CN114609667A - 地球物理油气预测方法、设备及存储介质 - Google Patents
地球物理油气预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114609667A CN114609667A CN202210110204.5A CN202210110204A CN114609667A CN 114609667 A CN114609667 A CN 114609667A CN 202210110204 A CN202210110204 A CN 202210110204A CN 114609667 A CN114609667 A CN 114609667A
- Authority
- CN
- China
- Prior art keywords
- model
- source
- data
- target
- input data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 239000004215 Carbon black (E152) Substances 0.000 claims description 49
- 229930195733 hydrocarbon Natural products 0.000 claims description 49
- 150000002430 hydrocarbons Chemical class 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000008685 targeting Effects 0.000 claims 3
- 238000013508 migration Methods 0.000 abstract description 23
- 230000005012 migration Effects 0.000 abstract description 23
- 230000000694 effects Effects 0.000 description 27
- 230000035699 permeability Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000003129 oil well Substances 0.000 description 6
- 239000011435 rock Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning 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
- G01V1/30—Analysis
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供一种地球物理油气预测方法、设备及存储介质。该方法包括:以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型;以测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型;将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。本申请提供的方法利用迁移学习,将源模型的模型参数迁移至原始油气预测模型,考虑了不同储层参数之间蕴含的关联关系对储层参数的影响,提高了预测储层参数的准确率。
Description
技术领域
本申请涉及岩石物理领域,尤其涉及一种地球物理油气预测方法、设备及存储介质。
背景技术
地球物理油气综合预测是岩石物理领域重要研究方向之一,而储层参数预测是石油勘探开发的一个重要环节。
现有技术可以通过神经网络模型对储层参数进行预测,映射地球物理测井数据与储层参数之间的关系。
然而现有基于神经网络的油气综合预测方法是根据现有的测井数据和地震数据进行储层参数的预测,导致神经网络模型预测的准确率较低。
发明内容
本申请提供一种地球物理油气预测方法、设备及存储介质,用以解决神经网络模型预测储层参数准确率较低的问题。
第一方面,本申请提供一种地球物理油气预测方法,包括:
以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型;
以测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型;
将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。
第二方面,本申请提供一种地球物理油气预测设备,包括:
构建模块,用于以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型;
训练模块,用于对源输入数据和源输出数据进行训练,得到源模型;
构建模块,还用于以测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型;
训练模块,还用于将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。
