CN115877464A - 一种岩性识别方法、装置、计算机设备及存储介质 - Google Patents
一种岩性识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115877464A CN115877464A CN202211722716.3A CN202211722716A CN115877464A CN 115877464 A CN115877464 A CN 115877464A CN 202211722716 A CN202211722716 A CN 202211722716A CN 115877464 A CN115877464 A CN 115877464A
- Authority
- CN
- China
- Prior art keywords
- well
- data
- dimensional
- lithology
- seismic 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000013136 deep learning model Methods 0.000 claims abstract description 70
- 238000005553 drilling Methods 0.000 claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 36
- 208000035126 Facies Diseases 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 239000002609 medium Substances 0.000 description 23
- 238000011161 development Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Abstract
本发明实施例公开了一种岩性识别方法、装置、计算机设备及存储介质。该方法包括:获取待测区域的地质资料、钻井数据以及多维度地震数据体;采用三维相控伪井技术在待测区域未钻遇的沉积相中增加伪井,并根据地质资料和钻井数据在待测区域中确定训练集,以使训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;根据多维度地震数据体对训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;根据第一过井多维地震数据道对预设的深度学习模型进行训练;使用训练后的深度学习模型,根据多维度地震数据体对待测区域的三维岩性进行预测。从而保证了标签数据分布的均衡性以及训练数据的多维性,提高了岩性预测的准确性。
Description
技术领域
本发明实施例涉及石油勘探开发技术领域,尤其涉及一种岩性识别方法、装置、计算机设备及存储介质。
背景技术
随着勘探开发的不断深入,岩性圈闭勘探变得越来越重要,发现的储量占比也越来越高。但岩性圈闭勘探难度大,砂泥岩地震反射特征相似和砂岩厚度薄等问题制约了岩性圈闭勘探,因此岩性的准确识别是岩性圈闭有效与否的基础和前提。
地层岩性信息的获取最直接和最有效的方式就是钻井取心、井壁取心和岩屑录井等手段,但钻井取心和井壁取心价格昂贵,岩屑录井准确度不高,并且对于井间的岩性无法获取。由于海上钻井成本较高,井网密度远小于陆地,为了获取井间的岩性发展了大量的储层预测技术,地震反演是储层定量预测的有效手段。早期的基于稀疏脉冲等确定性反演技术受地震分辨率及带限子波的限制,分辨率低,多解性强,很难预测岩性圈闭的薄储层。后来发展的基于协克里金、序贯高斯和模拟退火等地质统计学反演一定程度上能够突破地震分辨率限制,实现薄储层的随机模拟,但该方法也存在对先验模型的依赖比较严重、变差函数的确定人为因素较强,对井数和井位分布要求较高等问题。传统的岩性预测方法是通过统计岩石物理模型,反演弹性参数等储层参数转换为岩性数据,但岩性与储层参数之间的关系往往是复杂的非线性关系,经常导致预测的岩性存在误差。
近年来随着人工智能技术的飞速发展,越来越多的深度学习模型应用于岩性识别领域。目前许多学者已经通过已钻井岩性与地震数据的关系来直接预测井间的岩性,并取得了一定效果,但该方法仍然存在标签数据分布不均等问题,这制约了深度学习在岩性直接识别中的进一步应用。
发明内容
本发明实施例提供一种岩性识别方法、装置、计算机设备及存储介质,以提高标签数据分布的均衡性,从而提高岩性预测的准确性。
第一方面,本发明实施例提供了一种岩性识别方法,该方法包括:
获取待测区域的地质资料、钻井数据以及多维度地震数据体;
采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;
根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;
根据所述第一过井多维地震数据道对预设的深度学习模型进行训练;
使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
可选的,在所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练之前,还包括:
根据所述钻井数据划分所述待测区域的岩性类型;
相应的,所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练,包括:
建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并根据所述敏感关系将部分所述第一过井多维地震数据道确定为敏感多维度数据;
使用所述敏感多维度数据对所述深度学习模型进行训练。
可选的,在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,还包括:
根据所述地质资料和所述钻井数据在所述待测区域中确定测试集;
根据所述多维度地震数据体对所述测试集中的所有井进行精细井震标定,提取得到第二过井多维地震数据道;
根据所述第二过井多维地震数据道对训练后的所述深度学习模型进行测试,并记录测试准确率;
