例中，所述第一网络模型包括输入层、隐含层和输出层，其中隐含层各节点的激励函数为小波基函数；相应地，根据所述第二数据确定第一网络模型中参数的调整量，并根据所述调整量调整第一网络模型中的参数，包括：根据所述第二数据确定小波基函数的伸缩量和平移量；根据所述伸缩量调整小波基函数的尺度系数，根据所述平移量调整小波基函数的位置系数。
在一些实施例中，所述第一网络模型的输入层包括多个节点，每个节点对应一类测井曲线。
在一些实施例中，获取目标井对应的目标测井曲线，包括：获取目标井对应的多类测井曲线和声波参数曲线；分别计算所述多类测井曲线中每类测井曲线与声波参数曲线的相关系数；筛选出相关系数大于或等于第二预设阈值的测井曲线，并作为对储层敏感的测井曲线。
本说明书第二方面提供一种测井曲线预测方法，获取目标勘探区域中的目标井对应的第一类测井曲线；将所述第一类测井曲线中各采样深度对应的测井数据输入预先训练的第二网络模型，得到各采样深度对应的预测数据；其中，所述第二网络模型是以所述目标勘探区域中的样本井的第一类测井曲线为输入，以样本井的第二类测井曲线为输出训练得到的；以各采样深度对应的预测数据构成的曲线作为所述目标井对应的预测的第二类测井曲线。
本说明书第三方面提供一种测井曲线预测方法，获取目标井对应的第一深度段中各深度对应的第一类测井数据；将所述第一深度段中各深度对应的第一类测井数据输入预先训练的第三网络模型，得到各采样深度对应的预测数据；其中，所述第三网络模型是以所述目标井对应的第二深度段中各深度对应的第一类测井数据为输入，以所述第二深度段中各深度对应的第二类测井数据为输出训练得到的；以各采样深度对应的预测数据构成的曲线作为所述目标井对应的预测的第一深度段的第二类测井曲线。
本说明书第四方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面至第三方面任一项所述方法的步骤。
本说明书第五方面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指令，所述计算机程序指令被执行时实现第一方面至第三方面任一项所述方法的步骤。
上述声波参数曲线预测方法，采用目标勘探区域的样本井对应的目标测井曲线作为输入，样本井对应的声波参数曲线作为输出训练得到第一网络模型，然后将该目标勘探区域内目标井的目标测井曲线输入第一网络模型，得到目标井对应的声波参数测井曲线。该方法将目标勘探区域内测井曲线与声波参数曲线之间的非线性关联关系通过训练模型的方式表现在第一网络模型中，从而可以通过第一网络模型预测目标井的声波参数曲线，也即，该方法可以通过样本井的测井曲线与声波参数曲线的关联关系，基于目标井的测井曲线预测目标井的声波参数曲线。
上述测井曲线预测方法，采用目标勘探区域的样本井对应的第一类测井曲线作为输入，样本井对应的第二类测井曲线作为输出训练得到第二网络模型，然后将该目标勘探区域内目标井的第一类测井曲线输入第二网络模型，得到目标井对应的第二类测井曲线。该方法将目标勘探区域内第一类测井曲线与第二类测井曲线之间的非线性关联关系通过训练模型的方式表现在第二网络模型中，从而可以通过第二网络模型预测目标井的第二类测井曲线，也即，该方法可以通过样本井的第一类测井曲线与第二类测井曲线的关联关系，基于目标井的第一类测井曲线预测目标井的第二类测井曲线。
上述测井曲线预测方法，采用目标井第二深度段的第一类测井数据作为输入，目标井第二深度段的第二类测井曲线作为输出训练得到第三网络模型，然后将该目标井第一深度段的第一类测井曲线输入第三网络模型，得到目标井第一深度段的第二类测井曲线。该方法将目标井第一类测井曲线与第二类测井曲线之间的非线性关联关系通过训练模型的方式表现在第三网络模型中，从而可以通过第三网络模型预测目标井的其他深度段的第二类测井曲线，也即，该方法可以通过目标井第二深度段的第一类测井曲线与第二类测井曲线的关联关系，基于目标井第一深度段的第一类测井曲线预测目标井第一深度段的第二类测井曲线。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是本申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本说明书提供的声波参数曲线预测方法的一种实施例的方法流程图；
图2示出了第一网络模型的训练方法流程图；
图3示出了第一网络模型的结构示意图；
图4示出了小波神经网络和普通BP神经网络预测得到的声波时差曲线的对比示意图；
图5示出了本说明书提供的测井曲线预测方法的一种实施例的方法流程图；
图6示出了本说明书提供的测井曲线预测方法的另一种实施例的方法流程图；
图7示出了基于声波参数曲线识别目标井所在的目标勘探区域的岩性的方法流程图；
图8示出了中高频速度体的纵向剖面示意图；
图9示出了低频速度体的纵向剖面示意图；
图10示出了绝对速度体的纵向剖面示意图；
图11示出了根据绝对速度体中的速度数据识别目标勘探区域的岩性的方法流程图；