第三方面,本申请提供一种地球物理油气预测设备,包括:处理器、存储器,存储器中存储代码,处理器运行存储器中存储的代码,以执行如第一方面中任一项的地球物理油气预测方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面任一项的地球物理油气预测方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项的地球物理油气预测方法。
本申请提供的一种地球物理油气预测方法、设备及存储介质,以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。以测井数据作为目标输入数据,并以目标输入数据对应的储层餐宿作为目标输出数据,构建神经网络模型作为原始油气预测模型,该原始油气预测模型没有模型参数,将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。当输入测井数据后,目标油气预测模型输出储层参数。本申请提供的方法是利用迁移学习,将源模型的模型参数迁移至原始油气预测模型,考虑了不同储层参数之间蕴含的关联关系对储层参数的影响,简化了预测储层参数的过程,从而提高了预测储层参数的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种地球物理油气预测方法流程图一;
图2为本申请实施例提供的一种地球物理油气预测示意图;
图3为本申请实施例提供的一种地球物理油气预测方法流程图二;
图4为本申请实施例提供的同一区域不同储层参数预测模型迁移类型示意图;
图5为本申请实施例提供的同一区域少量测井数据相同储层参数预测模型迁移类型示意图;
图6为本申请实施例提供的一个区域相同储层参数预测模型迁移类型示意图;
图7为本申请实施例提供的不同区域不同储层参数预测模型迁移类型示意图;
图8为本申请实施例提供的不同区域少量测井数据相同储层参数预测模型迁移类型示意图;
图9为本申请实施例提供的一种地球物理油气预测方法流程图三;
图10为本申请实施例提供的一种地球物理油气预测设备示意图一;
图11为本申请实施例提供的一种地球物理油气预测设备示意图二。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
地球物理油气综合预测是岩石物理领域重要研究方向之一,以往地球物理油气综合预测基于岩石物理理论,根据体积模型和已知的响应方程求解得到储层参数。近年来,出现了储层参数预测深度神经网络,通过构建合适的网络模型,辅以大量数据的训练,可以映射地球物理测井数据与储层参数之间的关系,无需相应的地质地球物理及岩石物理学知识。纯数据驱动的储层参数预测神经网络对训练集质量要求较高,且需要大量的数据,否则模型无法达到理想的效果。
迁移学习可以把在一种任务下学习得到的模型更新或迁移到另一个任务之中,实现跨任务或者跨领域的推广。但是,并不是任意两个任务之间都能够相互迁移。在进行迁移学习时,需要从学习训练的数据域和训练方法出发,分析源任务中可用于辅助目标任务训练的通用知识,然后利用这些通用知识提升目标域或目标任务的性能。
然而,现有基于神经网络的油气综合预测方法中只能根据现有的测井数据和地震数据对储层参数进行预测,储层参数之间蕴含的关联信息以及高质量数据区域和低质量数据区域之间的共性信息往往被忽略,从而导致神经网络模型预测储层参数的准确率较低。
本申请实施例提供一种地球物理油气预测方法,以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到一个储层参数预测效果较好的源模型。以测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型。由于源模型预测储层参数效果较好,因此可以将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。本申请提供的方法通过储层参数之间的相关性提高了目标油气预测模型预测储层参数的准确率。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例提供的一种地球物理油气预测方法流程图一,本方法的执行主体可以是地球物理油气预测设备,可以为任意具有数据处理功能的设备,例如计算机等。本实施例中的方法可以通过软件、硬件或者软硬件结合的方式来实现。如图1所示,本方法可以包括:
S101:以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。
测井数据为利用电、声、热或放射性等物理性质的仪器对油井性质进行测试得到的数据,举例而言,可以是测井曲线。选取作为源输入数据和源输出数据时,可以选取一个较大的区域,还可以选取一个数据质量较高且数据量较大的区域,使得得到的源模型预测效果较好。
储层参数为根据测井数据计算得到的可以表征油井性质的多种参数,储层参数可以包括以下一种或多种参数,比如孔隙度、渗透率、含油饱和度、含水饱和度和泥质质量等。
其中,孔隙度为岩石中孔隙空间的体积与岩石体积的比值,孔隙度的大小可以反映岩石存储油气的能力。渗透率为在一定外界压差下,岩石允许流体通过的能力,可以衡量岩石中流体的通畅程度。
在对源输入数据和源输出数据进行训练之前,还可以将源输入数据和源输出数据按一定比例划分为训练集和测试集,对训练集进行训练得到源模型,利用测试集对源模型进行测试。其中,源模型为原始油气预测模型提供模型参数的模型。
S102:以测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型。
在一种实施场景下,以与源输入数据类型相同的测井数据作为目标输入数据。其中,测井数据类型可以是密度、中子、自然伽马等多种类型。
