CN117826254A - 一种测井纵波阻抗的反演方法、装置及设备 - Google Patents
一种测井纵波阻抗的反演方法、装置及设备 Download PDFInfo
- Publication number
- CN117826254A CN117826254A CN202311432991.6A CN202311432991A CN117826254A CN 117826254 A CN117826254 A CN 117826254A CN 202311432991 A CN202311432991 A CN 202311432991A CN 117826254 A CN117826254 A CN 117826254A
- Authority
- CN
- China
- Prior art keywords
- longitudinal wave
- wave impedance
- logging
- work area
- data
- 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 109
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 21
- 230000035939 shock Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 18
- 238000010606 normalization Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书提供了一种测井纵波阻抗的反演方法、装置及设备。该方法包括:获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。基于上述方法能够提高纵波阻抗的反演精度和分辨率,增强对薄层或薄互层的识别能力。
Description
技术领域
本说明书涉及油气勘探开发技术领域,尤其涉及一种测井纵波阻抗的反演方法、装置及设备。
背景技术
测井数据中包括测井纵波阻抗,测井纵波阻抗是指地下介质中纵波传播速度和密度的乘积,是地下介质物理性质的一个重要参数。通过对测井纵波阻抗进行高分辨率反演,可以实现薄储层的精确识别,对油气勘探与开发具有重要意义。
但是现有的反演方法,如:地震振幅反演、多尺度信息融合反演、以神经网络为基础的数据驱动反演等方法在反演测井纵波阻抗时存在:反演分辨率低、计算成本高、反演效率低、小样本数据导致神经网络容易发生过拟合,导致对薄层或薄互层刻画不明显、识别能力较弱等问题。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种测井纵波阻抗的反演方法、装置及设备,以解决现有技术无法提高小样本数据的反演精度和分辨率,导致对薄层或薄互层刻画不明显、识别能力弱的问题。
一方面,本说明书实施例提供了一种测井纵波阻抗的反演方法,包括:
获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:
对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;
根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;
根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;
根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
进一步地,所述方法还包括:
获取一维纵波阻抗样本数据的个数和纵波阻抗长度;
根据一维纵波阻抗样本数据的个数和纵波阻抗长度,拼接得到测井纵波阻抗样本数据。
进一步地,所述对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗,包括:
将测井纵波阻抗样本数据输入至预设编码器中,输出高维纵波阻抗特征;
将高维纵波阻抗特征输入至预设解码器中,利用预设解码器中的反卷积层对高维纵波阻抗特征进行重建,利用预设解码器中的卷积层提取重建后的高维纵波阻抗特征得到目标高维纵波阻抗特,基于目标高维纵波阻抗特输出工区纵波阻抗。
进一步地,所述根据工区纵波阻抗,确定工区低频纵波阻抗,包括:
对工区纵波阻抗进行低通滤波处理,得到工区低频纵波阻抗;
所述根据工区纵波阻抗,确定目标地震数据,包括:
根据工区纵波阻抗,确定地层反射系数;
根据地层反射系数,确定目标地震数据。
进一步地,所述方法还包括:
对测井纵波阻抗样本数据进行插值处理,得到低频纵波阻抗;
相应地,所述根据工区低频纵波阻抗确定井震低频损失,包括:
根据低频纵波阻抗和工区低频纵波阻抗,确定井震低频损失。
进一步地,所述方法还包括:
获取测井纵波阻抗样本数据在目标工区中的样本位置;
从工区纵波阻抗中提取样本位置下的工区纵波阻抗,作为目标位置下的工区纵波阻抗。
进一步地,所述方法还包括:
获取测井导出的纵波阻抗;
相应地,所述根据目标位置下的工区纵波阻抗确定测井标签损失,包括:
根据测井导出的纵波阻抗和目标位置下的工区纵波阻抗,确定测井标签损失。
另一方面,本说明书实施例还提供了一种测井纵波阻抗的反演装置,包括:
反演结果输出模块,用于获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;
模型训练模块,用于对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失函数,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
再一方面,本申请还提供了一种测井纵波阻抗的反演设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例中的基于测井纵波阻抗的反演方法。
再一方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机可读存储介质执行所述指令时实现上述测井纵波阻抗的反演方法。
本说明书实施例提供了一种测井纵波阻抗的反演方法、装置及设备,可以获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。本说明书实施例中,以测井纵波阻抗样本数据作为输入数据,相较于常规数据驱动反演方法中以地震振幅样本数据作为输入数据而言,由于测井纵波阻抗样本数据的频带相较于地震振幅数据更宽,可以使纵波阻抗反演模型更容易学习到样本数据中的高频信息,确保了反演结果在高频段的准确性,从而实现了高分辨率反演。通过对测井纵波阻抗样本数据进行纵波阻抗预测,可以准确预测出工区纵波阻抗。通过根据预测出的工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据,再进一步确定出井震低频损失、地震损失,再结合测井标签损失,调整纵波阻抗反演模型参数,确保能够训练得到有效的纵波阻抗反演模型,从而可以基于该纵波阻抗反演模型,准确快速地对输入的测井纵波阻抗数据进行反演,提高测井纵波阻抗反演的精度、分辨率以及反演效率。通过考虑井震低频损失、地震损失和测井标签损失,可以将地震、地质和测井信息融合到测井纵波阻抗的反演中,实现小样本数据下纵波阻抗的高分辨率反演,增强薄层或薄互层的识别能力。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,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是本说明书实施例提供的一种测井纵波阻抗的反演方法的流程示意图;
图2是本说明书实施例提供的测井纵波阻抗反演的流程图;
图3是本说明书实施例提供的纵波阻抗反演模型中的编码和解码的示意图;
图4是本说明书实施例提供的测井纵波阻抗数据提取的示意图;
图5a是本说明书实施例提供的纵波阻抗模型的示意图;
图5b是本说明书实施例提供的低频纵波阻抗数据的示意图;
图5c是本说明书实施例提供的地震数据的示意图;
图6是本说明书实施例提供的网络训练曲线的示意图;
图7a是本说明书实施例提供的真实纵波阻抗反演结果的示意图;
图7b是本说明书实施例提供的常规数据驱动下的纵波阻抗反演结果的示意图;
图7c是本说明书实施例提供的本发明的测井纵波阻抗反演结果的示意图;
图8是本说明书实施例提供的单道阻抗预测结果的示意图;
图9是本说明书实施例提供的预测阻抗局部对比图;
图10是本说明书实施例提供的预测结果频谱图;
图11是本说明书实施例提供的实际地震数据的示意图;
图12是本说明书实施例提供的低频纵波阻抗模型的示意图;
图13是本说明书实施例提供的实际数据阻抗反演结果的示意图;
图14是本说明书实施例提供的测试井(w2井)阻抗反演结果与实测结果比较图;
图15是本说明书实施例提供的一种测井纵波阻抗的反演装置的结构组成示意图;
图16是本说明书实施例提供的电子设备的结构组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
随着油气勘探与开发的不断深入,目标储层类型逐渐由大尺度的厚储层转向小尺度的薄储层(或称薄层或薄互层,互层是具有不同地质属性的地质层,薄互层就是较薄的互层,薄层或薄互层一般单层厚度只有几米,甚至更小)。因此,提高薄储层的精确识别能力对于油气勘探与开发具有重要意义。地震反演技术常用于刻画薄储层弹性(如波阻抗,包括纵波阻抗和横波阻抗)等性质的空间分布特征,从而定性识别有效储层。
地震反演按照所利用的地震资料可以分为叠前反演和叠后反演。叠前反演相较于叠后反演可以利用振幅随角度(Amplitude Versus Angle,AVA)变化的信息。叠前反演由于利用的信息更多,使得其反演结果的精度更高。但是,AVA信息的增加也会导致叠前反演的计算量较大,需要消耗更多的计算资源。而叠后反演所用的地震数据量更少且叠加数据信噪比更高,具有算法简单、稳定性好、运算速度快等优点,已经成为一类应用范围广、方法成熟度高的地震反演技术。根据正演理论的差异,地震反演又可以分为旅行时反演和地震振幅反演。旅行时反演主要用于获取地层速度结构,并进一步用于构造成像上。储层参数预测等工作仍然主要采用地震振幅反演。根据物理模型的差异,地震振幅反演包括基于褶积模型的反演和基于波动方程的反演等方法。地震振幅反演通常基于给定的数学物理方程,采用模型驱动方式求解波阻抗等模型参数。其具体是指在充分考虑地下介质地球物理特征的基础上,选择合适的模型参数以及边界条件构建从地下介质到地震数据的正演模型,计算正演模型得到的地震数据与真实地震数据的残差,通过梯度下降算法、模拟退火算法、粒子群优化算法或蒙特卡洛算法等优化方法最小化残差来不断迭代更新参数模型。但是,该类方法通常是以单道形式进行反演,且受限于地震资料主频以及频带的限制难以突破到地震频带以外,使得反演结果的分辨率较低,并不满足薄储层识别要求。
多尺度信息融合反演是提高地震反演结果分辨率的有效途径,在一定程度上可以识别薄层。目前,多尺度信息融合反演可以包括但不限于基于测井约束的地震反演(简称测井约束反演)、基于字典学习的地震反演(简称字典学习反演)和基于数据驱动的地震反演(简称数据驱动反演)等。测井约束反演可以拓宽地震外频带信息,提高反演分辨率。但是,它需要通过测井与地质层位插值建立低频模型,然后利用反演数据正演得到模拟数据和观测数据的差异来更新模型,进而获得宽频参数模型。测井约束反演虽然综合了地震、测井和地质等不同尺度信息,但是反演结果的低频、高频成分仍然主要来自于测井和地质信息建立的初始模型,反演结果的中频成分(即地震频段)主要依赖于地震数据,即没有真正实现不同尺度信息的融合。当地层横向非均质性弱或储层参数横向变化小时,通过测井和地质信息建立的初始模型与实际情况比较接近,测井约束反演结果较为可靠。但是,当地层横向非均质性较强时,测井约束反演精度有限,特别是在远井区域反演结果的误差较大。字典学习反演利用测井数据中包含着丰富的频率信息与地质结构特征,通过字典学习获取低频和高频信息将其作为先验信息约束加入反演过程中,并引入稀疏表征技术,可以有效地提高反演结果的垂向分辨率与准确性。但是,基于字典学习的地震反演方法中存在两个关键问题,一是如何构建字典,二是如何求解对应的稀疏表征系数,在计算中需优化字典及稀疏表征系数,存在计算成本高,学习及反演效率低等问题。
随着人工智能的迅速发展,以神经网络为基础的数据驱动反演方法(常规数据驱动反演方法)也得到了快速发展。其通常基于神经网络强大的非线性拟合能力,建立地震数据与介质参数之间的映射关系,通过预测参数与样本参数之间的误差对神经网络的权重系数进行迭代更新,并使用训练好的神经网络来实现地震数据到地下参数的预测。虽然数据驱动反演得到的反演结果在分辨率上得到一定提高,但主要适用于大样本数据,即具有大量的具有代表性的样本数据。在实际工作中,测井数据或测井标签数据数量有限,难以满足大样本数据训练网络模型的需求。测井样本和标签数据极度稀疏引起的小样本问题会导致训练的网络模型容易发生过拟合、推广性差,其预测结果通常在井旁位置较为吻合,但是在远井地区存在较大的误差。此外,在训练中存在频率偏好问题,即在训练时优先学习低频信息,再逐渐向中高频方向学习。但是,由于高频成分相较于中低频成分更少,进一步导致高频成分更加难以学习。以上两大问题限制了数据驱动反演方法的应用(即常规数据驱动反演方法可以通过大样本数据提高反演分辨率,但在实际工作中由于井极度稀疏往往是小样本数据,导致常规数据驱动反演方法反演结果分辨率低,对薄层或薄互层刻画不明显、识别能力较弱)。
即,现有的反演方法如:地震振幅反演、多尺度信息融合反演、以神经网络为基础的数据驱动反演等方法在反演测井纵波阻抗(测井纵波阻抗是一种小样本测井数据)时存在:反演分辨率低、计算成本高、反演效率低、小样本数据导致神经网络容易发生过拟合,导致对薄层或薄互层刻画不明显、识别能力较弱等问题。
针对现有方法存在的上述问题以及上述问题产生的具体原因,本说明书引入一种测井纵波阻抗的反演方法、装置及设备,可以解决小样本数据导致测井纵波阻抗反演的精度和分辨率低、计算成本高、对薄层或薄互层刻画不明显、识别能力较弱等问题。
基于上述思路,本说明书提出一种测井纵波阻抗的反演方法,获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出纵波阻抗反演结果。其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。参阅图1所示,本说明书实施例提供了一种测井纵波阻抗的反演方法。具体实施时,该方法可以包括以下内容。
S101:获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果。
S102:其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
