CN114638255A - 一种结合深度学习的致密砂岩裂缝测井综合识别方法 - Google Patents
一种结合深度学习的致密砂岩裂缝测井综合识别方法 Download PDFInfo
- Publication number
- CN114638255A CN114638255A CN202210150674.4A CN202210150674A CN114638255A CN 114638255 A CN114638255 A CN 114638255A CN 202210150674 A CN202210150674 A CN 202210150674A CN 114638255 A CN114638255 A CN 114638255A
- Authority
- CN
- China
- Prior art keywords
- logging
- crack
- comprehensive
- identification
- probability
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种结合深度学习的致密砂岩裂缝测井综合识别方法,分为以下四个部分:测井数据预处理,包括基于多尺度小波变换的测井曲线去噪和基于快速傅里叶变换的测井曲线标准化;基于LightGBM框架的岩性识别,为后续识别结果进行岩性约束;结合深度学习的裂缝综合预测,包括基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于GaussianNaive Bayes判别法的裂缝识别和基于CNN‑LSTM模型的裂缝识别,实现多手段综合识别裂缝;结果输出,将综合识别结果加权并与岩性识别结果相乘实现岩性约束,输出基于岩性约束的致密砂岩裂缝综合识别概率。本发明采用多方法并行评价裂缝发育程度,将识别结果择优或加权以获得更好的识别结果。
Description
技术领域
本发明涉及油气地质勘探领域,特别涉及到一种结合深度学习的致密砂岩裂缝测井综合识别方法。
背景技术
随着石油工业的发展,致密砂岩储层作为一类资源潜力巨大的非常规储集体,已成为目前勘探开发的热点之一。致密砂岩储层现今一般表现为非均质性强、孔隙小、喉道细、孔喉连通性差的特点。由于致密砂岩储层普遍致密且脆性大,受构造应力影响下易产生裂缝,而裂缝的存在不仅可以作为有效的油气运移通道,还可以沟通孤立砂体、改善基质渗透率,从而形成有效储集空间。因此,对裂缝的精细识别和分布预测是裂缝型致密砂岩储层的勘探开发关键。
现有研究方法中,最直接可靠的方法是岩心观察和描述,可以直接获得裂缝产状、充填性、含油性等特征参数。但受实际条件限制,钻井取心段十分有限,难以将解释结果进行垂向和横向推广。目前,最为有效的测井裂缝识别的方法是成像测井技术,高分辨率的成像资料可以提取裂缝的倾角、倾向、长度、张开度等参数,但由于成像测井成本高、一个地区的成像测井覆盖率较低,因此有必要在常规测井上对裂缝段进行准确识别和定量评价,从而实现地区性的“点-线-面”裂缝识别和预测研究。然而,由于裂缝型致密砂岩储层的非均质性强,多为砂、泥岩薄互层,不同岩性的测井响应相似,且常规测井的分辨率不高(一般10cm以上),易受环境因素(如填充物、泥浆等)的影响,单条曲线的裂缝响应特征一般不明显,因此,如何消除环境影响、正确识别砂岩裂缝是传统测井解释的一大难题。
发明内容
本发明的目的在于针对已有的技术现状,提供一种结合深度学习的致密砂岩裂缝综合识别方法,在测井曲线标准化的基础上实现致密砂岩储层岩性预测,并在岩性预测的约束下,结合深度学习、小波变换等多手段综合加权识别裂缝。
为达到上述目的,本发明采用如下技术方案:
一种结合深度学习的致密砂岩裂缝综合识别方法,包括以下步骤:
(1)测井数据预处理
测井数据预处理包括对原始测井曲线去噪和标准化。首先进行自适应小波多尺度去噪,在减少测井曲线中的噪声同时尽可能保留曲线细节,该过程使用均方差和信噪比参数评价去噪性能;在去噪结果上进行测井曲线标准化,需要在输入的测井曲线上标定“宏观标准层”并对测井曲线进行快速傅里叶变换提取频谱信息,对频谱信息低通滤波获取曲线的低频分量,并对低频分量进行平移校正、比例校正,高频分量进行比例校正,从而实现测井曲线的标准化。
(2)基于LightGBM框架的岩性识别