在另一种实施场景下,可以以一种或多种存在于源输入数据类型的测井数据作为目标输入数据。
需要说明的是,由于原始油气预测模型仅为构建好的神经网络模型,没有对目标输入数据和目标输入数据对应的储层参数进行训练,因此原始油气预测模型没有模型参数。模型参数为表征模型性能的参数,包括但不限于权重、偏置等。其中,权重可以表示构成神经网络模型的神经元之间的连接强度,权重的大小表示可能性的大小。偏置的设置是为了正确对样本进行分类,提高神经单元的拟合能力。
S103:将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。
目标油气预测模型为能够预测需要得到的储层参数的模型。源模型和原始油气预测模型均包含输入层、隐藏层和输出层。其中,输入层接收模型的输入数据,输出层输出模型预测结果,隐藏层则进行特征提取。隐藏层可以有多层,每层隐藏层可以有多个权重以及一个偏置等模型参数,模型参数迁移即将源模型输入层和隐藏层的模型参数迁移至原始油气预测模型。
由于源输入数据、源输出数据以及目标输入数据、目标输出数据有多种选取方式,因此对于从源模型中迁移至原始油气预测模型的模型参数有多种迁移方式。可选地,可以按照源模型和原始油气模型的结构对源模型的模型参数进行迁移。将源模型的模型参数迁移至原始油气预测模型,可以将源模型的模型参数全部或部分迁移至原始油气预测模型。需要说明的是,将源模型的模型参数迁移至原始油气预测模型后,原始油气预测模型中没有模型参数的部分可以随机赋值。
在对目标输入数据和目标输出数据进行训练时,由于源输入数据、源输出数据以及目标输入数据、目标输出数据有多种选取方式,迁移的模型参数也有多种训练方式。例如,可以将源模型迁移的模型参数进行冻结,在训练过程中不进行更新迭代;也可以选取部分模型参数,进行冻结;还可以不对模型参数进行冻结,在训练过程中,使迁移的模型参数和通过随机赋值得到的模型参数参与均更新迭代。
图2为本申请实施例提供的一种地球物理油气预测示意图,如图2所示,将预测储层参数效果较好的源模型的模型参数如偏置、权重等迁移至原始油气预测模型,对测井数据和储层参数进行训练,得到目标油气预测模型。目标油气预测模型可以对需要的孔隙度、渗透率、含水饱和度和泥质质量等储层参数进行预测。举例而言,孔隙度和渗透率两类储层参数之间存在一定的关系。在一定程度上,孔隙度的大小会影响渗透率。同时通过神经网络模型预测孔隙度的过程较为简单,预测渗透率的过程较为复杂,因此源模型可以是预测孔隙度的模型,将源模型的模型参数迁移至原始油气模型,能够体现孔隙度和渗透率之间的关联关系,还可以使得神经网络模型预测渗透率的过程简化,从而提高了预测储层参数的准确率。
本申请实施例提供一种地球物理油气预测方法,以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。以测井数据作为目标输入数据,并以目标输入数据对应的储层餐宿作为目标输出数据,构建神经网络模型作为原始油气预测模型,该原始油气预测模型没有模型参数,将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型,能够预测需要得到的储层参数。本申请实施例提供的方法利用迁移学习,将源模型的模型参数迁移至原始油气预测模型,考虑了不同储层参数之间蕴含的关联关系对储层参数的影响,简化了预测储层参数的过程,提高了预测储层参数的准确率。
在上述实施例的基础上,存在目标输入数据与源输入数据类型相同的情况,下面提供一个具体的实施例对地球物理油气预测的过程进行详细介绍。
图3为本申请实施例提供的一种地球物理油气预测方法流程图二,如图3所示,本方法可以包括:
S301:以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。
测井数据为利用仪器对油井进行测试得到的数据,用来表征油井性质,测井数据可以是测井曲线。
储层参数是根据测井数据计算得到的表征油井性质的参数,包括但不限于孔隙度、渗透率、含水饱和度和泥质质量等。
S302:以与源输入数据类型相同的测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型。
目标输入数据和目标输出数据可以有多种选取方式。在一种实施场景下,选取一片区域的测井数据作为源输入数据,一种或多种储层参数作为源输出数据。选取同一片区域且与源输入数据类型相同的测井数据作为目标输入数据,以一种或多种不同于源输出数据类型的储层参数作为目标输出数据。
在一种实施场景下,可以选取一个较大区域且与目标输入数据类型相同的测井数据为源输入数据,对应的一种或多种储层参数作为源输出数据。选取该较大区域中一个小区域的测井数据作为目标输入数据,一种或多种存在于源输出数据类型的储层参数作为目标输出数据。
在一种实施场景下,可以选取一个较大区域的测井数据为源输入数据,对应的多种储层参数作为源输出数据。选取该较大区域中一个小区域,以源输入数据类型相同的测井数据作为目标输入数据,一种或多种存在于源输出数据类型的储层参数作为目标输出数据。
在一种实施场景下,可以选取一个数据质量较高且数据量较大的区域,与目标输入数据类型相同的测井数据作为源输入数据,对应的一种或多种储层参数作为输出数据。选取一个数据质量较差且数据量较小区域的测井数据作为目标输入数据,以一种或多种存在于源输出数据类型的储层参数作为输出数据。需要说明的是,根据目标输入数据和目标输出数据的数据分布情况,需要对源输入数据和源输出数据进行约束,例如,可以通过对源输入数据和源输出数据进行数据增删、更改权重等操作进行约束,以使源输入数据和源输出数据的数据分布更贴近目标输入数据和目标输出数据的数据分布。
