CN115407390A - 地震储层参数预测方法及装置 - Google Patents

地震储层参数预测方法及装置 Download PDF

Info

Publication number
CN115407390A
CN115407390A CN202110593117.5A CN202110593117A CN115407390A CN 115407390 A CN115407390 A CN 115407390A CN 202110593117 A CN202110593117 A CN 202110593117A CN 115407390 A CN115407390 A CN 115407390A
Authority
CN
China
Prior art keywords
reservoir
seismic
parameter prediction
reservoir parameter
training 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
Application number
CN202110593117.5A
Other languages
English (en)
Inventor
晏信飞
曹宏
胡莲莲
杨志芳
葛强
李晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202110593117.5A priority Critical patent/CN115407390A/zh
Publication of CN115407390A publication Critical patent/CN115407390A/zh
Pending legal-status Critical Current

Links

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
    • G01V1/282—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
    • G01V1/28—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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • 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
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种地震储层参数预测方法及装置，该方法包括：将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；储层参数预测模型按照如下过程建立：获取目标地层的地震工区资料，形成训练数据集；基于人工神经网络模型搭建多任务学习的储层参数预测模型，该储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；利用训练数据集，对储层参数预测模型进行训练。将多个地震储层参数预测任务放在一起学习，通过互相分享、互相补充学习到的信息，能够有效地表达地震属性与储层参数之间的复杂非线性关系，提高地震储层参数预测的准确性。

Description

地震储层参数预测方法及装置
技术领域
本发明涉及地球物理油气勘探技术领域，尤其涉及一种地震储层参数预测方法及装置。
背景技术
随着油气勘探向深层超深层、非常规等领域快速延伸，勘探开发对象日益复杂，储层描述难度加大。地下储层状态主要通过储层形态、岩性、物性及含油气性等方面的参数来进行表征，如何提高这些参数的地震预测准确性非常必要，可以为风险目标评价及勘探开发决策提供重要依据。另外，目前国内各大盆地勘探程度均已较高，积累了海量的勘探开发数据，如何综合利用各种信息、实现地震储层预测智能化迫在眉睫。
目前地震储层参数预测主要有两类方法，包括岩石物理模型法和传统机器学习法。岩石物理模型法是指对实际储层进行岩石物理理论建模，然后利用岩石物理模板或岩石物理反演技术将地震属性转化为储层参数。该方法以理论模型为基础，具有一定的可拓展性，可以部分解除储层参数的耦合作用，但是会受模型适用范围限制，无法适应复杂储层情况，导致预测的准确性不高。传统机器学习法是指利用神经网络、逻辑回归、支持向量机等算法，建立多个地震属性与单个目标储层参数之间的映射关系。机器学习算法具有强大非线性表达能力，可以学习到数据隐含的内在关系。但是，现有方法只能预测单一储层参数，受非目标储层参数因素干扰，预测准确性低。
发明内容
本发明实施例提供一种地震储层参数预测方法，用以提高预测的准确性，该方法包括：
获取目标地层的地震数据；
将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；
其中，所述储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数，按照如下过程建立：
获取目标地层的地震工区资料，形成训练数据集；
基于人工神经网络模型搭建多任务学习的储层参数预测模型，所述储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；
利用所述训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
具体实施例中，所述地震工区资料，包括：
地震工区范围内目标地层的地质报告、岩芯实验数据和测井数据。
具体实施过程中，获取目标地层的地震工区资料，形成训练数据集，包括：
根据所述地震工区资料，抽取得到目标地层的多个地层参数，形成训练数据集；
其中，所述训练数据集中，每一行表示一条样本，每一列表示一个数据特征，包含弹性特征、地质特征以及储层参数；
弹性特征包括：纵波速度、横波速度、密度、双程旅行时、纵波阻抗、横波阻抗、纵横波速度比、泊松比、体积模量、剪切模量、杨氏模量、纵波模量、拉梅常数以及上述参数的任意组合；
地质特征包括：深度、压力、温度、地质年代、层段和沉积相；
储层参数包括：岩性、储集体类型、流体类型、孔隙度、含气饱和度、含油饱和度、泥质含量、云质含量、有机碳含量和渗透率。
具体实施例中，所述基础网络连接到所述输入层，所述多个子网络再并行连接到所述基础网络；
其中，所述输入层有多个节点，每个节点对应一个弹性特征或地质特征；
每个子网络对应一个子任务，一个子任务用于确定一个储层参数。
本发明具体实施例中，利用所述训练数据集，对所述储层参数预测模型进行训练，包括：
为每个子任务选择一个代价函数；
利用随机梯度下降算法，以每个子任务的代价函数的值最低为目标，对所述储层参数预测模型进行训练。
具体实施过程中，建立所述储层参数预测模型的过程，还包括：
利用岩石物理模型对所述训练数据集进行扩增，形成扩增训练数据集；
利用所述训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型，包括：
利用所述扩增训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
其中，利用岩石物理模型对所述训练数据集进行扩增，形成扩增训练数据集，包括：
根据目标地层，确定目标地层对应的岩石物理模型；
根据目标地层的地质特征，利用蒙特卡洛模拟法随机生成模拟的储层参数；
将模拟的储层参数输入到所述岩石物理模型中，得到模拟的弹性特征；
根据模拟的弹性特征、目标地层的地质特征和模拟的储层参数，形成扩增训练数据子集，将所述扩增训练数据子集附加到所述训练数据集中，得到扩增训练数据集。
本发明实施例还提供一种地震储层参数预测装置，用以提高预测的准确性，该装置包括：
数据获取模块，用于获取目标地层的地震数据；
多地震储层参数确定模块，用于将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；
其中，所述储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数；
所述多地震储层参数确定模块，包括：模型预建立单元，用于：
获取目标地层的地震工区资料，形成训练数据集；
基于人工神经网络模型搭建多任务学习的储层参数预测模型，所述储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；
利用所述训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
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地震储层参数预测方法。
本发明实施例也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地震储层参数预测方法的计算机程序。
本发明实施例中，通过获取目标地层的地震数据；将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；其中，储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数，按照如下过程建立：获取目标地层的地震工区资料，形成训练数据集；基于人工神经网络模型搭建多任务学习的储层参数预测模型，该储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；利用训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。通过建立能够同时预测多个地震储层参数的多任务学习的储层参数预测模型，将多个地震储层参数预测任务放在一起学习，通过互相分享、互相补充学习到的信息，能够有效地表达地震属性与储层参数之间的多对多的复杂非线性关系，不仅相较于只能预测单一储层参数的传统机器学习法，减少了非目标储层参数因素干扰，提高了地震储层参数预测的准确性；且相较于岩石物理模型法，不受模型适用范围限制，能够对复杂储层进行预测，从而提高地震储层参数预测的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。
图1为本发明实施例中地震储层参数预测方法的示意图。
图2为本发明实施例中储层参数预测模型的建立方法示意图。
图3为本发明具体实施例中步骤203的具体实现方法示意图。
图4为本发明具体实施例中储层参数预测模型的建立方法示意图。
图5为本发明具体实施例中步骤401的具体实现方法示意图。
图6为本发明具体实施中实施例1的方案流程图。
图7为本发明具体实施中实施例2的方案流程图。
图8为本发明具体实施中实施例2中的训练数据集扩增结果示意图。
图9为本发明具体实施中多任务学习储层参数预测模型的结构示意图。
图10为本发明具体实施中实施例2中得到的地震储层参数预测结果示意图。
图11为本发明实施例中地震储层参数预测装置的示意图。
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。
本发明实施例提供了一种地震储层参数预测方法，用以提高预测的准确性，如图1所示，该方法包括：
步骤101：获取目标地层的地震数据；
步骤102：将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数。
其中，上述储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数，按照如图2所示的过程建立：
步骤201：获取目标地层的地震工区资料，形成训练数据集；
步骤202：基于人工神经网络模型搭建多任务学习的储层参数预测模型，储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；
步骤203：利用训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。
由图1和图2所示流程可以得知，本发明实施例中，通过获取目标地层的地震数据；将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；其中，储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数，按照如下过程建立：获取目标地层的地震工区资料，形成训练数据集；基于人工神经网络模型搭建多任务学习的储层参数预测模型，该储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；利用训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。通过建立能够同时预测多个地震储层参数的多任务学习的储层参数预测模型，将多个地震储层参数预测任务放在一起学习，通过互相分享、互相补充学习到的信息，能够有效地表达地震属性与储层参数之间的多对多的复杂非线性关系，不仅相较于只能预测单一储层参数的传统机器学习法，减少了非目标储层参数因素干扰，提高了地震储层参数预测的准确性；且相较于岩石物理模型法，不受模型适用范围限制，能够对复杂储层进行预测，从而提高地震储层参数预测的准确性。
具体实施时，首先获取目标地层的地震工区资料，形成训练数据集，用于预先建立储层参数预测模型。具体实施时，获取目标地层的地震工区资料，包括：地震工区范围内目标地层的地质报告、岩芯实验数据和测井数据。根据获取的地震工区资料，抽取得到目标地层的多个地层参数，形成训练数据集；其中，在训练数据集中，每一行表示一条样本，每一列表示一个数据特征，包含弹性特征、地质特征以及储层参数。
具体实施例中，多个储层参数包括：岩性、孔隙度、含气饱和度和泥质含量等参数。弹性特征包括：纵波速度、横波速度、密度、双程旅行时、纵波阻抗、横波阻抗、纵横波速度比、泊松比、体积模量、剪切模量、杨氏模量、纵波模量、拉梅常数等参数及其前述任意参数的组合参数。地质特征包括深度、压力、温度、地质年代、层段、沉积相等；储层参数包括岩性、储集体类型、流体类型、孔隙度、含气饱和度、含油饱和度、泥质含量、云质含量、有机碳含量和渗透率等参数。
本领域技术人员可以理解的是，上述具体参数仅为举例，与地震储层参数预测相关的具体参数均落入本发明的保护范围，实施例中不再赘述。
形成训练数据集后，基于人工神经网络模型搭建多任务学习的储层参数预测模型。其中，储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数。具体实施例中，基础网络连接到输入层，多个子网络再并行连接到基础网络；其中，上述一个输入层有多个节点，每个节点对应一个弹性特征或地质特征；每个子网络对应一个子任务，一个子任务用于确定一个储层参数。
建立能够多任务协同学习的储层参数预测模型后，利用上述训练数据集，对储层参数预测模型进行训练，具体过程，如图3所示，包括：
步骤301：为每个子任务选择一个代价函数；
步骤302：利用随机梯度下降算法，以每个子任务的代价函数的值最低为目标，对储层参数预测模型进行训练。
具体实施时，为每个子任务选择一个代价函数，其中，分类子任务采用交叉熵函数，回归子任务采用均方误差函数。训练过程中，采用随机梯度下降算法对子任务进行优化，目标是使每个子任务的代价函数的值最低。通过多次迭代并优选模型超参数，得到一个训练好的储层参数预测模型。
得到一个训练好的储层参数预测模型后，获取目标地层的地震数据，其中，地震数据包括：弹性特征和地质特征。具体包括：基于地震反演得到纵波阻抗、纵横波速度比、密度等弹性特征，以及利用地震构造解释得到深度、层段等地质特征。
获取目标地层的地震数据后，将目标地层的地震数据，输入预先建立的上述储层参数预测模型中，即可得到目标地层的多个地震储层参数，例如目标地层的岩性、孔隙度、含气饱和度、泥质含量等参数。
通过上述过程可以清楚地得知，本发明实施例中提供的地震储层参数预测方法，具有如下有益效果：
多项任务同步完成：只需要一个预测模型即可同时完成岩性、孔隙度、含气饱和度、泥质含量等多个储层参数的预测工作，简化地震储层预测工作流程和工作量；
储层参数预测更准确：引入地质特征，增加了先验信息约束；同时求解多个储层参数，可以有效解除它们之间的耦合作用，从而提高预测准确性；
应用部署高效：可采用并行计算，运算效率高，能够在几分钟内完成一般三维地震工区的预测，适合大规模工业化应用。
具体实施例中，为了进一步提高预测的准确性，通过增加目标地层的多样性来提高模型预测的准确性，具体实施时，如图4所示，建立储层参数预测模型的过程，在图2的基础上，还包括：
步骤401：利用岩石物理模型对训练数据集进行扩增，形成扩增训练数据集；
相应地，步骤203变更为步骤402：利用扩增训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。
具体实施过程中，步骤401的具体实现过程，如图5所示，包括：
步骤501：根据目标地层，确定目标地层对应的岩石物理模型；
步骤502：根据目标地层的地质特征，利用蒙特卡洛模拟法随机生成模拟的储层参数；
步骤503：将模拟的储层参数输入到岩石物理模型中，得到模拟的弹性特征；
步骤504：根据模拟的弹性特征、目标地层的地质特征和模拟的储层参数，形成扩增训练数据子集，将扩增训练数据子集附加到训练数据集中，得到扩增训练数据集。
本发明具体实施例中，利用岩石理论模型对训练目标进行了扩增，增加了目标的多样性，从而提高了模型的泛化能力。
下面给出一具体实例说明本发明实施例如何进行地震储层参数预测。
图6为实施例1的方案流程图，具体包括以下步骤：
1)收集与地下目标地层相关的多种数据，包括地质报告、岩芯数据、测井曲线等，从中抽取得到弹性特征(纵波阻抗、纵横波速度比、密度等)、地质特征(深度、层段等)以及储层参数(岩性、孔隙度、含气饱和度、泥质含量等)，形成训练数据集；
2)利用人工神经网络搭建多任务学习储层参数预测模型，其网络结构含有1个输入层、1个基础网络以及多个子网络。基础网络连接到输入层，多个子网络再并行连接到基础网络。输入层有多个节点，每个节点对应一个弹性特征(纵波阻抗、纵横波速度比、密度等)或地质特征(深度、层段等)。每个子网络对应一个子任务，输出一个储层参数(岩性、孔隙度、含气饱和度、泥质含量等)；
3)根据训练数据集对多任务学习储层参数预测模型进行训练，为每个子任务选择一个代价函数，其中分类子任务采用交叉熵函数、回归子任务采用均方误差函数。训练过程中采用随机梯度下降算法进行优化，目标是使每个子任务的代价函数的值最低。通过多次迭代并优选模型超参数，得到一个训练好的储层参数预测模型；
4)将地震数据输入到训练好的储层参数预测模型，同时预测得到多个地震储层参数。需要的地震数据包括地震反演得到纵波阻抗、纵横波速度比、密度等，以及地震构造解释得到深度、层段等。预测的地震储层参数包括岩性、孔隙度、含气饱和度、泥质含量等。
图7为实施例2的方案流程图，具体包括以下步骤：
1)收集与地下目标地层相关的多种数据，包括地质报告、岩芯数据、测井曲线等，从中抽取弹性特征(纵波阻抗、纵横波速度比、密度等)、地质特征(深度、层段等)以及储层参数(岩性、孔隙度、含气饱和度、泥质含量等)，形成训练数据集；
2)利用岩石物理模型对训练数据集进行扩增，形成扩增训练数据集。针对特定地层，选择一个适用的岩石物理模型，然后结合蒙特卡洛模拟法随机生成模拟数据，将模拟数据附加到训练数据集中；
3)利用人工神经网络搭建多任务学习储层参数预测模型，其网络结构含有1个输入层、1个基础网络以及多个子网络。基础网络连接到输入层，多个子网络再并行连接到基础网络。输入层有多个节点，每个节点对应一个弹性特征(纵波阻抗、纵横波速度比、密度等)或地质特征(深度、层段等)。每个子网络对应一个子任务，输出一个储层参数(岩性、孔隙度、含气饱和度、泥质含量等)；
4)根据训练数据集对多任务学习储层参数预测模型进行训练，为每个子任务选择一个代价函数，其中分类子任务采用交叉熵函数、回归子任务采用均方误差函数。训练过程中采用随机梯度下降算法进行优化，目标是使每个子任务的代价函数的值最低。通过多次迭代并优选模型超参数，得到一个训练好的储层参数预测模型；
5)将地震数据输入到训练好的储层参数预测模型，同时预测得到多个地震储层参数。需要的地震数据包括地震反演得到纵波阻抗、纵横波速度比、密度等以及地震构造解释得到深度、层段等。预测的地震储层参数包括岩性、孔隙度、含气饱和度、泥质含量等。
以四川盆地须家河组致密砂岩气藏为示例，对上述两个实施例提供的方法进一步说明。
图8显示了实施例2中的训练数据集扩增效果，其中，蓝色点为测井数据、黄色点为利用岩石物理模型模拟的数据。实际工区钻井数量往往有限，储层岩性、物性及含气性可能在横向上会出现剧烈变化。
图中测井数据中缺乏高含气饱和度的样本，显然无法代表地下实际情况。结合岩石物理模型可以克服这点，生成一些井中未见过的样本，比如高含气饱和度情况。将这些样本加入训练数据集中，样本多样性增强，训练模型的泛化能力得到提升。
图9显示了上述建立的多任务学习储层参数预测模型，其网络结构含有1个输入层、1个基础网络以及4个子网络。输入纵波阻抗、纵横波速度比、密度等弹性特征，以及深度、层段等地质特征，输出岩性、孔隙度、含气饱和度、泥质含量等储层参数。
图10显示了实施例2中得到的地震储层参数预测结果，从上至下依次为岩性、泥质含量、孔隙度、含气饱和度。可见，实现了岩性、物性、含油气性等储层参数的智能预测，精确表征了地下复杂储层，可用于地震解释过程中的高精度地震储层参数定量预测。
上述具体应用的实施仅为举例，其余实施方式不再一一赘述。
基于同一发明构思，本发明实施例还提供一种地震储层参数预测装置，由于地震储层参数预测装置所解决问题的原理与地震储层参数预测方法相似，因此地震储层参数预测装置的实施可以参见地震储层参数预测方法的实施，重复之处不再赘述，具体结构如图11所示：
数据获取模块1101，用于获取目标地层的地震数据；
多地震储层参数确定模块1102，用于将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数.
其中，储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数；
多地震储层参数确定模块1102，包括：模型预建立单元，用于：
获取目标地层的地震工区资料，形成训练数据集；
基于人工神经网络模型搭建多任务学习的储层参数预测模型，储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；
利用训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。
具体实施例中，上述地震工区资料，包括：
地震工区范围内目标地层的地质报告、岩芯实验数据和测井数据。
具体实施例中，模型预建立单元，具体用于：
根据地震工区资料，抽取得到目标地层的多个地层参数，形成训练数据集；
其中，训练数据集中，每一行表示一条样本，每一列表示一个数据特征，包含弹性特征、地质特征以及储层参数。
具体实施时，基础网络连接到输入层，多个子网络再并行连接到基础网络；
其中，输入层有多个节点，每个节点对应一个弹性特征或地质特征；
每个子网络对应一个子任务，一个子任务用于确定一个储层参数。
进一步地，模型预建立单元，具体用于：
为每个子任务选择一个代价函数；
利用随机梯度下降算法，以每个子任务的代价函数的值最低为目标，对储层参数预测模型进行训练。
具体实施例中，模型预建立单元，还用于：
利用岩石物理模型对训练数据集进行扩增，形成扩增训练数据集；
相应地，模型预建立单元，具体用于：
利用扩增训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。
进一步地，模型预建立单元，具体用于：
根据目标地层，确定目标地层对应的岩石物理模型；
根据目标地层的地质特征，利用蒙特卡洛模拟法随机生成模拟的储层参数；
将模拟的储层参数输入到岩石物理模型中，得到模拟的弹性特征；
根据模拟的弹性特征、目标地层的地质特征和模拟的储层参数，形成扩增训练数据子集，将扩增训练数据子集附加到训练数据集中，得到扩增训练数据集。
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地震储层参数预测方法。
本发明实施例也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地震储层参数预测方法的计算机程序。
综上所述，本发明实施例提供的地震储层参数预测方法及装置具有如下优点：
通过获取目标地层的地震数据；将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；其中，储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数，按照如下过程建立：获取目标地层的地震工区资料，形成训练数据集；基于人工神经网络模型搭建多任务学习的储层参数预测模型，该储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；利用训练数据集，对储层参数预测模型进行训练，得到训练好的储层参数预测模型。通过建立能够同时预测多个地震储层参数的多任务学习的储层参数预测模型，将多个地震储层参数预测任务放在一起学习，通过互相分享、互相补充学习到的信息，能够有效地表达地震属性与储层参数之间的多对多的复杂非线性关系，不仅相较于只能预测单一储层参数的传统机器学习法，减少了非目标储层参数因素干扰，提高了地震储层参数预测的准确性；且相较于岩石物理模型法，不受模型适用范围限制，能够对复杂储层进行预测，从而提高地震储层参数预测的准确性。利用岩石理论模型对训练样本进行扩增，增加了样本的多样性，从而提高了模型的泛化能力，进一步提高地震储层参数预测的准确性。
虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例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、装置(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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (16)

1.一种地震储层参数预测方法，其特征在于，包括：
获取目标地层的地震数据；
将目标地层的地震数据，输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；
其中，所述储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数，按照如下过程建立：
获取目标地层的地震工区资料，形成训练数据集；
基于人工神经网络模型搭建多任务学习的储层参数预测模型，所述储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；
利用所述训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
2.如权利要求1所述的地震储层参数预测方法，其特征在于，所述地震工区资料，包括：
地震工区范围内目标地层的地质报告、岩芯实验数据和测井数据。
3.如权利要求2所述的地震储层参数预测方法，其特征在于，获取目标地层的地震工区资料，形成训练数据集，包括：
根据所述地震工区资料，抽取得到目标地层的多个地层参数，形成训练数据集；
其中，所述训练数据集中，每一行表示一条样本，每一列表示一个数据特征，包含弹性特征、地质特征以及储层参数；
弹性特征包括：纵波速度、横波速度、密度、双程旅行时、纵波阻抗、横波阻抗、纵横波速度比、泊松比、体积模量、剪切模量、杨氏模量、纵波模量、拉梅常数以及上述参数的任意组合；
地质特征包括：深度、压力、温度、地质年代、层段和沉积相；
储层参数包括：岩性、储集体类型、流体类型、孔隙度、含气饱和度、含油饱和度、泥质含量、云质含量、有机碳含量和渗透率。
4.如权利要求3所述的地震储层参数预测方法，其特征在于，所述基础网络连接到所述输入层，所述多个子网络再并行连接到所述基础网络；
其中，所述输入层有多个节点，每个节点对应一个弹性特征或地质特征；
每个子网络对应一个子任务，一个子任务用于确定一个储层参数。
5.如权利要求4所述的地震储层参数预测方法，其特征在于，利用所述训练数据集，对所述储层参数预测模型进行训练，包括：
为每个子任务选择一个代价函数；
利用随机梯度下降算法，以每个子任务的代价函数的值最低为目标，对所述储层参数预测模型进行训练。
6.如权利要求3所述的地震储层参数预测方法，其特征在于，建立所述储层参数预测模型的过程，还包括：
利用岩石物理模型对所述训练数据集进行扩增，形成扩增训练数据集；
利用所述训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型，包括：
利用所述扩增训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
7.如权利要求6所述的地震储层参数预测方法，其特征在于，利用岩石物理模型对所述训练数据集进行扩增，形成扩增训练数据集，包括：
根据目标地层，确定目标地层对应的岩石物理模型；
根据目标地层的地质特征，利用蒙特卡洛模拟法随机生成模拟的储层参数；
将模拟的储层参数输入到所述岩石物理模型中，得到模拟的弹性特征；
根据模拟的弹性特征、目标地层的地质特征和模拟的储层参数，形成扩增训练数据子集，将所述扩增训练数据子集附加到所述训练数据集中，得到扩增训练数据集。
8.一种地震储层参数预测装置，其特征在于，包括：
数据获取模块，用于获取目标地层的地震数据；
多地震储层参数确定模块，用于将目标地层的地震数据输入预先建立的储层参数预测模型中，得到目标地层的多个地震储层参数；
其中，所述储层参数预测模型用于根据地层的地震数据预测地层的多个地震储层参数；
所述多地震储层参数确定模块，包括：模型预建立单元，用于：
获取目标地层的地震工区资料，形成训练数据集；
基于人工神经网络模型搭建多任务学习的储层参数预测模型，所述储层参数预测模型包括：一个输入层、一个基础网络和多个子网络，每个子网络用于输出一个储层参数；
利用所述训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
9.如权利要求8所述的地震储层参数预测装置，其特征在于，所述地震工区资料，包括：
地震工区范围内目标地层的地质报告、岩芯实验数据和测井数据。
10.如权利要求9所述的地震储层参数预测装置，其特征在于，所述模型预建立单元，具体用于：
根据所述地震工区资料，抽取得到目标地层的多个地层参数，形成训练数据集；
其中，所述训练数据集中，每一行表示一条样本，每一列表示一个数据特征，包含弹性特征、地质特征以及储层参数；
弹性特征包括：纵波速度、横波速度、密度、双程旅行时、纵波阻抗、横波阻抗、纵横波速度比、泊松比、体积模量、剪切模量、杨氏模量、纵波模量、拉梅常数以及上述参数的任意组合；
地质特征包括：深度、压力、温度、地质年代、层段和沉积相；
储层参数包括：岩性、储集体类型、流体类型、孔隙度、含气饱和度、含油饱和度、泥质含量、云质含量、有机碳含量和渗透率。
11.如权利要求10所述的地震储层参数预测装置，其特征在于，所述基础网络连接到所述输入层，所述多个子网络再并行连接到所述基础网络；
其中，所述输入层有多个节点，每个节点对应一个弹性特征或地质特征；
每个子网络对应一个子任务，一个子任务用于确定一个储层参数。
12.如权利要求11所述的地震储层参数预测装置，其特征在于，所述模型预建立单元，具体用于：
为每个子任务选择一个代价函数；
利用随机梯度下降算法，以每个子任务的代价函数的值最低为目标，对所述储层参数预测模型进行训练。
13.如权利要求10所述的地震储层参数预测装置，其特征在于，所述模型预建立单元，还用于：
利用岩石物理模型对所述训练数据集进行扩增，形成扩增训练数据集；
所述模型预建立单元，具体用于：
利用所述扩增训练数据集，对所述储层参数预测模型进行训练，得到训练好的储层参数预测模型。
14.如权利要求13所述的地震储层参数预测装置，其特征在于，所述模型预建立单元，具体用于：
根据目标地层，确定目标地层对应的岩石物理模型；
根据目标地层的地质特征，利用蒙特卡洛模拟法随机生成模拟的储层参数；
将模拟的储层参数输入到所述岩石物理模型中，得到模拟的弹性特征；
根据模拟的弹性特征、目标地层的地质特征和模拟的储层参数，形成扩增训练数据子集，将所述扩增训练数据子集附加到所述训练数据集中，得到扩增训练数据集。
15.一种计算机设备，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7任一所述方法。
16.一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任一所述方法的计算机程序。
CN202110593117.5A 2021-05-28 2021-05-28 地震储层参数预测方法及装置 Pending CN115407390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110593117.5A CN115407390A (zh) 2021-05-28 2021-05-28 地震储层参数预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110593117.5A CN115407390A (zh) 2021-05-28 2021-05-28 地震储层参数预测方法及装置

Publications (1)

Publication Number Publication Date
CN115407390A true CN115407390A (zh) 2022-11-29

Family

ID=84155717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110593117.5A Pending CN115407390A (zh) 2021-05-28 2021-05-28 地震储层参数预测方法及装置

Country Status (1)

Country Link
CN (1) CN115407390A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250658A (zh) * 2023-11-17 2023-12-19 核工业北京地质研究院 建立研究区的地震数据集的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250658A (zh) * 2023-11-17 2023-12-19 核工业北京地质研究院 建立研究区的地震数据集的方法
CN117250658B (zh) * 2023-11-17 2024-02-09 核工业北京地质研究院 建立研究区的地震数据集的方法

Similar Documents

Publication Publication Date Title
Okon et al. Artificial neural network model for reservoir petrophysical properties: porosity, permeability and water saturation prediction
Maleki et al. Prediction of shear wave velocity using empirical correlations and artificial intelligence methods
Anifowose et al. A least-square-driven functional networks type-2 fuzzy logic hybrid model for efficient petroleum reservoir properties prediction
Tadeusiewicz Neural networks in mining sciences–general overview and some representative examples
Lee et al. Optimal design of hydraulic fracturing in porous media using the phase field fracture model coupled with genetic algorithm
Saussus et al. Facies as the key to using seismic inversion for modelling reservoir properties
Aleardi et al. Assessment of different approaches to rock-physics modeling: A case study from offshore Nile Delta
Fegh et al. Permeability prediction and construction of 3D geological model: application of neural networks and stochastic approaches in an Iranian gas reservoir
Huo et al. Prediction of reservoir key parameters in ‘sweet spot’on the basis of particle swarm optimization to TCN-LSTM network
Fang et al. Inversion of reservoir porosity, saturation, and permeability based on a robust hybrid genetic algorithm
Maschio et al. A framework to integrate history matching and geostatistical modeling using genetic algorithm and direct search methods
Chaikine et al. A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs
Srivardhan Adaptive boosting of random forest algorithm for automatic petrophysical interpretation of well logs
Ore et al. Prediction of reservoir brittleness from geophysical logs using machine learning algorithms
CN115407390A (zh) 地震储层参数预测方法及装置
CN116911216B (zh) 一种储层油井产能因素评估与预测方法
Asoodeh et al. Fuzzy classifier based support vector regression framework for Poisson ratio determination
Chen et al. Interpreting XGBoost predictions for shear-wave velocity using SHAP: Insights into gas hydrate morphology and saturation
WO2019023255A1 (en) DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION
Tariq An intelligent functional network approach to develop mathematical model to predict sonic waves travel time for carbonate rocks
Sun et al. Structure of an artificial-intelligence-assisted reservoir characterization and field development protocol
Gowida et al. Comparative analysis between different artificial based models for predicting static Poisson’s ratio of sandstone formations
Hajian et al. Genetic algorithm with applications in geophysics
Gorain et al. “Attribute based Inversion” a tool for reservoir characterization: a case study-Kalol Field, Cambay Basin, India
Pradhan et al. Seismic inversion for reservoir facies under geologically realistic prior uncertainty with 3D convolutional neural networks

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