作为基于LightGBM的致密砂岩储层岩性划分方法的优选方案,根据特征参数的覆盖率将其分为M0特征:自然电位(SP)、自然伽马(GR)、中感应电阻率(LIM)、深感应电阻率(ILD)、八侧向电阻率(LL8)、声波时差(AC)、泥质含量(SH);M1特征:密度测井(DEN)、补偿中子(CNL);M2特征:光电吸收截面指数(PE)、阵列感应电阻率(HT01、HT02、HT03、HT06、HT09、HT12)。所述的致密砂岩储层岩性划分类型包括细砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩。
训练过程输入经过数据去噪、标准化和归一化的测井系列和真实分类标签作为训练集,训练并输出三种特征模型:M0,M0+M1,M0+M1+M2,训练的评价指标为多分类交叉熵。
LightGBM预测过程输入经数据去噪、标准化和标准差归一化的单井测井系列,根据输入的单井测井系列类别加载模型进行岩性预测,输出岩性分类结果和分类概率,用于对后续裂缝识别结果进行约束。
(3)结合深度学习的裂缝综合识别
结合深度学习的裂缝综合识别包括四个并行方法:基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于Gaussian Naive Bayes判别法的裂缝识别、基于CNN-LSTM模型的裂缝识别。为简化过程,将识别结果分为两类:裂缝和非裂缝(包括无测井响应的充填裂缝段、裂缝不发育段等)。为保证算法具有较高准确率和泛用性,应根据实际情况对四种方法的识别结果加权综合,作为结合深度学习的裂缝综合识别的优选方案,四种方法权重比选为1:2:2:4。
第一,基于综合概率指数法的裂缝识别,包括曲线变化率法、电阻率侵入校正差比法、龟裂系数法、骨架指数比值法、三孔隙度比值法,将上述预测结果按阈值二值化并加权平均得到裂缝综合概率指数。
第二,基于一维多尺度小波分解的裂缝识别,对测井曲线进行三重小波变换提取高频频谱特征并转换为高频频谱能量,通过频谱阈值评价裂缝发育的程度。
第三,基于Gaussian Naive Bayes判别法的裂缝识别,训练过程构建训练集以获取判别模型。训练样本来自岩心观察和描述结果、实钻记录结果、成像测井解释并人工标注裂缝段(编码为1)和非裂缝段(编码为0)。作为基于Gaussian Naive Bayes判别法的裂缝识别的优选方案,选择的测井曲线主要包括声波时差(AC)、中感应电阻率(ILM)、深感应电阻率(ILD)、八侧向电阻率(LL8)、密度测井(DEN)、补偿中子(CNL),训练和预测过程对数据进行极差归一化。预测过程输入单井的测井系列,输出全目的层段二分类概率。
第四,基于CNN-LSTM模型的裂缝识别,训练集组成和获取方式与上述方法相同,损失函数为二分类交叉熵,训练过程和预测过程对网络输入的测井系列使用极差归一化处理,训练过程输出最优迭代模型。预测过程输入单井测井系列,输出全目的层段二分类概率。
(4)结果输出
将基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于Gaussian Naive Bayes判别法的裂缝识别和基于CNN-LSTM模型的裂缝识别四种裂缝识别概率按1:2:2:4加权综合并与LightGBM砂岩段分类概率相乘以除泥岩层段对预测结果的影响,得到基于岩性约束的裂缝综合识别概率,最终输出裂缝综合识别概率大于设定阈值的部分作为裂缝发育段。
本发明的有益效果为:
1、本发明采用快速傅里叶变换提取测井曲线频谱特征进行标准化,一定程度上避免人为指定标准井的系统误差;基于LightGBM进行致密砂岩储层岩性划分,训练速度快且精度高,获得岩性与多测井参数的响应模型用于对后续识别结果进行约束;在岩性精细划分的约束下使用基于综合概率指数法、小波变换、Gaussian Naive Bayes判别、CNN-LSTM的裂缝识别,多方法并行评价裂缝发育程度,将识别结果加权以获得更好的识别结果。
2、本发明对于缺少岩心、录井等资料的井段,可以以测井资料为基础,利用岩性分类模型对致密砂岩储层岩性进行细分,并在此约束上实现裂缝综合识别,从而提裂缝识别精度,有利于下一步的勘探开发。
附图说明
图1为本发明致密砂岩裂缝测井综合识别方法的技术流程示意图;
图2为基于多尺度小波变换的测井曲线去噪的流程图;
图3为基于快速傅里叶变换的测井曲线标准化的流程图
图4为本发明CNN-LSTM网络模型结构示意图。
标注说明:
具体实施方式
为使本发明的技术方法和优点能更明显易懂,以下由特定的具体实施例,并配合附图所示,作详细说明如下。