在另一种实施场景下,选取一个数据质量较高且数据量较大区域的测井数据作为源输入数据,对应的多种储层参数作为输出数据。选取一个数据质量较差且数据量较小的区域,以与源输入数据类型相同的测井数据作为目标输入数据,以一种或多种存在于源输出数据类型的储层参数作为输出数据。需要说明的是,也需要根据目标输入数据和目标输出数据的数据分布情况,对源输入数据和源输出数据进行约束。
具体的,当同一个区域的数据训练储层参数预测神经网络模型时,可以用预测效果较好的一种或多种储层参数源模型的模型参数去提升其他储层参数预测模型的预测效果,如图4所示。
举例而言,在同一区域中,若孔隙度预测源模型a效果较好,而渗透率预测模型b效果不佳,且二者的输入数据相同,则可以将模型a的模型参数迁移至模型b之中,再重新训练渗透率预测模型。该方法同样适用于其他储层参数之间,以及源模型为单输出模型且原始油气预测模型为单输出模型、源模型为单输出模型且目标油气预测模型为多输出模型、源模型为多输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为多输出模型等情况。
当同一个区域的数据训练储层参数预测神经网络模型时,还可以用以多条测井曲线为输入数据的源模型提升以少量测井曲线为输入数据的的储层参数预测模型的预测效果,如图5所示。
举例而言,在同一区域中,若以九条常规测井曲线为输入数据训练得到的孔隙度预测源模型a效果较好,而以六条常规测井曲线为输入数据训练得到的孔隙度预测模型b效果不佳,且六条常规测井曲线的类型包含在九条测井曲线之中,则可以将模型a的参数迁移至模型b之中。该方法同样适用于其他储层参数和测井数据之间,以及源模型为单输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气模型为多输出模型等情况。
当一个区域的数据训练得到的目标油气预测模型效果不好时,可以用包含该区域的较大区域的测井数据和储层参数进行训练得到源模型,或使用其他数据质量较高区域的测井数据和储层参数添加约束后进行训练得到源模型,然后用于提升储层参数预测效果,如图6所示。
在一个区域中,若以高质量或较大区域测井数据和储层参数训练得到的孔隙度预测源模型a效果较好,而以低质量或较大区域内包含的小区域测井数据和储层参数训练得到的孔隙度预测模型b效果不佳,则可以将模型a的参数迁移至模型b之中。该方法同样适用于其他储层参数之间,以及源模型为单输出模型且目标油气预测模型为单输出模型、源模型为单输出模型且目标油气预测模型为多输出模型、源模型为多输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为多输出模型等情况。
当不同区域的数据训练储层参数预测神经网络模型时,可以用高质量测井数据和储层参数训练且预测效果较好的一种或多种储层参数源模型的模型参数去提升低质量测井数据和储层参数训练的其他储层参数目标油气预测模型的预测效果,或用较大区域的一种或多种储层参数源模型的模型参数去提升小区域测井数据和储层参数训练的其他储层参数目标油气预测模型的预测效果,如图7所示。需要说明的是,由于较大区域和小区域属于不同区域,因此小区域不在较大区域范围内。
举例而言,在不同区域中,若以高质量或较大区域测井数据和储层参数训练得到的孔隙度预测源模型a效果较好,而以低质量或小区域测井数据和储层参数训练得到的渗透率预测模型b效果不佳,则可以将模型a的参数迁移至模型b之中。该方法同样适用于其他储层参数之间,以及源模型为单输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为多输出模型等情况。
当不同区域的数据训练储层参数预测神经网络模型时,还可以用高质量测井数据和储层参数训练且以多条测井曲线为输入数据的源模型提升以低质量测井数据和储层参数训练且以少量测井曲线为输入数据的目标油气预测模型的储层参数预测效果,或用较大区域的测井数据和储层参数训练且以多条测井曲线为输入数据的源模型提升以小区域测井数据和储层参数训练且以少量测井曲线为输入数据的目标油气预测模型的预测效果,如图8所示。
举例而言,在不同区域中,若以高质量或较大区域测井数据和储层参数训练得到的以九条常规测井曲线为输入数据的孔隙度预测源模型a效果较好,而以低质量或小区域测井数据和储层参数训练得到的以七条常规测井曲线为输入数据的孔隙度预测模型b效果不佳,且七条常规测井曲线的类型包含在九条测井曲线之中,则可以将模型a的参数迁移至模型b之中。该方法同样适用于其他储层参数之间,以及源模型为单输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为单输出模型、源模型为多输出模型且目标油气预测模型为多输出模型等情况。
需要说明的是,当源输入数据和目标输入数据类型一致时,原始油气预测模型的输入层和靠近输入层的一种或多层神经网络隐藏层结构可以与源模型输入层和靠近输入层的一层或多层神经网络隐藏层结构一致。
当源输入数据和目标输入数据类型一致且目标输出数据的储层参数与源输出数据的储层参数一致时,原始油气预测模型的结构可以与源模型一致。
S303:将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。
