CN115220101A - 一种深层碎屑岩砂体沉积结构的建模方法 - Google Patents
一种深层碎屑岩砂体沉积结构的建模方法 Download PDFInfo
- Publication number
- CN115220101A CN115220101A CN202210702997.XA CN202210702997A CN115220101A CN 115220101 A CN115220101 A CN 115220101A CN 202210702997 A CN202210702997 A CN 202210702997A CN 115220101 A CN115220101 A CN 115220101A
- Authority
- CN
- China
- Prior art keywords
- deep
- sand body
- dimensional
- deposition
- modeling
- 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
- 239000004576 sand Substances 0.000 title claims abstract description 114
- 239000011435 rock Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013049 sediment Substances 0.000 title claims abstract description 52
- 230000008021 deposition Effects 0.000 claims abstract description 91
- 238000013135 deep learning Methods 0.000 claims abstract description 81
- 238000011160 research Methods 0.000 claims abstract description 75
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000000547 structure data Methods 0.000 claims abstract description 16
- 238000005137 deposition process Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 208000035126 Facies Diseases 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种深层碎屑岩砂体沉积结构的建模方法。本发明根据研究区的井震资料,确定不同岩相类型的融合地震属性,再利用水动力学过程模拟软件模拟研究区的沉积过程,通过模拟获取不同条件下研究区内的岩性分布情况和地震正演数据,建立四维沉积正演岩性数据集,结合各岩相的融合地震属性,建立三维沉积正演地震属性数据集、井点岩相数据集和三维砂体沉积结构数据集,建立CGAN深度学习网络模型,基于深度学习利用三维沉积正演地震属性数据集和井点岩相数据集训练CGAN深度学习网络模型,确定研究区的深层碎屑岩砂体沉积结构模型。本发明实现了深层碎屑岩砂体沉积结构非均质性的定量表征,有效提高了深层碎屑岩储层结构非均质性建模的精度和可靠性。
Description
技术领域
本发明涉及油气勘探与开发技术领域,具体涉及一种深层碎屑岩砂体沉积结构的建模方法。
背景技术
近年来,深层碎屑岩油气藏展现出越来越大的勘探潜力,埋藏至盆地深部的碎屑岩储层整体物性差,但也有相对物性较好的储层,储层非均质性强。由于深层碎屑岩储层的成储机制复杂,物性演化过程恢复困难,给深层碎屑岩储层的油气勘探带来了巨大挑战。但是,深层碎屑岩优质储层的发育与其砂体沉积结构具有相关性,优质储层在有利沉积结构单元中分布频率高。因此,开发钻井资料少、地震资料品质差的深层碎屑岩储层时,高精度的储层地质建模方法对于提高深层碎屑岩储层油气勘探开发效率具有重要意义。
深层碎屑岩储层结构非均质性建模方法常采用传统的地质统计学方法、基于过程的地质建模方法以及基于目标的建模方法。传统的地质统计学方法主要以变差函数为工具,利用变差函数反映储层空间结构非均质性,其能很好地忠实于硬数据的约束,但却很难表征复杂的几何形态(如河道的弯曲形态)和空间结构;基于目标的建模方法根据模拟对象的几何形态、大小、方向等性质,围绕中心点产生模拟对象的空间分布,该方法常难以与实际硬数据相吻合。传统的地质统计学方法和基于目标的建模方法在钻井资料较少的深层储层结构非均质性建模中应用难度大,虽然储层拟合程度高但不符合沉积学规律。基于过程的地质建模方法主要是基于沉积物运行和沉积相关的物理学过程进行正演模拟,但其模拟结果与井点硬数据、地震资料等数据的吻合度较低。
