CN115936234A - 一种基于深度学习的薄储层空间分布预测方法 - Google Patents
一种基于深度学习的薄储层空间分布预测方法 Download PDFInfo
- Publication number
- CN115936234A CN115936234A CN202211648358.6A CN202211648358A CN115936234A CN 115936234 A CN115936234 A CN 115936234A CN 202211648358 A CN202211648358 A CN 202211648358A CN 115936234 A CN115936234 A CN 115936234A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- dbn
- thin reservoir
- data
- thin
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的薄储层空间分布预测方法,涉及油气勘探技术领域,包括以下步骤:获取多种地层数据;进行相关性分析得到多种优选参数;采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,构建GA‑DBN薄储层预测模型;GA‑DBN模型的输入层包括与多种优选参数对应的多个节点,输出层包括与储层类型对应的多个节点;将多种优选参数输入至GA‑DBN薄储层预测模型,得到储层类型,根据多个储层类型对区域薄储层进行纵向预测。本发明利用GA‑DBN模型所得的预测效果相比于传统方法有显著的提升,根据预测结果生成的井柱状图与实际储层分布吻合,能较好的反映上、下储层各自的薄储层分布特征。
Description
技术领域
本发明涉及油气勘探技术领域,特别是涉及一种基于深度学习的薄储层空间分布预测方法。
背景技术
四川盆地海相碳酸盐岩是重点产能建设区域,深部海相带叠置复杂、波阻抗和储层相关性差、地震资料分辨率不足、储层隐蔽性强,地震刻画难度大。因此,对海相雷口坡组油气成藏特征、成藏模式及油气富集规律进行深入研究,针对海相碳酸盐岩薄储层识别问题,建立一套薄储层预测方法技术体系,在川西斜坡带等区域开展应用,进一步拓宽川西地区海相碳酸盐岩勘探领域,探寻“增储上产”的接替区域与层系,对川西地区油气勘探具有突出重要的理论意义和实际价值。
深度置信网络Deep Belief Networks作为深度学习中的一种常用网络结构,在故障分类能力、识别问题上具有突出的性能优势,其被广泛应用在语音识别、人脸识别、故障诊断等领域并取得较好的效果。近年来,DBN模型逐渐应用于储层预测方面,并且不论是岩性识别还是储层的测井参数预测,均取得到了较为理想的成效,但是将其与薄储层预测相结合的研究还很少。薄储层相对于常规储层,其测井响应更加复杂,根据薄储层测井解释来做出判断很难有效的对薄储层进行识别以及预测。
遗传算法Genetic Algorithm作为网络超参数优化的一种方法被广泛应用于多个领域,GA算法是一种随机搜索优化方法,该算法模拟了自然界中生物进化原理以及遗传机制,是通过一系列的遗传操作来模拟自然选择和进化来寻找最优解的过程。
针对薄储层预测问题,现有的解决技术主要通过三种方法对薄储层进行预测和表征:谱分解技术、地震反演技术以及多属性回归方法,尽管以上方法均能够有效的实现对薄储层的刻画,但现有技术仍存在一定的问题,如:谱分解技术能够在一定程度上提高地震资料分辨率以满足薄储层解释的需要,但是具有时窗难确定,子波不准确等问题;地震反演技术对于刻画常规储集层效果较好,但具有预测结果分辨率低,与模型化严重等问题;多属性回归方法能够对地震属性与储层参数之间的线性或非线性关系进行表征,但模型的泛化能力不足,从而对薄储层预测效果较差。随后,前人学者利用测井资料来实现薄储层在纵向上的识别及预测,但测井的数据量较大,需要耗费大量的人力物力,且主要依赖专家经验,人为主观因素影响较大。同时,测井数据与薄储层之间复杂的非线性关系通过传统方法很难对其进行识别和预测,测井数据很难得到充分的利用。综合对以上方法的研究,利用地震资料对薄储层空间的刻画仍存在不足之处,且采用传统方法难以精确刻画测井数据与薄储层间复杂的映射关系。
发明内容
本发明提供了一种基于深度学习的薄储层空间分布预测方法,可以解决现有技术中存在的问题。
本发明提供一种基于深度学习的薄储层空间分布预测方法,包括以下步骤:
获取多种地层数据;
对多种所述地层数据进行相关性分析得到多种优选参数;
采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,构建GA-DBN薄储层预测模型;所述GA-DBN模型的输入层包括与多种优选参数对应的多个节点,输出层包括与储层类型对应的多个节点;
将多种所述优选参数输入至GA-DBN薄储层预测模型,得到储层类型,根据多个储层类型对区域薄储层进行纵向预测。
优选的,采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,包括以下步骤:
初始化DBN模型中的激活函数、隐藏层数和神经元个数;
对上述三个参数进行初始值编码,产生初始种群;
通过适应度函数对初始种群的个体进行计算,得到个体适应度评价结果;
基于个体适应度评价结果,采用轮盘赌法对初始种群中的染色体进行选择操作,并利用交叉和变异操作对选中的个体进行优化,产生新的种群;
判断新的种群是否满足终止条件,不满足则重新确定种群,进行多次迭代优化得到最终种群;
对所述最终种群进行解码,得到优化过后的激活函数、隐藏层数和神经元个数。
优选的,所述适应度函数如下所示:
式中,yi代表地层数据的期望输出,y代表地层数据的实际输出,n代表地层数据个数。
优选的,多种所述优选参数包括浅侧向电阻率、不可压缩性、自然伽马、杨氏模量、泊松比和岩性密度。
优选的,所述GA-DBN薄储层预测模型的输入层包括6个节点,输出层包括2个节点。
优选的,所述输出层的输出表示为1和0。
优选的,所述地层数据包括测井参数和弹性参数。
优选的,将多种所述优选数据输入至GA-DBN薄储层预测模型之前,需要对多种优选数据进行交会分析和归一化预处理。
优选的,通过下式进行归一化计算:
式中,X代表原始地层数据,Xmin代表原始地层数据中的最小值,Xmax代表原始地层数据中的最大值,Y代表归一化之后的数据。
优选的,将预处理后的多个多种优选数据作为数据集,随机选取其中70%作为训练集,剩余的30%作为验证集,通过训练集对GA-DBN薄储层预测模型进行训练,通过验证集对GA-DBN薄储层预测模型进行验证。
与现有技术相比,本发明的有益效果是:
本发明首先对多种地层数据进行相关性分析得到多种优选参数,采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,构建GA-DBN薄储层预测模型,通过GA-DBN薄储层预测模型得到储层类型,根据多个储层类型对区域薄储层进行纵向预测。本发明利用GA-DBN模型所得的预测效果相比于传统方法有显著的提升,根据预测结果生成的井柱状图与实际储层分布较为吻合,且能较好的反映上、下储层各自的薄储层分布特征,充分表明相较于传统方法,GA-DBN模型能更精确的预测薄储层的空间分布情况,具有较大的推广应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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本发明的一种基于深度学习的薄储层空间分布预测方法的技术流程框图;
图2为本发明的GA优化DBN的具体流程图;
图3为本发明实施例中P1井参数曲线图;
图4为本发明实施例中P2井参数曲线图;
图5为本发明实施例中P1井和P2井的对比图。
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。
参照图1,本发明提供了一种基于深度学习的薄储层空间分布预测方法,包括以下步骤:
第一步:获取多种地层数据,包括测井参数和弹性参数。
第二步:将包括测井参数和弹性参数在内的14个指标进行相关性分析,目的是为在降低特征信息冗余度的同时,得到对储层含气性准确刻画的多种优选参数。多种优选参数为浅侧向电阻率、不可压缩性、自然伽马、杨氏模量、泊松比和岩性密度。
第三步:采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,构建GA-DBN薄储层预测模型,GA-DBN模型包括对应多种优选参数的多个输入层节点和对应不同的储层类型的多个输出层节点。
本发明采用深度置信网络DBN构建薄储层预测模型。将浅侧向电阻率、不可压缩性、自然伽马、杨氏模量、泊松比、岩性密度分别对应输入层6个节点,输出层的2个节点对应储层类型。受限玻尔兹曼机作为一种神经感知器,包括一个隐藏层h=(h1,h2,…,hn)和一个可见层v=(v1,v2,…,vn),可见层和隐藏层的联合分布的能量函数:
其中,Wij为可见层神经元i到隐藏层神经元j之间的连接权重,n、m分别表示可见层和隐藏层神经元个数;bi表示可见层中第i个节点的偏置系数;cj表示隐藏层中第j个节点的偏置系数;
根据式(1),可推导出可见层v与隐藏层h之间的联合概率分布:
将sigmoid函数作为激活函数,可见层各节点的激活概率计算公式为:
隐藏层各节点的激活概率计算公式为:
找到使可见层p(v)取得最大值的最优模型参数θ(wij,bi,cj),参数可以通过对数似然函数得到:
为充分利用DBN网络在识别和分类上的优势,将筛选得到的优选参数作为输入,并采用GA算法对DBN网络中激活函数、隐藏层数、神经元个数进行确定,最终构建GA-DBN薄储层预测模型。
参照图2,采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,包括以下步骤:
S1:对DBN待优化超参数进行二进制编码,产生初始种群P(t)。
S3:基于个体适应度,采用轮盘赌法对每代种群中的染色体进行选择操作,并利用交叉和变异操作对选中的个体进行优化,产生新的种群P(t+1),直至满足终止条件。
S4:对迭代优化过后的最终种群进行解码,得到优化过后的超参数,生成GA-DBN薄储层预测模型。
第四步:将多种优选数据输入至GA-DBN薄储层预测模型之前,需要对多种优选数据进行交会分析和归一化预处理。将优选参数进行交会分析,分析经过优选所得到的参数对于含气层的敏感性,同时验证本文参数优选方法的正确性。归一化公式如下所示:
将预处理后的多个多种优选数据作为数据集,随机选取其中70%作为训练集,剩余的30%作为验证集,通过训练集对GA-DBN薄储层预测模型进行训练,通过验证集对GA-DBN薄储层预测模型进行验证。
将训练集输入至GA-DBN薄储层预测模型进行训练。将6个优选参数的样本数据作为输入,输出为储层类型,判断为含气层应为1,否则为0。
第五步:通过训练后的GA-DBN薄储层预测模型对待测测井进行预测,挖掘其所包含的含气层特征,对区域薄储层进行纵向精准预测,并对薄储层层位分布进行刻画。
实施例1
从单口井中选取带有浅侧向电阻率、不可压缩性、自然伽马、杨氏模量、泊松比、岩性密度6个优选参数的样本数据作为输入,随机选取其中70%作为训练集对模型进行训练,剩余的30%作为验证集来调整模型结构使预测效果达到最佳,输出为储层类型,判断为含气层应为1,否则为0。
参照图3,本发明首先选取研究区中的P1作为样本井,选择深度为5926.375m-6093.875m作为样本层。该样本井的各参数数据按0.125m的间隔进行采样,最终得到1342组样本数据。为保证样本数据的均衡性,共选择了反映储层含气性响应特征的1000组,其中含气层和非含气层均500组,样本数据作为数据集。
选取其中70%的样本作为训练数据,剩余的30%的样本作为验证数据,训练数据和验证数据在地层的位置分布中体现。然后,参照图4,将研究区中的P2中深度为6232.75m-6379.625m的层段所包含1176组数据作为测试集,将样本层中的所有数据带入GA-DBN模型中并验证模型精度,进而对模型的泛化能力进行评价。
根据模型预测结果,得到两口井的总预测精度分别为92.4%和88.9%,通过对预测结果的统计得到表,并根据预测结果生成了两口井的井柱状图。
表1预测结果统计
如表1所示,P1和P2上储层的预测准确率分别为96.4%、92.5%,相较于下储层的90%、86.3%,表明该模型对上储层的预测效果较好;通过对比上下储层的储层厚度,下储层相对上储层较为发育。根据DBN模型所预测的储层分布,表明P2的含气层主要集中在上储层的中部,下储层段整体发育。
参照图5,通过对P1预测井柱状图分析,薄含气层主要集中分布在上储层的上部,且储层厚度较大,下储层的含气层纵向呈薄互层状,单层厚度薄,层数多,累计厚度相对较大,主体构造区相对较好储层基本都集中发育在中上部,与实际储层的大致分布相同。结合两口井的井柱状图,储层上下分界明显,并且能够很好的反映上储层和下储层各自的薄储层分布特征,这表明GA-DBN模型能准确表达特征参数与薄储层之间的映射关系。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的薄储层空间分布预测方法,其特征在于,包括以下步骤:
获取多种地层数据;
对多种所述地层数据进行相关性分析得到多种优选参数;
采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,构建GA-DBN薄储层预测模型;所述GA-DBN模型的输入层包括与多种优选参数对应的多个节点,输出层包括与储层类型对应的多个节点;
将多种所述优选参数输入至GA-DBN薄储层预测模型,得到储层类型,根据多个储层类型对区域薄储层进行纵向预测。
2.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定,包括以下步骤:
初始化DBN模型中的激活函数、隐藏层数和神经元个数;
对上述三个参数进行初始值编码,产生初始种群;
通过适应度函数对初始种群的个体进行计算,得到个体适应度评价结果;
基于个体适应度评价结果,采用轮盘赌法对初始种群中的染色体进行选择操作,并利用交叉和变异操作对选中的个体进行优化,产生新的种群;
判断新的种群是否满足终止条件,不满足则重新确定种群,进行多次迭代优化得到最终种群;
对所述最终种群进行解码,得到优化过后的激活函数、隐藏层数和神经元个数。
4.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,多种所述优选参数包括浅侧向电阻率、不可压缩性、自然伽马、杨氏模量、泊松比和岩性密度。
5.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,所述GA-DBN薄储层预测模型的输入层包括6个节点,输出层包括2个节点。
6.如权利要求5所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,所述输出层的输出表示为1和0。
7.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,所述地层数据包括测井参数和弹性参数。
8.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,将多种所述优选数据输入至GA-DBN薄储层预测模型之前,需要对多种优选数据进行交会分析和归一化预处理。
10.如权利要求8所述的一种基于深度学习的薄储层空间分布预测方法,其特征在于,将预处理后的多个多种优选数据作为数据集,随机选取其中70%作为训练集,剩余的30%作为验证集,通过训练集对GA-DBN薄储层预测模型进行训练,通过验证集对GA-DBN薄储层预测模型进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648358.6A CN115936234A (zh) | 2022-12-21 | 2022-12-21 | 一种基于深度学习的薄储层空间分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648358.6A CN115936234A (zh) | 2022-12-21 | 2022-12-21 | 一种基于深度学习的薄储层空间分布预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936234A true CN115936234A (zh) | 2023-04-07 |
Family
ID=86552038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211648358.6A Pending CN115936234A (zh) | 2022-12-21 | 2022-12-21 | 一种基于深度学习的薄储层空间分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936234A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611592A (zh) * | 2023-07-21 | 2023-08-18 | 成都理工大学 | 基于深度学习的铁路廊道沿线地热异常区预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824915A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
WO2022048288A1 (zh) * | 2020-09-07 | 2022-03-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
CN115059448A (zh) * | 2022-06-01 | 2022-09-16 | 中国石油大学(华东) | 一种基于深度学习算法的地层压力监测方法 |
-
2022
- 2022-12-21 CN CN202211648358.6A patent/CN115936234A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824915A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
WO2022048288A1 (zh) * | 2020-09-07 | 2022-03-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
CN115059448A (zh) * | 2022-06-01 | 2022-09-16 | 中国石油大学(华东) | 一种基于深度学习算法的地层压力监测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611592A (zh) * | 2023-07-21 | 2023-08-18 | 成都理工大学 | 基于深度学习的铁路廊道沿线地热异常区预测方法 |
CN116611592B (zh) * | 2023-07-21 | 2023-10-20 | 成都理工大学 | 基于深度学习的铁路廊道沿线地热异常区预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system | |
Dai et al. | Effects of learning parameters on learning procedure and performance of a BPNN | |
Lin et al. | Automatic lithology identification by applying LSTM to logging data: A case study in X tight rock reservoirs | |
CN109800954B (zh) | 基于测井数据的储层评价方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
MXPA06011012A (es) | Seleccion basada en algoritmo genetico de grupo de redes neurales para el procesamiento de datos de diagrafia. | |
CN104866578A (zh) | 一种不完整数据混合填充方法 | |
Ilkhchi et al. | A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: an example from the Kangan reservoir in the Iran Offshore Gas Field | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
US20210381362A1 (en) | Method and apparatus for estimating lithofacies by learning well logs | |
CN112712025A (zh) | 一种基于长短期记忆神经网络的复杂岩性识别方法 | |
CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
US20240077631A1 (en) | Seismic imaging free gas structure identification method and system | |
CN115936234A (zh) | 一种基于深度学习的薄储层空间分布预测方法 | |
CN116776949A (zh) | 基于控矿要素制约的机器学习化探数据处理方法及系统 | |
Li et al. | Prediction and application of porosity based on support vector regression model optimized by adaptive dragonfly algorithm | |
CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
Alameedy et al. | Evaluating machine learning techniques for carbonate formation permeability prediction using well log data | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
Vijouyeh et al. | A committee machine with intelligent experts (CMIE) for estimation of fast and slow shear wave velocities utilizing petrophysical logs | |
CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
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 | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection |
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 |