由于源输入数据、源输出数据以及目标输入数据、目标输出数据有多种选取方式,因此对于从源模型中迁移至原始油气预测模型的模型参数也可以有多种迁移方式,比如:可以将源模型的输入层参数迁移至原始油气预测模型的输入层,源模型隐藏层与原始油气预测模型隐藏层相同结构的模型参数迁移至原始油气预测模型隐藏层。模型结构可以包含隐藏层所处的位置、使用的损失函数以及每层隐藏层单元个数。
在对模型参数进行迁移时,还可以将源模型中与目标输入数据对应的输入层参数迁移至原始油气预测模型的输入层,源模型隐藏层与原始油气预测模型隐藏层相同结构的模型参数迁移至原始油气预测模型隐藏层。
当源模型与原始油气预测模型结构相一致时,可以将源模型的全部模型参数迁移至原始油气预测模型。
在对目标输入数据和目标输出数据进行训练时,可以将源模型迁移的模型参数进行冻结,在训练过程中不进行更新迭代;也可以选取部分模型参数,进行冻结;还可以不对模型参数进行冻结,在训练过程中,使迁移的模型参数和通过随机赋值得到的模型参数参与均更新迭代。
本申请实施例提供一种地球物理油气预测方法,以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。以与源输入数据类型相同的测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型。将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。本申请提供的方法考虑了储层参数之间的相关性,同时能够弥补测井数据质量差或数据量较小使得利用神经网络模型预测效果较差等情况,进一步提升了目标油气预测模型的预测储层参数的准确性。
在上述实施例的基础上,还存在以一种或多种存在于源输入数据类型的作为目标输入数据的情况,下面提供一个具体的实施例对地球物理油气预测模型的过程进行详细描述。
图9为本申请实施例提供的一种地球物理油气预测方法流程图三,具体如下:
S901:以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。
测井数据为利用仪器对油井性质进行测试得到的数据,可以是测井曲线。
储层参数为根据测井数据计算得到的可以表征油井性质的多种参数,储层参数可以包括以下一种或多种参数,比如孔隙度、渗透率、含油饱和度、含水饱和度和泥质质量等。
S902:以一种或多种存在于源输入数据类型的测井数据作为目标输入数据,以储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型。
在一种实施场景下,选取一片区域的测井数据作为源输入数据,以一种或多种储层参数作为源输出数据。选取同一片区域,以一种或多种存在于源输入数据类型的测井数据作为目标输入数据,以一种或多种不同于源输出数据类型的储层参数作为目标输出数据。
在一种实施场景下,还可以选取一个较大区域的测井数据作为源输入数据,对应的储层参数作为源输出数据。选取该较大区域中的一个小区域,以一种或多种存在于源输入数据类型的测井数据作为目标输入数据,以一种或多种存在于源输出数据类型的储层参数作为目标输出数据。
在另一种实施场景下,还可以选取一个数据质量较高且数据量较大区域的测井数据作为源输入数据,对应的储层参数作为源输出数据。选取一个数据质量较差且数据量较小的区域,以一种或多种存在于源输入数据类型的测井数据作为目标输入数据,以一种或多种存在于源输出数据类型的储层参数作为目标输出数据。需要说明的是,需要根据目标输入数据和目标输出数据的数据分布情况对源输入数据和源输出数据添加约束。
S903:将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。
由于源输入数据、源输出数据以及目标输入数据、目标输出数据有多种选取方式,因此对于从源模型中迁移至原始油气预测模型的模型参数也可以有以下多种迁移方式:
当源输入数据和目标输入数据的测井数据类型一致,但输出的储层参数类型不一致时,原始油气预测模型构建时输入层及靠近输入层的隐藏层结构与源模型的输入层及靠近输入层的隐藏层结构相似,原始油气预测模型的输出层及靠近输出层的隐藏层与源模型的输出层及靠近输出层的隐藏层结构可以差别较大。当源模型的模型参数进行迁移时,原始油气预测模型中越靠近输出层的隐藏层迁移的参数越多,越靠近输入层的隐藏层迁移的参数越少,在一种实施场景下可以没有迁移模型参数,从而使得原始油气预测模型靠近输入层的部分在利用源模型辅助提取测井曲线中有效信息的同时,根据原始油气预测模型输出的储层参数对靠近输出层的部分进行有针对性的训练。
当源模型和原始油气预测模型输入的测井数据类型一致,原始油气预测模型输出的储层参数类型与源模型一致或少于源模型输出的储层参数类型时,原始油气预测模型构建时可以采用上述方式,即原始油气预测模型的输入层及靠近输入层的隐藏层结构与源模型的输入层及靠近输入层的隐藏层结构相似,原始油气预测模型的输出层及靠近输出层的隐藏层与源模型的输出层及靠近输出层的隐藏层结构别较大。原始油气预测模型也可以与源模型结构完全相似或相同。在对源模型的模型参数进行迁移时,可以采用上述方式,即将原始油气预测模型中越靠近输出层的隐藏层迁移的模型参数越多,越靠近输入层的隐藏层迁移的模型参数越少,也可以将源模型中的模型参数全部迁移至原始油气预测模型中。源模型与原始油气预测模型结构完全相似或相同且源模型的模型参数全部迁移的情况主要针对于源输入数据、源输出数据和目标输入数据、目标输出数据分布情况基本相同,可以直接将源模型中已有的效果较好的测井数据到储层参数的映射应用于原始油气预测模型中,再根据目标输入数据和目标输出数据对模型参数进行调整。
当原始油气预测模型输入的测井数据类型少于源模型输入的测井数据类型时,原始油气预测模型输出的储层参数类型与源模型一致或少于源模型输出的储层参数类型时,原始油气预测模型构建时输入层单元少于源模型输入层单元,隐藏层部分可以与源模型结构完全相似或相同,或每层隐藏层单元少于源模型每层的隐藏层单元。对源模型的模型参数进行迁移时,源模型中与原始油气预测模型对应的模型参数全部或部分迁移至原始油气预测模型中。由于原始油气预测模型输入的测井数据类型少于源模型,因此原始油气预测模型的输入层单元数也随之减少,可以根据源模型中高维度测井数据信息提取方式辅助原始油气预测模型中低维度测井数据的信息提取。
从源模型中迁移至原始油气预测模型的模型参数有多种迁移方式外,还可以有以下多种训练方式,具体如下:
当源输入数据和源输出数据质量较高,且目标输入数据和目标输出数据质量较差时可以采用迁移的模型参数完全冻结的训练方式,即在对目标输入数据和目标输出数据进行训练时,迁移的模型参数不进行更迭,从而保障测井数据中有效信息的提取,防止低质量数据在训练时干扰良好的模型参数。
当目标输入数据、目标输出数据与源输入数据、源输出数据有一定的差异,既需要保持源模型中一些重要的模型参数,又需要对模型其他迁移参数进行调整时可以采用迁移参数部分冻结的训练方式,即在对目标输入数据和目标输出数据进行训练时,迁移的模型参数一部分不进行更迭,另一部分与其他随机赋值的模型参数共同参与更迭,得到目标油气预测模型。
当目标输入数据、目标输出数据与源输入数据、源输出数据差异较大,需要源模型中的模型参数作为原始油气预测模型中的初始参数。为加快原始油气预测模型的收敛速度,防止原始油气预测模型陷入局部最优值,在对目标输入数据和目标输出数据进行训练时,可以采用迁移的模型参数参与训练的训练方式,即在对目标输入数据和目标输出数据进行训练时,迁移的模型参数与其他随机赋值的模型参数共同参与更迭,得到目标油气预测模型。
可以根据源输入数据、源输出数据和目标输入数据、目标输出数据的实际情况,选取合适的模型参数迁移方式和训练方式。
本申请实施例提供一种地球物理油气预测方法,以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型,对源输入数据和源输出数据进行训练,得到源模型。以一种或多种存在于源输入数据类型的测井数据作为目标输入数据,以储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型。将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型,预测所需的储层参数。本申请实施例提供的方法利用迁移学习,将源模型的模型参数迁移至原始油气预测模型,考虑了不同储层参数之间蕴含的关联关系对储层参数的影响,提高了预测储层参数的准确率。同时在模型参数迁移过程中,可以根据源输入数据、源输出数据和目标输入数据、目标输出数据的实际情况,选取合适的模型参数迁移方式和训练方式,进一步提高了目标油气预测模型预测储层参数的准确度。
图10为本申请实施例提供的一种地球物理油气预测设备示意图一,如图10所示,本实施例提供的地球物理油气预测设备1000,可以包括构建模块1001和训练模块1002。
构建模块1001,用于以测井数据作为源输入数据,并以源输入数据对应的储层参数作为源输出数据构建神经网络模型;
训练模块1002,用于对源输入数据和源输出数据进行训练,得到源模型;
构建模块1001,还用于以测井数据作为目标输入数据,并以目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型;
训练模块1002,还用于将源模型的模型参数迁移至原始油气预测模型,并对目标输入数据和目标输出数据进行训练,得到目标油气预测模型。
本实施例的设备,可用于执行如图1所示的方法实施例,其实现原理和技术效果类似,此处不再赘述。
图11为本申请实施例提供的一种地球物理油气预测设备示意图二。如图11所示,本申请实施例提供一种地球物理油气预测设备1100包括处理器1101和存储器1102,其中,处理器1101、存储器1102通过总线1103连接。
在具体实现过程中,存储器1102中存储代码,处理器1101运行存储器1102中存储的代码,以执行上述方法实施例的地球物理油气预测方法。
处理器1101的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图11所示的实施例中,应理解,处理器1101可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器1102可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线1103可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线1103可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线1103并不限定仅有一根总线或一种类型的总线。
本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述方法实施例的地球物理油气预测方法。