周知的,鄂尔多斯盆地地跨中国陕、甘、宁、蒙、晋五省区,盆地北起阴山、大青山,南至秦岭,西起六盘山、贺兰山,东到吕梁山,总面积达33×104km2。盆地位于华北克拉通盆地中西部,是一个整体稳定沉降、多构造体制、多演化阶段、多沉积体系、多原型盆地叠加的大型复合克拉通盆地。鄂尔多斯盆地中生界地层自下而上为三叠系、侏罗系中下统、白垩系下统,其中三叠系地层为河流-三角洲-湖泊沉积,以上三叠统延长组的湖泊和三角洲沉积厚度最大、分布范围最广,岩性为灰色、灰白色粉-细砂岩与黑色、灰黑色泥岩的互层。上三叠统延长组根据岩性变化自下而上划分划分为10个油层组,自下而上分为长10-长1,其中由于构造运动导致盆地西缘特别是西南缘隆起,延长组顶面出现不同程度的剥蚀,盆地西南缘普遍缺失长1-长3地层。长8油层组为本实施例中的目的层段,平均厚度在100m左右。长8段沉积期位湖泊和三角洲环境,岩性以灰白色、灰绿色中-细砂岩、粉砂岩、黑色泥岩的互层组合为主,其渗透率小于1×10-3μm2,为低渗-超低渗储层;地层上覆长7段张家滩页岩(KT标志层),主要为黑色页岩、油页岩。
本发明实施例以鄂尔多斯盆地西南缘彬长地区三叠系延长组的20口探井、5口水平井为实施对象,包括岩心、测井、录井等资料。探井测井数据包括自然伽马(GR)、声波时差(AC)、自然电位(SP)、密度测井(DEN)、补偿中子(CNL)、中感应电阻率(ILM)、深感应电阻率(ILD)、八侧向电阻率(LL8)、泥质含量(SH)曲线数据,部分井段包含光电吸收截面指数(PE)、阵列感应电阻率(HT01、HT02、HT03、HT06、HT09、HT12)、深侧向电阻率(LLD)、浅侧向电阻率(LLS)曲线数据;水平井测井数据包括GR、AC、SP、ILM、ILD、LL8、SH曲线数据。
一、测井数据预处理
测井数据预处理是指测井曲线去噪和标准化。具体为:
1、基于多尺度小波变换的测井曲线去噪
如图2所示为基于多尺度小波变换的测井曲线去噪的流程图。对输入的测井曲线进行三重小波分解,利用非线性软门限作用于高频小波系数后进行小波重构,输出重构曲线作为去噪结果,计算公式如下:
ηλ(ω)=sgn(ω)(|ω|-λ);
式中:ω表示高频小波系数,ηλ(ω)表示滤波后结果,sgn(ω)为符号函数,指示正负性,表示取值符号与ω相同,λ为软阈值门限,n为信号采样点总数,σ为信号的标准差。
实施例使用均方误差和信噪比来评价不同小波基的去噪能力。本发明实施例根据评价指标的综合结果选择sym6小波作为最优去噪小波基。
2、基于快速傅里叶变换的测井曲线标准化
如图3所示为基于快速傅里叶变换的测井曲线标准化的流程图。本发明实施例考虑到长7段底部的张家滩页岩特征明显且普遍分布,因此将长7段底部泥页岩纳入一并去噪并获取标准化特征参数。本发明实施例首先对测井曲线进行快速傅里叶变换得到频谱,然后进行低通滤波获取频谱的低频分量。低频分量经傅里叶逆变换后得到测井数据深度域低频分量,与原始曲线相减得到测井数据深度域高频分量;对深度域低频分量进行比例和平移校正,深度域高频分量比例校正后得到标准化曲线,校正公式为:
式中:cl(z)为待标准化低频分量,c′l(z)为标准化后的低频分量,ch(z)为待标准化高频分量,c′h(z)为标准化后的高频分量。C′max和C′min分别为该测井参数低频分量的最大、最小标准值,Cmax和Cmin为待标准化低频分量的最大、最小值。
实施例筛选了均匀分布的多口测井数据,并根据频谱特征设置实施例的低通滤波器截止频率为0.2,以确保获取的低频分量尽量不混入过多高频分量且包含足够的特征。将其低频分量最大、最小平均值作为标准值,如表1所示。
表1实施例主要测井曲线的标准值
二、基于LightGBM框架的岩性识别
LightGBM为微软公司在2017年发布的新boosting框架模型,该算法在传统梯度提升决策树(GBDT,Gradient Boosting Decision Tree)的基础上引入了两个新技术(梯度单边采样技术、独立特征合并技术)和一个改进(直方图算法):梯度单边采样技术剔除梯度过小的数据,避免低梯度长尾部分的影响;独立特征合并技术捆绑互斥的特征,实现特征降维;histogram直方图算法寻找最优分割点,减少对内存的消耗。
GBDT方法在模型构建过程中使用贪心算法定义叶子节点,优化目标为确定树使得分割之后整棵树的叶子节点增益最大,则有迭代过程和优化目标:
忽略常数项,对优化目标函数进行泰勒展开:
式中:gi和hi为偏导数,wi为叶子节点的权值,Ij为叶子节点j上的样本实例。
考虑到分割叶子节点的损失函数,应保证分割后取得最大期望:
作为优选,本发明实施例岩性划分类型包括细砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩,并根据测井系列的覆盖率将特征参数分为M0特征:自然电位(SP)、自然伽马(GR)、深感应电阻率(ILD)、中感应电阻率(ILM)、八侧向电阻率(LL8)、声波时差(AC)、泥质含量(SH);M1特征:密度测井(DEN)、补偿中子(CNL);M2特征:光电吸收截面指数(PE)、阵列感应电阻率(HT01、HT02、HT03、HT06、HT09、HT12)。
模型训练在python3上进行,主要使用的包和库包括sklearn、lightgbm、pandas、numpy,训练过程输入训练样本的测井系列和真实分类标签,输出包含M0、M0+M1、M0+M1+M2特征的三种树模型,模型关键参数见表2:
表2实施例LightGBM模型主要参数
模型的评价指标为多分类交叉熵损失函数:
式中:M为类别数量;yic为符号函数,如果样本i的真实类别等于c则取1,否则为0;pic为样本i属于类别c的预测概率。
预测过程输入经数据预处理的单井测井曲线系列,并根据测井曲线系列的覆盖率选择模型,输出岩性分类结果和分类概率。
训练和预测过程采用标准差归一化(Z-score)以平衡各个参数对权重的贡献,经处理的数据服从均值为0,标准差为1的分布。
三、结合深度学习的裂缝综合预测
本发明将裂缝识别简化为两种类别,即裂缝带和非裂缝带。其中裂缝带为有明显测井响应的有效裂缝带;非裂缝带包括无明显测井响应的闭合裂缝带、裂缝不发育带等。
1、基于综合概率指数法的裂缝识别
本发明参考前人裂缝识别参数研究结果,利用曲线变化率法、电阻率侵入校正差比法、龟裂系数法、三孔隙度比值法、骨架指数比值法构建综合概率指数。
曲线变化率法一般选择纵向分辨率较高的测井方法,如AC、DEN、CNL、GR等,一般采用三点或五点法计算曲线变化率。裂缝的存在会导致曲线变化率增大。计算公式如下:
ΔXi=(|Xi-i-Xi|+|Xi+1-Xi|)/2;
式中:ΔXi表示曲线变化率,Xi为某一测井曲线的第i个采样点。
电阻率侵入校正差比法,计算公式如下:
Rt=2.589RLLD-1.589RLLs:
式中:Rt为经侵入校正的地层真电阻率,RLLD、RLLS为深、浅侧向电阻率。当地层为裂缝性油气层时RTC>0;当地层为水层或致密地层时,RTC≈0。
龟裂系数法,计算公式如下:
式中:Vp、Vpma表示地层和岩石骨架的纵波波速,Δtma、Δtp表示岩石骨架和地层的声波时差。S越大表示岩石的完整性越好;S越小表示岩石破坏严重,裂缝发育。
三孔隙度比值法,计算公式如下:
式中:Δtma、Δtf、Δt分别为岩石骨架、流体、地层声波时差;φS、φD、φN、φt分别为声波、密度、中子、总孔隙度;ρma、ρf、ρb分别为岩石骨架、地层和流体的密度;Φma、ΦNf、ΦN分别为岩石骨架、流体和地层的中子通量。当地层次生孔隙度越发育,则Rp越大。
骨架指数比值法:通过裂缝对密度测井和声波测井的响应,计算声波骨架指数和密度骨架指数交会识别裂缝。计算公式如下:
式中:φs、φD为声波、密度孔隙度,Δtf、Δt为流体和地层声波时差;Sma、Dma为声波骨架指数和密度骨架指数。当地层中裂缝发育时有Sma>Dma,即Xma>0。
通过对这些裂缝参数综合评价得到概率综合指标CWP,计算公式如下:
式中:f(x)代表激活函数,a为临界值,x<a代表无异常,裂缝不发育,不同裂缝参数的临界值需要根据地区特点选取。f(x)将上述五种方法的结果归一为0或1,概率综合指标CWP则将结果加权平均至[0,1]。
该方法输入经预处理后的测井系列:AC、LLD、LLS、DEN、CNL等,并根据预设临界值输出概率综合指标。
2、基于一维多尺度小波分解的裂缝识别
以声波时差测井为例,裂缝的存在导致地层非均质性增强,声波时差曲线表现为小幅震荡,该涨幅在原始曲线上通常不显著。因此,本发明使用db4小波基对测井曲线进行三重多尺度小波分解,提取并重构高频信号D3,此时裂缝发育层段和其他非均质性较强的层段在重构曲线上表现为高频振荡。该方法可以在python3上实现,主要使用的包和库包括pywavelets、numpy。
该方法输入单井测井曲线(一般选取AC曲线),根据预设阈值,输出振幅大于阈值的高频信号段作为裂缝发育段。
3、基于Gaussian Naive Bayes判别法的裂缝识别
Naive Bayes(朴素贝叶斯)即对给定的待分类样本,通过计算样本的后验概率分布然后选择具有最大后验概率的类作为该特征所属的类。朴素贝叶斯基于两个基本假设:特征之间相互独立、每个特征同等重要。
