CN114563821B - 智能地震波阻抗反演标签数据制作方法及装置 - Google Patents
智能地震波阻抗反演标签数据制作方法及装置 Download PDFInfo
- Publication number
- CN114563821B CN114563821B CN202011353083.4A CN202011353083A CN114563821B CN 114563821 B CN114563821 B CN 114563821B CN 202011353083 A CN202011353083 A CN 202011353083A CN 114563821 B CN114563821 B CN 114563821B
- Authority
- CN
- China
- Prior art keywords
- data
- seismic
- simulation
- wave impedance
- volumes
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 76
- 239000004927 clay Substances 0.000 claims abstract description 60
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 57
- 239000004576 sand Substances 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 12
- 239000010433 feldspar Substances 0.000 description 9
- 239000013078 crystal Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000011435 rock Substances 0.000 description 6
- 239000010453 quartz Substances 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 5
- 238000009472 formulation Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001421775 Thereus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/622—Velocity, density or impedance
- G01V2210/6226—Impedance
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6244—Porosity
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种智能地震波阻抗反演标签数据制作方法及装置,该方法包括:统计测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息;根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量、孔隙度和含水饱和度模拟数据体;对黏土含量、孔隙度和含水饱和度模拟数据体自由组合,得到模拟数据体组合;利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体;利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为标签数据。本发明可以快速获取充足的符合地下地质统计规律和岩石物理机制的地震波阻抗反演标签数据。
Description
技术领域
本发明涉及地震反演与储层预测技术领域,尤其涉及一种智能地震波阻抗反演标签数据制作方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
地震反演是通过地表观测到的地震数据、正演关系及从测井地质获取的先验信息去推断地下的地球物理性质参数,包括弹性参数和岩石物理参数,然后利用这些参数或者它们之间的某种组合进行含油气性预测的方法。由于波阻抗与地下储层的含油气性有很好的对应性,因此地震波阻抗反演方法研究一直是地震反演储层预测的研究热点之一。
传统的地震波阻抗反演方法主要由确定性反演方法和随机反演方法两大类。确定性反演方法通过给定一个初始模型,然后利用一些优化算法获得模型参数的最优解,这类方法只能获得模型参数的唯一解,且是对模型参数的平滑估计。随机反演方法是在贝叶斯框架下,将模型参数的解表示为后验概率分布,通过对后验概率分布进行采样,可以获得模型参数的多个解,并且能够对模型参数进行不确定性分析。但该方法需要大量的计算时间。总的来说,传统的地震波阻抗反演方法往往需要大量的人工干预,过程繁琐复杂。随着当前勘探范围和维度的增加,传统的地震波阻抗反演已经无法有效地应对快速增长的地震数据。因此发展基于深度学习的智能地震波阻抗反演方法具有重要的意义。
近几年来,大量学者将基于深度学习的人工智能算法应用于地震勘探领域,包括断层识别、河道识别、层位追踪、噪声去除、初至波拾取等方面,并取得了不错的效果。这些应用的效果都是建立在大量的高质量的标签数据集的基础之上。基于深度学习的智能地震波阻抗反演同样需要大量的高质量的标签数据集用作训练,以此来提高反演精度。但由于工区的测井资料往往较少以及资料的保密性,通常无法获得足够的样本来提高反演精度。此外,基于深度学习的地震波阻抗反演方法标签数据的制作不仅仅是单一地通过地震正演建模建立波阻抗及相应的地震数据,还要考虑地下的地质统计规律和岩石物理机制的地震波阻抗反演方法的性能及相关专业软件的推出,因此如何快速获取充足的符合地下地质统计规律和岩石物理机制的地震波阻抗反演标签数据成为亟需解决的问题。
发明内容
本发明实施例提供一种智能地震波阻抗反演标签数据制作方法,用以快速获取充足的符合地下地质统计规律和岩石物理机制的地震波阻抗反演标签数据,该方法包括:
统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息;
根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体;
对黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体进行自由组合,得到多个不同的模拟数据体组合,其中,每个模拟数据体组合中包括一个黏土含量模拟数据体、一个孔隙度模拟数据体和一个含水饱和度模拟数据体;
利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体,其中,一个模拟数据体组合得到一个波阻抗数据体;
利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为智能地震波阻抗反演标签数据,其中,一个波阻抗数据体得到一个地震数据体。
本发明实施例还提供一种智能地震波阻抗反演标签数据制作装置,用以快速获取充足的符合地下地质统计规律和岩石物理机制的地震波阻抗反演标签数据,该装置包括:
统计分析模块,用于统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息;
模型构建模块,用于根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体;
组合模块,用于对黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体进行自由组合,得到多个不同的模拟数据体组合,其中,每个模拟数据体组合中包括一个黏土含量模拟数据体、一个孔隙度模拟数据体和一个含水饱和度模拟数据体;
模型构建模块,还用于利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体,其中,一个模拟数据体组合得到一个波阻抗数据体;
模型构建模块,还用于利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为智能地震波阻抗反演标签数据,其中,一个波阻抗数据体得到一个地震数据体。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述智能地震波阻抗反演标签数据制作方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述智能地震波阻抗反演标签数据制作方法的计算机程序。
本发明实施例,利用地质统计学随机建模方法、岩石物理建模方法及地震正演建模方法设计实现智能地震波阻抗反演标签数据的制作,能够快速生成大量的符合地下地质统计规律和地震岩石物理机制的智能地震波阻抗反演标签数据,为基于深度学习的智能地震波阻抗反演方法提供海量多样的标签数据集,提高了基于深度学习的智能地震波阻抗反演方法的准确性和泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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的附图。在附图中:
图1为本发明实施例中一种智能地震波阻抗反演标签数据制作方法的流程图;
图2(a)为本发明实施例中砂泥岩先验比例的统计结果的示意图;
图2(b)为本发明实施例中砂泥岩变差函数的统计结果的示意图;
图3为本发明实施例中一种黏土含量、孔隙度和含水饱和度的先验概率密度函数的统计分析结果的示意图;
图4为本发明实施例中一种黏土含量、孔隙度和含水饱和度的变差函数的统计分析结果的示意图;
图5为本发明实施例中一10000个不同的长度为200的砂泥岩模拟数据体的示意图;
图6为本发明实施例中一10000个不同的长度为200的黏土含量模拟数据体的示意图;
图7为本发明实施例中一10000个不同的长度为200的孔隙度模拟数据体的示意图;
图8为本发明实施例中一10000个不同的长度为200的含水饱和度模拟数据体的示意图;
图9为本发明实施例中一10000个不同的长度为200的波阻抗数据体的示意图;
图10为本发明实施例中一10000个不同的长度为200的地震数据体的示意图;
图11为本发明实施例中一智能地震波阻抗反演实例的示意图;
图12为本发明实施例中一种智能地震波阻抗反演标签数据制作装置的结构示意图;
图13为本发明实施例中一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
为解决对基于深度学习的智能地震波阻抗反演方法需要大数据的瓶颈问题,克服在实际应用中测井资料较少难以获取足够多的标签数据集的难题,本发明实施例提供了一种智能地震波阻抗反演标签数据制作方法,如图1所示,该方法包括步骤101至步骤:
步骤101、统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息。
先验信息包括先验比例、先验概率密度函数和变差函数,在本发明实施例中,利用获取的测井数据统计分析砂泥岩的先验比例和变差函数,分别统计分析黏土含量、孔隙度和含水饱和度在砂泥岩中的先验概率密度函数和变差函数。
示例性,图2(a)示出了一种砂泥岩的先验比例的统计分析结果,图2(b)示出了一种砂泥岩变差函数的统计分析结果。图3示出了一种黏土含量、孔隙度和含水饱和度的先验概率密度函数的统计分析结果;图4示出了一种黏土含量、孔隙度和含水饱和度的变差函数的统计分析结果。
步骤102、根据先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体。
具体的,利用砂泥岩的先验比例和变差函数对砂泥岩进行地质统计学的序贯指示模拟,分别得到多个不同长度的砂泥岩模拟数据体;在砂泥岩模拟数据体中,利用黏土含量在砂泥岩中的先验概率密度函数和变差函数对黏土含量进行序贯高斯模拟,得到多个不同的黏土含量模拟数据体;利用孔隙度在砂泥岩中的先验概率密度函数和变差函数进行序贯高斯模拟,得到多个不同的孔隙度模拟数据体;利用含水饱和度在砂泥岩中的先验概率密度函数和变差函数对含水饱和度进行序贯高斯模拟,得到多个不同的含水饱和度模拟数据体。