图12示出了岩性与声波速度区间的对应关系示意图；
图13示出了基于声波参数曲线和地震资料，进行有色反演，得到目标勘探区域的中高频速度体的方法流程图；
图14示出了确定临界频率的示意图；
图15示出了根据目标勘探区域的叠加速度资料计算目标勘探区域的低频速度体的方法流程图；
图16示出了根据本发明实施例的一种电子设备的原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都应当属于本申请保护的范围。
本说明书提供一种声波参数曲线预测方法，如图1所示，该方法包括如下步骤：
S110：获取目标勘探区域中的目标井对应的目标测井曲线。
目标勘探区域可以是地下储层的性质相似度较高的一块区域。目标勘探区域中的多个井的同一类测井曲线、或者根据测井参数计算得到的其他参数具有相似的性质，例如，构造沉积条件是一致的。
测井曲线，可以为自然电位(SP)测井曲线、电阻率(RT)测井曲线、密度(DEN)测井曲线、自然伽马(GR)测井曲线、微电极测井曲线等多类测井曲线。
在上述多类测井曲线中有一些测井曲线对岩性较为敏感，即对于在不同岩性的区域，曲线所表现出来特征不同。在一些实施例中，目标测井曲线可以是对储层敏感的一类或几类测井曲线。相应地，S110可以为：获取目标井对应的多类测井曲线和声波参数曲线，分别计算多类测井曲线中每类测井曲线与声波参数曲线的相关系数，筛选出相关系数大于或等于第二预设阈值的测井曲线，并作为对储层敏感的测井曲线。具体地，相关系数的第二预设阈值可以为0.5，或者0.6，或者0.7等数值。
本说明书中的声波参数曲线，可以为声波时差曲线、声波速度曲线等声波参数曲线，也可以为波阻抗(即密度与速度的乘积)曲线。通常情况下，声波参数曲线被认为是对储层较为敏感的测井曲线，因此，与声波参数曲线相似度较高的测井曲线可以被认为是对储层敏感的测井曲线。
S120：将目标测井曲线中各采样深度对应的测井数据输入预先训练的第一网络模型，得到各采样深度对应的预测数据；其中，第一网络模型是以目标勘探区域中的样本井对应的目标测井曲线中各采样深度对应的测井数据为输入，以样本井对应的声波参数曲线中各采样深度对应的测井数据为输出训练得到的。
在一些实施例中，可以按照图2所示的方法训练第一网络模型，如图2所示，该训练方法包括如下步骤：
S210：获取目标勘探区域中的样本井对应的目标测井曲线样本和声波参数曲线样本。
S220：将测井曲线样本中各深度对应的测井输入第一网络模型，得到各深度对应的预测数据。
S230：计算每个深度对应的预测数据与声波参数曲线样本中的测井数据之间差值的平方作为第一数据，并计算各深度对应的第一数据的和作为第二数据。
S240：判断第二数据是否小于第一预设阈值。在是的情况下，执行S250；否则，执行S260后跳转至S220继续执行。
S250：结束训练，并输出第一网络模型的参数。
S260：根据第二数据确定第一网络模型中参数的调整量，并根据调整量调整第一网络模型中的参数，得到新的第一网络模型。
例如，上述训练方法可以为：分别从样本井的测井曲线样本、声波参数曲线样本中选取同一深度段(例如1000-2000米的深度段)的5000个深度值对应的数据；在初始化第一网络模型后，将这5000个深度值对应的测井数据输入第一网络模型，得到各个深度值对应的预测数据；计算每个深度值对应的第一数据，其中一个深度值对应的第一数据为该深度值对应的预测数据与声波参数曲线中该深度值对应的声波参数值之间的差值的平方；再计算第二数据，其中第二数据为各个深度值对应的第一数据的和；在第二数据小于第一预设阈值的情况下，结束训练，并输出第一网络模型的参数，即确定了最终的第一网络模型；在第二数据大于或等于第一预设阈值的情况下，根据第二数据确定第一网络模型中各个参数的调整量，并根据这些调整量调整第一网络模型中的各个参数，得到新的第一网络模型，然后再将上述5000个深度值对应的测井数据输入第一网络模型，得到各个深度值对应的预测数据……如此循环训练，直至第二数据小于第一预设阈值。
由此可见，第一网络模型训练的过程，实质上是误差向后传递的过程，而不是向前(即沿着从输入到输出的方向)传递的过程。
在一些实施例中，如图3所示，第一网络模型包括输入层、隐含层和输出层，其中隐含层各节点的激励函数为小波基函数，则第一网络模型中的参数包括输入层节点I与隐含层节点J之间的权重系数WIJ、隐含层节点J与输出层节点K之间的权重系数WJK，还包括小波基函数的尺度系数和位置系数。基于此，在第一网络模型的上述训练过程中“根据第二数据确定第一网络模型中参数的调整量，并根据调整量调整第一网络模型中的参数”既包括了根据第二数据确定各权重系数的调整量，并根据各权重系数的调整量确定新的权重系数，又包括了根据第二数据确定小波基函数的伸缩量和平移量，并根据伸缩量调整小波基函数的尺度系数，根据平移量调整小波基函数的位置系数，得到新的小波基函数。
例如，输入层的第i个神经元的输出为O1im＝xim，其中xim是第i个神经元的第m个输入样本，隐含层中第j个神经元的输出为