上述的计算机可读存储介质,可以是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,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述本申请实施例中任意实施例提供的地球物理油气预测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种地球物理油气预测方法,其特征在于,包括:
以测井数据作为源输入数据,并以所述源输入数据对应的储层参数作为源输出数据构建神经网络模型,对所述源输入数据和所述源输出数据进行训练,得到源模型;
以所述测井数据作为目标输入数据,并以所述目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型;
将所述源模型的模型参数迁移至所述原始油气预测模型,并对所述目标输入数据和所述目标输出数据进行训练,得到目标油气预测模型。
2.根据权利要求1所述的方法,其特征在于,所述源模型包括输入层和隐藏层,所述原始油气预测模型包括输入层和隐藏层,所述将所述源模型的模型参数迁移至所述原始油气预测模型,包括:
将所述源模型的输入层参数迁移至所述原始油气预测模型的输入层,将所述源模型隐藏层与所述原始油气预测模型隐藏层中相同结构的模型参数迁移至所述原始油气预测模型隐藏层。
3.根据权利要求2所述的方法,其特征在于,所述源模型包括输入层和隐藏层,所述原始油气预测模型包括输入层和隐藏层,所述将所述源模型的模型参数迁移至所述原始油气预测模型,还包括:
将所述源模型中与所述目标输入数据对应的输入层参数迁移至所述原始油气预测模型的输入层,所述源模型隐藏层与所述原始油气预测模型隐藏层中相同结构的模型参数迁移至所述原始油气预测模型隐藏层。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述源模型包括输入层和隐藏层,所述原始油气预测模型包括输入层和隐藏层,所述将所述源模型的模型参数迁移至所述原始油气预测模型,还包括:
将所述源模型的全部模型参数迁移至所述原始油气预测模型。
5.根据权利要求1所述的方法,其特征在于,所述以所述测井数据作为目标输入数据,包括:
以与所述源输入数据类型相同的测井数据作为目标输入数据。
6.根据权利要求5所述的方法,其特征在于,所述以所述测井数据作为目标输入数据,还包括:
以一种或多种存在于所述源输入数据类型的测井数据作为目标输入数据。
7.根据权利要求1所述的方法,其特征在于,所述以所述目标输入数据对应的储层参数作为目标输出数据,包括:
以一种或多种不同于所述源输出数据类型的储层参数作为目标输出数据。
8.根据权利要求7所述的方法,其特征在于,所述以所述目标输入数据对应的储层参数作为目标输出数据,还包括:
以一种或多种存在于所述源输出数据类型的储层参数作为目标输出数据。
9.一种地球物理油气预测设备,其特征在于,包括:
构建模块,用于以测井数据作为源输入数据,并以所述源输入数据对应的储层参数作为源输出数据构建神经网络模型;
训练模块,用于对所述源输入数据和所述源输出数据进行训练,得到源模型;
所述构建模块,还用于以所述测井数据作为目标输入数据,并以所述目标输入数据对应的储层参数作为目标输出数据,构建神经网络模型作为原始油气预测模型;
所述训练模块,还用于将所述源模型的模型参数迁移至所述原始油气预测模型,并对所述目标输入数据和所述目标输出数据进行训练,得到目标油气预测模型。
10.一种地球物理油气预测设备,其特征在于,包括:处理器、存储器,所述存储器中存储代码,所述处理器运行所述存储器中存储的代码,以执行如权利要求1-8中任一项所述的地球物理油气预测方法。
11.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8任一项所述的地球物理油气预测方法。
12.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的地球物理油气预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110204.5A CN114609667A (zh) | 2022-01-29 | 2022-01-29 | 地球物理油气预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110204.5A CN114609667A (zh) | 2022-01-29 | 2022-01-29 | 地球物理油气预测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114609667A true CN114609667A (zh) | 2022-06-10 |
Family
ID=81860061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110204.5A Pending CN114609667A (zh) | 2022-01-29 | 2022-01-29 | 地球物理油气预测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114609667A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN117251802A (zh) * | 2023-11-14 | 2023-12-19 | 西南石油大学 | 一种基于迁移学习的非均质储层参数预测方法及系统 |