所得到的砂泥岩模拟数据体、黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体的数量可以由用户设定,上述模拟数据体的长度也可以由用户设定,比如说,设定得到每种模拟数据体的数量为10000个,每种模拟数据体的长度均为200。
示例性的,图5给出了一种长度为200的砂泥岩模拟数据体的示意图;图6给出了一种长度为200的黏土含量模拟数据体;图7给出了一种长度为200的孔隙度模拟数据体;图8给出了一种长度为200的含水饱和度模拟数据体。
步骤103、对黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体进行自由组合,得到多个不同的模拟数据体组合。
其中,每个模拟数据体组合中包括一个黏土含量模拟数据体、一个孔隙度模拟数据体和一个含水饱和度模拟数据体。
步骤104、利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体。
其中,一个模拟数据体组合得到一个波阻抗数据体。
具体的,利用岩石物理建模方法按照实际工区建立岩石物理模型;针对每个模拟数据体组合,利用岩石物理建模方法,结合模拟数据体组合和岩石物理模型进行建模,得到一个波阻抗数据体。
下面将详细介绍生成波阻抗数据体的过程。
(1)利用含水饱和度模拟数据体simulation(ti)Sw和wood公式分别估算流体的密度Rhof和体积模量Kf:
Rhof=Sw×Rhow+(1-Sw)×Rhog (1)
上式中,Rhow表示水的密度;Rhog表示气体的密度;Kw表示水的体积模量;Kg表示气体的体积模量;Sw表示含水饱和度,在本发明实施例中,将含水饱和度模拟数据体simulation(ti)Sw作为Sw的值。
(2)利用黏土含量模拟数据体simulation(ti)clay,以及Voigt-Reuss-Hill平均模量估计公式计算岩石固体项的体积模量Ks和剪切模量Gs。
其中,Voigt-Reuss-Hill公式如下所示:
MVRH=(MV+MR)/2 (4)
上式中,N表示岩石所含矿物成分种类,i=1,2,...,N;MV是Voigt上界等效模量;MR是Reuss下界等效模量;fi和Mi分别是第i种矿物成分的体积分数和模量;MVRH表示Voigt上界MV和Reuss下界MR的平均;这里假设岩石有三种矿物:石英、黏土、长石,体积模量分别为K石英、K黏土、K长石,剪切模量分别为G石英、G黏土、G长石,密度分别为Rho石英、Rho黏土、Rho长石,体积分数分别为f石英、f黏土、f长石,在本发明实施例中,将黏土含量模拟数据体simulation(ti)clay作为f黏土的值。则:
KV=f石英K石英+f黏土K黏土+f长石K长石 (5)
GV=f石英G石英+f黏土G黏土+f长石G长石 (8)
上述公式中,KV表示Voigt上界等效体积模量;KR表示Reuss下界等效体积模量;GV表示Voigt上界等效剪切模量;GR表示Reuss下界等效剪切模量。
进一步地,求取固体项的泊松比σs和密度Rhos:
式中,fi和Rhoi分别是第i种矿物成分的体积分数和密度。
(3)进一步地,利用未胶结砂岩模型求取干岩石的体积模量Kdry和剪切模量Gdry:
式中,φ表示孔隙度,在本发明实施例中,将孔隙度模拟数据体simulation(ti)porosity作为φ的值;φc表示临界孔隙度;KHM和GHM由Hertz-Mindlin接触理论计算:
式中,C表示配位数,P表示静水围压。
(4)进一步地,利用Gassmann公式计算饱合岩石的体积模量Ksat:
进一步地,计算饱和岩石的密度Rhosat、纵波速度Vpsat及波阻抗AI:
Rhosat=(1-φ)Rhos+φRhof (18)
AI=VpsatRhosat (20)
最终获得10000个长度为200的波阻抗数据体AI(ti)(ti=1,2,…200),如图9所示。
步骤105、利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为智能地震波阻抗反演标签数据。
其中,一个波阻抗数据体得到一个地震数据体。
具体的,利用波阻抗数据体AI(ti)计算反射系数R(ti),并从实际地震资料中提取地震子波W(tj);利用反射系数、地震子波和褶积模型S(t)=R(t)*W(t)进行计算,得到地震数据体S(ti),将AI(ti)和S(ti)作为智能地震波阻抗反演标签数据。其中,*表示褶积运算,tj表示提取的地震子波的长度。
示例性的,图10给出了一种10000个长度为200的地震数据体的示意图。
图11为利用本发明实施例生成的深度学习标签数据集对基于深度学习的智能地震波阻抗反演结果进行训练后,再利用训练好的网络对地震数据进行波阻抗反演的结果。由图11可以看出基于卷积神经网络CNN的反演结果与测井数据吻合较好,并且在预测过程所用的时间极短,这充分说明了本发明实施例生成的深度学习标签数据集对智能地震波阻抗反演的有效性和价值性。
本发明实施例中还提供了一种智能地震波阻抗反演标签数据制作装置,如下面的实施例所述。由于该装置解决问题的原理与智能地震波阻抗反演标签数据制作方法相似,因此该装置的实施可以参见智能地震波阻抗反演标签数据制作方法的实施,重复之处不再赘述。
如图12所示,该装置1200包括统计分析模块1201、模型构建模块1202和组合模块1203。
其中,统计分析模块1201,用于统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息;
模型构建模块1202,用于根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体;
组合模块1203,用于对黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体进行自由组合,得到多个不同的模拟数据体组合,其中,每个模拟数据体组合中包括一个黏土含量模拟数据体、一个孔隙度模拟数据体和一个含水饱和度模拟数据体;
