CN114779356A - 一种基于阵列电阻率的地层电性剖面快速成像方法 - Google Patents
一种基于阵列电阻率的地层电性剖面快速成像方法 Download PDFInfo
- Publication number
- CN114779356A CN114779356A CN202210390621.XA CN202210390621A CN114779356A CN 114779356 A CN114779356 A CN 114779356A CN 202210390621 A CN202210390621 A CN 202210390621A CN 114779356 A CN114779356 A CN 114779356A
- Authority
- CN
- China
- Prior art keywords
- log
- resistivity
- model
- layer
- neural network
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于阵列电阻率的地层电性剖面快速成像方法，包括以下步骤：构建井周径向地层电性分布模型；枚举模型控制参数并组合成计算模型，严格正演，获得对应阵列电阻率响应；建立计算模型与阵列电阻率响应的映射关系；将阵列电阻率响应作为输入，训练响应值到计算模型的规律；输入实测阵列电阻率资料；对每一个测井点的测量曲线，预测当前测井点模型参数值；对模型各参数赋多个初值，生成多组初始模型；对初始模型进行正演；梯度迭代，选取最优反演结果；对反演结果一维像素化处理；处理所有测井点资料，所有测井点反演结果二维像素化，输出井周地层二维成像图。本发明采用阵列电阻率测井响应快速逼近计算和反演初值选取方法。
Description
技术领域
本发明涉及石油勘探开发技术领域，尤其涉及一种基于阵列电阻率的地层电性剖面快速成像方法。
背景技术
在油气勘探过程中，地层电性剖面快速成像对定量计算储层含油饱和度和产量具有重要意义。阵列电阻率测井可同时提供多条不同探测深度的测井响应曲线，其纵向分辨率高，径向探测信息丰富，从而可以提供较为丰富的地层电性信息，为精确反演地层参数提供了可靠的资料。
截至目前，利用阵列电阻率测井资料，对地层径向电性剖面的重构往往采用梯度反演算法或者数据库查询技术。前者在迭代过程中，需要反复计算阵列电阻率响应，这使得反演或资料处理的效率大大地降低。后者采用查询加插值的方法，因此适用范围有限且常面临精度低等问题。同时，梯度算法对初值的选取也十分敏感，初值的选取会直接影响反演结果的好坏。所以，如何有效挖掘阵列电阻率测井资料内部信息，对实现地层电性分布的快速、精确重构至关重要。
因此，研发一种基于阵列电阻率的地层电性剖面快速成像方法，是亟需解决的问题。
发明内容
为解决上述技术问题，本发明公开了一种基于阵列电阻率的地层电性剖面快速成像方法。
为实现上述目的，本发明采用下述技术方案：
本申请第一方面提供了一种基于阵列电阻率的地层电性剖面快速成像方法，包括以下步骤：
a构建井周径向地层电性分布模型；
b枚举模型控制参数并组合成计算模型，严格正演，获得对应阵列电阻率响应；
c建立计算模型与阵列电阻率响应的映射关系；
d将阵列电阻率响应作为输入，训练响应值到计算模型的规律；
e输入实测阵列电阻率资料；
f对每一个测井点的测量曲线，预测当前测井点模型参数值；
g对模型各参数赋多个初值，生成多组初始模型；
h利用步骤d给出的映射关系，对初始模型进行正演；
i梯度迭代，选取最优反演结果；
j对反演结果一维像素化处理；
k重复步骤f至j，处理所有测井点资料，所有测井点反演结果二维像素化，输出井周地层二维成像图。
可选地，所述模型控制参数，包括井眼直径(Dh)、井内泥浆电阻率(Rmf)、侵入深度(Di)、冲洗带电阻率(Rxo)和原状地层电阻率(Rt)。
可选地，所述枚举模型控制参数并组合的步骤，包括：
井眼直径(Dh)为0.1～0.4m，在最大和最小值之间均匀取30个值，即(Dh)i,i＝1,2,3,...,30；
井内泥浆电阻率(Rmf)为0.1～10Ω.m，在最大和最小值之间均匀取30个值，即(Rmf)j,j＝1,2,3,...,30；
侵入深度(Di)为0～2.0m，在最大和最小值之间均匀取40个值，即(Di)k,k＝1,2,3,...,40；
冲洗带电阻率(Rxo)和原状地层电阻率(Rt)，在最大和最小值之间取50个值，即(Rt)l,l＝1,2,3,...,50，(Rxo)m,m＝1,2,3,...,50；
将各个参数相互组合，共形成30×30×40×50×50＝9×107组计算模型，每个模型可表示为[(Dh)i,(Rmf)j,(Di)k,(Rt)l,(Rxo)m]。
可选地，所述建立计算模型与阵列电阻率响应的映射关系的步骤，包括：
对[(Dh)i,(Rmf)j,(Di)k,(Rt)l,(Rxo)m]进行有限元正演计算，获得相应的阵列电阻率测井响应[RLA1,RLA2,RLA3,RLA4,RLA5]i,j,k,l,m；
对所述9×107个计算模型中控制参数进行处理，即对泥浆滤液电阻率、原状地层电阻率及侵入带电阻率进行对数化处理，建立计算模型库ML0，每个模型可表示为[(Dh)i,log10(Rmf)j,(Di)k,log10(Rt)l,log10(Rxo)m]；