Figure BDA0003495695880000061
其中I是输入神经元的个数，输出层中第k个神经元的输出为
Figure BDA0003495695880000062
其中H是隐含层神经元的数量。第二数据(即误差函数，或者能量函数)为
Figure BDA0003495695880000063
其中Y3km为实际样品对应的输出值；O是输出层神经元个数；M是样本容量。
参数的调整量分别为
Figure BDA0003495695880000064
其中，E为网络输出总误差(即第二数据)，ω为权重系数，Δω为权重系数的调整量，a为小波基函数的尺度系数，Δa为伸缩量，b为小波基函数的位置系数，Δb为平移量，η为模型训练时的学习速率。
在一些实施例中，激励函数可以采用Morlet小波基函数。采用小波基函数作为第一网络模型的激励函数，使得融合了小波分析的多尺度分辨率、小波基函数良好的时频局部特性和传统神经网络的自学习能力，使得高分辨率学习可以在测井数据分布密集区进行，低分辨率学习可以在稀疏区进行，可以有效地融合不同频域的各种相关测井曲线，使预测曲线的效果更好。基于这个原理将众多岩性测井参数分频融合得到新的声波参数曲线，再将拟合的声波参数曲线作为速度反演的基础资料并加以地震资料约束得到较为精确的地震绝对速度，以此速度建立岩性识别标准来识别复杂岩性。对于高频层序划分、烃源岩分布预测、薄差储层预测、沉积相精细划分等研究都具有重要的意义。
图4示出了小波神经网络和普通BP神经网络预测得到的声波时差曲线的对比示意图，其中，“重构”是指预测。其中，小波神经网络是指激励函数采用小波基函数的神经网络，普通BP神经网络是指激励函数采用sigmoid函数的神经网络。
在一些实施例中，第一网络模型的输入层包括多个节点，每个节点对应一类测井曲线。相应地，获取目标井对应的目标测井曲线；将目标测井曲线中各采样深度对应的测井数据输入预先训练的第一网络模型，包括：获取目标井对应的多类目标测井曲线，将多类目标测井曲线中各采样深度对应的测井数据分别输入预先训练的第一网络模型中对应的输入层的节点。
S130：以各采样深度对应的预测数据构成的曲线作为目标井对应的声波参数预测曲线。
上述声波参数曲线预测方法，采用目标勘探区域的样本井对应的目标测井曲线作为输入，样本井对应的声波参数曲线作为输出训练得到第一网络模型，然后将该目标勘探区域内目标井的目标测井曲线输入第一网络模型，得到目标井对应的声波参数测井曲线。该方法将目标勘探区域内测井曲线与声波参数曲线之间的非线性关联关系通过训练模型的方式表现在第一网络模型中，从而可以通过第一网络模型预测目标井的声波参数曲线，也即，该方法可以通过样本井的测井曲线与声波参数曲线的关联关系，基于目标井的测井曲线预测目标井的声波参数曲线。
本说明书还提供一种测井曲线预测方法，如图5所示，包括如下步骤：
S510：获取目标勘探区域中的目标井对应的第一类测井曲线。
S520：将第一类测井曲线中各采样深度对应的测井数据输入预先训练的第二网络模型，得到各采样深度对应的预测数据；其中，第二网络模型是以目标勘探区域中的样本井的第一类测井曲线为输入，以样本井的第二类测井曲线为输出训练得到的。
S530：以各采样深度对应的预测数据构成的曲线作为目标井对应的预测的第二类测井曲线。
上述第一类测井曲线可以为自然电位(SP)测井曲线、电阻率(RT)测井曲线、密度(DEN)测井曲线、自然伽马(GR)测井曲线、微电极测井曲线等多类测井曲线中的一种，第二类测井曲线可以为自然电位(SP)测井曲线、电阻率(RT)测井曲线、密度(DEN)测井曲线、自然伽马(GR)测井曲线、微电极测井曲线等多类测井曲线中的另一种。
该测井曲线预测方法，采用目标勘探区域的样本井对应的第一类测井曲线作为输入，样本井对应的第二类测井曲线作为输出训练得到第二网络模型，然后将该目标勘探区域内目标井的第一类测井曲线输入第二网络模型，得到目标井对应的第二类测井曲线。该方法将目标勘探区域内第一类测井曲线与第二类测井曲线之间的非线性关联关系通过训练模型的方式表现在第二网络模型中，从而可以通过第二网络模型预测目标井的第二类测井曲线，也即，该方法可以通过样本井的第一类测井曲线与第二类测井曲线的关联关系，基于目标井的第一类测井曲线预测目标井的第二类测井曲线。
图5所示实施例中的第一类测井曲线对应于图1所示实施例中的目标测井曲线，第二类测井曲线对应于声波参数测井曲线，第二网络模型对应于第一网络模型。确切地说，图5所示实施例是图1所示实施例的上位方法。图5所示实施例的具体描述请参阅图1所示实施例的描述，不再赘述。
本说明书还提供一种测井曲线预测方法，如图6所示，包括如下步骤：
S610：获取目标井对应的第一深度段中各深度对应的第一类测井数据。
S620：将第一深度段中各深度对应的第一类测井数据输入预先训练的第三网络模型，得到各采样深度对应的预测数据；其中，第三网络模型是以目标井对应的第二深度段中各深度对应的第一类测井数据为输入，以第二深度段中各深度对应的第二类测井数据为输出训练得到的。
