CN116520394A - 基于地震测井双驱动融合多尺度信息直接预测孔隙度方法 - Google Patents
基于地震测井双驱动融合多尺度信息直接预测孔隙度方法 Download PDFInfo
- Publication number
- CN116520394A CN116520394A CN202210071281.4A CN202210071281A CN116520394A CN 116520394 A CN116520394 A CN 116520394A CN 202210071281 A CN202210071281 A CN 202210071281A CN 116520394 A CN116520394 A CN 116520394A
- Authority
- CN
- China
- Prior art keywords
- porosity
- seismic
- network
- data
- logging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000036039 immunity Effects 0.000 claims abstract description 8
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 5
- 230000009977 dual effect Effects 0.000 claims description 39
- 239000011435 rock Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/59—Other corrections
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/612—Previously recorded data, e.g. time-lapse or 4D
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6244—Porosity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,包括:步骤1,基于褶积模型和岩石物理模型分别合成地震数据和孔隙度模型,提取孔隙度曲线及其对应的地震记录作为训练数据或测试数据;步骤2,构建基于地震测井双驱动井震多尺度信息融合的孔隙度预测模型;步骤3,评价网络模型预测孔隙度的精度和抗噪性,确定地震测井双驱动模型为最优模型;步骤4,迁移应用网络模型到实际数据,联合地震和测井资料定量预测孔隙度分布。该基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法直接实现从地震数据预测出储层孔隙度,达到减小误差累积效应,提高反演效率和结果可靠性的目的。
Description
技术领域
本发明涉及地学中的地球物理反演和储层预测领域,特别是涉及到一种基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法。
背景技术
孔隙度是描述储层储集能力和预测潜在油气的重要特征参数。根据不同的地球物理技术与手段,目前求取孔隙度的方法主要包括岩石物理实验、测井解释和井震联合预测。前两种方法分别依赖于岩心数据和测井资料,实现垂向上高精度的岩心段或全井段孔隙度测量。但受限于工区钻井的稀疏分布,这两种方法都无法精确外推获得井间连续分布的孔隙度。井震联合方法整合地震、测井与地质等资料的各自优势,以地震资料为基础,弥补测井或岩心资料难以推断储层参数横向变化规律的缺陷,估计出研究区域孔隙度的空间展布。
井震联合孔隙度预测方法的理论基础是地震波在岩石中的传播速度(波阻抗)与岩石孔隙度和孔隙流体速度有关。该类方法可以进一步分为线性计算方法和非线性反演两大类。线性计算方法包括:(1)从地震纵波速度出发的Wyllie时间平均方程及其改进公式;(2)孔隙度与对孔隙度敏感的单参数(如声波速度、渗透率、砂体厚度、泥质含量等)之间的线性拟合公式;(3)结合地震垂直旅行时和测井孔隙度的Cokriging法等。
井震联合孔隙度非线性反演方法的核心问题在于如何建立测井孔隙度与地震多属性之间的对应关系。根据利用的地震属性和实施流程差异,非线性孔隙度反演方法主要包括:(1)叠后单属性预测。如利用测井数据统计拟合出阻抗与孔隙度的线性或非线性经验关系式,再基于此公式将叠后波阻抗反演得到的弹性参数映射为孔隙度。(2)叠后多属性融合。该方法考虑到储层孔隙度不仅与波阻抗(或地震波速度)有关,还与多种地震属性有关。首先通过专家知识或智能优化算法获取最优的敏感地震属性组合,之后采用神经网络、地质统计学等模式识别方法,映射优选的地震属性到孔隙度。(3)叠前多属性融合。相比于叠后数据,叠前地震数据包含着更为丰富的储层岩性、物性与流体信息,这些信息随角度变化表现出不同的AVO和弹性阻抗差异特征。因此,理论上叠前地震数据预测储层物性参数具有更高的精度和可靠性,有利于降低储层预测的多解性。依托叠前同步反演和多属性融合两大技术联合建立孔隙度预测的工作流程,通过叠前反演获得纵横波速度、纵横波速度比、纵横波阻抗、密度、杨氏模量、泊松比等与孔隙度有更好相关性、包含更多反映储层孔隙度特征的叠前弹性参数,随后优选并组合叠前AVO属性(截距、梯度、泊松比等)、叠后地震属性(振幅、频率、波形三大类等)和叠前弹性参数中的一类或多类参数,利用神经网络、随机模拟、数据组合处理等多属性拟合技术建立基于优选属性的孔隙度预测模型,更为精确地定量表征孔隙度的空间分布。此外,还可以结合岩相等信息进一步开展相控孔隙度预测等工作。总的来说,提高叠前弹性参数反演精度和优选出与孔隙度关联度高的多种属性是叠前多属性融合预测孔隙度方法的两大关键。
无论是叠后地震属性直接预测孔隙度,还是叠前同步反演预测出弹性参数后再进一步预测孔隙度,优化选择与储层物性相关的多种属性是提高现有的地震孔隙度预测方法精度的一个关键性问题。在不同岩性、不同孔隙结构的实际工区,这些参数依赖于经验选择和交叉检验。
在申请号:CN201510634572.X的中国专利申请中,涉及到一种基于深度域叠前角道集的孔隙度预测方法,属于油气物探工程领域。该孔隙度预测方法包括下列步骤:(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性;(2)获得重采样孔隙度数据;(3)基于地震属性和重采样孔隙度数据建立联合样本集,之后对联合样本集进行标准差标准化处理获得标准化地震属性和相应的标准化孔隙度数据;(4)将联合样本集随机分为训练数据集和测试数据集,获得优选地震属性子集;(5)基于优选地震属性子集建立预测模型;(6)基于测试数据检验预测模型获得检验预测模型;(7)使工区范围内的所有的优选地震属性子集通过检验预测模型以预测所述工区范围内孔隙度数据。
在申请号:CN201711212942.6的中国专利申请中,涉及到种基于地震奇偶函数的碳酸盐岩薄储层孔隙度预测方法,包括以下几个步骤:步骤101,使用固定时长的移动时窗截取短时地震信号,得到移动时窗内原始信号在时间域上的偶函数和奇函数部分;步骤102,使用测井曲线标准及井旁地震数据获得实际地震子波,以之标准化奇、偶函数部振幅谱并计算奇、偶函数部峰值振幅属性;步骤103,将奇、偶函数峰值振幅属性与相关地震属性特征共同组成多属性数据集,采用多属性分析与实测的储层孔隙度数据拟合,以获得大范围内储层孔隙度预测结果。该发明利用子波标准化方法和地震资料奇、偶函数提取的方法,获得只与碳酸盐岩储层孔隙度相关的属性,再结合地震多属性分析方法,从而对储层孔隙度精确预测。
在申请号:CN201610563338.7的中国专利申请中,涉及到一种基于大面积致密储层地震岩石物理反演方法,该方法包括:建立多尺度岩石物理模型;开展声波测井与超声波两种尺度下岩石物理参数的流体敏感性分析,筛选出多个观测尺度下对孔隙度、含气饱和度最为敏感的岩石物理参数;构建单井岩石物理模板,优选其标准模板;考虑储层地质特征的横向变化与非均质性,在大工区内根据所有井试气情况对岩石物理模板的输入参数进行微调,优化整个工区并建立三维工区岩石物理模板数据体,将其与地震叠前反演结合计算目的层孔隙度、饱和度;对结果进行平滑处理最终输出储层参数反演数据体。通过与实际地层测井解释、试气结果的对比,证实了所预测结果的正确性及本发明的有效性。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法。
发明内容
本发明的目的是提供一种直接实现从地震数据预测出储层孔隙度,达到减小误差累积效应,提高反演效率和结果可靠性的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法。
本发明的目的可通过如下技术措施来实现:基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,该基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法包括:
步骤1,基于褶积模型和岩石物理模型分别合成地震数据和孔隙度模型,提取孔隙度曲线及其对应的地震记录作为训练数据或测试数据;
步骤2,构建基于地震测井双驱动井震多尺度信息融合的孔隙度预测模型;
步骤3,评价网络模型预测孔隙度的精度和抗噪性,确定地震测井双驱动模型为最优模型;
步骤4,迁移应用网络模型到实际数据,联合地震和测井资料定量预测孔隙度分布。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,利用褶积模型合成不同主频、不同频带范围、不同信噪比的地震记录,基于岩石物理模型和弹性参数生成孔隙度模型,合成的地震记录和孔隙度分别用作网络的输入样本和期望输出,以此构建地震数据直接预测孔隙度的网络模型。
在步骤1中,不同主频、不同频带、不同信噪比的地震记录更充分地拟合实际地震数据的物理和数据特征,扩展样本库的丰富性;结合不同岩石物物理模型生成的孔隙度模拟地下不同孔隙结构的分布情况。
在步骤2中,融合窄带地震数据和宽带测井数据这两种不同尺度信息,并同时建立地震数据到孔隙度的反演网络和孔隙度到地震数据的正演网络,反演网络和正演网络在地震数据匹配损失和孔隙度估计损失的联合监督下同时迭代优化,实现反演网络准确预测孔隙度,预测的孔隙度又可以通过正演网络生成逼近真实的地震数据。
在步骤2中,以双向门控循环单元和全连接层为基础,建立地震测井双驱动下的孔隙度预测模型,并与仅地震数据驱动、仅测井数据驱动下的孔隙度模型进行性能比较,进一步明确地震测井双驱动下的网络模型更适用于孔隙度预测;最终迁移最佳的地震测井双驱动孔隙度模型到实际地震数据和岩石物理建模导出的孔隙度数据,经过网络微调后用于储层孔隙度平面或空间分布定量预测。
在步骤2中,地震测井双驱动下的孔隙度预测网络是由编码网络E和解码网络D组成的混合网络,E和D的网络模块相同,都是由4个双向门控循环单元和一个全连接层构成,即混合网络的结构是对称的;E和D的区别在于各自的输入输出和网络内部权重与偏置不同,E的输入是地震数据,输出是预测的孔隙度曲线;D的输入是E预测的孔隙度曲线,输出是生成的地震数据。
在步骤2中,地震测井双驱动下的孔隙度预测网络的目标函数如下:
Ltotal=λLpor+βLsei (1)
式中,Ltotal,Lpor,Lsei分别表示地震测井匹配总损失即混合网络总损,孔隙度预测损即编码网络损和地震数据匹配损即解码网络损;λ,β表示两项损失Lpor,Lsei在总损失中的损失权重。
在步骤2中,孔隙度预测损失和地震数据匹配损失的计算公式分别为:
式中,N,PORi,Si分别表示一个批尺寸的训练样本或标签格式,第i个孔隙度曲线,第i个地震记录;θE和θD分别表示编码网络E和解码网路D的网络参数。
在步骤2中,设置λ=β=1时,表示混合网络在地震测井双驱动下充分融合井震信息,实现地震数据到孔隙度,孔隙度再生成地震数据的闭环映射,地震数据匹配损失和孔隙度预测损失这两个监督器同时运作,同时更新编码网络和解码网络的网络参数,使得编码网络预测得到的孔隙度不仅精度高,而且也能进一步通过解码网络回到地震数据,实现地震数据匹配,减小孔隙度预测的多解性。
在步骤2中,当设置λ=1,β=0时,表示仅依靠测井数据驱动,摈弃解码网络,仅利用编码网络建立地震数据直接预测孔隙度的网络模型;此时,网络参数的更新仅受到孔隙度预测损失的支配。
在步骤2中,当设置λ=0,β=1时,表示仅依靠地震数据驱动,完整保留编码网络和解码网络构成的混合网络,仅在地震数据匹配损失的支配下完成孔隙度模型的训练。
在步骤3中,比较步骤2中的地震测井双驱动模型、只用地震数据匹配约束的仅地震数据驱动模型和只用测井数据约束的仅测井数据驱动模型,通过对比三种模型预测孔隙度的精度和抗噪性,确定最优模型为地震测井双驱动模型。
在步骤4中,利用步骤3得到的地震测井双驱动模型迁移到实际地震数据,作为建立从实际地震数据预测孔隙度的初始条件,提高建模效率,实现从实际地震数据准确预测地下储层的孔隙度。
本发明中的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,主要包括通过正演模拟和岩石物理建模分别获得合成地震数据和孔隙度模型,之后利用二者分别准备训练样本和标签,构建地震测井双驱动下的直接预测孔隙度的网络模型。该网络通过融合地震和测井两种不同尺度信息,建立地震数据匹配约束和测井约束的双目标函数,实现地震和测井双驱动下精确而稳定地预测孔隙度。构建的孔隙度预测模型通过迁移微调可以应用于实际地震数据,直接定量预测地下储层孔隙度参数的空间分布。相比基于叠前或叠后属性融合预测孔隙度的方法,该方法不需要经过地震数据到弹性参数,弹性参数再到孔隙度参数的二次转换映射,而直接实现从地震数据预测出储层孔隙度,达到减小误差累积效应,提高反演效率和结果可靠性的目的。
附图说明
图1为本发明的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法的一具体实施例的流程图;
图2为本发明的一具体实施例中基于地震测井双驱动井震多尺度信息融合直接预测孔隙度网络原理示意图;
图3为本发明的一具体实施例中用于构建和测试孔隙度模型的合成地震数据和孔隙度的示意图;
图4为本发明的一具体实施例中基于干净的合成地震数据(图3b),仅地震数据驱动预测的孔隙度结果的示意图;
图5为本发明的一具体实施例中基于干净的合成地震数据(图3b),仅测井数据驱动和地震测井双驱动预测的孔隙度结果对比图;
图6为本发明的一具体实施例中基于干净的合成地震数据(图3b),仅测井数据驱动和地震测井双驱动预测孔隙度结果(图5a-b)与真实孔隙度(图3a)的单道相关系数对比图;
图7为本发明的一具体实施例中基于含噪的合成地震数据(图3c),仅测井数据驱动和地震测井双驱动预测的孔隙度结果对比图;
图8为本发明的一具体实施例中基于含噪的合成地震数据(图3c),仅测井数据驱动和地震测井双驱动预测孔隙度结果(图7a-b)与真实孔隙度(图3a)的单道相关系数对比图。
图9为本发明的一具体实施例中基于干净和含噪的合成地震数据(图3b-c),地震测井双驱动生成的地震数据结果对比图;
图10为本发明的一具体实施例中基于干净和含噪的合成地震数据(图3b-c),地震测井双驱动预测的单道孔隙度(CDP=443)结果对比图;
图11为本发明的一具体实施例中基于实际地震数据,地震测井双驱动预测的孔隙度结果图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
为减少或避免横波速度估计、AVO近似公式、属性筛选、岩石物理近似建模、多次反演及人为干预等引入的误差,同时提高储层孔隙度定量预测的效率,本发明借助深度神经网络强大的非线性映射能力融合不同尺度的井震信息,不再需要反演弹性参数和优选叠前叠后地震属性及弹性参数,实现直接从地震数据出发,高效而不失精度地预测储层孔隙度。
本发明首先详细描述了一种新的基于地震测井双驱动融合多尺度信息预测孔隙度方法的技术路线与基本方法原理,主要包括建立反演网络与正演网络构成的混合网络,在井震信息的多目标约束下预测孔隙度。
其次,结合实例分析,对比讨论仅地震数据驱动、测井数据驱动和地震测井数据双驱动学习模式下的孔隙度预测结果的精确性、稳定性和抗噪性,结果表明仅地震数据驱动只能获得相对孔隙度,不能获取反映储层内部地质结构差异的绝对孔隙度;仅测井数据驱动和地震测井数据双驱动预测的孔隙度精度都较高,但是后者在复杂地质结构区域预测孔隙度稳定性更高,同时表现出更好的抗噪性。由此,进一步确定地震测井多信息多约束多驱动模式下的孔隙度预测方案更为合理和可靠。
最后,利用本发明给出的一种新的基于地震测井双驱动井震多尺度信息融合直接预测孔隙度技术框架对实际数据开展测试,计算得到的孔隙度平面特征清晰,横向分布连续,随着地层埋深增加有逐渐增加趋势,符合工区已有的地质认识。基于该技术预测得到的孔隙度精度较高,有利于开展后续储层预测和油气识别等工作。
以下为应用本发明的几个具体实施例。
实施例1
在应用本发明的一具体实施例1中,如图1所示,图1为本发明的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法的流程图。
步骤101,基于褶积模型和岩石物理模型分别合成地震数据和孔隙度模型,提取孔隙度曲线及其对应的地震记录作为训练数据或测试数据;利用褶积模型合成不同主频、不同频带范围、不同信噪比的地震记录,基于岩石物理模型和弹性参数生成孔隙度模型,合成的地震记录和孔隙度分别用作网络的输入样本和期望输出,以此构建地震数据直接预测孔隙度的网络模型。不同主频、不同频带、不同信噪比的地震记录更充分地拟合实际地震数据的物理和数据特征,扩展样本库的丰富性;结合不同岩石物物理模型生成的孔隙度模拟地下不同孔隙结构的分布情况。因此,该孔隙度预测模型通用性强,灵活多变,适用于建立不同特征的地震数据和不同岩石物理模型生成的孔隙度的非线性映射关系。
步骤102,构建基于地震测井双驱动井震多尺度信息融合的孔隙度预测模型;融合窄带地震数据和宽带测井数据这两种不同尺度信息,并同时建立地震数据到孔隙度的反演网络和孔隙度到地震数据的正演网络,反演网络和正演网络在地震数据匹配损失和孔隙度估计损失的联合监督下同时迭代优化,实现反演网络准确预测孔隙度,预测的孔隙度又可以通过正演网络生成逼近真实的地震数据。因此,反演网络和正演网络组成的混合网络能保证预测的孔隙度准确而且稳定,不易受到地震振幅特征变化的影响。本发明将这种混合网络预测孔隙度的模型称为地震测井双驱动模型。
步骤103,评价网络模型预测孔隙度的精度和抗噪性,确定地震测井双驱动模型为最优模型;比较步骤102中的地震测井双驱动模型、只用地震数据匹配约束的仅地震数据驱动模型和只用测井数据约束的仅测井数据驱动模型,通过对比三种模型预测孔隙度的精度和抗噪性,确定最优模型为地震测井双驱动模型。
步骤104,迁移应用网络模型到实际数据,联合地震和测井资料定量预测孔隙度分布。利用上一步骤得到的地震测井双驱动模型迁移到实际地震数据,作为建立从实际地震数据预测孔隙度的初始条件,提高建模效率,实现从实际地震数据准确预测地下储层的孔隙度。
本发明的地震测井双驱动井震多尺度信息融合的直接预测孔隙度的方法基于数据驱动融合不同尺度的地震测井数据,摈弃了叠前或叠后弹性参数反演、属性优选等复杂过程,实现从地震数据直接预测孔隙度。该方法广泛适用于拟合不同正演模型得到的合成地震数据和不同岩石物理模型生成的孔隙度之间、实际地震数据与孔隙度之间的非线性关系,准确地估算孔隙度参数的平面特征和空间分布,为储层评价、储量计算、储层甜点区域优选、油气田开发规划、地质建模等工作提供基础。
实施例2
在应用本发明的一具体实施例2中,在构建地震测井双驱动井震多尺度融合的直接孔隙度预测模型前,采用正演模拟和岩石物理建模从弹性参数(如纵横波速度、密度等)生成地震数据和孔隙度数据,用于网络的训练和测试。以双向门控循环单元和全连接层为基础,建立地震测井双驱动下的孔隙度预测模型,并与仅地震数据驱动、仅测井数据驱动下的孔隙度模型进行性能比较,进一步明确地震测井双驱动下的网络模型更适用于孔隙度预测。最终迁移最佳的地震测井双驱动孔隙度模型到实际地震数据和岩石物理建模导出的孔隙度数据,经过网络微调后用于储层孔隙度平面或空间分布定量预测。
图2为地震测井双驱动下的孔隙度预测网络。该网络是由编码网络E和解码网络D组成的混合网络,E和D的网络模块相同,都是由4个双向门控循环单元和一个全连接层构成,即混合网络的结构是对称的。E和D的区别在于各自的输入输出和网络内部权重与偏置不同,E的输入是地震数据,输出是预测的孔隙度曲线;D的输入是E预测的孔隙度曲线,输出是生成的地震数据。地震测井双驱动下的孔隙度预测网络的目标函数如下:
Ltotal=λLpor+βLsei (4)
式中,Ltotal,Lpor,Lsei分别表示地震测井匹配总损失(即混合网络总损失),孔隙度预测损失(即编码网络损失)和地震数据匹配损失(即解码网络损失);λ,β表示两项损失Lpor,Lsei在总损失中的损失权重。具体地,孔隙度预测损失和地震数据匹配损失的计算公式分别为:
式中,N,PORi,Si分别表示一个批尺寸(batch)的训练样本或标签格式,第i个孔隙度曲线,第i个地震记录;θE和θD分别表示编码网络E和解码网路D的网络参数。
一般地,设置λ=β=1时,表示混合网络在地震测井双驱动下充分融合井震信息,实现地震数据到孔隙度,孔隙度再生成地震数据的闭环映射,地震数据匹配损失和孔隙度预测损失这两个监督器同时运作,同时更新编码网络和解码网络的网络参数,使得编码网络预测得到的孔隙度不仅精度高,而且也能进一步通过解码网络回到地震数据,实现地震数据匹配,减小孔隙度预测的多解性。当设置λ=1,β=0时,表示仅依靠测井数据驱动,摈弃解码网络,仅利用编码网络建立地震数据直接预测孔隙度的网络模型。此时,网络参数的更新仅受到孔隙度预测损失的支配。当设置λ=0,β=1时,表示仅依靠地震数据驱动,完整保留编码网络和解码网络构成的混合网络,仅在地震数据匹配损失的支配下完成孔隙度模型的训练。
实施例3
在应用本发明的一具体实施例3中,图3(a)为岩石物理建模得到的孔隙度;图3(b)为合成的地震数据;图3(c)为含噪地震数据(信噪比为3.33dB)。图3(a-b)中的实线表示提取的训练数据;虚线表示提取的验证数据。其中,训练数据包括8条地震记录及其对应的孔隙度曲线,验证数据包括与训练数据无重复的6条地震记录及其对应的孔隙度曲线。图3(b-c)中的合成地震数据用于测试构建的孔隙度模型。类比非井约束反演和井约束反演方法,对比仅地震数据驱动、仅测井数据驱动、地震测井双驱动三种情况下预测的孔隙度结果,从计算精度、稳定性和抗噪性三个方面证明基于地震测井双驱动融合多尺度信息预测孔隙度的优势所在。
图4(a)为仅地震数据驱动预测的孔隙度结果,与真实孔隙度差异巨大,相关系数仅为-0.0366。图4(b)是真实孔隙度(图3a)与预测孔隙度之间(图4a)的残差;图4(c)是仅地震数据驱动下网络生成的地震数据;图4(d)是真实地震数据(图3b)与生成地震数据(图4c)的残差。从4(c-d)可以看出此时生成地震数据与真实地震数据高度相似,相关系数达到0.9992。仅依靠地震数据驱动的情况下,地震数据是预测孔隙度的唯一信息来源。由于地震和测井数据的频带差异,这种情况下建立的孔隙度模型无法准确预测出绝对孔隙度,只能预测出相对孔隙度,无法反映出孔隙度局部细节差异。
为进一步探究仅依靠测井数据驱动和地震测井双驱动下预测孔隙度的差异,采用同样的8条地震记录及其对应的孔隙度曲线分别训练出两个孔隙度预测模型,再分别推广应用到干净或含噪合成地震数据预测孔隙度。
如图5所示,图5(a)为仅测井数据驱动预测的孔隙度结果;图5(b)为地震测井数据双驱动预测的孔隙度结果;图5(c-d)分别为真实孔隙度(图3a)与预测孔隙度之间(图5a-b)的残差。当测试数据为干净地震数据时,图5(a-b)分别为仅测井数据驱动、地震测井双驱动预测的孔隙度结果。这两种情况下得到的孔隙度结果与真实孔隙度的相关系数分别为0.9677,0.9686。相比于仅测井数据驱动,地震测井双驱动预测的孔隙度精度更高整体横向连续性更好,特别是在Marmousi模型中部复杂构造地区及深部两侧的楔形体附近。图5(c-d)分别为真实孔隙度(图3a)与预测孔隙度之间(图5a-b)的残差。图6是仅测井数据驱动和地震测井双驱动预测孔隙度结果(图5a-b)与真实孔隙度(图3a)的单道相关系数对比图。其中,虚线和实线分别表示仅测井数据驱动、地震测井双驱动预测孔隙度结果与真实孔隙度的单道相关系数。总体来看,两种情况下不同CDP位置的单道相关系数都较高,普遍在0.95以上,特别是在星号所示的训练井位置附近。值得注意的是,仅测井数据驱动下预测孔隙度容易不稳定,局部单道相关系数(图6椭圆附近)与真实值出入较大;而地震测井双驱动下预测孔隙度更为稳定,说明地震测井双驱动比仅测井数据驱动能减小孔隙度预测的多解性,预测更为准确稳定。
为进一步说明地震测井双驱动的优势,应用上述两个孔隙度模型到含噪地震数据(图3c)。图7(a-b)分别为仅测井数据驱动、地震测井数据双驱动预测的孔隙度结果;图7(c-d)分别为真实孔隙度(图3a)与预测孔隙度之间(图7a-b)的残差。这两种情况下得到的孔隙度结果与真实孔隙度的相关系数分别为0.9397,0.9464。从预测结果和残差图可以看到,地震测井双驱动下建立的孔隙度预测模型抗噪性能更好。根据不同CDP位置预测的单道孔隙度与真实单道孔隙度的相关系数对比图(图8)可以看出,黑线中预测结果与真实孔隙度的单道相关系数随CDP编号的变化较小,说明地震测井双驱动下构建的孔隙度预测模型能更好地适应不同信噪比的单道地震记录而精度预测孔隙度。
地震测井双驱动下构建的孔隙度预测模型将输入模型的地震数据转化为孔隙度的同时,还能进一步利用解码网络转化预测的孔隙度到生成的地震数据。图9(a-b)为基于干净地震数据生成的地震数据及其残差;图9(c-d)为基于含噪地震数据生成的地震数据及其残差。这两种情况下生成的地震数据与真实地震数据匹配程度高,说明预测的孔隙度也能同时满足地震数据的约束条件。基于干净和含噪的合成地震数据(图3b-c),地震测井双驱动预测的单道孔隙度(CDP=443)结果表明含噪情况预测的孔隙度(黑色虚线)与真实孔隙度(黑色实线)整体趋势一致,但是在中部300-400ms孔隙度突然增大的区域比无噪情况(灰色虚线)预测效果要差一些。
为进一步验证本发明提供的一种新的基于地震测井双驱动井震多尺度信息融合直接预测孔隙度方法应用到实际数据的效果,我们将在合成数据上训练得到的孔隙度预测模型迁移到实际数据(图11b),利用已解释的孔隙度曲线和井旁地震数据再次训练调整网络参数,使之能建立实际地震数据与储层孔隙度的非线性映射关系。最后,将再次训练得到的最优孔隙度模型推广到整个实际数据,预测得到的孔隙度结果如图11(a)所示。孔隙度剖面横向分布连续,从浅到深孔隙度表现出递增的趋势。生成的地震数据(图11c)与实际地震数据接近,相应的地震数据残差(图11d)小。
后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (13)
1.基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,该基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法包括:
步骤1,基于褶积模型和岩石物理模型分别合成地震数据和孔隙度模型,提取孔隙度曲线及其对应的地震记录作为训练数据或测试数据;
步骤2,构建基于地震测井双驱动井震多尺度信息融合的孔隙度预测模型;
步骤3,评价网络模型预测孔隙度的精度和抗噪性,确定地震测井双驱动模型为最优模型;
步骤4,迁移应用网络模型到实际数据,联合地震和测井资料定量预测孔隙度分布。
2.根据权利要求1所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤1中,利用褶积模型合成不同主频、不同频带范围、不同信噪比的地震记录,基于岩石物理模型和弹性参数生成孔隙度模型,合成的地震记录和孔隙度分别用作网络的输入样本和期望输出,以此构建地震数据直接预测孔隙度的网络模型。
3.根据权利要求2所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤1中,不同主频、不同频带、不同信噪比的地震记录更充分地拟合实际地震数据的物理和数据特征,扩展样本库的丰富性;结合不同岩石物物理模型生成的孔隙度模拟地下不同孔隙结构的分布情况。
4.根据权利要求1所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,融合窄带地震数据和宽带测井数据这两种不同尺度信息,并同时建立地震数据到孔隙度的反演网络和孔隙度到地震数据的正演网络,反演网络和正演网络在地震数据匹配损失和孔隙度估计损失的联合监督下同时迭代优化,实现反演网络准确预测孔隙度,预测的孔隙度又可以通过正演网络生成逼近真实的地震数据。
5.根据权利要求4所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,以双向门控循环单元和全连接层为基础,建立地震测井双驱动下的孔隙度预测模型,并与仅地震数据驱动、仅测井数据驱动下的孔隙度模型进行性能比较,进一步明确地震测井双驱动下的网络模型更适用于孔隙度预测;最终迁移最佳的地震测井双驱动孔隙度模型到实际地震数据和岩石物理建模导出的孔隙度数据,经过网络微调后用于储层孔隙度平面或空间分布定量预测。
6.根据权利要求5所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,地震测井双驱动下的孔隙度预测网络是由编码网络E和解码网络D组成的混合网络,E和D的网络模块相同,都是由4个双向门控循环单元和一个全连接层构成,即混合网络的结构是对称的;E和D的区别在于各自的输入输出和网络内部权重与偏置不同,E的输入是地震数据,输出是预测的孔隙度曲线;D的输入是E预测的孔隙度曲线,输出是生成的地震数据。
7.根据权利要求6所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,地震测井双驱动下的孔隙度预测网络的目标函数如下:
Ltotal=λLpor+βLsei (1)
式中,Ltotal,Lpor,Lsei分别表示地震测井匹配总损失即混合网络总损,孔隙度预测损即编码网络损和地震数据匹配损即解码网络损;λ,β表示两项损失Lpor,Lsei在总损失中的损失权重。
8.根据权利要求7所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,孔隙度预测损失和地震数据匹配损失的计算公式分别为:
式中,N,PORi,Si分别表示一个批尺寸的训练样本或标签格式,第i个孔隙度曲线,第i个地震记录;θE和θD分别表示编码网络E和解码网路D的网络参数。
9.根据权利要求8所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,设置λ=β=1时,表示混合网络在地震测井双驱动下充分融合井震信息,实现地震数据到孔隙度,孔隙度再生成地震数据的闭环映射,地震数据匹配损失和孔隙度预测损失这两个监督器同时运作,同时更新编码网络和解码网络的网络参数,使得编码网络预测得到的孔隙度不仅精度高,而且也能进一步通过解码网络回到地震数据,实现地震数据匹配,减小孔隙度预测的多解性。
10.根据权利要求8所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,当设置λ=1,β=0时,表示仅依靠测井数据驱动,摈弃解码网络,仅利用编码网络建立地震数据直接预测孔隙度的网络模型;此时,网络参数的更新仅受到孔隙度预测损失的支配。
11.根据权利要求8所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤2中,当设置λ=0,β=1时,表示仅依靠地震数据驱动,完整保留编码网络和解码网络构成的混合网络,仅在地震数据匹配损失的支配下完成孔隙度模型的训练。
12.根据权利要求1所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤3中,比较步骤2中的地震测井双驱动模型、只用地震数据匹配约束的仅地震数据驱动模型和只用测井数据约束的仅测井数据驱动模型,通过对比三种模型预测孔隙度的精度和抗噪性,确定最优模型为地震测井双驱动模型。
13.根据权利要求1所述的基于地震测井双驱动融合多尺度信息直接预测孔隙度的方法,其特征在于,在步骤4中,利用步骤3得到的地震测井双驱动模型迁移到实际地震数据,作为建立从实际地震数据预测孔隙度的初始条件,提高建模效率,实现从实际地震数据准确预测地下储层的孔隙度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071281.4A CN116520394A (zh) | 2022-01-21 | 2022-01-21 | 基于地震测井双驱动融合多尺度信息直接预测孔隙度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071281.4A CN116520394A (zh) | 2022-01-21 | 2022-01-21 | 基于地震测井双驱动融合多尺度信息直接预测孔隙度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520394A true CN116520394A (zh) | 2023-08-01 |
Family
ID=87392689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071281.4A Pending CN116520394A (zh) | 2022-01-21 | 2022-01-21 | 基于地震测井双驱动融合多尺度信息直接预测孔隙度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520394A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890978A (zh) * | 2024-03-18 | 2024-04-16 | 大连海事大学 | 一种基于视觉Transformer的地震速度图像生成方法 |
-
2022
- 2022-01-21 CN CN202210071281.4A patent/CN116520394A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890978A (zh) * | 2024-03-18 | 2024-04-16 | 大连海事大学 | 一种基于视觉Transformer的地震速度图像生成方法 |
CN117890978B (zh) * | 2024-03-18 | 2024-05-10 | 大连海事大学 | 一种基于视觉Transformer的地震速度图像生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7400978B2 (en) | Method for updating a geologic model by seismic data | |
US6928367B2 (en) | Reservoir fracture characterization | |
CN112505778B (zh) | 一种页岩生储性能非均质性的三维原位表征方法 | |
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 | |
AU2018340369A1 (en) | Method and device for determining thin interlayer | |
CN111596364B (zh) | 基于高精度层序地层格架的地震沉积微相组合分析方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
US11740372B1 (en) | Method and system for intelligently identifying carbon storage box based on GAN network | |
US20140336940A1 (en) | Estimation of q-factor in time domain | |
CN104769458A (zh) | 一种基于柯西分布的叠后波阻抗反演方法 | |
CN104502966A (zh) | 一种薄储层的预测方法及系统 | |
CN112505784B (zh) | 一种煤矿井下盾构机掘进路线选择方法 | |
CN113050157B (zh) | 一种基于露头资料的碳酸盐岩地震储层反演方法及系统 | |
Coléou et al. | Petrophysical seismic inversion | |
Faraji et al. | Integration of core data, well logs and seismic attributes for identification of the low reservoir quality units with unswept gas in the carbonate rocks of the world’s largest gas field | |
CN116520394A (zh) | 基于地震测井双驱动融合多尺度信息直接预测孔隙度方法 | |
Gluck et al. | High-resolution impedance layering through 3-D stratigraphic inversion of poststack seismic data | |
CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
CN104280767A (zh) | 一种基于柯西分布的稀疏脉冲反演方法 | |
CN115755215A (zh) | 一种地质知识引导的智能化油气储层预测方法 | |
CN113109875B (zh) | 一种全波形速度场约束下的盐下碳酸盐岩储层反演方法 | |
CN117388944A (zh) | 地质模型约束的多物性参数反演方法 | |
Rossi et al. | Joint 3D inversion of SWD and surface seismic data | |
CN113848593A (zh) | 一种定量预测含煤地层中岩浆岩侵蚀区的方法 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 |
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 |