综上所述,受深层地震资料品质、钻井资料数据、油气储层成储机制及分布规律复杂性的影响,现有的储层地质建模方法很难满足深层储层结构非均质性的建模要求,因此,亟需提出一种深层碎屑岩砂体沉积结构的建模方法,有效解决深层碎屑岩储层结构非均质性建模的局限性。
发明内容
本发明针对现有技术中深层碎屑岩储层非均质性建模的局限性,提出了一种深层碎屑岩砂体沉积结构的建模方法,通过将沉积正演模拟和深度学习相结合训练CGAN深度学习网络模型,并利用训练后的CGAN深度学习网络模型构建深层碎屑岩砂体沉积结构模型,有效提高了深层碎屑岩储层结构均质性表征的精度和可靠性。
本发明采用以下的技术方案:
一种深层碎屑岩砂体沉积结构的建模方法,基于沉积正演模拟和深度学习训练CGAN深度学习网络模型,并利用训练好的CGAN深度学习网络模型构建研究区的深层碎屑岩砂体沉积结构模型,具体包括以下步骤:
步骤1,通过将研究区的井震资料相结合,利用主成分分析和RGB地震属性融合,建立用于识别不同岩相类型的融合地震属性;
步骤2,利用水动力学过程模拟软件建立研究区的沉积正演模拟模型进行沉积正演模拟,通过调整沉积正演模拟模型的沉积模拟参数,模拟得到不同条件下研究区内的岩性分布情况和地震正演数据,得到四维沉积正演岩性数据集,结合步骤1中建立的融合地震属性,建立三维沉积正演地震属性数据集、井点岩相数据集和三维砂体沉积结构数据集;
步骤3,建立用于构建深层碎屑岩砂体沉积结构模型的CGAN深度学习网络模型,并基于深度学习,利用三维沉积正演地震属性数据集和井点岩相数据集训练CGAN深度学习网络模型;
步骤4,利用训练后的CGAN深度学习网络模型建立研究区的深层碎屑岩砂体沉积结构模型,并验证训练后CGAN深度学习网络模型建模的准确性。
优选地,所述步骤1中,具体包括以下步骤:
步骤1.1,获取研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料;根据研究区的测井资料、录井资料和岩心资料,分析研究区的沉积结构特征和测井相特征,获取研究区内各井点的岩相解释结果,建立单井岩相组合数据集;
步骤1.2,根据研究区的地震资料,提取各井点的地震属性,地震属性包括最大振幅、平均振幅、最小振幅、均方根振幅和能量,结合各井点的岩相解释结果,分析各地震属性与岩相类型之间的关系,通过主成分分析和RGB地震属性融合,建立用于识别不同岩相类型的融合地震属性。
优选地,所述步骤2中,具体包括以下步骤:
步骤2.1,基于研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料,确定研究区的岩相古地理背景、海/湖平面演化过程、物源方向和物源供应量,并利用水动力学过程模拟软件建立研究区的沉积正演模拟模型,设置沉积正演模拟模型的沉积模拟参数,包括确定性参数、半确定性参数和不确定性参数,多次调整沉积正演模拟模型的半确定性参数和不确定性参数模拟研究区的沉积过程,得到不同沉积模拟参数条件下的沉积正演模拟结果,根据不同沉积模拟参数条件下研究区沉积正演模拟结果中的岩性分布情况、岩性含量和地震正演数据,建立四维沉积正演岩性数据集;
步骤2.2,基于四维沉积正演岩性数据集提取不同沉积模拟参数条件下研究区内各井点的地震属性,建立三维沉积正演地震属性数据集,结合步骤1中建立的融合地震属性,确定不同沉积模拟参数条件下研究区内各井点的岩相类型,建立井点岩相数据集;
步骤2.3,根据不同沉积模拟参数条件下研究区沉积正演模拟结果中的岩性分布情况、岩性含量、古水深和水流通量对研究区进行三维定量沉积解释,得到不同沉积模拟参数条件下研究区的正演模拟三维砂体沉积结构,构建三维砂体沉积结构数据集。
优选地,所述步骤3中,具体包括以下步骤:
步骤3.1,建立CGAN深度学习网络模型,CGAN深度学习网络模型内部设置有生成器和判别器,对CGAN深度学习网络模型进行初始化,设置初始化神经网络中的权重和偏置参数,再分别设置生成器和判别器的参数;
步骤3.2,通过对三维沉积正演地震属性数据集和井点岩相数据集进行划分,得到训练集和验证集;
步骤3.3,在训练集中选取井点岩相数据和三维沉积正演地震属性数据并输入CGAN深度学习网络模型的生成器中,利用生成器生成深层碎屑岩砂体沉积结构模型;
步骤3.4,保持CGAN深度学习网络模型中判别器的参数不变,设置CGAN深度学习网络模型的收敛条件为判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,在三维砂体沉积结构数据集中选取与训练集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构并输入判别器中,判别器根据正演模拟三维砂体沉积结构对生成器生成深层碎屑岩砂体沉积结构模型进行判断,若判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则调整生成器的参数,返回步骤3.3中继续训练生成器,若判别器无法判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则进入步骤3.5中;