贝叶斯分类器算法假定每个标签的样本先验服从标准正态分布,其原理实现较为简单,计算复杂度低,且可以获取较好的分类结果。但缺点是对输入的训练数据比较敏感,且分类器是假设特征之间相互独立,不一定适用于特征之间相关性较强的场景;假设特征满足高斯正态分布,会带来准确率上的损失。
本发明实施例在python3上实现该方法,主要使用的包和库包括sklearn、numpy。使用的测井曲线参数包括:AC、LL8、ILD、ILM、CNL、DEN。训练样本来自岩心观察和描述结果、实钻记录结果、成像测井解释并人工标注裂缝段(编码为1)和非裂缝段(编码为0)。
训练过程输入训练样本的测井系列和真实标签,输出分类模型;预测过程输入经预处理的单井测井系列,输出全目的层段的二分类概率。
为平衡各个参数对权重的贡献,训练和预测过程均使用极差归一化将每个参数都归一化到[0,1],计算公式如下:
式中:xmax、xmin表示样本数据的最大最小值。
由于实际情况下易出现如受原油影响导致如LL8测井出现极高峰值,直接采用上式将会导致大部分数据被压缩至0附近,因此可以对最大最小值加以限制,以声波时差测井为例:
式中:ACmax取自样本中致密砂岩裂缝带最发育段的AC平均值,ACmin为致密砂岩典型非裂缝带AC平均值。
4、基于CNN-LSTM模型的裂缝识别
网络的基本结构如图4所示,其中CNN网络包括了3个步长为3的一维卷积层(Conv1D)和1个最大池化层(MaxPooling1D),其主要目的为利用不同的卷积模板提取原始数据中的有效特征,并用最大池化层减少需要训练的参数。
LSTM网络包括了1个基本的LSTM层和后续的全连接层,其主要作用为利用提取的特征实现预测。
CNN网络进行卷积核和池化操作提取数据特征,其权值共享有效减少权值数量,简化模型。将AC、LL8、ILD、ILM、CNL、DEN数据处理成序列数据输入卷积网络提取特征图并对每个特征图进行最大池化操作,经池化操作的特征图直接送入后续LSTM网络。
LSTM是对RNN网络的改进,基本单元包括遗忘门、输入门、输出门。其中遗忘门接受当前输入xt和上一时刻隐藏输出ht-1并输出[0,1]的记忆状态更新细胞记忆信息Ct-1;输入门接受当前输入xt和上一时刻隐藏输出ht-1通过sigmoid和tanh层得到新的新的候选细胞信息,将之与经过遗忘门更新的细胞记忆信息相加得到当前的细胞记忆信息Ct;更新细胞状态后需要输出门根据输入的ht-1和xt来判断输出细胞的状态特征,计算公式如下:
ft=σ(Wf*[ht-1,xt]+bf);
it=σ(Wi*[ht-1,xt]+bi):
ot=σ(Wo*[ht-1,xt]+bo);
ht=ot*tanh(Ct);
式中:ft、it、ot、ht、Ct分别为遗忘门、输入门、输出门、输入节点、输出门、隐含输出、状态单元的状态;Wf、Wi、Wc、Wo为相应的权重矩阵;bf、bi、bc、bo为偏置项;σ表示sigmoid激活函数。
后续的全连接层(Dense)将LSTM输出的64维映射至单一输出,由于问题被简化为二分类问题,最后只用一个神经元表示输出。
为平衡各个参数对权重的贡献,训练过程和预测过程均需要对样本使用极差归一化将每个参数都归一化至[0,1]。
训练过程输入训练样本的测井系列:声波时差(AC)、深感应电阻率(ILD)、中感应电阻率(ILM)、八侧向电阻率(LL8)、密度测井(DEN)、补偿中子(CNL)和真实分类标签:裂缝(编码为1)、非裂缝(编码为0),损失函数为二分类交叉熵,计算公式如下:
Loss=-(ytrue*log(ypred)+(1-ytrue)*log(1-ypred);
式中:ytrue为真实标签,ypred为预测概率。
预测过程输入经预处理的单井测井系列,输出全目的层段裂缝二分类概率。
四、结果输出
将基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于Gaussian Naive Bayes判别法的裂缝识别和基于CNN-LSTM模型的裂缝识别四种裂缝识别概率按1∶2∶2∶4加权综合并与LightGBM砂岩段分类概率相乘以除泥岩层段对预测结果的影响,得到基于岩性约束的裂缝综合识别概率,最终输出裂缝综合识别概率大于设定阈值的部分作为裂缝发育段。
本发明实施例中,设定阈值为0.75。
当然,以上仅为本发明较佳实施方式,并非以此限定本发明的使用范围,故,凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。
Claims (9)
1.一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:包括以下步骤:
测井数据预处理,包括基于多尺度小波变换的测井曲线去噪和基于快速傅里叶变换的测井曲线标准化;
岩性识别,基于LightGBM框架实现岩性识别;
结合深度学习的裂缝综合预测,包括基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于Gaussian Naive Bayes判别法的裂缝识别和基于CNN-LSTM模型的裂缝识别;
结果输出,输出基于岩性约束的致密砂岩裂缝综合识别概率。
3.根据权利要求2所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:基于快速傅里叶变换的测井曲线标准化的步骤为:
输入已去噪处理的测井曲线,首先对测井曲线进行快速傅里叶变换得到频谱,然后进行低通滤波获取频谱的低频分量,低频分量经傅里叶逆变换后得到测井数据深度域低频分量,与原始曲线相减得到测井数据深度域高频分量;对深度域低频分量进行比例和平移校正,深度域高频分量比例校正,校正结果相加得到标准化曲线,校正公式如下:
式中:cl(z)为待标准化低频分量,c′l(z)为标准化后的低频分量,ch(z)为待标准化高频分量,c′h(z)为标准化后的高频分量,C′max和C′min分别为该测井参数低频分量的最大、最小标准值,Cmax和Cmin为待标准化低频分量的最大、最小值。
4.根据权利要求1所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:基于LightGBM框架实现岩性识别的步骤为:
训练过程根据测井系列的覆盖率将特征参数分为M0特征:自然电位、自然伽马、深感应电阻率、中感应电阻率、八侧向电阻率、声波时差、泥质含量;M1特征:密度测井、补偿中子;M2特征:光电吸收截面指数、阵列感应电阻率,同时将致密砂岩储层岩性的类型划分为细砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩;训练过程输入训练样本的测井系列和真实分类标签,输出包含M0、M0+M1、M0+M1+M2特征的三种树模型;训练的评价指标为交叉熵函数,公式如下:
式中:M为类别数量,N为样本数量;yic为符号函数,如果样本i的真实类别等于c则取1,否则为0;pic为样本i属于类别c的预测概率;
预测过程输入单井测井曲线系列,根据单井测井曲线系列的覆盖率加载模型进行岩性预测,输出岩性分类结果和分类预测概率;
为平和各个参数对权重的贡献,训练和预测过程均需要对样本采用标准差归一化,经处理的数据服从均值为0,标准差为1的分布,计算公式如下:
5.根据权利要求1所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:基于综合概率指数法的裂缝识别的步骤为:
利用曲线变化率法、电阻率侵入校正差比法、龟裂系数法、三孔隙度比值法、骨架指数比值法构建综合概率指数;
(1)曲线变化率法,计算公式如下:
ΔXi=(|Xi-1-Xi|+|Xi+1-Xi|)/2;
式中:ΔXi表示曲线变化率,Xi为某一测井曲线的第i个采样点;
(2)电阻率侵入校正差比法,计算公式如下:
Rt=2.589RLLD-1.589RLLS;
式中:Rt为经侵入校正的地层真电阻率,RLLD、RLLS为深、浅侧向电阻率:
(3)龟裂系数法,计算公式如下:
式中:Vp、Vpma表示地层和岩石骨架的纵波波速,Δtma、Δtp表示岩石骨架和地层的声波时差;
(4)三孔隙度比值法,计算公式如下:
式中:Δtma、Δtf、Δt分别为岩石骨架、流体、地层声波时差,φs、φD、φN、φt分别为声波、密度、中子、总孔隙度,ρma、ρf、ρb分别为岩石骨架、地层和流体的密度,Φma、ΦNf、ΦN分别为岩石骨架、流体和地层的中子通量;
(5)骨架指数比值法,计算公式如下:
式中:φs、φD为声波、密度孔隙度,Δtf、Δt为流体和地层声波时差,Sma、Dma为声波骨架指数和密度骨架指数;
构建概率综合指标CWP,计算公式如下:
式中:f(x)代表激活函数,a为临界值,f(x)将上述五种方法的结果归一为0或1,概率综合指标CWP将结果归一化至[0,1]。
6.根据权利要求1所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:基于一维多尺度小波分解的裂缝识别的步骤为:
使用db4小波基对测井曲线进行三重多尺度小波分解,提取并重构高频信号D3,输出重构曲线上表现为高频振荡部分作为裂缝发育段。