对每组[RLA1,RLA2,RLA3,RLA4,RLA5]i,j,k,l,m进行对数化处理，获得响应[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]i,j,k,l,m，并将所述响应形成对数化测井响应库RL0；
将计算模型库ML0作为输入，对数化测井响应库RL0作为输出，调整神经网络隐藏层层数和各层神经元的数量至训练误差小于0.25％；
提取已训练好的神经网络各层神经元处的权重系数，并写出输入层到输出层的公式：[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]＝Π[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)](1)
其中Π表示n层神经网络模型对输入数据的处理过程，如下公式：
Π＝wn×σ(wn-1×σ(wn-2×…×σ(w1×input+b1)+…+bn-2)+bn-1)+bn
其中input＝[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)]作为神经网络模型的输入，wi和bi表示Π对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
对需要正演的计算模型，将控制参数值输入公式(1)，得到对数化视电阻率，将对数化视电阻率指数化，获得对应的阵列电阻率响应。
可选地，所述将阵列电阻率响应作为输入，训练响应值到计算模型的规律的步骤，包括：
将对数化测井响应库RL0作为输入，将计算模型库ML0作为输出，调整神经网络的层数和各层宽度至训练误差小于0.25％；
提取已训练好的神经网络各层神经元处的权重系数，并写出输入层到输出层的公式：
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]作为神经网络的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
对对数化测井响应库RL0进行修改，获得对数化测井响应库RL1、RL2、RL3，RL1中每组响应分别为：[log10(RLA1*0)，log10(RLA2*0.5)，log10(RLA3)，log10(RLA4)，log10(RLA5)]；RL2中每组响应分别为：[log10(RLA1*0.25)，log10(RLA2*0.5)，log10(RLA3*0.75)，log10(RLA4*0.85)，log10(RLA5)]；RL3中每组响应分别为：[log10(RLA1)，log10(RLA2*0.8)，log10(RLA3*0.75)，log10(RLA4*0.5)，log10(RLA5*0.25)]；
依次将对数化测井响应库RL1、RL2、RL3作为输入，输出均为计算模型库ML0，调整神经网络的层数和各层的宽度至训练误差小于0.25％，分别获得响应库RL1、RL2、RL3与模型库ML0的联系；
提取已训练好的神经网络各层神经元处的权重系数，并写出输入层到输出层的公式：
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1*0),log10(RLA2*0.5),log10(RLA3),log10(RLA4),log10(RLA5)]作为神经网络模型的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1*0.25),log10(RLA2*0.5),log10(RLA3*0.75),log10(RLA4*0.85),log10(RLA5)]表示神经网络的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1),log10(RLA2*0.8),log10(RLA3*0.75),log10(RLA4*0.5),log10(RLA5*0.25)]作为神经网络模型的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)。
可选地，所述对每一个测井点的测量曲线，预测当前测井点模型参数值的步骤，包括：
将实测阵列电阻率代入d2中的公式(2)，获得预测当前测井点模型参数值M0＝[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)]0；
将实测阵列视电阻率信息分别代入公式(3)、(4)、(5)，获得当前测井点模型参数值M1、M2和M3，其中，
可选地，所述对反演结果一维像素化处理的步骤，包括：
i1对每个测量点，沿径向0～2.5 m的区间，进行等间距剖分处理，共剖分200个网格，每个网格均为一个线段；
i2对每个网格进行电阻率赋值：若网格端点<＝Dh/2，则该网格电阻率赋值为Rmf；若网格端点介于(Dh/2，Di)，则赋值为Rxo；若网格端点大于Di，则赋值为Rt；
对所有网格的电阻率对数化，每个网格视为一个像素点，获得沿径向分布的一维像素化地层剖面电阻率分布。
本申请第二方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现所述的井周地层电性剖面成像方法。
本申请第三方面提供了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所述的井周地层电性剖面成像方法的程序。