步骤3.5,保持CGAN深度学习网络模型中生成器的参数不变,设置CGAN深度学习网络模型的收敛条件为判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,在训练集中选取井点岩相数据和三维沉积正演地震属性数据并输入CGAN深度学习网络模型的生成器中,利用生成器生成深层碎屑岩砂体沉积结构模型,同时,在三维砂体沉积结构数据集中选取与训练集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构并输入判别器中,判别器根据正演模拟三维砂体沉积结构对生成器生成深层碎屑岩砂体沉积结构模型进行判断,若判别器无法判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则调整判别器的参数,返回步骤3.5中继续训练判别器,若判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则进入步骤3.6;
步骤3.6,分析判别器中损失函数和生成器中损失函数的收敛情况,若判别器和生成器中的损失函数未完全收敛,则返回步骤3.3中继续对CGAN深度学习网络模型进行对抗神经网络训练,若判别器和生成器中的损失函数均完全收敛,则完成对CGAN深度学习网络模型的训练。
优选地,所述步骤4中,具体包括以下步骤:
步骤4.1,在验证集中选取井点岩相数据和三维沉积正演地震属性数据,输入训练后的CGAN深度学习网络模型中,利用CGAN深度学习网络模型建立研究区的深层碎屑岩砂体沉积结构模型;
步骤4.2,在三维砂体沉积结构数据集中选取与验证集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构,通过将正演模拟三维砂体沉积结构与CGAN深度学习网络模型建立的深层碎屑岩砂体沉积结构模型进行对比,验证训练后CGAN深度学习网络模型建模的准确性。
优选地,所述步骤1.2中,融合地震属性随着岩相变粗呈现规律性的增大或减小。
优选地,所述步骤2.1中,确定性参数包括模拟工区面积、模拟时间标尺、模拟时间步长、模拟网格精度、岩性组成、物源供应量、盆地基地沉积量,半确定性参数包括绝对海/湖平面升降趋势、海/湖平面升降量、水流携沙量、基地古水深、物源供应方向,不确定性参数包括各物源的岩心供应比例、水流通量、波浪方向、波浪能量、重力流比例。
优选地,所述步骤2.1中,岩性含量包括泥岩、粉砂岩、细砂岩、中砂岩、粗砂岩和砾岩的百分含量。
优选地,所述步骤3.1中,生成器的下采样层设置为6层、上采样层设置为5层,激活函数设置为tanh函数;判别器的下采样层设置为3层,激活函数设置为Leaky ReLU函数;生成器和判别器均采用Adam作为优化函数以及采用二元交叉熵作为损失函数,利用CGAN深度学习网络模型中的Dropout层提高生成器和判别器的泛化性能。
本发明具有如下有益效果:
本发明提出了一种深层碎屑岩砂体沉积结构的建模方法,充分利用研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料获取深层油气储层的地球物理响应,明确各岩相及岩相组合的地震反映特征,恢复研究区的岩相古地理背景、湖平面演化过程、物源方向、物源供应量等地质背景,通过将研究区的井震资料相结合,建立用于识别不同岩相类型的融合地震属性。同时,利用水动力学过程模拟软件模拟研究区的沉积过程,得到四维沉积正演岩性数据集,通过提取不同地质时期的岩性分布、沉积相及地震属性形成训练集,利用训练集训练CGAN深度学习网络,将深层储层结构非均质性定量建模作为三维图像重构问题,以井点岩相数据为硬数据、地震属性数据体为软数据对CGAN深度学习网络进行训练,并利用训练后的CGAN深度学习网络建立深层碎屑岩砂体沉积结构,通过准确识别研究区内不同类型的储层结构表征深层碎屑岩砂体沉积结构的非均质性。
本发明方法充分利用研究区的井震资料,建立用于识别不同岩相类型的融合地震属性,基于沉积正演模拟结果和深度学习对CGAN深度学习网络模型进行训练,利用CGAN深度学习网络模型建立研究区的深层碎屑岩砂体沉积结构模型,定量描述深层碎屑岩砂体沉积结构的非均质性,有效提高了深层碎屑岩储层结构非均质性建模的精度和可靠性。
附图说明
图1为本发明一种深层碎屑岩砂体沉积结构的建模方法的流程图。
图2为本发明中确定不同岩相类型融合地震属性的流程图。
图3为本发明中基于沉积正演模拟结果建立深度学习训练集的流程图。
图4为本发明中利用深度学习训练CGAN深度学习网络模型的流程图。
具体实施方式
下面结合附图和某研究区为例,对本发明的具体实施方式做进一步说明:
以准噶尔盆地三工河组深层碎屑岩结构为例,采用本发明提出的一种深层碎屑岩砂体沉积结构的建模方法建立三工河组储层结构非均质性地质模型,如图1所示,具体包括以下步骤:
步骤1,通过将准噶尔盆地三工河组中研究区的井震资料相结合,利用主成分分析和RGB地震属性融合,建立用于识别不同岩相类型的融合地震属性,如图2所示,具体包括以下步骤:
步骤1.1,获取准噶尔盆地三工河组中研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料,开展研究区的地质研究,利用测井相分布、平面沉积相图、地震解释的顶底构造面图,计算沉积岩层的厚度,利用重矿物分布特征、地层厚度平面展布特征、砂岩厚度平面展布特征、层序地层格架等地质研究结果,分析研究区的沉积结构特征和测井相特征,获取研究区内各井点的岩相解释结果,建立单井岩相组合数据集。
步骤1.2,根据研究区的地震资料,提取各井点的地震属性,地震属性包括最大振幅、平均振幅、最小振幅、均方根振幅和能量,结合各井点的岩相解释结果,分析各地震属性与岩相类型之间的关系,通过主成分分析和RGB地震属性融合,建立用于识别不同岩相类型的融合地震属性。
步骤2,利用水动力学过程模拟软件建立研究区的沉积正演模拟模型进行沉积正演模拟,通过调整沉积正演模拟模型的沉积模拟参数,模拟得到不同条件下研究区内的岩性分布情况和地震正演数据,得到四维沉积正演岩性数据集,结合步骤1中建立的融合地震属性,建立三维沉积正演地震属性数据集、井点岩相数据集和三维砂体沉积结构数据集,如图3所示,具体包括以下步骤:
步骤2.1,基于研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料,确定研究区的岩相古地理背景、海/湖平面演化过程、物源方向和物源供应量,并利用水动力学过程模拟软件建立研究区的沉积正演模拟模型,设置沉积正演模拟模型的沉积模拟参数,包括确定性参数、半确定性参数和不确定性参数,其中,确定性参数包括模拟工区面积、模拟时间标尺、模拟时间步长、模拟网格精度、岩性组成、物源供应量、盆地基地沉积量,通过综合地质研究明确确定性参数的取值;半确定性参数包括绝对海/湖平面升降趋势、海/湖平面升降量、水流携沙量、基地古水深、物源供应方向,需要通过在已知范围内模拟获取半确定性参数的取值;不确定性参数包括各物源的岩心供应比例、水流通量、波浪方向、波浪能量、重力流比例,通过对数比例开展系列模拟获取其取值。
通过多次调整沉积正演模拟模型的半确定性参数和不确定性参数,模拟研究区的沉积过程,得到不同沉积模拟参数条件下的沉积正演模拟结果,根据不同沉积模拟参数条件下研究区沉积正演模拟结果中的岩性分布情况、岩性含量和地震正演数据,建立四维沉积正演岩性数据集。
步骤2.2,基于四维沉积正演岩性数据集提取不同沉积模拟参数条件下研究区内各井点的地震属性,建立三维沉积正演地震属性数据集,结合步骤1中建立的融合地震属性,确定不同沉积模拟参数条件下研究区内各井点的岩相类型,建立井点岩相数据集。
步骤2.3,根据不同沉积模拟参数条件下研究区沉积正演模拟结果中的岩性分布情况、岩性含量、古水深和水流通量对研究区进行三维定量沉积解释,得到不同沉积模拟参数条件下研究区的正演模拟三维砂体沉积结构,构建三维砂体沉积结构数据集。
步骤3,建立用于构建深层碎屑岩砂体沉积结构模型的CGAN深度学习网络模型,并利用三维沉积正演地震属性数据集和井点岩相数据集,基于深度学习训练CGAN深度学习网络模型,具体包括以下步骤:
步骤3.1,建立CGAN深度学习网络模型,CGAN深度学习网络模型如图4所示,CGAN深度学习网络模型内部设置有生成器和判别器,其中,生成器的下采样层设置为6层、上采样层设置为5层,激活函数设置为tanh函数;判别器的下采样层设置为3层,激活函数设置为Leaky ReLU函数;生成器和判别器均采用Adam作为优化函数以及采用二元交叉熵作为损失函数,利用CGAN深度学习网络模型中的Dropout层提高生成器和判别器的泛化性能,通过对CGAN深度学习网络模型进行初始化,设置初始化神经网络中的权重和偏置参数,再分别设置生成器和判别器的参数。
步骤3.2,通过对三维沉积正演地震属性数据集和井点岩相数据集进行划分,得到训练集和验证集。
步骤3.3,在训练集中选取井点岩相数据和三维沉积正演地震属性数据并输入CGAN深度学习网络模型的生成器中,利用生成器生成深层碎屑岩砂体沉积结构模型。
步骤3.4,保持CGAN深度学习网络模型中判别器的参数不变,设置CGAN深度学习网络模型的收敛条件为判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,在三维砂体沉积结构数据集中选取与训练集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构并输入判别器中,判别器根据正演模拟三维砂体沉积结构对生成器生成深层碎屑岩砂体沉积结构模型进行判断,若判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则调整生成器的参数,返回步骤3.3中继续训练生成器,若判别器无法判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则进入步骤3.5中。
步骤3.5,保持CGAN深度学习网络模型中生成器的参数不变,设置CGAN深度学习网络模型的收敛条件为判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,在训练集中选取井点岩相数据和三维沉积正演地震属性数据并输入CGAN深度学习网络模型的生成器中,利用生成器生成深层碎屑岩砂体沉积结构模型,同时,在三维砂体沉积结构数据集中选取与训练集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构并输入判别器中,判别器根据正演模拟三维砂体沉积结构对生成器生成深层碎屑岩砂体沉积结构模型进行判断,若判别器无法判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则调整判别器的参数,返回步骤3.5中继续训练判别器,若判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则进入步骤3.6。
步骤3.6,分析判别器中损失函数和生成器中损失函数的收敛情况,若判别器和生成器中的损失函数未完全收敛,则返回步骤3.3中继续对CGAN深度学习网络模型进行对抗神经网络训练,若判别器和生成器中的损失函数均完全收敛,则完成对CGAN深度学习网络模型的训练。
步骤4,在验证集中选取井点岩相数据和三维沉积正演地震属性数据,输入训练后的CGAN深度学习网络模型中,利用训练后的CGAN深度学习网络模型建立准噶尔盆地三工河组储层结构模型,准噶尔盆地三工河组储层结构模型中能够清晰地看到河道砂体的侧向迁移、单元砂体沉积结构等细节,更加符合河流砂体侧向迁移的地质规律,同时,将采用本发明方法建立的准噶尔盆地三工河组储层结构模型验证集中的正演模拟三维砂体沉积结构进行对比,得到准噶尔盆地三工河组储层结构模型建模所用井的岩相吻合度为100%,其中,检验井的岩相吻合度可达到85%以上,由此可得,采用本方法建立的深层碎屑岩砂体沉积结构模型的钻井吻合度得到了大幅度的提升,明显优于常规方法的建模结果。
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)
1.一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,基于沉积正演模拟和深度学习训练CGAN深度学习网络模型,并利用训练好的CGAN深度学习网络模型构建研究区的深层碎屑岩砂体沉积结构模型,具体包括以下步骤:
步骤1,通过将研究区的井震资料相结合,利用主成分分析和RGB地震属性融合,建立用于识别不同岩相类型的融合地震属性;
步骤2,利用水动力学过程模拟软件建立研究区的沉积正演模拟模型进行沉积正演模拟,通过调整沉积正演模拟模型的沉积模拟参数,模拟得到不同条件下研究区内的岩性分布情况和地震正演数据,得到四维沉积正演岩性数据集,结合步骤1中建立的融合地震属性,建立三维沉积正演地震属性数据集、井点岩相数据集和三维砂体沉积结构数据集;
步骤3,建立用于构建深层碎屑岩砂体沉积结构模型的CGAN深度学习网络模型,并基于深度学习,利用三维沉积正演地震属性数据集和井点岩相数据集训练CGAN深度学习网络模型;
步骤4,利用训练后的CGAN深度学习网络模型建立研究区的深层碎屑岩砂体沉积结构模型,并验证训练后CGAN深度学习网络模型建模的准确性。
2.根据权利要求1所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤1中,具体包括以下步骤:
步骤1.1,获取研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料;根据研究区的测井资料、录井资料和岩心资料,分析研究区的沉积结构特征和测井相特征,获取研究区内各井点的岩相解释结果,建立单井岩相组合数据集;
步骤1.2,根据研究区的地震资料,提取各井点的地震属性,地震属性包括最大振幅、平均振幅、最小振幅、均方根振幅和能量,结合各井点的岩相解释结果,分析各地震属性与岩相类型之间的关系,通过主成分分析和RGB地震属性融合,建立用于识别不同岩相类型的融合地震属性。
3.根据权利要求2所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤2中,具体包括以下步骤:
步骤2.1,基于研究区的测井资料、录井资料、岩心资料、地震资料和地质分析化验资料,确定研究区的岩相古地理背景、海/湖平面演化过程、物源方向和物源供应量,并利用水动力学过程模拟软件建立研究区的沉积正演模拟模型,设置沉积正演模拟模型的沉积模拟参数,包括确定性参数、半确定性参数和不确定性参数,多次调整沉积正演模拟模型的半确定性参数和不确定性参数模拟研究区的沉积过程,得到不同沉积模拟参数条件下的沉积正演模拟结果,根据不同沉积模拟参数条件下研究区沉积正演模拟结果中的岩性分布情况、岩性含量和地震正演数据,建立四维沉积正演岩性数据集;
步骤2.2,基于四维沉积正演岩性数据集提取不同沉积模拟参数条件下研究区内各井点的地震属性,建立三维沉积正演地震属性数据集,结合步骤1中建立的融合地震属性,确定不同沉积模拟参数条件下研究区内各井点的岩相类型,建立井点岩相数据集;
步骤2.3,根据不同沉积模拟参数条件下研究区沉积正演模拟结果中的岩性分布情况、岩性含量、古水深和水流通量对研究区进行三维定量沉积解释,得到不同沉积模拟参数条件下研究区的正演模拟三维砂体沉积结构,构建三维砂体沉积结构数据集。
4.根据权利要求3所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤3中,具体包括以下步骤:
步骤3.1,建立CGAN深度学习网络模型,CGAN深度学习网络模型内部设置有生成器和判别器,对CGAN深度学习网络模型进行初始化,设置初始化神经网络中的权重和偏置参数,再分别设置生成器和判别器的参数;
步骤3.2,通过对三维沉积正演地震属性数据集和井点岩相数据集进行划分,得到训练集和验证集;
步骤3.3,在训练集中选取井点岩相数据和三维沉积正演地震属性数据并输入CGAN深度学习网络模型的生成器中,利用生成器生成深层碎屑岩砂体沉积结构模型;
步骤3.4,保持CGAN深度学习网络模型中判别器的参数不变,设置CGAN深度学习网络模型的收敛条件为判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,在三维砂体沉积结构数据集中选取与训练集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构并输入判别器中,判别器根据正演模拟三维砂体沉积结构对生成器生成深层碎屑岩砂体沉积结构模型进行判断,若判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则调整生成器的参数,返回步骤3.3中继续训练生成器,若判别器无法判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则进入步骤3.5中;
步骤3.5,保持CGAN深度学习网络模型中生成器的参数不变,设置CGAN深度学习网络模型的收敛条件为判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,在训练集中选取井点岩相数据和三维沉积正演地震属性数据并输入CGAN深度学习网络模型的生成器中,利用生成器生成深层碎屑岩砂体沉积结构模型,同时,在三维砂体沉积结构数据集中选取与训练集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构并输入判别器中,判别器根据正演模拟三维砂体沉积结构对生成器生成深层碎屑岩砂体沉积结构模型进行判断,若判别器无法判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则调整判别器的参数,返回步骤3.5中继续训练判别器,若判别器能够判断出生成器生成的深层碎屑岩砂体沉积结构模型为假,则进入步骤3.6;
步骤3.6,分析判别器中损失函数和生成器中损失函数的收敛情况,若判别器和生成器中的损失函数未完全收敛,则返回步骤3.3中继续对CGAN深度学习网络模型进行对抗神经网络训练,若判别器和生成器中的损失函数均完全收敛,则完成对CGAN深度学习网络模型的训练。
5.根据权利要求4所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤4中,具体包括以下步骤:
步骤4.1,在验证集中选取井点岩相数据和三维沉积正演地震属性数据,输入训练后的CGAN深度学习网络模型中,利用CGAN深度学习网络模型建立研究区的深层碎屑岩砂体沉积结构模型;
步骤4.2,在三维砂体沉积结构数据集中选取与验证集中井点岩相数据和三维沉积正演地震属性数据相对应的正演模拟三维砂体沉积结构,通过将正演模拟三维砂体沉积结构与CGAN深度学习网络模型建立的深层碎屑岩砂体沉积结构模型进行对比,验证训练后CGAN深度学习网络模型建模的准确性。
6.根据权利要求2所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤1.2中,融合地震属性随着岩相变粗呈现规律性的增大或减小。
7.根据权利要求3所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤2.1中,确定性参数包括模拟工区面积、模拟时间标尺、模拟时间步长、模拟网格精度、岩性组成、物源供应量、盆地基地沉积量,半确定性参数包括绝对海/湖平面升降趋势、海/湖平面升降量、水流携沙量、基地古水深、物源供应方向,不确定性参数包括各物源的岩心供应比例、水流通量、波浪方向、波浪能量、重力流比例。
8.根据权利要求3所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤2.1中,岩性含量包括泥岩、粉砂岩、细砂岩、中砂岩、粗砂岩和砾岩的百分含量。
9.根据权利要求4所述的一种深层碎屑岩砂体沉积结构的建模方法,其特征在于,所述步骤3.1中,生成器的下采样层设置为6层、上采样层设置为5层,激活函数设置为tanh函数;判别器的下采样层设置为3层,激活函数设置为Leaky ReLU函数;生成器和判别器均采用Adam作为优化函数以及采用二元交叉熵作为损失函数,利用CGAN深度学习网络模型中的Dropout层提高生成器和判别器的泛化性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702997.XA CN115220101A (zh) | 2022-06-21 | 2022-06-21 | 一种深层碎屑岩砂体沉积结构的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702997.XA CN115220101A (zh) | 2022-06-21 | 2022-06-21 | 一种深层碎屑岩砂体沉积结构的建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115220101A true CN115220101A (zh) | 2022-10-21 |
Family
ID=83607440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210702997.XA Pending CN115220101A (zh) | 2022-06-21 | 2022-06-21 | 一种深层碎屑岩砂体沉积结构的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115220101A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN117217095A (zh) * | 2023-10-13 | 2023-12-12 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
WO2024098473A1 (zh) * | 2022-11-11 | 2024-05-16 | 中国石油大学(华东) | 水槽沉积结构精细重构方法及装置 |
-
2022
- 2022-06-21 CN CN202210702997.XA patent/CN115220101A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098473A1 (zh) * | 2022-11-11 | 2024-05-16 | 中国石油大学(华东) | 水槽沉积结构精细重构方法及装置 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN115877464B (zh) * | 2022-12-30 | 2024-02-13 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN117217095A (zh) * | 2023-10-13 | 2023-12-12 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
CN117217095B (zh) * | 2023-10-13 | 2024-05-28 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5838634A (en) | Method of generating 3-D geologic models incorporating geologic and geophysical constraints | |
US7742875B2 (en) | Method for geologic modeling through hydrodynamics-based gridding (Hydro-Grids) | |