7.根据权利要求1所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:基于Gaussian Naive Bayes判别法的裂缝识别的步骤为:
训练过程输入训练样本的测井系列:声波时差、深感应电阻率、中感应电阻率、八侧向电阻率、密度测井、补偿中子和真实分类标签:编码为1的裂缝、编码为0的非裂缝;根据Gaussian Bayes的基本假设迭代计算样本的后验概率,输出分类模型;
预测过程输入单井的测井系列,输出全目的层段二分类概率;
为平衡各个参数对权重的贡献,训练过程和预测过程均需要首先对样本使用极差归一化将每个参数都归一化至[0,1],计算公式如下:
式中:xmax、xmin表示样本数据的最大值、最小值。
8.根据权利要求1所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:基于CNN-LSTM模型的裂缝识别的步骤为:
模型的基本结构包括3个步长为3的一维卷积层提取特征和1个最大池化层进行特征降维,1个基本的LSTM单元和两个全连接层实现二分类;
为平衡各个参数对权重的贡献,训练过程和预测过程均需要首先对样本使用极差归一化将每个参数都归一化至[0,1];
训练过程输入训练样本的测井系列:声波时差、深感应电阻率、中感应电阻率、八侧向电阻率、密度测井、补偿中子和真实分类标签:编码为1的裂缝、编码为0的非裂缝,损失函数为二分类交叉熵,计算公式如下:
Loss=-(ytrue*log(ypred)+(1-ytrue)*log(1-ypred);
式中:ytrue为真实标签,ypred为预测概率;
预测过程输入单井的测井系列,输出全目的层段二分类概率。
9.根据权利要求1所述的一种结合深度学习的致密砂岩裂缝测井综合识别方法,其特征在于:结果输出的步骤为:
将基于综合概率指数法的裂缝识别、基于一维多尺度小波分解的裂缝识别、基于Gaussian Naive Bayes判别法的裂缝识别和基于CNN-LSTM模型的裂缝识别四种裂缝识别概率按1:2:2:4加权综合并与LightGBM砂岩段分类概率相乘以除泥岩层段对预测结果的影响,得到基于岩性约束的裂缝综合识别概率,最终输出裂缝综合识别概率大于设定阈值的部分作为裂缝发育段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210150674.4A CN114638255A (zh) | 2022-02-18 | 2022-02-18 | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210150674.4A CN114638255A (zh) | 2022-02-18 | 2022-02-18 | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638255A true CN114638255A (zh) | 2022-06-17 |
Family
ID=81945838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210150674.4A Pending CN114638255A (zh) | 2022-02-18 | 2022-02-18 | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638255A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500682A (zh) * | 2023-03-31 | 2023-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
CN116956754A (zh) * | 2023-09-21 | 2023-10-27 | 中石化经纬有限公司 | 一种结合深度学习的裂缝型漏失压力计算方法 |
CN117609741A (zh) * | 2024-01-23 | 2024-02-27 | 中国地质大学(武汉) | 一种基于包络线算法的页岩油储层薄夹层测井识别方法 |
-
2022
- 2022-02-18 CN CN202210150674.4A patent/CN114638255A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500682A (zh) * | 2023-03-31 | 2023-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
CN116500682B (zh) * | 2023-03-31 | 2024-01-23 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
CN116956754A (zh) * | 2023-09-21 | 2023-10-27 | 中石化经纬有限公司 | 一种结合深度学习的裂缝型漏失压力计算方法 |
CN116956754B (zh) * | 2023-09-21 | 2023-12-15 | 中石化经纬有限公司 | 一种结合深度学习的裂缝型漏失压力计算方法 |
CN117609741A (zh) * | 2024-01-23 | 2024-02-27 | 中国地质大学(武汉) | 一种基于包络线算法的页岩油储层薄夹层测井识别方法 |
CN117609741B (zh) * | 2024-01-23 | 2024-04-02 | 中国地质大学(武汉) | 一种基于包络线算法的页岩油储层薄夹层测井识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
CN111783825A (zh) | 一种基于卷积神经网络学习的测井岩性识别方法 | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
Jiang et al. | Lithology identification from well-log curves via neural networks with additional geologic constraint | |
CN113642698B (zh) | 地球物理测井智能解释方法、系统及存储介质 | |
CN109407173A (zh) | 基于常规测井曲线的岩性精细化和自动化识别方法 | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
Zhang et al. | Identification of sedimentary facies with well logs: an indirect approach with multinomial logistic regression and artificial neural network | |
CN112836802A (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
CN114492521A (zh) | 一种基于声振信号的随钻岩性智能识别方法与系统 | |
CN111080021A (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
Liu et al. | Lithology prediction of one-dimensional residual network based on regularization constraints | |
Yasin et al. | Automatic pore structure analysis in organic-rich shale using FIB-SEM and attention U-Net | |
CN110907996B (zh) | 一种致密气藏自动识别方法 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN113376699B (zh) | 一种基于单声波老测井系列的多矿物组分计算方法 | |
CN115204277A (zh) | 一种基于多阈值量化输出观测的渐近最优岩性预测方法 | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
CN112257789A (zh) | 对围岩等级进行识别的方法 | |
CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
Liang et al. | Research on Intelligent Recognition Technology in Lithology Based on Multi-parameter Fusion |
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 |