S630：以各采样深度对应的预测数据构成的曲线作为目标井对应的预测的第一深度段的第二类测井曲线。
该测井曲线预测方法，采用目标井第二深度段的第一类测井数据作为输入，目标井第二深度段的第二类测井曲线作为输出训练得到第三网络模型，然后将该目标井第一深度段的第一类测井曲线输入第三网络模型，得到目标井第一深度段的第二类测井曲线。该方法将目标井第一类测井曲线与第二类测井曲线之间的非线性关联关系通过训练模型的方式表现在第三网络模型中，从而可以通过第三网络模型预测目标井的其他深度段的第二类测井曲线，也即，该方法可以通过目标井第二深度段的第一类测井曲线与第二类测井曲线的关联关系，基于目标井第一深度段的第一类测井曲线预测目标井第一深度段的第二类测井曲线。
图6所示实施例中第一深度段的第一类测井曲线对应于图1所示实施例中目标井对应的目标测井曲线，第一深度段的第二类测井曲线对应于声波参数测井曲线，第三网络模型对应于第一网络模型，第二深度段的第一类测井曲线对应于图1所示实施例中样本井的测井曲线，第二深度段的第二类测井曲线对应于图1所示实施例中样本井对应的声波参数曲线。图6所示实施例的具体描述请参阅图1所示实施例的描述，不再赘述。
在一些实施例中，在通过图1、图5、图6所示的方法预测得到目标井的声波参数曲线之后，还可以基于声波参数预测曲线，识别目标井所在的勘探区域的岩性。
如图7所示，基于声波参数曲线，识别目标井所在的目标勘探区域的岩性，包括以下步骤：
S710：获取目标勘探区域的声波参数曲线。
在识别目标勘探区域的岩性时，“目标勘探区域”可以认为是三维空间体。
在一些实施例中，“目标勘探区域”是指地面区域下方指定深度范围内的区域。例如，一个区域下方500ms至3500ms的时域范围内的区域。其中，ms表示毫秒，500ms表示地震双程旅行时，也就是地震波到达地质界面再反射回地面所需要的时间为500ms。
在一些实施例中，可以先对地面区域下方进行地质研究，得到层序地层格架，然后在层序地层格架的约束下，选取地面区域下方指定层的区域，作为目标勘探区域。
在目标勘探区域中，会设计若干井位，在井位处钻井并进行声波测井、地震测井等试验，得到多种测井曲线。对于声波参数曲线缺失的目标井，可以通过图1、图5、图6所示的方法基于这些井的其他测井曲线预测得到声波参数曲线。
S720：获取目标勘探区域的地震资料和地震资料形成过程中附带产生的叠加速度资料。
目标勘探区域的地震资料，可以是地震试验得到的，即在地面通过放炮等方式产生振动声源，监测振动在地下各个深度位置的传播速度等数据。
狭义的地震资料是指三维或二位的地震数据体。在对地震数据进行处理以得到地震数据体的过程中通常会产生叠加速度资料。叠加速度资料作为一种中间结果，通常没有用处。
S730：基于声波参数曲线和地震资料，进行有色反演，得到目标勘探区域的中高频速度体。
有色反演是一种常用的反演手段。有色反演的基本原理主要包含四个步骤：(1)单井波阻抗频谱分析；(2)井旁地震道频谱分析；(3)地震道频谱和单井波阻抗频谱通过匹配算子使其匹配；(4)利用匹配算子进行全部地震剖面计算，完成反演。
现实中，有色反演可以采用软件(GeoScope 3.6软件)来实现，将声波参数曲线和地震资料输入软件，便可以输出一个速度体。
本申请中的“速度体”表示一个三维空间的速度数据块。即，三维空间的每个位置点对应有一个速度数据，将这个三维空间中各个位置点对应的速度数据按照空间位置关系组织在一起即为速度体。速度体中的速度是与三维的目标勘探区域中的位置点是对应的。
由于进行有色反演得到速度体的输入数据为声波曲线和原始地震数据，因为原始地震资料一般为中高频信号，故有色反演得到的速度体为中高频速度数据，由此将有色反演得到的速度体称为中高频速度体。
例如，目标勘探区域的中高频速度体剖面可以如图8所示。
S740：根据目标勘探区域的叠加速度资料计算目标勘探区域的低频速度体。
在一些实施例中，可以首先将地震叠加速度转化为层速度，然后以临界频率为界，对层速度进行低频滤波，最后以层序地层格架为约束进行层内插值得到低频速度体。。
地震资料是中高频信号，此处之所以叫低频速度，是利用层速度低频滤波技术补充地震资料中缺失的低频信号而能更好地接近实际井曲线的信号频率范围，这样才更接近实际地质情况。
S750：将中高频速度体和低频速度体融合，得到目标勘探区域的绝对速度体。
S760：根据绝对速度体中的速度数据，识别目标勘探区域的岩性。
在一些实施例中，具体的融合方法可以是将中高频速度体和低频速度体的对应位置上的速度数据相加，将相加得到的数据作为对应位置上的绝对速度数据，从而得到绝对速度体。
在层序地层格架的约束下的目标层所形成的目标勘探区域，中高频速度体的纵向剖面图可以如图8所示，低频速度体的纵向剖面图可以如图9所示，绝对速度体的纵向剖面图可以如图10所示。在图8至图10中，上方横坐标表示地面上的水平跨度，左侧纵坐标表示双程旅行时间，右侧标尺表示不同岩性的速度范围，不同颜色代表不同的岩性。