本发明的有益效果是，
1、本发明采用阵列电阻率测井响应的快速逼近计算，传统阵列电阻率测井反演采用Gauss-Newton算法直接进行求解，但在迭代过程中需要反复的对阵列电阻率测井进行二维或三维的数值模拟，这使得反演的效率大大地降低，同时Gauss Newton算法中初值的选取会直接影响反演结果的好坏。而本发明将复杂、耗时的阵列电阻率数值模拟简化成了多层神经网络逼近计算表达式，在保证准确性的前提下极大地加快了计算速度；
2、在初值选取方面，本发明采用了反演初值选取方法，提出了基于多套神经网络预测反演初始模型，预测模型有效挖掘了实测数据与真实地层模型的内在联系，并且，通过改变各条阵列电阻率曲线的权重，避免了井眼扩井及高阻地层等引起的浅探测曲线异常，从而尽可能的避免计算结果出现局部最优的情况。
3、本发明经简单的迭代更新可以准确、快速地实现地层电阻率剖面成像，打破了以往阵列电阻率测井资料处理中反演速度慢、反演结果不准确的局限性。
附图说明
下面结合附图与具体实施方式对本发明做进一步说明：
图1为一种基于阵列电阻率的地层电性剖面快速成像方法的流程图；
图2井周径向地层电性分布模型示意图，其中，(a)地层模型；(b)计算模型；
图3计算模型为输入、阵列电阻率测井响应为输出时，计算模型到测井响应的神经网络训练示意图；
图4阵列电阻率测井响应到地层模型的深度神经网络训练示意图；
图5为俄克拉荷马地层阵列电阻率测井响应信息图，其中，(a)侵入带和原状地层电阻率；(b)侵入深度；(c)阵列视电阻率；
图6为俄克拉荷马模型地层电性分布成像结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1为本发明一种基于阵列电阻率的地层电性剖面快速成像方法的流程图，如图1所示，该方法包括以下步骤：
a构建井周径向地层电性分布模型，如图2所示；
b枚举模型控制参数并组合成计算模型，严格正演，获得对应阵列电阻率响应；
c建立计算模型与阵列电阻率响应的映射关系；
d将阵列电阻率响应作为输入，训练响应值到计算模型的规律；
e输入实测阵列电阻率资料；
f对每一个测井点的测量曲线，预测当前测井点模型参数值；
g对模型各参数赋多个初值，生成多组初始模型；
h利用步骤d给出的映射关系，对初始模型进行正演；
i梯度迭代，选取最优反演结果；
j对反演结果一维像素化处理；
k重复步骤f至j，处理所有测井点资料，所有测井点反演结果二维像素化，输出井周地层二维成像图。
可选地，所述模型控制参数，包括井眼直径(Dh)、井内泥浆电阻率(Rmf)、侵入深度(Di)、冲洗带电阻率(Rxo)和原状地层电阻率(Rt)。
可选地，所述枚举模型控制参数并组合的步骤，包括：
井眼直径(Dh)为0.1～0.4m，在最大和最小值之间均匀取30个值，即(Dh)i,i＝1,2,3,...,30；
井内泥浆电阻率(Rmf)为0.1～10Ω.m，在最大和最小值之间均匀取30个值，即(Rmf)j,j＝1,2,3,...,30；
侵入深度(Di)为0～2.0m，在最大和最小值之间均匀取40个值，即(Di)k,k＝1,2,3,...,40；
冲洗带电阻率(Rxo)和原状地层电阻率(Rt)，在最大和最小值之间取50个值，即(Rt)l,l＝1,2,3,...,50，(Rxo)m,m＝1,2,3,...,50；
将各个参数相互组合，共形成30×30×40×50×50＝9×107组计算模型，每个模型可表示为[(Dh)i,(Rmf)j,(Di)k,(Rt)l,(Rxo)m]。
可选地，所述建立计算模型与阵列电阻率响应的映射关系的步骤，如图3所示，包括：
对[(Dh)i,(Rmf)j,(Di)k,(Rt)l,(Rxo)m]进行有限元正演计算，获得相应的阵列电阻率测井响应[RLA1,RLA2,RLA3,RLA4,RLA5]i,j,k,l,m；
对所述9×107个计算模型中控制参数进行处理，即对泥浆滤液电阻率、原状地层电阻率及侵入带电阻率进行对数化处理，建立计算模型库ML0，每个模型可表示为[(Dh)i,log10(Rmf)j,(Di)k,log10(Rt)l,log10(Rxo)m]；
对每组[RLA1,RLA2,RLA3,RLA4,RLA5]i,j,k,l,m进行对数化处理，获得响应[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]i,j,k,l,m，并将所述响应形成对数化测井响应库RL0；
将计算模型库ML0作为输入，对数化测井响应库RL0作为输出，调整神经网络隐藏层层数和各层神经元的数量至训练误差小于0.25％；
提取已训练好的神经网络各层神经元处的权重系数，并写出输入层到输出层的公式：[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]＝Π[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)] (1)
其中Π表示n层神经网络模型对输入数据的处理过程，如下公式：
Π＝wn×σ(wn-1×σ(wn-2×…×σ(w1×input+b1)+…+bn-2)+bn-1)+bn
其中input＝[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)]作为神经网络模型的输入，wi和bi表示Π对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
对需要正演的计算模型，将控制参数值输入公式(1)，得到对数化视电阻率，将对数化视电阻率指数化，获得对应的阵列电阻率响应。
可选地，所述将阵列电阻率响应作为输入，训练响应值到计算模型的规律的步骤，如图4所示，包括：
将对数化测井响应库RL0作为输入，将计算模型库ML0作为输出，调整神经网络的层数和各层宽度至训练误差小于0.25％；
提取已训练好的神经网络各层神经元处的权重系数，并写出输入层到输出层的公式：
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]作为神经网络的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
对对数化测井响应库RL0进行修改，获得对数化测井响应库RL1、RL2、RL3，RL1中每组响应分别为：[log10(RLA1*0)，log10(RLA2*0.5)，log10(RLA3)，log10(RLA4)，log10(RLA5)]；RL2中每组响应分别为：[log10(RLA1*0.25)，log10(RLA2*0.5)，log10(RLA3*0.75)，log10(RLA4*0.85)，log10(RLA5)]；RL3中每组响应分别为：[log10(RLA1)，log10(RLA2*0.8)，log10(RLA3*0.75)，log10(RLA4*0.5)，log10(RLA5*0.25)]；
依次将对数化测井响应库RL1、RL2、RL3作为输入，输出均为计算模型库ML0，调整神经网络的层数和各层的宽度至训练误差小于0.25％，分别获得响应库RL1、RL2、RL3与模型库ML0的联系；
提取已训练好的神经网络各层神经元处的权重系数，并写出输入层到输出层的公式：
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1*0),log10(RLA2*0.5),log10(RLA3),log10(RLA4),log10(RLA5)]作为神经网络模型的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1*0.25),log10(RLA2*0.5),log10(RLA3*0.75),log10(RLA4*0.85),log10(RLA5)]表示神经网络的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1),log10(RLA2*0.8),log10(RLA3*0.75),log10(RLA4*0.5),log10(RLA5*0.25)]作为神经网络模型的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)。
可选地，所述对每一个测井点的测量曲线，预测当前测井点模型参数值的步骤，包括：
将实测阵列电阻率代入d2中的公式(2)，获得预测当前测井点模型参数值M0＝[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)]0；
将实测阵列视电阻率信息分别代入公式(3)、(4)、(5)，获得当前测井点模型参数值M1、M2和M3，其中，
可选地，所述对反演结果一维像素化处理的步骤，包括：
i1对每个测量点，沿径向0～2.5m的区间，进行等间距剖分处理，共剖分200个网格，每个网格均为一个线段；
i2对每个网格进行电阻率赋值：若网格端点<＝Dh/2，则该网格电阻率赋值为Rmf；若网格端点介于(Dh/2，Di)，则赋值为Rxo；若网格端点大于Di，则赋值为Rt；
对所有网格的电阻率对数化，每个网格视为一个像素点，获得沿径向分布的一维像素化地层剖面电阻率分布。
将本实施例的快速成像方法应用于俄克拉荷马地层，图5示出了俄克拉荷马地层的地层真实的信息，包括(a)侵入带和原状地层电阻率、(b)侵入深度、(c)阵列视电阻率，图6示出了利用本实施例的方法得到的成像结果，成像图深色代表低电阻率，亮色代表高电阻率。从成像结果可知，深度5-10m段、13-18m段、20-25m、25-27.5m段及30-33m段，地层存在明显的高阻侵入，且20-25m段侵入最深。反演结果与地层实际侵入状态(图5(a)和图5(b))完全一致，从而验证了本专利提出的地层电性剖面成像算法的可行性和准确性。
实施例2
本实施例公开了一种电子设备，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程序，所述处理器执行所述程序时实现图1的步骤。
实施例3
本实施例公开了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图1所示步骤的程序。
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)上实施的程序产品的形式。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (9)
1.一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，包括以下步骤：
a构建井周径向地层电性分布模型；
b枚举模型控制参数并组合成计算模型，严格正演，获得对应阵列电阻率响应；
c建立计算模型与阵列电阻率响应的映射关系；
d将阵列电阻率响应作为输入，训练响应值到计算模型的规律；
e输入实测阵列电阻率资料；
f对每一个测井点的测量曲线，预测当前测井点模型参数值；
g对模型各参数赋多个初值，生成多组初始模型；
h利用步骤d给出的映射关系，对初始模型进行正演；
i梯度迭代，选取最优反演结果；
j对反演结果一维像素化处理；
k重复步骤f至j，处理所有测井点资料，所有测井点反演结果二维像素化，输出井周地层二维成像图。
2.如权利要求1所述的一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，
所述模型控制参数，包括井眼直径Dh、井内泥浆电阻率Rmf、侵入深度Di、冲洗带电阻率Rxo和原状地层电阻率Rt。
3.如权利要求2所述的一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，所述枚举模型控制参数并组合的步骤，包括：
井眼直径Dh为0.1～0.4m，在最大和最小值之间均匀取30个值，即(Dh)i,i＝1,2,3,...,30；
井内泥浆电阻率Rmf为0.1～10Ω.m，在最大和最小值之间均匀取30个值，即(Rmf)j,j＝1,2,3,...,30；
侵入深度Di为0～2.0m，在最大和最小值之间均匀取40个值，即(Di)k,k＝1,2,3,...,40；
冲洗带电阻率Rxo和原状地层电阻率Rt，在最大和最小值之间取50个值，即(Rt)l,l＝1,2,3,...,50，(Rxo)m,m＝1,2,3,...,50；
将各个参数相互组合，共形成30×30×40×50×50＝9×107组计算模型，每个模型可表示为[(Dh)i,(Rmf)j,(Di)k,(Rt)l,(Rxo)m]。
4.如权利要求1所述的一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，所述建立计算模型与阵列电阻率响应的映射关系的步骤，包括：
对[(Dh)i,(Rmf)j,(Di)k,(Rt)l,(Rxo)m]进行有限元正演计算，获得相应的阵列电阻率测井响应[RLA1,RLA2,RLA3,RLA4,RLA5]i,j,k,l,m；
对所述9×107个计算模型中控制参数进行处理，即对泥浆滤液电阻率、原状地层电阻率及侵入带电阻率进行对数化处理，建立计算模型库ML0，每个模型可表示为[(Dh)i,log10(Rmf)j,(Di)k,log10(Rt)l,log10(Rxo)m]；
对每组[RLA1,RLA2,RLA3,RLA4,RLA5]i,j,k,l,m进行对数化处理，获得响应[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]i,j,k,l,m，并将所述响应形成对数化测井响应库RL0；
将计算模型库ML0作为输入，对数化测井响应库RL0作为输出，调整神经网络隐藏层层数和各层神经元的数量至训练误差小于0.25％；
提取已训练好的神经网络各层神经元处的权重与偏置，并写出输入层到输出层的公式：
[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]＝Π[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)] (1)
其中Π表示n层神经网络模型对输入数据的处理过程，如下公式：
Π＝wn×σ(wn-1×σ(wn-2×…×σ(w1×input+b1)+…+bn-2)+bn-1)+bn
其中input＝[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)]作为神经网络模型的输入，wi和bi表示Π对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
对需要正演的计算模型，将控制参数值输入公式(1)，得到对数化视电阻率，将对数化视电阻率指数化，获得对应的阵列电阻率响应。
5.如权利要求1所述的一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，所述将阵列电阻率响应作为输入，训练响应值到计算模型的规律的步骤，包括：
将对数化测井响应库RL0作为输入，将计算模型库ML0作为输出，调整神经网络的层数和各层宽度至训练误差小于0.25％；
提取已训练好的神经网络各层神经元处的权重与偏置，并写出输入层到输出层的公式：
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1),log10(RLA2),log10(RLA3),log10(RLA4),log10(RLA5)]作为神经网络的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
对对数化测井响应库RL0进行修改，获得对数化测井响应库RL1、RL2、RL3，RL1中每组响应分别为：[log10(RLA1*0)，log10(RLA2*0.5)，log10(RLA3)，log10(RLA4)，log10(RLA5)]；RL2中每组响应分别为：[log10(RLA1*0.25)，log10(RLA2*0.5)，log10(RLA3*0.75)，log10(RLA4*0.85)，log10(RLA5)]；RL3中每组响应分别为：[log10(RLA1)，log10(RLA2*0.8)，log10(RLA3*0.75)，log10(RLA4*0.5)，log10(RLA5*0.25)]；
依次将对数化测井响应库RL1、RL2、RL3作为输入，输出均为计算模型库ML0，调整神经网络的层数和各层的宽度至训练误差小于0.25％，分别获得响应库RL1、RL2、RL3与模型库ML0的联系；
提取已训练好的神经网络各层神经元处的权重与偏置，并写出输入层到输出层的公式：
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1*0),log10(RLA2*0.5),log10(RLA3),log10(RLA4),log10(RLA5)]作为神经网络模型的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1*0.25),log10(RLA2*0.5),log10(RLA3*0.75),log10(RLA4*0.85),log10(RLA5)]表示神经网络的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)；
其中
表示n层神经网络模型对输入数据的处理过程，如下公式：
其中input＝[log10(RLA1),log10(RLA2*0.8),log10(RLA3*0.75),log10(RLA4*0.5),log10(RLA5*0.25)]作为神经网络模型的输入，wi和bi表示
对应的神经网络模型中，第i层节点的权重和偏置，σ表示sigmoid激活函数：σ(x)＝1/(1+e-x)。
6.如权利要求1所述的一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，所述对每一个测井点的测量曲线，预测当前测井点模型参数值的步骤，包括：
将实测阵列电阻率代入d2中的公式(2)，获得预测当前测井点模型参数值M0＝[Dh,log10(Rmf),Di,log10(Rt),log10(Rxo)]0；
将实测阵列视电阻率信息分别代入公式(3)、(4)、(5)，获得当前测井点模型参数值M1、M2和M3，其中，
7.如权利要求1所述的一种基于阵列电阻率的地层电性剖面快速成像方法，其特征在于，所述对反演结果一维像素化处理的步骤，包括：
i1对每个测量点，沿径向0～2.5m的区间，进行等间距剖分处理，共剖分200个网格，每个网格均为一个线段；
i2对每个网格进行电阻率赋值：若网格端点<＝Dh/2，则该网格电阻率赋值为Rmf；若网格端点介于(Dh/2，Di)，则赋值为Rxo；若网格端点大于Di，则赋值为Rt；
对所有网格的电阻率对数化，每个网格视为一个像素点，获得沿径向分布的一维像素化地层剖面电阻率分布。
8.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项权利要求所述的方法。
9.一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7任一项权利要求所述方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210390621.XA CN114779356A (zh) | 2022-04-14 | 2022-04-14 | 一种基于阵列电阻率的地层电性剖面快速成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210390621.XA CN114779356A (zh) | 2022-04-14 | 2022-04-14 | 一种基于阵列电阻率的地层电性剖面快速成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114779356A true CN114779356A (zh) | 2022-07-22 |
Family
ID=82429312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210390621.XA Pending CN114779356A (zh) | 2022-04-14 | 2022-04-14 | 一种基于阵列电阻率的地层电性剖面快速成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114779356A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116122794A (zh) * | 2023-01-10 | 2023-05-16 | 中国石油大学(华东) | 一种复杂地层环境阵列电阻率测井解耦降维正演方法 |
| CN118132897A (zh) * | 2024-05-07 | 2024-06-04 | 中国石油大学(华东) | 基于数值几何因子的阵列电阻率测井响应快速计算方法 |
-
2022
- 2022-04-14 CN CN202210390621.XA patent/CN114779356A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116122794A (zh) * | 2023-01-10 | 2023-05-16 | 中国石油大学(华东) | 一种复杂地层环境阵列电阻率测井解耦降维正演方法 |
| CN116122794B (zh) * | 2023-01-10 | 2024-06-11 | 中国石油大学(华东) | 一种复杂地层环境阵列电阻率测井解耦降维正演方法 |
| CN118132897A (zh) * | 2024-05-07 | 2024-06-04 | 中国石油大学(华东) | 基于数值几何因子的阵列电阻率测井响应快速计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852527B (zh) | 一种结合深度学习的储层物性参数预测方法 | |
| Caers | Geostatistical reservoir modelling using statistical pattern recognition | |
| CN111812732B (zh) | 一种基于卷积神经网络的大地电磁非线性反演方法 | |
| CN114779356A (zh) | 一种基于阵列电阻率的地层电性剖面快速成像方法 | |
| Wang et al. | A hybrid framework for reservoir characterization using fuzzy ranking and an artificial neural network | |
| CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN115077474A (zh) | 一种基于机器学习的地面沉降趋势预测方法及系统 | |
| EP3987478B1 (en) | Field development planning based on deep reinforcement learning | |
| CN115659848B (zh) | 一种基于深度学习网络快速预测二维盆地基底界面的方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| Myrontsov et al. | Iterative solution of the inverse problem of resistivity logging of oil and gas wells: testing and examples | |
| CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
| Titus et al. | Conditioning surface-based geological models to well data using artificial neural networks | |
| CN114694379A (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| CN113516754B (zh) | 一种基于磁异常模量数据的三维可视化成像方法 | |
| US6847921B2 (en) | Method for analyzing spatially-varying noise in seismic data using Markov chains | |
| CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
| CN117761789A (zh) | 一种基于视觉自注意力机制的大地电磁二维成像方法 | |
| Zhou et al. | Stochastic structure-constrained image-guided inversion of geophysical data | |
| CN115421181B (zh) | 一种基于深度学习的三维地质模型相控属性建模方法 | |
| Allgeier et al. | Surrogate‐Model Assisted Plausibility‐Check, Calibration, and Posterior‐Distribution Evaluation of Subsurface‐Flow Models | |
| De Leon et al. | Vertical Electrical Sounding Inversion Models Trained from Dataset using Synthetic Data and Genetic Programming | |
| CN118295016B (zh) | 一种多元参数耦合数据－知识双驱动地震反演方法 | |
| Chhun et al. | Inversion of 2D cross-hole electrical resistivity tomography data using artificial neural network | |
| CN117574790B (zh) | 一种基于物理空间树状结构的跨维贝叶斯采样器的设计方法 |
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 |