US8838425B2 (en) | Generating facies probablity cubes | |
CN115220101A (zh) | 一种深层碎屑岩砂体沉积结构的建模方法 | |
CN106154351A (zh) | 一种低孔渗储层渗透率的估算方法 | |
CN110056346B (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
CN109143399B (zh) | 一种识别碳酸盐岩层序界面的方法 | |
Gundesø et al. | SESIMIRA—a new geological tool for 3D modelling of heterogeneous reservoirs | |
CN113933899B (zh) | 基于地震属性约束指导下的砂砾岩储层建模方法和系统 | |
CN108665545B (zh) | 录井参数三维地质模型建立方法 | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
CN113608260B (zh) | 砂岩储层胶结前的多期构造压实减孔程度定量评价方法 | |
Mehdipour et al. | The Best Scenario for Geostatistical Modeling of Porosity in the Sarvak Reservoir in an Iranian Oil Field, Using Electrofacies, Seismic Facies, and Seismic Attributes | |
Bertoncello | Conditioning surface-based models to well and thickness data | |
Guderian et al. | Draugen field–successful reservoir management using 4d seismic | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
Kadhim et al. | The use of artificial neural network to predict correlation of cementation factor to petrophysical properties in Yamamma formation | |
Xiao et al. | Integrated Geologic Modeling of Fault‐Block Reservoir: A Case Study of Ss Oil Field | |
CN109901221A (zh) | 一种基于动校正速度参数的地震资料各向异性建模方法 | |
Fretwell et al. | A new approach to 3-D geological modeling of complex sand injectite reservoirs: The Alba field, United Kingdom central North Sea | |
Otoo et al. | Applying forward stratigraphic modeling approach to enhance facies characterization and fluid mobility prediction in geological models of basin floor fans | |
Bellorini et al. | Definition of a 3d integrated geological model in a complex and extensive heavy oil field, Oficina Formation, Faja de Orinoco, Venezuela | |
CN114969895B (zh) | 一种基于趋势约束的河道剖面形态建模方法 | |
Otoo et al. | Geological process simulation in 3-D lithofacies modeling: Application in a basin floor fan setting | |
US20230266491A1 (en) | Method and system for predicting hydrocarbon reservoir information from raw seismic data |
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 |