识别岩性的具体方法，可以是根据绝对速度体中速度数据所属的速度区间与岩性的对应关系来确定岩性。例如，在一些实施例中，根据绝对速度体中的速度数据，识别目标勘探区域的岩性可以包括如图11所示的以下步骤。
S761：对目标勘探区域内各个目标井中的岩石样本进行分析，得到目标勘探区域各个深度位置的岩性。
在目标勘探区域的多个钻井，会进行测井试验，并采集钻井中多个深度位置处的岩石样本，并在实验室中对岩石样本进行分析，得到岩石样本的岩性，并以岩石样本的岩性标记目标井中对应深度位置的岩性。即，若岩石样本A取自目标井X的1500m深度，样本分析结果为砂岩，则将目标井X的1500m深度标记为砂岩。
S762：通过测井得到各个深度位置对应的声波速度。
在测井试验(例如声波测井试验)中，通常都会得到各个深度位置处的声波速度。
S763：根据各个深度位置的岩性和各个深度位置对应的声波速度，统计得到岩性与声波速度区间的对应关系。
例如，如图12所示，按照预定速度区间(例如，图12中下方坐标轴以每300m/s的区间做一次统计)进行统计，对于每一区间统计各岩性组分的占比(例如，图12中左侧坐标轴为各岩性的占比)，将区间中占比超过预定数值的岩性组分作为该区间的岩性(例如，图12的上方示出了根据地质学中的规定，将泥岩占比超过30％的区间的岩性确定为泥岩)，再次统计各区间的岩性以及各岩性对应的速度区间(例如，图12上方给出了泥岩对应的速度区间为2200m/s至4600m/s)。图12中的9496是指所统计的数据的个数。
S764：确定目标位置在绝对速度体中位置，并将目标位置在绝对速度体中位置所对应的速度作为目标位置的声波速度。
由于绝对速度体是三维速度空间，是与目标勘探区域的实际物理空间相对应的，因此，实际物理空间中的某一位置都可以在绝对速度体中找到对应位置。可以根据绝对速度体中的绝对速度数据识别实际物理空间中对应位置上的岩性。
S765：确定目标位置的声波速度所属的声波速度区间。
S766：根据对应关系和目标位置的声波速度所属的声波速度区间，确定目标勘探区域在目标位置处的岩性。
以图12所示统计结果为例，若实际物理空间中位置Y在绝对速度体中对应位置的声波速度为3500m/s，则认为实际物理空间中位置Y处的岩性为泥岩。
上述岩性识别方法，采用所述对岩性敏感的测井曲线，对所述声波参数曲线进行预测，得到预测曲线，即，将岩性信息融合到声波参数曲线中；基于声波参数曲线和地震资料，进行有色反演，得到目标勘探区域的中高频速度体；根据目标勘探区域的叠加速度资料计算目标勘探区域的低频速度体；将中高频速度体和低频速度体融合，得到目标勘探区域的绝对速度体；根据绝对速度体中的速度数据，识别目标勘探区域的岩性。该岩性识别方法的识别精度较高，操作简单，使用范围较广，识别复杂岩性的效果较好，对于高频层序划分、烃源岩分布预测、薄差储层预测、沉积相精细划分等研究都具有重要的意义。
在一些实施例中，在得到目标勘探区域的绝对速度体之后，在根据绝对速度体中的速度数据，识别目标勘探区域的岩性之前，还根据测井得到的目标勘探区域各个深度位置对应的声波速度，对绝对速度体中的速度数据进行校正。
例如，将多口钻井的测井声波数据和地震反演的绝对速度单独提取出来，对比相同深度处的速度差值，拟合两种速度曲线进行趋势校正，根据多口井的速度差值的平均值进行地震绝对速度的校正。
在一些实施例中，在得到低频速度体之后，在将中高频速度体和低频速度体融合之前，还根据测井得到的目标勘探区域各个深度位置对应的声波速度，对低频速度体中的速度数据进行校正。
例如，低频速度也叫做趋势速度，所以对低频速度的校正往往是趋势校正。具体方法是将多口钻井的测井声波数据和地震反演的低频速度单独提取出来并拟合两种速度曲线，然后以声波曲线为基准，对地震低频速度曲线进行偏移处理；再统计不同深度处两个速度具体差值，以差值的平均值进行整体低频速度体的校正。
上述实施例中，通过目标勘探区域内各个目标井测井数据对速度体进行校正，可以提高速度体的准确性，从而进一步提高岩性识别的准确性。
在一些实施例中，步骤S730包括如图13所示的以下步骤：
S731：基于声波参数曲线和地震资料，进行有色反演，得到第一速度体。
由于声波参数曲线中包含低频信号，因此，得到的第一速度体中也包含少部分的低频分量。可以采用步骤S732至S734将第一速度体中的低频分量滤除，从而得到中高频速度体。
S732：从第一速度体中选取至少两口井的井旁道的速度数据。
本说明书中所述的“井的井旁道”可以是勘探区域中真实存在的井的井旁道。
由于第一速度体是三维速度空间，是与目标勘探区域的实际物理空间相对应的，因此，实际物理空间中的某一位置都可以在第一速度体中找到对应位置。
在一些实施例中，可以从那第一速度体中任意位置选取两口井的井旁道的速度数据。在一些实施例中，根据目标勘探区域实际钻井井旁道对应的第一速度体中的数据确定第一速度体的低频和中高频的临界频率。由于第一速度体是现实物理空间中钻井的测井数据参与有色反演得到的，因此第一速度体中与现实物理空间中钻井位置对应速度数据是准确的，从而通过第一速度体中这些较为准确的速度数据所确定的临界频率也是准确的。
S733：基于选取的至少两口井的井旁道的速度数据确定第一速度体的低频和中高频的临界频率。
具体地，可以先对选取的至少两口井的井旁道的速度分别进行频谱分析，得到速度幅值与频率的对应关系；然后将任一频率对应的至少两口井的井旁道的速度幅值求取平均值得到平均速度幅值曲线；最后确定平均速度幅值曲线的拐点频率，并作为第一速度体的低频和中高频的临界频率。
例如，JC1井旁道、ST1井旁道、ST2井旁道，其对应的频谱曲线如图14所示。频谱曲线示出了频率与速度幅值的对应关系，对于每个频率计算三口井井旁道的速度幅值的平均值，作为平均速度幅值，多个平均速度幅值形成这三口井井旁道的平均频谱曲线，也即平均速度幅值曲线。找到平均频谱曲线(即平均速度幅值曲线)的拐点，作为第一速度体的低频和中高频的临界频率。
S734：从第一速度体中滤除临界频率以下的速度数据，得到中高频速度体。
通过上述步骤S731和S734，可以得到较为纯净的中高频速度体，即速度体中没有低频速度。
在一些实施例中，S740包括如图15所示的以下步骤：
S741：将目标勘探区域的叠加速度资料转换为目标勘探区域的地震层速度。
层速度是与地层岩性密切相关的速度。在各种速度概念中，层速度具有十分重要的意义，也往往是地震勘探反演的主要目标。层速度是指，在层序地层格架的约束下，每一层的平均速度。由于地质研究得到的层并不一定是沿水平延伸的，有可能是沿与水平面具有一定夹角的倾向方向延伸的，因此地震速度通常需要进行倾角校正后再依据DIX公式才能够得到层速度。
在一些实施例中，可以采用线性时移求层速度。
在一些实施例中，可以通过DIX公式计算层速度。具体可以为：先按照以下公式计算均方根速度：
Figure BDA0003495695880000131
然后按照以下公式(即DIX公式)将均方根速度转换为地震层速度：
Figure BDA0003495695880000132
其中，Vd为地震资料中反射界面的叠加速度；VR为均方根速度；Δt0是相邻两个速度谱之间同一反射界面的旅行时差；L是两个相邻速度谱之间的水平距离；Vint是n层的层速度；Vr,n和Vr,n-1分别为n层和n-1层的均方根速度；t0,n和t0,n-1分别为n层和n-1层的双程反射时间。
S742：获取目标勘探区域的层序地层格架。
S743：根据层序地层格架，在目的层位中，对各位置点的速度数据进行插值操作，得到包含目标勘探区域中各个位置上速度数据的第二速度体。
插值操作包括内插和外推，内插是指在速度数据已知的数据点区域内估算未知的速度数据，即未知数据是在已知数据所形成的区域的内部；外推是指在速度数据已知的数据点区域外估算未知的速度数据，即未知数据是在已知数据所形成的区域的外部。
S744：从第二速度体中滤除临界频率以上的速度数据，得到低频速度体。
通过上述步骤S741至S744，可以得到较为纯净的低频速度体，即速度体中没有中高频速度。
本发明实施例还提供了一种电子设备，如图16所示，该电子设备可以包括处理器1601和存储器1602，其中处理器1601和存储器1602可以通过总线或者其他方式连接，图16中以通过总线连接为例。
处理器1601可以为中央处理器(Central Processing Unit，CPU)。处理器1601还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器1602作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的声波参数预测方法或测井曲线预测方法对应的程序指令/模块。处理器1601通过运行存储在存储器1602中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据分类，即实现上述方法实施例中的机械钻速确定方法或钻井参数优化方法。
存储器1602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器1601所创建的数据等。此外，存储器1602可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器1602可选包括相对于处理器1601远程设置的存储器，这些远程存储器可以通过网络连接至处理器1601。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器1602中，当被所述处理器1601执行时，执行如图1、图5或图6所示实施例中的声波参数预测方法或测井曲线预测方法。
上述电子设备具体细节可以参阅图1、图5或图6对应实施例中的相关描述和效果进行理解，此处不再赘述。
本说明书还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指令，所述计算机程序指令被执行时实现图1、图5或图6所示方法的步骤。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种声波参数曲线预测方法，其特征在于，包括：
获取目标勘探区域中的目标井对应的目标测井曲线；
将所述目标测井曲线中各采样深度对应的测井数据输入预先训练的第一网络模型，得到各采样深度对应的预测数据；其中，所述第一网络模型是以所述目标勘探区域中的样本井对应的目标测井曲线中各采样深度对应的测井数据为输入，以所述样本井对应的声波参数曲线中各采样深度对应的测井数据为输出训练得到的；
以各采样深度对应的预测数据构成的曲线作为所述目标井对应的声波参数预测曲线。
2.根据权利要求1所述的方法，其特征在于，所述目标测井曲线为对储层敏感的测井曲线；以各采样深度对应的预测数据构成的曲线作为所述目标井对应的声波参数预测曲线之后，还包括：
基于所述声波参数预测曲线，识别所述目标井所在的勘探区域的岩性。
3.根据权利要求1所述的方法，其特征在于，按照以下步骤训练所述第一网络模型，直至第二数据小于或等于第一预设阈值后，结束训练，并输出第一网络模型的参数：
获取所述目标勘探区域中的样本井对应的目标测井曲线样本和声波参数曲线样本；
将所述测井曲线样本中各深度对应的测井输入第一网络模型，得到各深度对应的预测数据；
计算每个深度对应的预测数据与所述声波参数曲线样本中的测井数据之间差值的平方作为第一数据，并计算各深度对应的第一数据的和作为第二数据；
在第二数据大于第一预设阈值的情况下，根据所述第二数据确定第一网络模型中参数的调整量，并根据所述调整量调整第一网络模型中的参数，得到新的第一网络模型。
4.根据权利要求3所述的方法，其特征在于，所述第一网络模型包括输入层、隐含层和输出层，其中隐含层各节点的激励函数为小波基函数；相应地，根据所述第二数据确定第一网络模型中参数的调整量，并根据所述调整量调整第一网络模型中的参数，包括：
根据所述第二数据确定小波基函数的伸缩量和平移量；
根据所述伸缩量调整小波基函数的尺度系数，根据所述平移量调整小波基函数的位置系数。
5.根据权利要求1所述的方法，其特征在于，所述第一网络模型的输入层包括多个节点，每个节点对应一类测井曲线。
6.根据权利要求2所述的方法，其特征在于，获取目标井对应的目标测井曲线，包括：
获取目标井对应的多类测井曲线和声波参数曲线；
分别计算所述多类测井曲线中每类测井曲线与声波参数曲线的相关系数；
筛选出相关系数大于或等于第二预设阈值的测井曲线，并作为对储层敏感的测井曲线。
7.一种测井曲线预测方法，其特征在于，
获取目标勘探区域中的目标井对应的第一类测井曲线；
将所述第一类测井曲线中各采样深度对应的测井数据输入预先训练的第二网络模型，得到各采样深度对应的预测数据；其中，所述第二网络模型是以所述目标勘探区域中的样本井的第一类测井曲线为输入，以样本井的第二类测井曲线为输出训练得到的；
以各采样深度对应的预测数据构成的曲线作为所述目标井对应的预测的第二类测井曲线。
8.一种测井曲线预测方法，其特征在于，
获取目标井对应的第一深度段中各深度对应的第一类测井数据；
将所述第一深度段中各深度对应的第一类测井数据输入预先训练的第三网络模型，得到各采样深度对应的预测数据；其中，所述第三网络模型是以所述目标井对应的第二深度段中各深度对应的第一类测井数据为输入，以所述第二深度段中各深度对应的第二类测井数据为输出训练得到的；
以各采样深度对应的预测数据构成的曲线作为所述目标井对应的预测的第一深度段的第二类测井曲线。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现权利要求1至8任一项所述方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现权利要求1至8任一项所述方法的步骤。
CN202210114092.0A 2022-01-30 2022-01-30 声波参数曲线预测、测井曲线预测方法及电子设备 Pending CN114462703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210114092.0A CN114462703A (zh) 2022-01-30 2022-01-30 声波参数曲线预测、测井曲线预测方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210114092.0A CN114462703A (zh) 2022-01-30 2022-01-30 声波参数曲线预测、测井曲线预测方法及电子设备

Publications (1)

Publication Number Publication Date
CN114462703A true CN114462703A (zh) 2022-05-10

Family

ID=81412030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210114092.0A Pending CN114462703A (zh) 2022-01-30 2022-01-30 声波参数曲线预测、测井曲线预测方法及电子设备

Country Status (1)

Country Link
CN (1) CN114462703A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421642A (zh) * 2023-12-18 2024-01-19 电子科技大学 基于深度学习的智能检波器数据存储方法及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421642A (zh) * 2023-12-18 2024-01-19 电子科技大学 基于深度学习的智能检波器数据存储方法及相关设备
CN117421642B (zh) * 2023-12-18 2024-03-12 电子科技大学 基于深度学习的智能检波器数据存储方法及相关设备

Similar Documents

Publication Publication Date Title
CN113759425B (zh) 井震联合评价深层古岩溶储层充填特征的方法与系统
CA3076280C (en) Method and apparatus for determining thin interlayers
Pham et al. Missing well log prediction using convolutional long short-term memory network
CN108802812B (zh) 一种井震融合的地层岩性反演方法
CN113759424B (zh) 基于频谱分解和机器学习的岩溶储层充填分析方法和系统
CN102466816B (zh) 一种叠前地震数据地层弹性常数参数反演的方法
WO2020123101A1 (en) Automated reservoir modeling using deep generative networks
CN111551992A (zh) 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
EP3639062A1 (en) A method for validating geological model data over corresponding original seismic data
CN104502966A (zh) 一种薄储层的预测方法及系统
CN104200115A (zh) 一种基于地质统计学模拟的全地层速度建模方法
Wang et al. S-wave velocity inversion and prediction using a deep hybrid neural network
CN114994758B (zh) 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统
US20220237891A1 (en) Method and system for image-based reservoir property estimation using machine learning
CN117452518B (zh) 基于多学科数据融合聚类算法的储层岩性预测方法
CN114462703A (zh) 声波参数曲线预测、测井曲线预测方法及电子设备
WO2022159698A1 (en) Method and system for image-based reservoir property estimation using machine learning
CN111894563A (zh) 潜山段中裂缝型储层的分类确定方法及系统
CN110554427B (zh) 一种基于地震波形正演的岩性组合预测方法
Pourreza et al. Estimation of geomechanical units using petrophysical logs, core and supervised intelligent committee machine method to optimize exploration drilling operations
CN113806674A (zh) 古河道纵向尺度的量化方法、装置、电子设备及存储介质
CN113514884A (zh) 一种致密砂岩储层预测方法
Chen et al. A prestack seismic inversion method constrained by facies-controlled sedimentary structural features
CN114488304A (zh) 岩性识别方法、装置及电子设备
CN112147679A (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