CN116500682A - 一种基于深度域自适应的裂缝预测方法 - Google Patents

Abstract

本发明公开了一种基于深度域自适应的裂缝预测方法，涉及勘探领域，本方法基于局部的裂缝真实数据和应力数据，将裂缝转换为线条，实现降维处理，并对线条进行截断组合生成更多的裂缝，通过真实数据和测试数据训练深度神经网络，通过训练后的深度神经网络来预测线条可能性，并进行线条匹配；通过对线条进行裂缝还原，实现裂缝预测。本方法对于大面积区域，只需要获取部分裂缝数据和区域应力数据，即可进行大范围的裂缝预测，帮助对裂缝发育和分布规律的研究。

Description

一种基于深度域自适应的裂缝预测方法

技术领域

本发明涉及勘探领域，具体涉及一种基于深度域自适应的裂缝预测方法。

背景技术

裂缝性储层是以裂缝为主要储集空间、裂缝性储层是指以裂缝为主要储集空间、渗流通道的储集层，有的也对储集层中分散、孤立的孔隙起连通作用，增加有效孔隙度，一般具有高渗透特征。

裂缝性储层一般有3种类型：一类是致密岩类，如四川盆地下二叠统(阳新统)，其岩石基质孔隙度小于1％，渗透率小于0.1亳达西，因其构造裂缝发育形成而形成了有效的储、渗空间；第二类是古风化壳溶蚀孔、洞储集层，渗透率极低，一般小于0.01个毫达西，但与后期构造裂缝搭配，形成了裂缝一孔洞(穴)型储层，如四川盆地的震旦系和奥陶系储集层；第三类是低孔隙储集层，如四川东部的石炭系碳酸盐岩(孔隙度3％～4％)、上三叠统须家河组砂岩(孔隙度5％～6％)，他们的基质孔隙渗透率很低，一般在0.01毫达西左右，只有当构造裂缝发育的地区，才能形成裂缝-孔隙型储集层，形成工业性的天然气藏。

地层裂缝的影响因素众多，不外乎归结为内因和外因。所有裂缝的形成都是这两大因素的综合结果。评价地层裂缝发育与否，都是相对的。就内因而言，包括地层的岩石类型、岩性、矿物成分、结构和构造特征、岩石强度、岩石力学性质、厚度等。而外因则包含沉积和成岩环境，构造应力的性质、方向、大小，区域构造背景，边界条件等。

90年代后，国外在裂缝的测井识别、地震识别上取得了长足的进步。测井方面新方法和新设备主要体现在:电磁测向仪、CT扫描仪、微Lambda测井、环形声波测井、成像测井(FMI)、全井眼地层微电阻率成像(FMI)、DSI偶极横波成像仪和井下电视仪(BHTV)等，这些方法和设备能测量出储层裂缝的倾角、走向、宽度、长度、视孔隙度，以及裂缝的充填与开启程度，甚至能识别出微裂缝及亚微观裂缝。但是这些方法使用成本高昂，不适用于大面积的探测，且只能对测得的区域进行识别，无法对其他区域的裂缝进行有效预测。

裂缝性油气藏勘探、开发的最大难点，是对储层岩体中裂缝发育程度和分布范围的预测。目前在国内各油田用于裂缝探测(地震、测井)研究的费用，每年在50亿元以上，但由于缺乏有效的预测手段，对裂缝发育和分布规律的研究不够准确，而使油气井钻探和油气田开发方案达不到预期目的，从而造成的间接损失更是难以完全统计。如克拉玛依的小拐油田，因对裂缝预测研究认识不足，油田建设投入的数十亿元资金基本上全部落空。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度域自适应的裂缝预测方法解决了现有裂缝识别方法无法进行裂缝预测的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于深度域自适应的裂缝预测方法，其包括以下步骤：

S1、获取目标区域储层类型和样本；获取目标区域部分裂缝数据，记为真实裂缝数据；获取目标区域上一次地震的应力数据；

S2、对若干目标区域储层样本分别不同的应力，获取加载不同应力下目标区域储层样本内的裂缝数据，记为模拟裂缝数据；

S3、获取真实裂缝数据的中心线，记为真实中心线；获取每个模拟裂缝数据的中心线，记为模拟中心线；

S4、分别将真实中心线和模拟中心线上出现分叉的点作为分叉点，对相邻分叉点之间的线条进行分段，得到真实截取数据和模拟截取数据；

S5、获取模拟截取数据对应的模拟特征值；将模拟特征值对应的应力数据作为训练样本，将模拟特征值作为训练标签，对深度神经网络进行预训练，得到预训练后的深度神经网络；

S6、获取真实截取数据对应的真实特征值；将目标区域部分裂缝数据对应的上一次地震的应力数据作为检验样本，将真实特征值作为检验标签，对预训练后的深度神经网络进行检验校正，得到检验校正后的深度神经网络；

S7、将目标区域目标位置处的上一次地震的应力数据作为检验校正后的深度神经网络的输入，获取对应的预测特征值；

S8、对已有的截取数据进行组合，得到若干组合线；对组合线进行分段并获取对应的特征值，记为组合特征值；将组合特征值、真实特征值和模拟特征值共同作为已有特征值；截取数据包括模拟截取数据和真实截取数据；

S9、获取预测特征值与已有特征值的欧式距离，将欧式距离小于欧式距离阈值的已有特征值作为目标区域目标位置处的特征值，并获取对应的线条，记为选中线条；

S10、将选中线条进行连线，并根据选中线条的尺寸参数得到预测的裂缝数据。

进一步地，步骤S5和步骤S6中特征值的获取方法为：

对线条进行方程拟合，将拟合方程中的系数作为特征元素构建特征矩阵，将特征矩阵作为特征值。

进一步地，步骤S8中对已有的截取数据进行组合的具体方法为：

判断任意已有的截取数据b和截取数据c是否在同一个三维坐标系中具备两轴及以上的坐标重合，若不具备则不对截取数据b和截取数据c进行组合；若具备则将该重合点作为交点，分别获取截取数据b在交点的前半部分b1、截取数据b在交点的后半部分b2、截取数据c在交点的前半部分c1，以及截取数据c在交点的后半部分c2；

保持b1位置不变，将c2平移至b1末端进行组合；

保持b2位置不变，将c1平移至b2前端进行组合；

保持c1位置不变，将b2平移至c1末端进行组合；

保持c2位置不变，将b1平移至c2前端进行组合。

进一步地，步骤S10的具体方法包括为：

将真实中心线和模拟中心线放置于同一个三维坐标系中，获取真实中心线和模拟中心线的空间位置；按照选中线条原有的空间位置进行摆放，对于任一选中线条a：

判断选中线条a的末端端点是否为分叉点，若是则进入步骤A1；否则确定其所要连接的头端端点最大数量为1，进入步骤A2；

A1、将该末端端点的分叉数量作为其所要连接的头端端点的最大数量；进入步骤A2；

A2、获取选中线条a的末端端点与其他选中线条的头端端点的间距，若存在间距小于距离阈值，泽进入步骤A3；否则将该选中线条a的末端端点留空；

A3、按照优先与间距最小的其他选中线条的头端端点相连原则，根据所要连接的头端端点最大数量进行端点相连，将得到的线条记为预测线条；

A4、根据真实中心线和模拟中心线对应的裂缝尺寸数据获取预测线条对应的裂缝尺寸数据，完成裂缝预测。

本发明的有益效果为：本方法基于局部的裂缝真实数据和应力数据，将裂缝转换为线条，实现降维处理，并对线条进行截断组合生成更多的裂缝，通过真实数据和测试数据训练深度神经网络，通过训练后的深度神经网络来预测线条可能性，并进行线条匹配；通过对线条进行裂缝还原，实现裂缝预测。本方法对于大面积区域，只需要获取部分裂缝数据和区域应力数据，即可进行大范围的裂缝预测，帮助对裂缝发育和分布规律的研究。

附图说明

图1为本方法的流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于深度域自适应的裂缝预测方法包括以下步骤：

S1、获取目标区域储层类型和样本；获取目标区域部分裂缝数据，记为真实裂缝数据；获取目标区域上一次地震的应力数据；

S2、对若干目标区域储层样本分别不同的应力，获取加载不同应力下目标区域储层样本内的裂缝数据，记为模拟裂缝数据；

S3、获取真实裂缝数据的中心线，记为真实中心线；获取每个模拟裂缝数据的中心线，记为模拟中心线；

S4、分别将真实中心线和模拟中心线上出现分叉的点作为分叉点，对相邻分叉点之间的线条进行分段，得到真实截取数据和模拟截取数据；

S5、获取模拟截取数据对应的模拟特征值；将模拟特征值对应的应力数据作为训练样本，将模拟特征值作为训练标签，对深度神经网络进行预训练，得到预训练后的深度神经网络；

S6、获取真实截取数据对应的真实特征值；将目标区域部分裂缝数据对应的上一次地震的应力数据作为检验样本，将真实特征值作为检验标签，对预训练后的深度神经网络进行检验校正，得到检验校正后的深度神经网络；

S7、将目标区域目标位置处的上一次地震的应力数据作为检验校正后的深度神经网络的输入，获取对应的预测特征值；

S8、对已有的截取数据进行组合，得到若干组合线；对组合线进行分段并获取对应的特征值，记为组合特征值；将组合特征值、真实特征值和模拟特征值共同作为已有特征值；截取数据包括模拟截取数据和真实截取数据；

S9、获取预测特征值与已有特征值的欧式距离，将欧式距离小于欧式距离阈值的已有特征值作为目标区域目标位置处的特征值，并获取对应的线条，记为选中线条；

S10、将选中线条进行连线，并根据选中线条的尺寸参数得到预测的裂缝数据。

步骤S5和步骤S6中特征值的获取方法为：对线条进行方程拟合，将拟合方程中的系数作为特征元素构建特征矩阵，将特征矩阵作为特征值。

步骤S8中对已有的截取数据进行组合的具体方法为：

判断任意已有的截取数据b和截取数据c是否在同一个三维坐标系中具备两轴及以上的坐标重合，若不具备则不对截取数据b和截取数据c进行组合；若具备则将该重合点作为交点，分别获取截取数据b在交点的前半部分b1、截取数据b在交点的后半部分b2、截取数据c在交点的前半部分c1，以及截取数据c在交点的后半部分c2；

保持b1位置不变，将c2平移至b1末端进行组合；

保持b2位置不变，将c1平移至b2前端进行组合；

保持c1位置不变，将b2平移至c1末端进行组合；

保持c2位置不变，将b1平移至c2前端进行组合。

步骤S10的具体方法包括为：

将真实中心线和模拟中心线放置于同一个三维坐标系中，获取真实中心线和模拟中心线的空间位置；按照选中线条原有的空间位置进行摆放，对于任一选中线条a：

判断选中线条a的末端端点是否为分叉点，若是则进入步骤A1；否则确定其所要连接的头端端点最大数量为1，进入步骤A2；

A1、将该末端端点的分叉数量作为其所要连接的头端端点的最大数量；进入步骤A2；

A2、获取选中线条a的末端端点与其他选中线条的头端端点的间距，若存在间距小于距离阈值，泽进入步骤A3；否则将该选中线条a的末端端点留空；

A3、按照优先与间距最小的其他选中线条的头端端点相连原则，根据所要连接的头端端点最大数量进行端点相连，将得到的线条记为预测线条；

A4、根据真实中心线和模拟中心线对应的裂缝尺寸数据获取预测线条对应的裂缝尺寸数据，完成裂缝预测。

在本发明的一个实施例中，深度神经网络可以采用支持向量机。支持向量机(Support Vector Machine,SVM)是基于统计学习理论和结构风险最小原理提出的机器学习方法，该方法在小样本集的条件下，通过寻求学习精度与学习函数复杂性之间的折中，克服了过拟合问题，获得了较强的泛化能力。可以用来解决非线性的分类、回归等问题。支持向量机方法首先通过非线性函数，把低维的样本数据转换到高维空间；然后在高维空间中求解二次规划问题；最终在高维空间中构建分类决策函数或回归估计函数，巧妙地解决了维数问题。从理论来讲，通过该方法可以得到全局最优解，避免了BP神经网络的局部极值问题。

在具体实施过程中，可以采用CT扫描法获取模拟裂缝数据。在获取裂缝数据中心线时，可以将裂缝横截面的重心作为中心线上的点，进而将连续的裂缝转换为连续的线条。

综上所述，本发明采用真实数据加模拟数据的方式获取基础数据样本，并采用截取拼接的方式增加裂缝的发育可能性，使得同一环境下预测得到的裂缝数据相对符合真实情况，并使得预测需要数据仅应力数据，便于实际预测工作的开展，帮助对裂缝发育和分布规律的研究。

Claims (4)

1.一种基于深度域自适应的裂缝预测方法，其特征在于，包括以下步骤：

S1、获取目标区域储层类型和样本；获取目标区域部分裂缝数据，记为真实裂缝数据；获取目标区域上一次地震的应力数据；

S2、对若干目标区域储层样本分别不同的应力，获取加载不同应力下目标区域储层样本内的裂缝数据，记为模拟裂缝数据；

S3、获取真实裂缝数据的中心线，记为真实中心线；获取每个模拟裂缝数据的中心线，记为模拟中心线；

S4、分别将真实中心线和模拟中心线上出现分叉的点作为分叉点，对相邻分叉点之间的线条进行分段，得到真实截取数据和模拟截取数据；

S5、获取模拟截取数据对应的模拟特征值；将模拟特征值对应的应力数据作为训练样本，将模拟特征值作为训练标签，对深度神经网络进行预训练，得到预训练后的深度神经网络；

S6、获取真实截取数据对应的真实特征值；将目标区域部分裂缝数据对应的上一次地震的应力数据作为检验样本，将真实特征值作为检验标签，对预训练后的深度神经网络进行检验校正，得到检验校正后的深度神经网络；

S7、将目标区域目标位置处的上一次地震的应力数据作为检验校正后的深度神经网络的输入，获取对应的预测特征值；

S8、对已有的截取数据进行组合，得到若干组合线；对组合线进行分段并获取对应的特征值，记为组合特征值；将组合特征值、真实特征值和模拟特征值共同作为已有特征值；截取数据包括模拟截取数据和真实截取数据；

S9、获取预测特征值与已有特征值的欧式距离，将欧式距离小于欧式距离阈值的已有特征值作为目标区域目标位置处的特征值，并获取对应的线条，记为选中线条；

S10、将选中线条进行连线，并根据选中线条的尺寸参数得到预测的裂缝数据。

2.根据权利要求1所述的基于深度域自适应的裂缝预测方法，其特征在于，步骤S5和步骤S6中特征值的获取方法为：

对线条进行方程拟合，将拟合方程中的系数作为特征元素构建特征矩阵，将特征矩阵作为特征值。

3.根据权利要求1所述的基于深度域自适应的裂缝预测方法，其特征在于，步骤S8中对已有的截取数据进行组合的具体方法为：

判断任意已有的截取数据b和截取数据c是否在同一个三维坐标系中具备两轴及以上的坐标重合，若不具备则不对截取数据b和截取数据c进行组合；若具备则将该重合点作为交点，分别获取截取数据b在交点的前半部分b1、截取数据b在交点的后半部分b2、截取数据c在交点的前半部分c1，以及截取数据c在交点的后半部分c2；

保持b1位置不变，将c2平移至b1末端进行组合；

保持b2位置不变，将c1平移至b2前端进行组合；

保持c1位置不变，将b2平移至c1末端进行组合；

保持c2位置不变，将b1平移至c2前端进行组合。

4.根据权利要求1所述的基于深度域自适应的裂缝预测方法，其特征在于，步骤S10的具体方法包括为：

将真实中心线和模拟中心线放置于同一个三维坐标系中，获取真实中心线和模拟中心线的空间位置；按照选中线条原有的空间位置进行摆放，对于任一选中线条a：

判断选中线条a的末端端点是否为分叉点，若是则进入步骤A1；否则确定其所要连接的头端端点最大数量为1，进入步骤A2；

A1、将该末端端点的分叉数量作为其所要连接的头端端点的最大数量；进入步骤A2；

A2、获取选中线条a的末端端点与其他选中线条的头端端点的间距，若存在间距小于距离阈值，泽进入步骤A3；否则将该选中线条a的末端端点留空；

A3、按照优先与间距最小的其他选中线条的头端端点相连原则，根据所要连接的头端端点最大数量进行端点相连，将得到的线条记为预测线条；

A4、根据真实中心线和模拟中心线对应的裂缝尺寸数据获取预测线条对应的裂缝尺寸数据，完成裂缝预测。