若所述测试准确率低于预设阈值,则重新建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并重新确定所述敏感多维度数据对所述深度学习模型再次进行训练。
可选的,在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,还包括:
使用训练后的所述深度学习模型对所述待测区域中盲井的岩性进行预测,并将预测结果与真实结果进行比较。
可选的,所述深度学习模型为添加有K邻域约束的U-Net网络。
可选的,所述多维度地震数据体包括:大角度数据体、小角度数据体、中角度数据体、全叠加数据体、分频数据体以及反演数据体中的多种。
可选的,在所述采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井之前,还包括:
根据所述地质资料对所述待测区域进行沉积相分析,以判定所述待测区域中的井位分布是否均衡。
第二方面,本发明实施例还提供了一种岩性识别装置,该装置包括:
资料收集模块,用于获取待测区域的地质资料、钻井数据以及多维度地震数据体;
训练集确定模块,用于采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;
训练数据提取模块,用于根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;
模型训练模块,用于根据所述第一过井多维地震数据道对预设的深度学习模型进行训练;
岩性预测模块,用于使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的岩性识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的岩性识别方法。
本发明实施例提供了一种岩性识别方法,首先获取待测区域的地质资料、钻井数据和多维度地震数据体,并采用三维相控伪井技术在待测区域未钻遇的沉积相中增加伪井,然后根据地质资料和钻井数据在待测区域中确定训练集,并使得训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井,再根据多维度地震数据体对训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道,从而可以根据得到的第一过井多维地震数据道对预设的深度学习模型进行训练,再使用训练后的深度学习模型根据多维度地震数据体对待测区域的三维岩性进行预测。本发明实施例所提供的岩性识别方法,通过使用三维相控伪井技术保证了标签数据分布的均衡性,同时也充分的利用了地震数据的多维度信息,获得了岩性在不同维度下的映射特征,保证了训练数据的多维性,从而提高了岩性预测的准确性,以得到储层空间展布来指导岩性圈闭勘探开发生产。
附图说明
图1为本发明实施例一提供的岩性识别方法的流程图;
图2为本发明实施例二提供的岩性识别装置的结构示意图;
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的岩性识别方法的流程图。本实施例可适用于为进行岩性圈闭勘探而需对岩性进行准确识别的情况,该方法可以由本发明实施例所提供的岩性识别装置来执行,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图1所示,具体包括如下步骤:
S11、获取待测区域的地质资料、钻井数据以及多维度地震数据体。
具体的,可以利用现有的任意方式获取所需的地质资料、钻井数据和多维度地震数据体。其中,可选的,所述多维度地震数据体包括:大角度数据体、小角度数据体、中角度数据体、全叠加数据体、分频数据体以及反演数据体中的多种。钻井数据可以包括录井、测井和井壁心等等,地质资料可以包括沉积特征等等。
S12、采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井。
具体的,为了保证训练集中每种沉积相至少包含一个标签,可以预先采用三维相控伪井技术来增强标签数据的均衡性。具体可以在待测区域未钻遇的沉积相中增加伪井,然后根据地质资料和钻井数据在待测区域中确定训练集,并使得训练集区域中可以包括待测区域所包括的各种沉积相,且每种沉积相中至少包括一口井,其中的井即可以是增加的伪井或者原有的已钻井。也可以先根据地质资料和钻井数据在待测区域中确定训练集,并使得训练集区域中可以包括待测区域所包括的各种沉积相,且已钻遇的沉积相中至少包括一口已钻井,然后采用三维相控伪井技术在待测区域未钻遇的沉积相中增加伪井,以使得所确定的训练集区域未钻遇的沉积相中也至少包括一口伪井。
可选的,在所述采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井之前,还包括:根据所述地质资料对所述待测区域进行沉积相分析,以判定所述待测区域中的井位分布是否均衡。具体的,在增加伪井之前,可以首先通过沉积相分析确定待测区域中的井位分布是否均衡,若分布均衡,则可以不增加伪井,直接根据地质资料和钻井数据在待测区域中确定训练集,并使得训练集中每种沉积相至少包括一个标签,若分布均衡,则可参考上述说明,增加伪井并确定相应的训练集。
S13、根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道。
具体的,在确定了训练集之后,即可根据收集的多维度地震数据体对训练集中的所有井进行不同维度下的精细井震标定,并提取得到第一过井多维地震数据道。
S14、根据所述第一过井多维地震数据道对预设的深度学习模型进行训练。
具体的,在获得。训练集相应的第一过井多维地震数据道之后,即可使用第一过井多维地震数据道对预设的深度学习模型进行训练,以得到训练后的深度学习模型。其中,可选的,所述深度学习模型为添加有K邻域约束的U-Net网络,通过添加K邻域约束,可以保证岩性预测结果的连续性和规律性,避免出现深层网络梯度消失和过拟合等问题。
可选的,在所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练之前,还包括:根据所述钻井数据划分所述待测区域的岩性类型;相应的,所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练,包括:建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并根据所述敏感关系将部分所述第一过井多维地震数据道确定为敏感多维度数据;使用所述敏感多维度数据对所述深度学习模型进行训练。
具体的,可以首先根据录井、测井和井壁心划分待测区域的岩性类型(如砂岩和泥岩),然后可以分析训练集岩性与第一过井多维地震数据道的敏感性,建立岩性类型与第一过井多维地震数据道之间的敏感关系,从而可以根据该敏感关系初始的优选部分第一过井多维地震数据道作为敏感多维度数据,以完成标签集的制作,然后即可使用该敏感多维度数据对预设的深度学习模型进行训练,以得到训练后的深度学习模型。
S15、使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
具体的,在完成训练后,即可将训练后的深度学习模型应用于整个待测区域的多维度地震数据体,以直接预测待测区域的三维岩性。
可选的,在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,还包括:根据所述地质资料和所述钻井数据在所述待测区域中确定测试集;根据所述多维度地震数据体对所述测试集中的所有井进行精细井震标定,提取得到第二过井多维地震数据道;根据所述第二过井多维地震数据道对训练后的所述深度学习模型进行测试,并记录测试准确率;若所述测试准确率低于预设阈值,则重新建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并重新确定所述敏感多维度数据对所述深度学习模型再次进行训练。
具体的,可以在确定训练集的同时,类似的确定测试集,即根据收集的地质资料和钻井数据在待测区域中确定测试集,并可以使得测试集中至少包括一个标签,进一步可以使得测试集中每种沉积相至少包括一个标签。然后同样的可以根据多维度地震数据体对测试集中的所有井进行精细井震标定,以提取得到第二过井多维地震数据道。在每次完成训练后,可以首先将训练后的深度学习模型应用于测试集,进行测试集准确率分析,即可以根据第二过井多维地震数据道对训练后的深度学习模型进行测试,并记录测试准确率,再将记录得到的测试准确率与预设阈值(如85%)进行比较,若得到的测试准确率高于预设阈值,则可以将该次训练后的深度学习模型作为最终模型应用于整个待测区域的多维度地震数据体进行岩性预测,若得到的测试准确率低于预设阈值,则可以重新进行敏感多维度数据的分析,重新进行训练集训练,并修改深度学习模型的参数,直至测试集的测试准确率可以满足预设阈值的要求。具体即可以重新分析并建立岩性类型与第一过井多维地震数据道之间的敏感关系,并重新确定敏感多维度数据对深度学习模型再次进行训练。
在上述技术方案的基础上,可选的,在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,还包括:使用训练后的所述深度学习模型对所述待测区域中盲井的岩性进行预测,并将预测结果与真实结果进行比较。具体的,在完成对深度学习模型的训练后,还可以将训练后的深度学习模型直接应用于待测区域中盲井的岩性预测,然后可以将预测结果与真实结果进行比较,从而测试深度学习模型的泛化能力。经实验验证,本方法应用于盲井岩性预测,直接预测结果准确率可达93%。
在将训练后的深度学习模型应用于整个待测区域的多维度地震数据体进行岩性预测之后,还可以将预测结果与原始地震剖面以及反演剖面进行剖面对比,以及将预测结果与波阻抗平面展布图进行平面对比,经实验验证,本方法能够较为准确的识别岩性,识别结果也与波阻抗平面展布较为匹配,证明了本方法的有效性。
本发明实施例所提供的技术方案,首先获取待测区域的地质资料、钻井数据和多维度地震数据体,并采用三维相控伪井技术在待测区域未钻遇的沉积相中增加伪井,然后根据地质资料和钻井数据在待测区域中确定训练集,并使得训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井,再根据多维度地震数据体对训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道,从而可以根据得到的第一过井多维地震数据道对预设的深度学习模型进行训练,再使用训练后的深度学习模型根据多维度地震数据体对待测区域的三维岩性进行预测。通过使用三维相控伪井技术保证了标签数据分布的均衡性,同时也充分的利用了地震数据的多维度信息,获得了岩性在不同维度下的映射特征,保证了训练数据的多维性,从而提高了岩性预测的准确性,以得到储层空间展布来指导岩性圈闭勘探开发生产。
实施例二
图2为本发明实施例二提供的岩性识别装置的结构示意图,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中,用于执行本发明任意实施例所提供的岩性识别方法。如图2所示,该装置包括:
资料收集模块21,用于获取待测区域的地质资料、钻井数据以及多维度地震数据体;
训练集确定模块22,用于采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;
训练数据提取模块23,用于根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;
模型训练模块24,用于根据所述第一过井多维地震数据道对预设的深度学习模型进行训练;
岩性预测模块25,用于使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
本发明实施例所提供的技术方案,首先获取待测区域的地质资料、钻井数据和多维度地震数据体,并采用三维相控伪井技术在待测区域未钻遇的沉积相中增加伪井,然后根据地质资料和钻井数据在待测区域中确定训练集,并使得训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井,再根据多维度地震数据体对训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道,从而可以根据得到的第一过井多维地震数据道对预设的深度学习模型进行训练,再使用训练后的深度学习模型根据多维度地震数据体对待测区域的三维岩性进行预测。通过使用三维相控伪井技术保证了标签数据分布的均衡性,同时也充分的利用了地震数据的多维度信息,获得了岩性在不同维度下的映射特征,保证了训练数据的多维性,从而提高了岩性预测的准确性,以得到储层空间展布来指导岩性圈闭勘探开发生产。
在上述技术方案的基础上,可选的,该岩性识别装置,还包括:
岩性类型划分模块,用于在所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练之前,根据所述钻井数据划分所述待测区域的岩性类型;
相应的,模型训练模块24,包括:
敏感多维度数据确定单元,用于建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并根据所述敏感关系将部分所述第一过井多维地震数据道确定为敏感多维度数据;
模型训练单元,用于使用所述敏感多维度数据对所述深度学习模型进行训练。
在上述技术方案的基础上,可选的,该岩性识别装置,还包括:
测试集确定模块,用于在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,根据所述地质资料和所述钻井数据在所述待测区域中确定测试集;
测试数据提取模块,用于根据所述多维度地震数据体对所述测试集中的所有井进行精细井震标定,提取得到第二过井多维地震数据道;
模型测试模块,用于根据所述第二过井多维地震数据道对训练后的所述深度学习模型进行测试,并记录测试准确率;
模型重训练模块,用于若所述测试准确率低于预设阈值,则重新建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并重新确定所述敏感多维度数据对所述深度学习模型再次进行训练。
在上述技术方案的基础上,可选的,该岩性识别装置,还包括:
盲井验证模块,用于在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,使用训练后的所述深度学习模型对所述待测区域中盲井的岩性进行预测,并将预测结果与真实结果进行比较。
在上述技术方案的基础上,可选的,所述深度学习模型为添加有K邻域约束的U-Net网络。
在上述技术方案的基础上,可选的,所述多维度地震数据体包括:大角度数据体、小角度数据体、中角度数据体、全叠加数据体、分频数据体以及反演数据体中的多种。
在上述技术方案的基础上,可选的,该岩性识别装置,还包括:
沉积相分析模块,用于在所述采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井之前,根据所述地质资料对所述待测区域进行沉积相分析,以判定所述待测区域中的井位分布是否均衡。
本发明实施例所提供的岩性识别装置可执行本发明任意实施例所提供的岩性识别方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,在上述岩性识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图,示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图3所示,该计算机设备包括处理器31、存储器32、输入装置33及输出装置34;计算机设备中处理器31的数量可以是一个或多个,图3中以一个处理器31为例,计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的岩性识别方法对应的程序指令/模块(例如,岩性识别装置中的资料收集模块21、训练集确定模块22、训练数据提取模块23、模型训练模块24及岩性预测模块25)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的岩性识别方法。
存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于获取待测区域的相关数据资料,以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏,可用于向用户展示预测结果等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种岩性识别方法,该方法包括:
获取待测区域的地质资料、钻井数据以及多维度地震数据体;
采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;
根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;
根据所述第一过井多维地震数据道对预设的深度学习模型进行训练;
使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的岩性识别方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种岩性识别方法,其特征在于,包括:
获取待测区域的地质资料、钻井数据以及多维度地震数据体;
采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;
根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;
根据所述第一过井多维地震数据道对预设的深度学习模型进行训练;
使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
2.根据权利要求1所述的岩性识别方法,其特征在于,在所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练之前,还包括:
根据所述钻井数据划分所述待测区域的岩性类型;
相应的,所述根据所述第一过井多维地震数据道对预设的深度学习模型进行训练,包括:
建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并根据所述敏感关系将部分所述第一过井多维地震数据道确定为敏感多维度数据;
使用所述敏感多维度数据对所述深度学习模型进行训练。
3.根据权利要求2所述的岩性识别方法,其特征在于,在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,还包括:
根据所述地质资料和所述钻井数据在所述待测区域中确定测试集;
根据所述多维度地震数据体对所述测试集中的所有井进行精细井震标定,提取得到第二过井多维地震数据道;
根据所述第二过井多维地震数据道对训练后的所述深度学习模型进行测试,并记录测试准确率;
若所述测试准确率低于预设阈值,则重新建立所述岩性类型与所述第一过井多维地震数据道之间的敏感关系,并重新确定所述敏感多维度数据对所述深度学习模型再次进行训练。
4.根据权利要求1所述的岩性识别方法,其特征在于,在所述使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测之前,还包括:
使用训练后的所述深度学习模型对所述待测区域中盲井的岩性进行预测,并将预测结果与真实结果进行比较。
5.根据权利要求1所述的岩性识别方法,其特征在于,所述深度学习模型为添加有K邻域约束的U-Net网络。
6.根据权利要求1所述的岩性识别方法,其特征在于,所述多维度地震数据体包括:大角度数据体、小角度数据体、中角度数据体、全叠加数据体、分频数据体以及反演数据体中的多种。
7.根据权利要求1所述的岩性识别方法,其特征在于,在所述采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井之前,还包括:
根据所述地质资料对所述待测区域进行沉积相分析,以判定所述待测区域中的井位分布是否均衡。
8.一种岩性识别装置,其特征在于,包括:
资料收集模块,用于获取待测区域的地质资料、钻井数据以及多维度地震数据体;
训练集确定模块,用于采用三维相控伪井技术在所述待测区域未钻遇的沉积相中增加伪井,并根据所述地质资料和所述钻井数据在所述待测区域中确定训练集,以使所述训练集包括各种沉积相且每种沉积相中至少包括伪井或已钻井;
训练数据提取模块,用于根据所述多维度地震数据体对所述训练集中的所有井进行精细井震标定,提取得到第一过井多维地震数据道;
模型训练模块,用于根据所述第一过井多维地震数据道对预设的深度学习模型进行训练;
岩性预测模块,用于使用训练后的所述深度学习模型,根据所述多维度地震数据体对所述待测区域的三维岩性进行预测。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的岩性识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的岩性识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211722716.3A CN115877464B (zh) | 2022-12-30 | 2022-12-30 | 一种岩性识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211722716.3A CN115877464B (zh) | 2022-12-30 | 2022-12-30 | 一种岩性识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115877464A true CN115877464A (zh) | 2023-03-31 |
CN115877464B CN115877464B (zh) | 2024-02-13 |
Family
ID=85757516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211722716.3A Active CN115877464B (zh) | 2022-12-30 | 2022-12-30 | 一种岩性识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877464B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077016A (zh) * | 2023-08-17 | 2023-11-17 | 中国自然资源航空物探遥感中心 | 基于航空磁放数据的支持向量机超基性岩识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861149A (zh) * | 2017-11-03 | 2018-03-30 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于波形驱动下的叠前纵横波速度比模拟方法 |
CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
WO2020056073A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
WO2020082824A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
CN113792936A (zh) * | 2021-09-28 | 2021-12-14 | 中海石油(中国)有限公司 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
CN114529110A (zh) * | 2020-11-03 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种基于深度神经网络模型的岩相反演方法及系统 |
CN115220101A (zh) * | 2022-06-21 | 2022-10-21 | 中国石油大学(华东) | 一种深层碎屑岩砂体沉积结构的建模方法 |
-
2022
- 2022-12-30 CN CN202211722716.3A patent/CN115877464B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861149A (zh) * | 2017-11-03 | 2018-03-30 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于波形驱动下的叠前纵横波速度比模拟方法 |
WO2020056073A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
WO2020082824A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
CN114529110A (zh) * | 2020-11-03 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种基于深度神经网络模型的岩相反演方法及系统 |
CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
CN113792936A (zh) * | 2021-09-28 | 2021-12-14 | 中海石油(中国)有限公司 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
CN115220101A (zh) * | 2022-06-21 | 2022-10-21 | 中国石油大学(华东) | 一种深层碎屑岩砂体沉积结构的建模方法 |
Non-Patent Citations (1)
Title |
---|
周连敏;王晶晶;: "井震协同建模技术在提高建模精度中的应用――以大港油田埕海一区为例", 长江大学学报(自科版), no. 03, pages 5 - 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077016A (zh) * | 2023-08-17 | 2023-11-17 | 中国自然资源航空物探遥感中心 | 基于航空磁放数据的支持向量机超基性岩识别方法 |
CN117077016B (zh) * | 2023-08-17 | 2024-03-19 | 中国自然资源航空物探遥感中心 | 基于航空磁放数据的支持向量机超基性岩识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115877464B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018340369B2 (en) | Method and device for determining thin interlayer | |
Pham et al. | Missing well log prediction using convolutional long short-term memory network | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
JP3390445B2 (ja) | 地質学的特性を推定するために統計学的較正技術を使用する地震トレース解析方法 | |
Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
WO2021130512A1 (en) | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data | |
Li et al. | Prediction of fracture density using genetic algorithm support vector machine based on acoustic logging data | |
CN104755960A (zh) | 基于盆地建模对用于处理地震数据的速度模型的改进 | |
Yan et al. | A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm | |
CN102520446A (zh) | 高精度三维层序自动识别系统 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
CN115877464B (zh) | 一种岩性识别方法、装置、计算机设备及存储介质 | |
Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
Yang et al. | Porosity and permeability prediction using a transformer and periodic long short-term network | |
Shen et al. | Data-driven interpretation of ultradeep azimuthal propagation resistivity measurements: Transdimensional stochastic inversion and uncertainty quantification | |
WO2016115437A1 (en) | Approaches to tying well logs to seismic data | |
CN106338767A (zh) | 多参数地震属性分析方法及系统 | |
Yang et al. | ANN-based multicomponent seismic data-driven prediction of gas-bearing distribution | |
Lefranc et al. | Reservoir Characterization for Fracture Distribution Prediction and New Well Target Identification | |
CN114063162B (zh) | 一种基于小样本机器学习SVM Vp/Vs预测方法 | |
Liu et al. | Seismic characterization of fault and fractures in deep buried carbonate reservoirs using CNN-LSTM based deep neural networks | |
CN112862169B (zh) | 预测陆相泥页岩游离油含量的方法及装置 | |
CN111025393B (zh) | 针对含薄煤层地层的储层预测方法、装置、设备及介质 | |
CN114063169B (zh) | 一种波阻抗反演方法、系统、设备和存储介质 | |
Wang et al. | A Lithology Identification Approach Using Well Logs Data and Convolutional Long Short-Term Memory 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |