CN117217095A - 一种基于深度学习求取地质属性建模中变差函数的方法 - Google Patents
一种基于深度学习求取地质属性建模中变差函数的方法 Download PDFInfo
- Publication number
- CN117217095A CN117217095A CN202311324643.7A CN202311324643A CN117217095A CN 117217095 A CN117217095 A CN 117217095A CN 202311324643 A CN202311324643 A CN 202311324643A CN 117217095 A CN117217095 A CN 117217095A
- Authority
- CN
- China
- Prior art keywords
- model
- porosity
- variation function
- modeling
- deep learning
- 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
- 230000006870 function Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract 2
- 229930195733 hydrocarbon Natural products 0.000 claims abstract 2
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract 2
- 238000012795 verification Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910052770 Uranium Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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方法，提出一种求取地质属性建模变差函数的方法。通过融合传统油气藏地质建模与深度学习的方法建立变差函数预测模型，以序贯高斯模拟所得孔隙度平面模型抽取的数据点为基准，然后采取UNet网络结构进行图像重构，保证了孔隙度分布的空间相关性；最后利用CNN网络结构对样本集进行深度学习，从而建立了求取变差函数的UNet‑CNN模型。
Description
技术领域
本发明涉及油气田开发技术领域。
背景技术
复杂油气藏开发将是油气行业的一种常态，对油藏开展精准细致的油藏描述显得尤为关键，而油气藏建模是复杂油气藏开发的一项基础且关键的工作；油藏描述的目的是建立定量的油藏地质模型，而地质模型是油藏数值模拟、油藏工程等研究工作的基础。建立油藏地质模型的方法分为确定性建模和随机性建模，无论是克里金方法还是随机性建模，都需要进行变差函数的求取。变差函数传统获取方法为通过拟合实验变差函数获取，拟合的主要算法有遗传算法、群搜索优化算法等，除此之外，还可以通过傅里叶积分法，利用地质统计学反演预测变差函数。
为改善传统的实验变差函数建模的不足，最大限度地利用空间数据，本方法提出一种基于UNet-CNN深度学习求取变差函数参数的新方法。以序贯高斯模拟所得孔隙度平面模型抽取的数据点为基准，然后采取UNet网络结构进行图像重构，保证了孔隙度分布的空间相关性；最后利用CNN网络结构对样本集进行深度学习，从而建立了预测变差函数的大数据模型。本方法，求取的变差函数更为准确，同时，该方法也简化了地质建模工作流程，减少了求取实验变差函数主观性，降低了研究区内数据点数量的局限性，为变差函数的预测研究提供了一种新的思路。
CN106407678B《一种基于相控非参数各向异性变差函数构建方法》提出了一种基于相控非参数各项异性变差函数构建方法，基于地层不同沉积相进行不同的各向异性变差函数拟合，实现了对指数型变差函数的构建和求解，通过合理的相建模，其中变差函数参数拟合方法是基于蚁群算法。
CN105046097B《基于非参数各向异性变差函数的随机建模方法》提出了一种基于非参数各向异性变差函数的随机建模方法；其包括对确定性反演得到P波阻抗体进行抽样计算变差函数，根据变差函数采用序贯高斯模拟方法进行随机建模。
《利用地质统计学反演预测砂岩型铀矿体的变差函数求取方法》一文提出一种在测井数据和地质意义控制下的变差函数求取方法,即通过统计井上数据点求取纵向变程，通过统计、分析已开发区矿体规模和矿点含矿性求取横向变程。
《储层随机模拟中的多尺度变差函数估算方法》一文提出多尺度平面变差函数求取策略。在多尺度变差函数适用性分析基础上，利用井区内测井资料(包括直井和水平井)、地震资料获取平面变差函数，通过分析、对比以上三种资料的平面变差函数，模拟不同尺度储层的特征。
综合已有专利与论文发现，求取变差函数的方法，均通过拟合实验变差函数的方法求取，并且未提出在井点数较少时变差函数的求取。而本方法对该油藏的新区(滚动开发)进行地质建模时，在井点较少的情况下，求取实验变差函数比较困难，此时可将井点数据输入到该模型中，求取得到该区的变差函数参数(主变程、主次变程比、主变程方位角)，减少了依靠数据拟合实验变差函数带来的误差，降低了对研究区内硬数据的依赖性。
发明内容
本发明针对现有方法的不足，提供了一种基于深度学习预测地质属性建模中变差函数的方法。
本发明的方法原理如下(以孔隙度属性建模为例)：
首先以由孔隙度测井解释曲线粗化所得的井点属性数据(硬数据)为基础，通过设置不同的变差函数参数(主变程、主次变程比、主变程方位角)，理论模型选用球状模型，利用序贯高斯模拟算法(SGS)模拟生成多组孔隙度模型，然后从这些模型中抽取出建模时使用的硬数据(井点数据)并加上一定数量的软数据(模拟得到的孔隙度)，构成样本集，对样本集进行深度学习。深度学习模型分为两个部分，第一个部分利用抽取所的孔隙度点通过UNet网络模型进行孔隙度模型重构，第二部分将重构的孔隙度模型采用CNN网络进行深度学习，从而建立求取变差函数模型。
根据上述介绍，得出了建立地质属性建模中变差函数预测模型的方法的具体步骤如下：
(1)通过设置不同的变差函数参数(主变程、主次变程比、主变程方位角)，理论模型选用球状模型，通过序贯高斯模拟算法(SGS)生成多组属性模型，然后从这些模型中抽取出建模时使用的硬数据(井点数据)并加上一定数量的软数据(模拟得到的孔隙度)，构成样本集，其中80％为训练集，20％为验证集。
(2)利用抽取所的孔隙度点作为输入变量，通过UNet网络模型进行孔隙度模型重构，可以表示出孔隙度分布的空间相关性。
(3)将重构的孔隙度模型输入CNN网络进行变差函数参数求取，综合图形分析与统计参数分析，进行模型精度验证。
附图说明
图1是本发明UNet-CNN深度学习预测模型结构框架图图；
图2是本发明所得孔隙度数据抽取图；
图3是本发明所得UNet的平面孔隙度模型重构网络结构；
图4是本发明所得UNet网络训练损失函数变化曲线；
图5是本发明所得孔隙度重构结果图；
图6是本发明所得CNN预测变差函数参数网络结构对比图；
图7是本发明所得损失函数变化曲线与预测精度验证图。
具体实施方式
为使本发明的目的、研究方法及优点更加清楚明白，以下列举实施例，对本发明做进一步详细说明。
一种基于深度学习求取地质属性建模中变差函数的方法，包括以下步骤：
通过设置不同的变差函数参数(主变程、主次变程比、主变程方位角)，理论模型选用球状模型，通过序贯高斯模拟算法(SGS)生成多组属性模型，然后从这些模型中抽取出建模时使用的硬数据(井点数据)并加上一定数量的软数据(模拟得到的孔隙度)，构成样本集，其中80％为训练集，20％为验证集。
以某油田的X油藏为研究对象，建立区块的地质模型，平面网格间距为20m×20m，网格总数为294×244＝71736。通过测井曲线粗化，利用相模型作控制，数据转换和变差函数分析后通过序贯高斯模拟建立了孔隙度模型。基于此模型构建样本集，通过改变变差函数参数(主变程、主次变程比、主变程方位角)，模拟到1000组孔隙度模型。从每一组孔隙度模型中抽取硬数据70个，软数据140个(模拟生成的孔隙度)，组成深度学习样本集。软数据数量的选取原则是为了提高模型的训练效率以及更好地挖掘参数信息，本次软数据数量为硬数据的2倍。在样本集中，选取80％的样本为训练集，20％为验证集，如图2所示，样本集的孔隙度分布均值(μ)、均方差(σ)相差较小，保证了输入变量空间分布大体一致。
变差函数变量范围见表1所示。
表1变差函数变量范围
利用抽取所的孔隙度点作为输入变量，通过UNet网络模型进行孔隙度模型重构，可以表示出孔隙度分布的空间相关性。
图3为UNet网络模型进行孔隙度模型重构网络结构，该网络U型结构左边部分为主干特征提取部分，由卷积层和最大池化层组成，其中每个卷积单元的卷积通道数分别为16、32、64、128，卷积核的大小为3×3，激活函数为Relu，通过该部分可获得四个初步有效特征层；右边部分为加强特征提取部分，利用上采样并进行堆叠的方式，将四个初步有效特征层进行特征融合，最后通过1×1的卷积操作，将图像输出。
图4为UNet网络训练损失函数变化曲线，在网络模型中，损失函数可以检测模型的准确性和稳定性，损失函数随着训练次数增加迅速下降，迭代100次逐渐稳定。
图5为孔隙度重构结果，从中可以看出，重构图像与原始图像的平面趋势性大致相同，可以表示出孔隙度分布的空间相关性，同时也起到一定的降维作用，更有利于特征提取。
将重构的孔隙度模型输入CNN网络进行变差函数参数预测，综合图形分析与统计参数分析，进行模型精度验证。
图6为CNN预测变差函数参数网络结构，将UNet网络预测结果作为输入层，导入CNN网络中，预测主变程、主次变程比、主变程方位角，其网络由三层卷积层和三层池化层进行特征提取，卷积核的大小为3×3，最后通过全连接得到预测参数。
图7为损失函数变化曲线与预测精度验证，CNN网络模型经过1000次训练迭代后，得到其损失函数变化曲线如图7(a)所示，由图7(a)可看出，最终的损失趋近于0，且曲线平缓，模型表现理想。三个变量预测值与实测值对比如图7(b～d)所示，可以看出，三个变量的训练集与验证集模型预测结果基本一致，偏离1:1线的离散数据点较少，回归偏差较小。
模型验证的误差统计见表2所示。
表2模型验证的误差统计表
通过统计参数误差可以更精确地分析模型的预测精度，为此对其均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R2)进行了计算，计算公式如式3～6所示，其结果如表3所示，由表3可看出，三个变量的预测相关系数均大于0.99，其均方误差、平均绝对误差、均方根误差也均较小。综合图形分析与统计参数分析，可以看出模型的有较高的预测精度。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种求取地质属性建模变差函数的方法。
通过融合传统油气藏地质建模与深度学习的方法建立变差函数预测模型，以序贯高斯模拟所得孔隙度平面模型抽取的数据点为基准，然后采取UNet网络结构进行图像重构，保证了孔隙度分布的空间相关性；最后利用CNN网络结构对样本集进行深度学习，从而建立了预测变差函数的大数据模型。
根据上述介绍，得出了建立地质属性建模中变差函数求取模型的方法的具体步骤如下：
(1)通过设置不同的变差函数参数(主变程、主次变程比、主变程方位角)，理论模型选用球状模型，通过序贯高斯模拟算法(SGS)生成多组属性模型，然后从这些模型中抽取出建模时使用的硬数据(井点数据)并加上一定数量的软数据(模拟得到的孔隙度)，构成样本集，其中80％为训练集，20％为验证集。
(2)利用抽取所的孔隙度点作为输入变量，通过UNet网络模型进行孔隙度模型重构，可以表示出孔隙度分布的空间相关性。
(3)将重构的孔隙度模型输入CNN网络进行变差函数参数求取，综合图形分析与统计参数分析，进行模型精度验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324643.7A CN117217095B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324643.7A CN117217095B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217095A true CN117217095A (zh) | 2023-12-12 |
| CN117217095B CN117217095B (zh) | 2024-05-28 |
Family
ID=89042586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324643.7A Active CN117217095B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217095B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607996A (zh) * | 2017-08-23 | 2018-01-19 | 电子科技大学 | 基于相控的序贯协同模拟地质建模方法 |
| CN111611891A (zh) * | 2020-05-14 | 2020-09-01 | 青岛翰林汇力科技有限公司 | 应用神经网络深度学习的整体性智能识别方法 |
| CN112784493A (zh) * | 2021-01-27 | 2021-05-11 | 武汉轻工大学 | 基于自适应深度q网络的地理空间预测方法及系统 |
| CN113963123A (zh) * | 2021-10-20 | 2022-01-21 | 中山大学 | 一种融合深度学习和多点统计学的地质建模方法及装置 |
| US20220205354A1 (en) * | 2020-12-29 | 2022-06-30 | Landmark Graphics Corporation | Estimating Reservoir Production Rates Using Machine Learning Models for Wellbore Operation Control |
| CN114897781A (zh) * | 2022-04-12 | 2022-08-12 | 三峡大学 | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 |
| US20220308256A1 (en) * | 2021-03-25 | 2022-09-29 | Saudi Arabian Oil Company | Fast variogram modeling driven by artificial intelligence |
| 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 |
| CN115758853A (zh) * | 2022-07-19 | 2023-03-07 | 西南石油大学 | 一种基于序贯神经网络的储层相建模方法 |
| CN115809587A (zh) * | 2021-09-13 | 2023-03-17 | 中国石油化工股份有限公司 | 基于深度网络与avo分析相结合的叠前含气性预测方法 |
| CN115880505A (zh) * | 2023-03-08 | 2023-03-31 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
-
2023
- 2023-10-13 CN CN202311324643.7A patent/CN117217095B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607996A (zh) * | 2017-08-23 | 2018-01-19 | 电子科技大学 | 基于相控的序贯协同模拟地质建模方法 |
| CN111611891A (zh) * | 2020-05-14 | 2020-09-01 | 青岛翰林汇力科技有限公司 | 应用神经网络深度学习的整体性智能识别方法 |
| US20220205354A1 (en) * | 2020-12-29 | 2022-06-30 | Landmark Graphics Corporation | Estimating Reservoir Production Rates Using Machine Learning Models for Wellbore Operation Control |
| CN112784493A (zh) * | 2021-01-27 | 2021-05-11 | 武汉轻工大学 | 基于自适应深度q网络的地理空间预测方法及系统 |
| US20220308256A1 (en) * | 2021-03-25 | 2022-09-29 | Saudi Arabian Oil Company | Fast variogram modeling driven by artificial intelligence |
| CN115809587A (zh) * | 2021-09-13 | 2023-03-17 | 中国石油化工股份有限公司 | 基于深度网络与avo分析相结合的叠前含气性预测方法 |
| CN113963123A (zh) * | 2021-10-20 | 2022-01-21 | 中山大学 | 一种融合深度学习和多点统计学的地质建模方法及装置 |
| CN114897781A (zh) * | 2022-04-12 | 2022-08-12 | 三峡大学 | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 |
| 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 |
| CN115758853A (zh) * | 2022-07-19 | 2023-03-07 | 西南石油大学 | 一种基于序贯神经网络的储层相建模方法 |
| CN115880505A (zh) * | 2023-03-08 | 2023-03-31 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
Non-Patent Citations (8)
| Title |
|---|
| （美）亚鲁斯: "随机建模和地质统计学 原理、方法和实例研究", 30 September 2000, 北京：石油工业出版社, pages: 260 - 264 * |
| SHUAI LI: "Deep variance network: An iterative, improved CNN framework for unbalanced training datasets", PATTERN RECOGNITION, 30 September 2018 (2018-09-30), pages 294 - 308, XP055981869, DOI: 10.1016/j.patcog.2018.03.035 * |
| 侯晓琳;: "深度学习在地质储层属性预测中的应用研究", 计算机应用与软件, no. 04, 12 April 2020 (2020-04-12), pages 46 - 53 * |
| 冯国庆;何玉俊;刘红林;陈燕;张萍;薛芳芳;: "利用试井数据约束的随机地质建模方法", 石油地球物理勘探, no. 02, 13 April 2020 (2020-04-13), pages 435 - 441 * |
| 许少华;单彬;: "人工神经网络在储层地质建模中的应用研究", 科学技术与工程, no. 31, 8 November 2011 (2011-11-08), pages 7650 - 7654 * |
| 陈杰;张挺;杜奕;: "基于自适应深度迁移学习的多孔介质重构", 计算机应用, no. 04, 18 November 2019 (2019-11-18), pages 307 - 312 * |
| 陈蕾;唐金良;孙振涛;曹辉兰;: "基于U-Net深度卷积神经网络的碳酸盐岩储层自动识别方法", 内蒙古石油化工, no. 05, 30 May 2020 (2020-05-30), pages 56 - 58 * |
| 高世臣;袁照威;: "地震属性在沉积相预测中的方法研究―序贯随机模式识别", 地球物理学进展, no. 03, 15 June 2016 (2016-06-15), pages 1066 - 1072 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217095B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| CN109543828B (zh) | 一种基于小样本条件下的吸水剖面预测方法 | |
| CN104750896B (zh) | 一种缝洞型碳酸盐岩油藏数值模拟方法 | |
| CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
| CN111523713B (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
| CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
| CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| Alenezi et al. | A data-driven smart proxy model for a comprehensive reservoir simulation | |
| CN112016212B (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
| CN107808032B (zh) | 页岩气储层含水饱和度计算方法及系统 | |
| CN105044775A (zh) | 一种地震流体反演识别方法和装置 | |
| Gundesø et al. | SESIMIRA—a new geological tool for 3D modelling of heterogeneous reservoirs | |
| CN110428497B (zh) | 辫状河训练图像生成方法 | |
| CN111706318A (zh) | 一种确定低渗储层剩余油分布状况的方法 | |
| US11954417B1 (en) | Method for predicting permeability of multi-mineral phase digital core based on deep learning | |
| CN103543478A (zh) | 地质形态插值的km方法 | |
| Alpak et al. | Adjoint method acceleration protocols for model maturation to update static models with time-lapse reservoir surveillance data | |
| CN117217095B (zh) | 一种基于深度学习求取地质属性建模中变差函数的方法 | |
| Costa et al. | A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs | |
| CN104182558B (zh) | 一种缝洞野外露头水驱油数值模拟方法 | |
| Rivenæs et al. | Introduction to reservoir modelling | |
| Hui et al. | A hybrid embedded discrete fracture model and dual-porosity, dual-permeability workflow for hierarchical treatment of fractures in practical field studies | |
| CN105893674B (zh) | 采用全局协方差进行地质属性预测的方法 | |
| Andrianov | Upscaling of two-phase discrete fracture simulations using a convolutional neural network | |
| CN114764546A (zh) | 基于生成对抗神经网络的断块油藏剩余油预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |