CN117094233B - 深地油气精准导航三维速度场高精度建模方法与系统 - Google Patents
深地油气精准导航三维速度场高精度建模方法与系统 Download PDFInfo
- Publication number
- CN117094233B CN117094233B CN202311353154.4A CN202311353154A CN117094233B CN 117094233 B CN117094233 B CN 117094233B CN 202311353154 A CN202311353154 A CN 202311353154A CN 117094233 B CN117094233 B CN 117094233B
- Authority
- CN
- China
- Prior art keywords
- data
- wave impedance
- depth
- model
- inversion
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000035939 shock Effects 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000009514 concussion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- 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
- 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. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Abstract
本发明属于深地导航领域,具体涉及了一种深地油气精准导航三维速度场高精度建模方法与系统,旨在解决现有技术中获取的三维速度曲线由于仪器与井况因素造成的速度计算偏差的问题。本发明包括:基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;获取当前深度每个位置的速度向量,获得一维速度曲线;基于所述一维速度曲线训练当前深度的基于波阻抗的速度值预测模型;基于当前深度波阻抗曲线进行波阻抗反演获取波阻抗反演数据体;基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。本发明在波阻抗宏观趋势变化的约束下将准确的单井速度信息外推至三维空间,为深地油气精准导航提供了参考依据。
Description
技术领域
本发明属于深地导航领域,具体涉及了一种深地油气精准导航三维速度场高精度建模方法与系统。
背景技术
深地精准导航技术可用于深部油气勘探,指导钻井人员优化井轨迹到油气藏指定位置以获得最大的泄油面积和最佳的采收率,成为提高单井油气产量和油田开发效益的前沿技术。
本发明专利建立单井测井曲线与三维地震资料的映射关系,将单井一维的速度曲线合理外推至井间三维空间中,优化了待钻井井轨迹设计中时深关系的匹配问题。
发明内容
为了解决现有技术中的上述问题,即现有技术中获取的三维速度曲线由于仪器与井况因素造成的速度计算偏差的问题,本发明提供了一种深地油气精准导航三维速度场高精度建模方法,所述方法包括:
步骤S100,采集测井资料并进行异常值处理并标准化,获得标准化测井资料;采集地震数据;
步骤S200,基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;
步骤S300,基于所述波阻抗曲线和地震数据进行井震标定,获得时深转化关系;
步骤S400,基于所述时深转化关系,通过设定尺寸的时窗获取当前深度每个位置的速度向量,获得一维速度曲线;
步骤S500,基于所述一维速度曲线,训练当前深度的基于波阻抗的速度值预测模型;
步骤S600,基于当前深度的一维速度曲线进行波阻抗反演获取波阻抗反演数据体;
步骤S700,基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。
在一些优选的实施方式中,所述标准化测井资料,其获得方法包括:
步骤A10,将测井资料作为待处理数据集;
步骤A20,从待处理数据集中随机抽取/>个数据点构成待处理数据子集/>存入根节点;
步骤A30,从待处理数据集中随机选定一个维度q,在维度q中随机产生一个分割点/>;其中分割点/>满足/>,j表示分割点序号;
步骤A40,根据切割点p生成将维度q中数据划分为两个子空间的超平面,指定数值小于p的维度q的数据点放入第一叶子节点,数值大于或等于p的数据点放入第二叶子节点;
步骤A50,递归步骤A30至步骤A40所述的方法,直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度;
步骤A60,重复步骤A30至步骤A50所述的方法,直至生成T个孤立树;其中,T个孤立树表示:孤立树没有叶子节点的外部节点,或有两个叶子节点和一个内部节点test;在T个孤立树的内部节点test由维度q和一个分割点p组成,q<p的点属于/>,反之属于;
步骤A70,所述T个孤立树即为孤立树森林,令每个数据点遍历每一个孤立树,计算数据点/>在每一个孤立树的高度/>即数据点/>从所在孤立树的根节点到叶子节点经过的边的数量;从而计算数据点/>在孤立树森林中的平均高度,对所有数据点的平均高度做归一化处理,获得归一化的数据点平均高度/>;
步骤A80,基于所述归一化的数据点平均高度,计算异常值分数:
其中,表示/>个数据点所构建的二叉树路径长度的平均值,E(*)表示期望;
其中,表示调和数,通过/>估算,0.5772156649为欧拉常数;
当所述异常值分数小于预设的异常值阈值s时,将对应的数据点剔除,获得剔除异常值的测井资料/>,/>,/>,/>表示剔除异常值的测井资料中的数据点数;
步骤A90,对连续的剔除异常值的测井资料进行标准化处理,得到标准化测井资料:
其中,表示第/>种曲线第z个采样点数据值,/>表示计算平均值;表示第/>种曲线的所有数据样本点;/>表示第/>种曲线的方差;/>表示标准化之后第/>种曲线第z个采样点数据值。
在一些优选的实施方式中,所述步骤S200包括:
基于所述标准化测井资料,选取标准化补偿声波曲线AC和标准化密度曲线DEN,计算目标井的波阻抗曲线IMP:
。
在一些优选的实施方式中,所述时深转化关系,其获得方法包括:
基于测井资料,追踪反射同相轴波峰点,构建反射同相轴连续面,进而确定标志层所在的反射同相轴构建标志层等时三维展布;
基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波阻抗曲线,进而计算反射系数曲线;
以目的层段地震主频为依据构建雷克子波,将雷克子波与反射系数曲线褶积计算后,得到合成地震记录;
将每个钻井井位井眼处的标志层深度数据与标志层三维展布模型对应,计算合成地震记录与井旁地震道叠后地震数据的相关性,当波形相关性高于第一相关阈值时,井震标定完成,最终得出测井深度与地震反射波双程旅行时之间的时深转化关系:
其中,表示声波测井标志层深度对应的地震资料的双程旅行时;/>为声波时差;/>为测井曲线数据采样间隔;/>为地震波双程旅行时;
时深关系表示为一一对应的时间向量和深度向量/>。
在一些优选的实施方式中,所述步骤S400,具体包括:
设置预设尺寸的时窗;
基于所述预设尺寸的时窗范围内的时深转化关系的元素计算当前位置的速度向量:
其中,表示第i+1个深度向量,/>表示第i个深度向量,/>表示第i+1个时间向量,/>表示第i个时间向量,/>,/>表示第i个元素的速度向量;
滑动所述时窗并计算当前位置的速度向量,直至遍历所有元素完成速度向量计算获得一维速度曲线。
在一些优选的实施方式中,所述当前深度的基于波阻抗的速度值预测模型,其获得方法包括:
获取一维速度曲线训练数据集,进行前向传播:
其中,表示的第/>层神经元输入,/>表示第/>层的连接权值,/>表示第/>层的神经元输出,/>表示第/>层的神经元输出,/>表示第/>层的偏置项量;
其中代价函数为:
表示真实值,j为向量中的元素标号;
每层神经网络前向计算中的误差为:
权值的梯度即目标函数对权值求偏导为:
偏置的梯度即目标函数对偏置求导:
则前向传播中的误差错误为:
反向传播中的误差错误为:
通过梯度下降方法更新参数:
重复迭代至误差错误低于预设的误差阈值,或达到预设的迭代次数,获得训练好的当前深度的基于波阻抗的速度值预测模型。
在一些优选的实施方式中,所述步骤S600,具体包括:
设未知地下波阻抗模型参数m为维空间向量/>;
通过一次采集过程获得了观测数据d,即一维速度曲线为k维数据向量;
通过非线性函数核G建立未知地下波阻抗模型参数和k维数据向量的联系,即获得正演模型:
其中,表示与地下波阻抗模型参数m无关的随机噪声,服从高斯分布;
基于正演模型构建反演目标函数:
其中,F为观测数据d与预测数据G(m)之间的均方误差;
对所述反演目标函数进行线性化求解;
对所述正演模型进行泰勒展开并略去二次以上的高阶项,获得预测数据简略表达:
其中,表示依据先验信息建立的初始模型,A为Jacobian矩阵,A的元素为一阶偏微分/>;
设,/>,/>表示随机噪声,则正演模型的迭代方程为:
其中,表示迭代了/>次后的正演模型,/>表示迭代了t+1次后的正演模型,/>为加噪预测数据;
通过一次采集过程获得叠前深度域偏移地震剖面,
假设反演深度域模型参数有先验概率分布,根据贝叶斯公式有概率分布为:
加入随机噪音的概率分布为:
其中,为噪音协方差矩阵,/>为噪音协方差矩阵求逆运算,det为取对应矩阵的行列式;
n为噪音且服从高斯分布均值为0,为一等值的对角矩阵且对角线元素为数据中心包含噪音的方差/>,则加入随机噪音的概率分布变形为:
对于反演深度域模型参数先验概率分布,设置初始模型/>,且有,等价的深度域模型概率分布为:;
设等价的深度域模型概率分布服从高斯分布,有加入随机噪声的深度域模型概率分布为:
假设深度域模型参数均值与初始模型等值,且互不影响,有简化的深度域模型概率分布:
其中,表示真实模型相对于所给定初始模型的方差值;
加入随机噪音的概率分布变形中的分母依赖于数据采集和处理,设为常数,通过后验概率最大化等价于分子最大化,使后验概率分布式最大:
使后验概率分布式最大等价式为:
令关于模型参数m的偏导数等于零,且,,获得矩阵方程:
其中,,/>为单位矩阵,/>为波阻抗迭代矩阵,整理得到随机逆反演的基本公式:
随机逆反演的基本公式的迭代公式为:;
其中,为由参数模型所形成的深度域合成地震记录;
通过不断迭代更新未知地下波阻抗模型的参数,直至出现正负值震荡,此时的/>为波阻抗反演数据体。
本发明的另一方面,提出了一种深地油气精准导航三维速度场高精度建模系统,所述系统包括:
资料采集及标准化模块,配置为采集测井资料并进行异常值处理并标准化,获得标准化测井资料;采集地震数据;
波阻抗曲线提取模块,配置为基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;
时深转化关系计算模块,配置为基于所述波阻抗曲线和地震数据进行井震标定,获得时深转化关系;
速度曲线获取模块,配置为基于所述时深转化关系,通过设定尺寸的时窗获取当前深度每个位置的速度向量,获得一维速度曲线;
预测模型获取模块,配置为基于所述速度曲线,训练当前深度的基于波阻抗的速度值预测模型;
波阻抗反演数据体计算模块,配置为基于当前深度的一维速度曲线进行波阻抗反演获取波阻抗反演数据体;
三维高精度速度场获取模块,配置为基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。
本发明的有益效果:
(1)本发明通过提出基于波阻抗反演的地层高精度速度体计算方法,在声波时差曲线直接计算速度基础上,充分挖掘了单井时深关系中的速度信息,避免仪器与井况因素造成的速度计算偏差;在波阻抗宏观趋势变化的约束下将准确的单井速度信息外推至三维空间,为深地油气精准导航提供了参考依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明实施例中深地油气精准导航三维速度场高精度建模方法的流程示意图。
具体实施方式
下面结合附图和实施例对本申请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用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了更清晰地对本发明深地油气精准导航三维速度场高精度建模方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的深地油气精准导航三维速度场高精度建模方法,包括步骤S100-步骤S700,各步骤详细描述如下:
步骤S100,采集测井资料并进行异常值处理并标准化,获得标准化测井资料;采集地震数据;
在本实施例中,所述标准化测井资料,其获得方法包括:
步骤A10,将测井资料作为待处理数据集;
步骤A20,从待处理数据集中随机抽取/>个数据点构成待处理数据子集/>存入根节点;
步骤A30,从待处理数据集中随机选定一个维度q,在维度q中随机产生一个分割点/>;其中分割点/>满足/>,j表示分割点序号;
步骤A40,根据切割点p生成将维度q中数据划分为两个子空间的超平面,指定数值小于p的维度q的数据点放入第一叶子节点,数值大于或等于p的数据点放入第二叶子节点;
步骤A50,递归步骤A30至步骤A40所述的方法,直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度;
步骤A60,重复步骤A30至步骤A50所述的方法,直至生成T个孤立树;其中,T个孤立树表示:孤立树没有叶子节点的外部节点,或有两个叶子节点和一个内部节点test;在T个孤立树的内部节点test由维度q和一个分割点p组成,q<p的点属于/>,反之属于;
步骤A70,所述T个孤立树即为孤立树森林,令每个数据点遍历每一个孤立树,计算数据点/>在每一个孤立树的高度/>即数据点/>从所在孤立树的根节点到叶子节点经过的边的数量;从而计算数据点/>在孤立树森林中的平均高度,对所有数据点的平均高度做归一化处理,获得归一化的数据点平均高度/>;
步骤A80,基于所述归一化的数据点平均高度,计算异常值分数:
其中,表示/>个数据点所构建的二叉树路径长度的平均值,E(*)表示期望;
其中,表示调和数,通过/>估算,0.5772156649为欧拉常数;
当所述异常值分数小于预设的异常值阈值s时,将对应的数据点剔除,获得剔除异常值的测井资料/>,/>,/>,/>表示剔除异常值的测井资料中的数据点数;
步骤A90,对连续的剔除异常值的测井资料进行标准化处理,得到标准化测井资料:
其中,表示第/>种曲线第z个采样点数据值,/>表示计算平均值;表示第/>种曲线的所有数据样本点;/>表示第/>种曲线的方差;/>表示标准化之后第/>种曲线第z个采样点数据值。
步骤S200,基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;
在本实施例中,所述步骤S200包括:
基于所述标准化测井资料,选取标准化补偿声波曲线AC和标准化密度曲线DEN,计算目标井的波阻抗曲线IMP:
。
步骤S300,基于所述波阻抗曲线和地震数据进行井震标定,获得时深转化关系;
在本实施例中,所述时深转化关系,其获得方法包括:
基于测井资料,追踪反射同相轴波峰点,构建反射同相轴连续面,进而确定标志层所在的反射同相轴构建标志层等时三维展布;
基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波阻抗曲线,进而计算反射系数曲线;
以目的层段地震主频为依据构建雷克子波,将雷克子波与反射系数曲线褶积计算后,得到合成地震记录;
将每个钻井井位井眼处的标志层深度数据与标志层三维展布模型对应,计算合成地震记录与井旁地震道叠后地震数据的相关性,当波形相关性高于第一相关阈值时,井震标定完成,最终得出测井深度与地震反射波双程旅行时之间的时深转化关系:
其中,表示声波测井标志层深度对应的地震资料的双程旅行时;/>为声波时差;/>为测井曲线数据采样间隔;/>为地震波双程旅行时;
时深关系表示为一一对应的时间向量和深度向量/>。
步骤S400,基于所述时深转化关系,通过设定尺寸的时窗获取当前深度每个位置的速度向量,获得一维速度曲线;
在本实施例中,所述步骤S400,具体包括:
设置预设尺寸的时窗;
基于所述预设尺寸的时窗范围内的时深转化关系的元素计算当前位置的速度向量:
其中,表示第i+1个深度向量,/>表示第i个深度向量,/>表示第i+1个时间向量,/>表示第i个时间向量,/>,/>表示第i个元素的速度向量;
滑动所述时窗并计算当前位置的速度向量,直至遍历所有元素完成速度向量计算获得一维速度曲线。
步骤S500,基于所述一维速度曲线,训练当前深度的基于波阻抗的速度值预测模型;
在本实施例中,所述当前深度的基于波阻抗的速度值预测模型,其获得方法包括:
获取一维速度曲线训练数据集,进行前向传播:
其中,表示的第/>层神经元输入,/>表示第/>层的连接权值,/>表示第/>层的神经元输出,/>表示第/>层的神经元输出,/>表示第/>层的偏置项量;
其中代价函数为:
表示真实值,j为向量中的元素标号;
每层神经网络前向计算中的误差为:
权值的梯度即目标函数对权值求偏导为:
偏置的梯度即目标函数对偏置求导:
/>
则前向传播中的误差错误为:
反向传播中的误差错误为:
通过梯度下降方法更新参数:
重复迭代至误差错误低于预设的误差阈值,或达到预设的迭代次数,获得训练好的当前深度的基于波阻抗的速度值预测模型。
在本实施例中,训练数据包括单井速度曲线以及单井波阻抗曲线,以单井的一维速度曲线为标签,建立波阻抗曲线向速度曲线的映射关系。
步骤S600,基于当前深度的一维速度曲线进行波阻抗反演获取波阻抗反演数据体;
在本实施例中,所述步骤S600,具体包括:
设未知地下波阻抗模型参数m为维空间向量/>;
通过一次采集过程获得了观测数据d,即一维速度曲线为k维数据向量;
通过非线性函数核G建立未知地下波阻抗模型参数和k维数据向量的联系,即获得正演模型:
其中,表示与地下波阻抗模型参数m无关的随机噪声,服从高斯分布;
基于正演模型构建反演目标函数:
其中,F为观测数据d与预测数据G(m)之间的均方误差;
对所述反演目标函数进行线性化求解;
对所述正演模型进行泰勒展开并略去二次以上的高阶项,获得预测数据简略表达:
/>
其中,表示依据先验信息建立的初始模型,A为Jacobian矩阵,A的元素为一阶偏微分/>;
设,/>,/>表示随机噪声,则正演模型的迭代方程为:
其中,表示迭代了/>次后的正演模型,/>表示迭代了t+1次后的正演模型,/>为加噪预测数据;
通过一次采集过程获得叠前深度域偏移地震剖面,
假设反演深度域模型参数有先验概率分布,根据贝叶斯公式有概率分布为:
加入随机噪音的概率分布为:
其中,为噪音协方差矩阵,/>为噪音协方差矩阵求逆运算,det为取对应矩阵的行列式;
n为噪音且服从高斯分布均值为0,为一等值的对角矩阵且对角线元素为数据中心包含噪音的方差/>,则加入随机噪音的概率分布变形为:
对于反演深度域模型参数先验概率分布,设置初始模型/>,且有,等价的深度域模型概率分布为:;
设等价的深度域模型概率分布服从高斯分布,有加入随机噪声的深度域模型概率分布为:
假设深度域模型参数均值与初始模型等值,且互不影响,有简化的深度域模型概率分布:
其中,表示真实模型相对于所给定初始模型的方差值;
加入随机噪音的概率分布变形中的分母依赖于数据采集和处理,设为常数,通过后验概率最大化等价于分子最大化,使后验概率分布式最大:
使后验概率分布式最大等价式为:
令关于模型参数m的偏导数等于零,且,,获得矩阵方程:
其中,,/>为单位矩阵,/>为波阻抗迭代矩阵,整理得到随机逆反演的基本公式:
/>
随机逆反演的基本公式的迭代公式为:;
其中,为由参数模型所形成的深度域合成地震记录;
通过不断迭代更新未知地下波阻抗模型的参数,直至出现正负值震荡,此时的/>为波阻抗反演数据体。
步骤S700,基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的深地油气精准导航三维速度场高精度建模系统,所述系统包括:
资料采集及标准化模块,配置为采集测井资料并进行异常值处理并标准化,获得标准化测井资料;采集地震数据;
波阻抗曲线提取模块,配置为基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;
时深转化关系计算模块,配置为基于所述波阻抗曲线和地震数据进行井震标定,获得时深转化关系;
速度曲线获取模块,配置为基于所述时深转化关系,通过设定尺寸的时窗获取当前深度每个位置的速度向量,获得一维速度曲线;
预测模型获取模块,配置为基于所述速度曲线,训练当前深度的基于波阻抗的速度值预测模型;
波阻抗反演数据体计算模块,配置为基于当前深度的一维速度曲线进行波阻抗反演获取波阻抗反演数据体;
三维高精度速度场获取模块,配置为基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的深地油气精准导航三维速度场高精度建模系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (5)
1.一种深地油气精准导航三维速度场高精度建模方法,其特征在于,所述方法包括:
步骤S100,采集测井资料并进行异常值处理并标准化,获得标准化测井资料;采集地震数据;
步骤S200,基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;
步骤S300,基于所述波阻抗曲线和地震数据进行井震标定,获得时深转化关系;
步骤S400,基于所述时深转化关系,通过设定尺寸的时窗获取当前深度每个位置的速度向量,获得一维速度曲线;
所述步骤S400,具体包括:
设置预设尺寸的时窗;
基于所述预设尺寸的时窗范围内的时深转化关系的元素计算当前位置的速度向量:
;
其中,表示第i+1个深度向量,/>表示第i个深度向量,/>表示第i+1个时间向量,/>表示第i个时间向量,/>,/>表示第i个元素的速度向量,表示时间向量;
滑动所述时窗并计算当前位置的速度向量,直至遍历所有元素完成速度向量计算获得一维速度曲线;
步骤S500,基于所述一维速度曲线,训练当前深度的基于波阻抗的速度值预测模型;
所述当前深度的基于波阻抗的速度值预测模型,其获得方法包括:
获取一维速度曲线训练数据集,进行前向传播:
;
;
其中,表示的第/>层神经元输入,/>表示第/>层的连接权值,/>表示第/>层的神经元输出,/>表示第/>层的神经元输出,/>表示第/>层的偏置项量;
其中代价函数为:
;
表示真实值,j为向量中的元素标号;
每层神经网络前向计算中的误差为:
;
权值的梯度即目标函数对权值求偏导为:
;
偏置的梯度即目标函数对偏置求导:
;
则前向传播中的误差错误为:
;
反向传播中的误差错误为:
;
通过梯度下降方法更新参数:
;
;
重复迭代至误差错误低于预设的误差阈值,或达到预设的迭代次数,获得训练好的当前深度的基于波阻抗的速度值预测模型;
步骤S600,基于当前深度的一维速度曲线进行波阻抗反演获取波阻抗反演数据体;
所述步骤S600,具体包括:
设未知地下波阻抗模型参数m为维空间向量/>;
通过一次采集过程获得了观测数据d,即一维速度曲线为k维数据向量 ;
通过非线性函数核G建立未知地下波阻抗模型参数和k维数据向量的联系,即获得正演模型:
;
其中,表示与未知地下波阻抗模型参数m无关的随机噪音,服从高斯分布;
基于正演模型构建反演目标函数:
;
其中,F为观测数据d与预测数据G(m)之间的均方误差;
对所述反演目标函数进行线性化求解;
对所述正演模型进行泰勒展开并略去二次以上的高阶项,获得预测数据简略表达:
;
其中,表示依据先验信息建立的初始模型,A为Jacobian矩阵,A的元素为一阶偏微分/>;
设,/>,/>表示随机噪音,则正演模型的迭代方程为:
;
其中,表示迭代了/>次后的正演模型,/>表示迭代了t+1次后的正演模型,为加噪预测数据;
通过一次地采集过程获得叠前深度域偏移地震剖面,
假设反演深度域模型参数先验概率分布,根据贝叶斯公式有概率分布为:
;
加入随机噪音的概率分布为:
;
其中,为噪音协方差矩阵,/>为噪音协方差矩阵求逆运算,det为取对应矩阵的行列式;
n为与未知地下波阻抗模型参数m无关的随机噪音且服从高斯分布均值为0,所述噪音协方差矩阵为一等值的对角矩阵且对角线元素为数据中心包含噪音的方差,则加入随机噪音的反演深度域模型参数先验概率分布变形为:
;
对于反演深度域模型参数先验概率分布,设置依据先验信息建立的初始模型/>,且有/>,等价的反演深度域模型参数先验概率分布为:;
设等价的反演深度域模型概率分布服从高斯分布,有加入随机噪音的反演深度域模型概率分布为:
;
假设反演深度域模型参数均值与依据先验信息建立的初始模型等值,且互不影响,有简化的反演深度域模型参数先验概率分布:
;
其中,表示真实模型相对于所给定初始模型的方差值;
加入随机噪音的反演深度域模型参数先验概率分布变形中的分母依赖于数据采集和处理,设为常数,通过后验概率最大化等价于分子最大化,使后验概率分布式最大:
;
使后验概率分布式最大等价式为:
;
令关于未知地下波阻抗模型参数m的偏导数等于零,且,,获得矩阵方程:
;
;
其中,,/>为单位矩阵,/>为波阻抗迭代矩阵,整理得到随机逆反演的基本公式:
;
;
随机逆反演的基本公式的迭代公式为:;
其中,为由参数模型所形成的深度域合成地震记录;
通过不断迭代更新未知地下波阻抗模型的参数,直至出现正负值震荡,此时的为波阻抗反演数据体;
步骤S700,基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。
2.根据权利要求1所述的深地油气精准导航三维速度场高精度建模方法,其特征在于,所述标准化测井资料,其获得方法包括:
步骤A10,将测井资料作为待处理数据集;
步骤A20,从待处理数据集中随机抽取/>个数据点构成待处理数据子集/>存入根节点;
步骤A30,从待处理数据集中随机选定一个维度q,在维度q中随机产生一个分割点/>;其中分割点/>满足/>,/>表示分割点序号;
步骤A40,根据切割点p生成将维度q中数据划分为两个子空间的超平面,指定数值小于p的维度q的数据点放入第一叶子节点,数值大于或等于p的数据点放入第二叶子节点;
步骤A50,递归步骤A30至步骤A40所述的方法,直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度;
步骤A60,重复步骤A30至步骤A50所述的方法,直至生成个孤立树;其中,/>个孤立树表示:孤立树没有叶子节点的外部节点,或有两个叶子节点/>和一个内部节点test;在/>个孤立树的内部节点test由维度q和一个分割点p组成,q<p的点属于/>,反之属于/>;
步骤A70,所述个孤立树即为孤立树森林,令每个数据点/>遍历每一个孤立树,计算数据点/>在每一个孤立树的高度/>即数据点/>从所在孤立树的根节点到叶子节点经过的边的数量;从而计算数据点/>在孤立树森林中的平均高度,对所有数据点的平均高度做归一化处理,获得归一化的数据点平均高度/>;
步骤A80,基于所述归一化的数据点平均高度,计算异常值分数/>:
;
其中,表示/>个数据点所构建的二叉树路径长度的平均值,E(*)表示期望;
;
其中,表示调和数,通过/>估算,0.5772156649为欧拉常数;
当所述异常值分数小于预设的异常值阈值/>时,将对应的数据点剔除,获得剔除异常值的测井资料/>,/>,,/>表示剔除异常值的测井资料中的数据点数;
步骤A90,对连续的剔除异常值的测井资料进行标准化处理,得到标准化测井资料:
;
其中,表示第/>种曲线第z个采样点数据值,/>表示计算平均值;/>表示第/>种曲线的所有数据样本点;/>表示第/>种曲线的方差;/>表示标准化之后第/>种曲线第z个采样点数据值。
3.根据权利要求1所述的深地油气精准导航三维速度场高精度建模方法,其特征在于,所述步骤S200包括:
基于所述标准化测井资料,选取标准化补偿声波曲线AC和标准化密度曲线DEN,计算目标井的波阻抗曲线IMP:
。
4.根据权利要求1所述的深地油气精准导航三维速度场高精度建模方法,其特征在于,所述时深转化关系,其获得方法包括:
基于测井资料,追踪反射同相轴波峰点,构建反射同相轴连续面,进而确定标志层所在的反射同相轴构建标志层等时三维展布;
基于每个已知井位的测井资料中的声波时差曲线和密度曲线做乘积运算获取波阻抗曲线,进而计算反射系数曲线;
以目的层段地震主频为依据构建雷克子波,将雷克子波与反射系数曲线褶积计算后,得到合成地震记录;
将每个钻井井位井眼处的标志层深度数据与标志层三维展布模型对应,计算合成地震记录与井旁地震道叠后地震数据的相关性,当波形相关性高于第一相关阈值时,井震标定完成,最终得出测井深度与地震反射波双程旅行时之间的时深转化关系:
;
其中,表示声波测井标志层深度对应的地震资料的双程旅行时;/>为声波时差;/>为测井曲线数据采样间隔;/>为地震波双程旅行时;
时深关系表示为一一对应的时间向量和深度向量/>。
5.一种深地油气精准导航三维速度场高精度建模系统,其特征在于,所述系统包括:
资料采集及标准化模块,配置为采集测井资料并进行异常值处理并标准化,获得标准化测井资料;采集地震数据;
波阻抗曲线提取模块,配置为基于标准化测井资料,进行波阻抗特征提取,获取波阻抗曲线;
时深转化关系计算模块,配置为基于所述波阻抗曲线和地震数据进行井震标定,获得时深转化关系;
速度曲线获取模块,配置为基于所述时深转化关系,通过设定尺寸的时窗获取当前深度每个位置的速度向量,获得一维速度曲线;具体包括:
设置预设尺寸的时窗;
基于所述预设尺寸的时窗范围内的时深转化关系的元素计算当前位置的速度向量:
;
其中,表示第i+1个深度向量,/>表示第i个深度向量,/>表示第i+1个时间向量,/>表示第i个时间向量,/>,/>表示第i个元素的速度向量,表示时间向量;
滑动所述时窗并计算当前位置的速度向量,直至遍历所有元素完成速度向量计算获得一维速度曲线;
预测模型获取模块,配置为基于所述一维速度曲线,训练当前深度的基于波阻抗的速度值预测模型;
所述当前深度的基于波阻抗的速度值预测模型,其获得方法包括:
获取一维速度曲线训练数据集,进行前向传播:
;
;
其中,表示的第/>层神经元输入,/>表示第/>层的连接权值,/>表示第/>层的神经元输出,/>表示第/>层的神经元输出,/>表示第/>层的偏置项量;
其中代价函数为:
;
表示真实值,j为向量中的元素标号;
每层神经网络前向计算中的误差为:
;
权值的梯度即目标函数对权值求偏导为:
;
偏置的梯度即目标函数对偏置求导:
;
则前向传播中的误差错误为:
;
反向传播中的误差错误为:
;
通过梯度下降方法更新参数:
;
;
重复迭代至误差错误低于预设的误差阈值,或达到预设的迭代次数,获得训练好的当前深度的基于波阻抗的速度值预测模型;
波阻抗反演数据体计算模块,配置为基于当前深度的一维速度曲线进行波阻抗反演获取波阻抗反演数据体;
具体包括:
设未知地下波阻抗模型参数m为维空间向量/>;
通过一次采集过程获得了观测数据d,即一维速度曲线为k维数据向量 ;
通过非线性函数核G建立未知地下波阻抗模型参数和k维数据向量的联系,即获得正演模型:
;
其中,表示与未知地下波阻抗模型参数m无关的随机噪音,服从高斯分布;
基于正演模型构建反演目标函数:
;
其中,F为观测数据d与预测数据G(m)之间的均方误差;
对所述反演目标函数进行线性化求解;
对所述正演模型进行泰勒展开并略去二次以上的高阶项,获得预测数据简略表达:
;
其中,表示依据先验信息建立的初始模型,A为Jacobian矩阵,A的元素为一阶偏微分/>;
设,/>,/>表示随机噪音,则正演模型的迭代方程为:
;
其中,表示迭代了/>次后的正演模型,/>表示迭代了t+1次后的正演模型,为加噪预测数据;
通过一次地采集过程获得叠前深度域偏移地震剖面,
假设反演深度域模型参数先验概率分布,根据贝叶斯公式有概率分布为:
;
加入随机噪音的概率分布为:
;
其中,为噪音协方差矩阵,/>为噪音协方差矩阵求逆运算,det为取对应矩阵的行列式;
n为与未知地下波阻抗模型参数m无关的随机噪音且服从高斯分布均值为0,所述噪音协方差矩阵为一等值的对角矩阵且对角线元素为数据中心包含噪音的方差,则加入随机噪音的反演深度域模型参数先验概率分布变形为:
;
对于反演深度域模型参数先验概率分布,设置依据先验信息建立的初始模型/>,且有/>,等价的反演深度域模型参数先验概率分布为:;
设等价的反演深度域模型概率分布服从高斯分布,有加入随机噪音的反演深度域模型概率分布为:
;
假设反演深度域模型参数均值与依据先验信息建立的初始模型等值,且互不影响,有简化的反演深度域模型参数先验概率分布:
;
其中,表示真实模型相对于所给定初始模型的方差值;
加入随机噪音的反演深度域模型参数先验概率分布变形中的分母依赖于数据采集和处理,设为常数,通过后验概率最大化等价于分子最大化,使后验概率分布式最大:
;
使后验概率分布式最大等价式为:
;
令关于未知地下波阻抗模型参数m的偏导数等于零,且,,获得矩阵方程:
;
;
其中,,/>为单位矩阵,/>为波阻抗迭代矩阵,整理得到随机逆反演的基本公式:
;
;/>
随机逆反演的基本公式的迭代公式为:;
其中,为由参数模型所形成的深度域合成地震记录;
通过不断迭代更新未知地下波阻抗模型的参数,直至出现正负值震荡,此时的为波阻抗反演数据体;三维高精度速度场获取模块,配置为基于所述波阻抗反演数据体通过所述当前深度的基于波阻抗的速度值预测模型,获取三维高精度速度体。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311353154.4A CN117094233B (zh) | 2023-10-19 | 2023-10-19 | 深地油气精准导航三维速度场高精度建模方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311353154.4A CN117094233B (zh) | 2023-10-19 | 2023-10-19 | 深地油气精准导航三维速度场高精度建模方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094233A CN117094233A (zh) | 2023-11-21 |
CN117094233B true CN117094233B (zh) | 2024-01-30 |
Family
ID=88780085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311353154.4A Active CN117094233B (zh) | 2023-10-19 | 2023-10-19 | 深地油气精准导航三维速度场高精度建模方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094233B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407382A (zh) * | 2014-12-04 | 2015-03-11 | 长江大学 | 一种基于高精度三维空间速度场剩余层速度的储层预测方法 |
CN112596107A (zh) * | 2020-12-11 | 2021-04-02 | 中国科学院地质与地球物理研究所 | 弹性参数反演方法及装置 |
CN114966856A (zh) * | 2022-08-02 | 2022-08-30 | 中国科学院地质与地球物理研究所 | 基于多频带地震资料的碳封存场址优选方法、系统和设备 |
CN114994758A (zh) * | 2022-08-02 | 2022-09-02 | 北京京鲁聚源能源科技有限公司 | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866827B (zh) * | 2021-09-29 | 2023-05-09 | 中国石油大学(华东) | 一种解释性速度建模地震成像方法、系统、介质和设备 |
-
2023
- 2023-10-19 CN CN202311353154.4A patent/CN117094233B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407382A (zh) * | 2014-12-04 | 2015-03-11 | 长江大学 | 一种基于高精度三维空间速度场剩余层速度的储层预测方法 |
CN112596107A (zh) * | 2020-12-11 | 2021-04-02 | 中国科学院地质与地球物理研究所 | 弹性参数反演方法及装置 |
CN114966856A (zh) * | 2022-08-02 | 2022-08-30 | 中国科学院地质与地球物理研究所 | 基于多频带地震资料的碳封存场址优选方法、系统和设备 |
CN114994758A (zh) * | 2022-08-02 | 2022-09-02 | 北京京鲁聚源能源科技有限公司 | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 |
Non-Patent Citations (4)
Title |
---|
Broadband Acoustic Impedance Building via the Fusion of Sparsely Promoted Reflectivity and Background Acoustic Impedance;Lei, T 等;IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING;全文 * |
撒利明 ; 杨午阳 ; .非线性拟测井曲线反演在油藏监测中的应用及展望.石油地球物理勘探.2017,(第02期),全文. * |
瞬变电磁电阻率作为初始模型的隧道地震速度曲线反演方法研究;鲁兴林 等;隧道建设(中英文);全文 * |
稀疏脉冲反演技术在井间地震反演中的应用;吕铁良;王永刚;谢万学;刘磊;;石油物探(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094233A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Otchere et al. | Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties: Comparative analysis of ANN and SVM models | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
Lorentzen et al. | History matching the full Norne field model using seismic and production data | |
US20130124171A1 (en) | Systems and methods for predicting well performance | |
CN104809333A (zh) | 基于Kalman滤波器的容量预测方法和系统 | |
Silva et al. | A Bayesian peaks-over-threshold analysis of floods in the Itajaí-açu River under stationarity and nonstationarity | |
CN111522063B (zh) | 基于分频联合反演的叠前高分辨率流体因子反演方法 | |
CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN112287601B (zh) | 利用r语言构建烟叶质量预测模型的方法、介质及应用 | |
CN111722283B (zh) | 一种地层速度模型建立方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
Bedi et al. | PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction | |
Han et al. | Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification | |
CN117094233B (zh) | 深地油气精准导航三维速度场高精度建模方法与系统 | |
CN116976705B (zh) | 深地油气精准导航砂泥岩地层物性评价方法与系统 | |
CN116933196B (zh) | 多维测井数据异常值智能剔除的方法与系统 | |
CN112100906B (zh) | 数据驱动的大尺度密度建模方法、计算设备及存储介质 | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Hossain et al. | A non-linear and stochastic response surface method for Bayesian estimation of uncertainty in soil moisture simulation from a land surface model | |
CN115130529A (zh) | 一种叠前地震反演方法和装置 | |
CN116957363B (zh) | 深地油气精准导航砂泥岩地层构造评价方法与系统 | |
CN110568488A (zh) | 一种基于非线性混沌算法的生物礁储层识别方法 | |
CN117077462B (zh) | 深地油气精准导航随钻伽马测井曲线调优方法与系统 | |
CN109613615A (zh) | 基于叠前地震响应分析的地质体尺度定量估算方法 | |
CN117150929B (zh) | 深地油气精准导航井震结合更新碎屑岩岩性模型系统 |
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 |