模型构建模块1202,还用于利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体,其中,一个模拟数据体组合得到一个波阻抗数据体;
模型构建模块1202,还用于利用每个波阻抗数据体,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为智能地震波阻抗反演标签数据,其中,一个波阻抗数据体得到一个地震数据体。
在本发明实施例的一种实现方式中,先验信息包括先验比例、先验概率密度函数和变差函数,统计分析模块1201,用于:
利用获取的测井数据统计分析砂泥岩的先验比例和变差函数,;
分别统计分析黏土含量、孔隙度和含水饱和度在砂泥岩中的先验概率密度函数和变差函数。
在本发明实施例的一种实现方式中,模型构建模块1202,用于:
利用砂泥岩的先验比例和变差函数对砂泥岩进行地质统计学的序贯指示模拟,分别得到多个不同长度的砂泥岩模拟数据体;
在砂泥岩模拟数据体中,利用黏土含量在砂泥岩中的先验概率密度函数和变差函数对黏土含量进行序贯高斯模拟,得到多个不同的黏土含量模拟数据体;利用孔隙度在砂泥岩中的先验概率密度函数和变差函数进行序贯高斯模拟,得到多个不同的孔隙度模拟数据体;利用含水饱和度在砂泥岩中的先验概率密度函数和变差函数对含水饱和度进行序贯高斯模拟,得到多个不同的含水饱和度模拟数据体。
在本发明实施例的一种实现方式中,模型构建模块1202,用于:
利用岩石物理建模方法按照实际工区建立岩石物理模型;
针对每个模拟数据体组合,利用岩石物理建模方法,结合模拟数据体组合和岩石物理模型进行建模,得到一个波阻抗数据体。
在本发明实施例的一种实现方式中,模型构建模块1202,用于:
针对每个波阻抗数据体,利用波阻抗数据体计算反射系数,并从实际地震资料中提取地震子波;
利用反射系数、地震子波和褶积模型进行计算,得到地震数据体。
本发明实施例,利用地质统计学随机建模方法、岩石物理建模方法及地震正演建模方法设计实现智能地震波阻抗反演标签数据的制作,能够快速生成大量的符合地下地质统计规律和地震岩石物理机制的智能地震波阻抗反演标签数据,为基于深度学习的智能地震波阻抗反演方法提供海量多样的标签数据集,提高了基于深度学习的智能地震波阻抗反演方法的准确性和泛化能力。
本发明实施例还提供一种计算机设备,图13为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的智能地震波阻抗反演标签数据制作方法中全部步骤,该计算机设备具体包括如下内容:
处理器(processor)1301、存储器(memory)1302、通信接口(CommunicationsInterface)1303和通信总线1304;
其中,所述处理器1301、存储器1302、通信接口1303通过所述通信总线1304完成相互间的通信;所述通信接口1303用于实现相关设备之间的信息传输;
所述处理器1301用于调用所述存储器1302中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的智能地震波阻抗反演标签数据制作方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述智能地震波阻抗反演标签数据制作方法的计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种智能地震波阻抗反演标签数据制作方法,其特征在于,所述方法包括:
统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息;
根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体;
对黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体进行自由组合,得到多个不同的模拟数据体组合,其中,每个模拟数据体组合中包括一个黏土含量模拟数据体、一个孔隙度模拟数据体和一个含水饱和度模拟数据体;
利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体,其中,一个模拟数据体组合得到一个波阻抗数据体;
利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为智能地震波阻抗反演标签数据,其中,一个波阻抗数据体得到一个地震数据体。
2.根据权利要求1所述的方法,其特征在于,先验信息包括先验比例、先验概率密度函数和变差函数,统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息,包括:
利用获取的测井数据统计分析砂泥岩的先验比例和变差函数;
分别统计分析黏土含量、孔隙度和含水饱和度在砂泥岩中的先验概率密度函数和变差函数。
3.根据权利要求2所述的方法,其特征在于,根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体,包括:
利用砂泥岩的先验比例和变差函数对砂泥岩进行地质统计学的序贯指示模拟,分别得到多个不同长度的砂泥岩模拟数据体;
在砂泥岩模拟数据体中,利用黏土含量在砂泥岩中的先验概率密度函数和变差函数对黏土含量进行序贯高斯模拟,得到多个不同的黏土含量模拟数据体;利用孔隙度在砂泥岩中的先验概率密度函数和变差函数进行序贯高斯模拟,得到多个不同的孔隙度模拟数据体;利用含水饱和度在砂泥岩中的先验概率密度函数和变差函数对含水饱和度进行序贯高斯模拟,得到多个不同的含水饱和度模拟数据体。
4.根据权利要求1所述的方法,其特征在于,利用岩石物理建模方法分别对每个模拟数据体组合进行建模,得到多个不同的波阻抗数据体,包括:
利用岩石物理建模方法按照实际工区建立岩石物理模型;
针对每个模拟数据体组合,利用岩石物理建模方法,结合模拟数据体组合和岩石物理模型进行建模,得到一个波阻抗数据体。
5.根据权利要求1至4任一项所述的方法,其特征在于,利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,包括:
利用波阻抗数据体计算反射系数,并从实际地震资料中提取地震子波;
利用反射系数、地震子波和褶积模型进行计算,得到地震数据体。
6.一种智能地震波阻抗反演标签数据制作装置,其特征在于,所述装置包括:
统计分析模块,用于统计获取的测井数据中砂泥岩、黏土含量、孔隙度和含水饱和度的先验信息;
模型构建模块,用于根据所述先验信息,利用地质统计学随机建模方法进行建模,得到多个不同的黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体;
组合模块,用于对黏土含量模拟数据体、孔隙度模拟数据体和含水饱和度模拟数据体进行自由组合,得到多个不同的模拟数据体组合,其中,每个模拟数据体组合中包括一个黏土含量模拟数据体、一个孔隙度模拟数据体和一个含水饱和度模拟数据体;
模型构建模块,还用于利用岩石物理建模方法分别对模拟数据体组合进行建模,得到多个不同的波阻抗数据体,其中,一个模拟数据体组合得到一个波阻抗数据体;
模型构建模块,还用于利用波阻抗数据体及实际地震资料,结合地震正演建模方法,得到多个不同的地震数据体,将得到的波阻抗数据体和地震数据体作为智能地震波阻抗反演标签数据,其中,一个波阻抗数据体得到一个地震数据体。
7.根据权利要求6所述的装置,其特征在于,先验信息包括先验比例、先验概率密度函数和变差函数,统计分析模块,用于:
利用获取的测井数据统计分析砂泥岩的先验比例和变差函数;
分别统计分析黏土含量、孔隙度和含水饱和度在砂泥岩中的先验概率密度函数和变差函数。
8.根据权利要求7所述的装置,其特征在于,模型构建模块,用于:
利用砂泥岩的先验比例和变差函数对砂泥岩进行地质统计学的序贯指示模拟,分别得到多个不同长度的砂泥岩模拟数据体;
在砂泥岩模拟数据体中,利用黏土含量在砂泥岩中的先验概率密度函数和变差函数对黏土含量进行序贯高斯模拟,得到多个不同的黏土含量模拟数据体;利用孔隙度在砂泥岩中的先验概率密度函数和变差函数进行序贯高斯模拟,得到多个不同的孔隙度模拟数据体;利用含水饱和度在砂泥岩中的先验概率密度函数和变差函数对含水饱和度进行序贯高斯模拟,得到多个不同的含水饱和度模拟数据体。
9.根据权利要求6所述的装置,其特征在于,模型构建模块,用于:
利用岩石物理建模方法按照实际工区建立岩石物理模型;
针对每个模拟数据体组合,利用岩石物理建模方法,结合模拟数据体组合和岩石物理模型进行建模,得到一个波阻抗数据体。
10.根据权利要求6至9任一项所述的装置,其特征在于,模型构建模块,用于:
利用波阻抗数据体计算反射系数,并从实际地震资料中提取地震子波;
利用反射系数、地震子波和褶积模型进行计算,得到地震数据体。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353083.4A CN114563821B (zh) | 2020-11-27 | 2020-11-27 | 智能地震波阻抗反演标签数据制作方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353083.4A CN114563821B (zh) | 2020-11-27 | 2020-11-27 | 智能地震波阻抗反演标签数据制作方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114563821A CN114563821A (zh) | 2022-05-31 |
CN114563821B true CN114563821B (zh) | 2024-05-28 |
Family
ID=81711284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011353083.4A Active CN114563821B (zh) | 2020-11-27 | 2020-11-27 | 智能地震波阻抗反演标签数据制作方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563821B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950331A (zh) * | 2015-06-30 | 2015-09-30 | 中国石油天然气集团公司 | 一种砂泥岩储层的孔隙度与泥质含量的地震预测方法 |
CN107290782A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
CN111983681A (zh) * | 2020-08-31 | 2020-11-24 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11480698B2 (en) * | 2018-07-31 | 2022-10-25 | Exxonmobil Upstream Research Company | Fluid saturation model for petrophysical inversion |
WO2020144525A1 (en) * | 2019-01-09 | 2020-07-16 | Chevron Usa Inc. | System and method for deriving high-resolution subsurface reservoir parameters |
-
2020
- 2020-11-27 CN CN202011353083.4A patent/CN114563821B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950331A (zh) * | 2015-06-30 | 2015-09-30 | 中国石油天然气集团公司 | 一种砂泥岩储层的孔隙度与泥质含量的地震预测方法 |
CN107290782A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
CN111983681A (zh) * | 2020-08-31 | 2020-11-24 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
Non-Patent Citations (3)
Title |
---|
Joint Learning for Seismic Inversion: An Acoustic Impedance Estimation Case Study;Ahmad Mustafa 等;arXiv;20200630;第1-6页 * |
Semi-supervised learning for acoustic impedance inversion;Alfarraj, M.等;ResearchGate;20190701;第3-8页 * |
地震储层描述与盆地模拟相结合研究墨西哥湾深水区密西西比海底峡谷;Wisam H. 等;石油地质科技动态;20181231(第005期);第14-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114563821A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103282747B (zh) | 用于产生地质模型的更新的系统和方法 | |
Khan et al. | Machine learning derived correlation to determine water saturation in complex lithologies | |
Sahimi et al. | Reconstruction, optimization, and design of heterogeneous materials and media: Basic principles, computational algorithms, and applications | |
CN110031896B (zh) | 基于多点地质统计学先验信息的地震随机反演方法及装置 | |
Zhang et al. | Improvement of petrophysical workflow for shear wave velocity prediction based on machine learning methods for complex carbonate reservoirs | |
Zhang | Incorporating geological conceptual models and interpretations into reservoir modeling using multiple-point geostatistics | |
Sun et al. | Sequential updating of multimodal hydrogeologic parameter fields using localization and clustering techniques | |
CN105954804A (zh) | 页岩气储层脆性地震预测方法及装置 | |
CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
CN106168676A (zh) | 基于地震资料的地层岩性和流体识别方法和装置 | |
US20230088307A1 (en) | Hierarchical Building and Conditioning of Geological Models with Machine Learning Parameterized Templates and Methods for Using the Same | |
Cornelio et al. | Residual learning to integrate neural network and physics-based models for improved production prediction in unconventional reservoirs | |
Zhou et al. | Deep learning for simultaneous inference of hydraulic and transport properties | |
CN114563821B (zh) | 智能地震波阻抗反演标签数据制作方法及装置 | |
CN115130529A (zh) | 一种叠前地震反演方法和装置 | |
CN111751882B (zh) | 生成敏感岩石物理参数的方法和装置 | |
CN110927786B (zh) | 基于虚拟井随机模拟的地震岩相预测方法及系统 | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
CN115407390A (zh) | 地震储层参数预测方法及装置 | |
CN113419278A (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
CN108537883B (zh) | 一种基于MapReduce框架的地质建模方法 | |
Sizov et al. | Application of Machine Learning Methods in Modeling Hydrolithospheric Processes | |
Díaz-Viera et al. | Bernstein copula-based spatial stochastic simulation of petrophysical properties using seismic attributes as secondary variable | |
Sætrom et al. | Fast integrated reservoir modelling on the Gjøa field offshore Norway | |
Solomon et al. | Fast Wavelet Transform |
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 |