-
2022
- 2022-01-29 CN CN202210110204.5A patent/CN114609667A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN115222019B (zh) * | 2022-06-27 | 2023-07-28 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN117251802A (zh) * | 2023-11-14 | 2023-12-19 | 西南石油大学 | 一种基于迁移学习的非均质储层参数预测方法及系统 |
CN117251802B (zh) * | 2023-11-14 | 2024-02-20 | 西南石油大学 | 一种基于迁移学习的非均质储层参数预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
AU2013397958B2 (en) | A simulation-to-seismic workflow construed from core based rock typing and enhanced by rock replacement modeling | |
CN114609667A (zh) | 地球物理油气预测方法、设备及存储介质 | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
AU2021241430B2 (en) | Comparison of wells using a dissimilarity matrix | |
CN111027882A (zh) | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 | |
CN113109874B (zh) | 一种使用神经网络的波阻抗反演方法和神经网络系统 | |
US20220178228A1 (en) | Systems and methods for determining grid cell count for reservoir simulation | |
Zheng et al. | An automatic data process line identification method for dam safety monitoring data outlier detection | |
CN114723155A (zh) | 横波曲线预测方法、装置、计算设备及存储介质 | |
CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
Niri et al. | Metaheuristic optimization approaches to predict shear-wave velocity from conventional well logs in sandstone and carbonate case studies | |
CN112862169B (zh) | 预测陆相泥页岩游离油含量的方法及装置 | |
CN115877464B (zh) | 一种岩性识别方法、装置、计算机设备及存储介质 | |
CN115685335A (zh) | 一种纵横波速度预测方法、装置、计算机设备及存储介质 | |
US20220390633A1 (en) | Fast, deep learning based, evaluation of physical parameters in the subsurface | |
CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
CN115685314A (zh) | 一种地震储层物性参数预测方法及装置 | |
CN113705878A (zh) | 水平井出水量的确定方法、装置、计算机设备及存储介质 | |
WO2021242273A1 (en) | Distributed sequencial gaussian simulation | |
CN114153002A (zh) | 储层天然裂缝三维地质建模方法、装置、电子设备及介质 | |
Akingbade et al. | An integrated approach to identifying and reducing reservoir uncertainties in a turbidite deep water environment | |
Tømmerås et al. | Prewell and postwell predictions of oil and gas columns using an iterative Monte Carlo technique with three-dimensional petroleum systems modeling | |
CN113341461B (zh) | 地震速度预测方法、装置及服务器 | |
Na et al. | Optimization of Logging Interpretation Parameters Based on Committee Machine |
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 |