在一些实施例中,上述测井纵波阻抗样本数据具有较宽的频带,即上述的测井纵波阻抗样本数据为宽频测井纵波阻抗样本数据,相较于常规数据驱动反演方法(常规数据驱动反演方法是建立地震数据到目标数据的非线性映射,由于地震数据是窄频带(如10Hz~60Hz)数据,而目标数据一般为全频带数据,因此常规数据驱动反演在频域上是窄频到宽频的非线性映射。输入数据(地震数据)中缺少高频信息,导致反演结果在高频段信息较少或存在强不确定性,需要大量高频信息来约束反演结果)而言,较宽频带(宽频)的测井纵波阻抗样本数据中的高频信息容易被纵波阻抗反演模型学习。
在一些实施例中,可以不以地震数据作为测井纵波阻抗反演的出发点,而是以测井纵波阻抗样本数据作为测井纵波阻抗反演的出发点,以提高测井纵波阻抗反演的分辨率。测井纵波阻抗样本数据可以为多个,通过使用多个具有代表性的测井纵波阻抗样本数据(多个测井纵波阻抗样本数据可以提供丰富的高频信息),可以使纵波阻抗反演模型在训练时更加容易学习到测井纵波阻抗样本数据中的高频信息,确保反演结果在高频段的准确性,从而实现测井纵波阻抗的高分辨率反演。
在一些实施例中,上述对测井纵波阻抗样本数据进行纵波阻抗预测之前,在具体实施时,还可以包括:
获取一维纵波阻抗样本数据的个数和纵波阻抗长度;
根据一维纵波阻抗样本数据的个数和纵波阻抗长度,拼接得到测井纵波阻抗样本数据。
在一些实施例中,上述测井纵波阻抗样本数据可以为二维数据,可以先获取n个一维纵波阻抗样本数据和纵波阻抗长度m,然后将一维纵波阻抗样本数据的个数n和纵波阻抗长度m拼接在一起,得到n×m的二维数据作为输入数据,即得到上述的测井纵波阻抗样本数据。
在一些实施例中,上述对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗之前,还可以先对测井纵波阻抗样本数据进行归一化处理,以避免纵波阻抗反演模型在训练时出现权重两极化以及加快网络收敛的问题。其中,可以利用以下归一化公式进行归一化处理:
其中,X'为归一化后的数据,X为待归一化数据,Xmin为数据中最小值,Xmax为数据中最大值。
在一些实施例中,上述对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗,在具体实施时,可以包括:
将测井纵波阻抗样本数据输入至预设编码器中,输出高维纵波阻抗特征;
将高维纵波阻抗特征输入至预设解码器中,利用预设解码器中的反卷积层对高维纵波阻抗特征进行重建,利用预设解码器中的卷积层提取重建后的高维纵波阻抗特征得到目标高维纵波阻抗特,基于目标高维纵波阻抗特输出工区纵波阻抗。
在一些实施例中,上述预设编码器可以由二维卷积层(Conv2d)、批归一化(BatchNorm)和ELU激活函数堆叠组成。可以将n×m×1大小的测井纵波阻抗样本数据输入至预设编码器中,其中,n为输入的样本个数,m为纵波阻抗长度,1为输入通道数。非线性激活函数可以采用ELU函数,该函数具有更快的训练速度,且在所有点连续可微、没有神经元死亡和梯度爆炸或消失等优点,ELU函数的公式如下:
上述预设编码器可以输出高级的高维纵波阻抗特征(即测井纵波阻抗的“字典库”),其大小可以为1×1×c,c为输出通道数。上述预设编码器可以由不同大小卷积核的多个二维卷积层组成,例如:预设编码器可以由4个二维卷积层组成,卷积核大小分别为3×201、3×201、3×201和2×120。
在一些实施例中,上述预设解码器可以由二维反卷积层(ConvTranspose2d)、批归一化(BathNorm)、ELU激活函数和二维卷积层(Conv2d)交替堆叠组成。可以先通过二维反卷积层对高维纵波阻抗特征进行上采样(相当于对高维纵波阻抗特征进行重建,例如:高维纵波阻抗特征为1×1×10,即数据大小为1×1,但数据维度为10,经过一次上采样后高维纵波阻抗特征变为3×3×4,其大小为3×3,但维度变为4。数据大小从1变3,但维度变小)。由于高维纵波阻抗特征比整个工区的纵波阻抗小得多,直接利用少量高维纵波阻抗特征得到大量的工区纵波阻抗,会存在一些不真实数据或过多的假象,为了防止在解码过程中由于上采样而造成过多的假象,可以在上采样后通过卷积层提取上采样数据特征(即提取重建后的高维纵波阻抗特征得到目标高维纵波阻抗特,所述目标高维纵波阻抗特可以为对重建后的高维纵波阻抗特征进行优化后得到的纵波阻抗特),再基于目标高维纵波阻抗特输出工区纵波阻抗,可以在数据大小不变的情况下,保留真实数据特征,防止在解码过程中由于上采样而造成过多的假象。
上述预设解码器输入可以为高级的高维纵波阻抗特征,输出为工区纵波阻抗,其大小可以为N×m×1,N为工区纵波阻抗总道数,m为纵波阻抗长度,1为输出通道数。上述预设解码器可以由多个二维反卷积层与二维卷积层交替组成,例如:预设解码器可以5个二维反卷积层与二维卷积层交替组成,每一层反卷积核和卷积核相同分别为3×3、3×3、5×5、6×6和6×6。
在一些实施例中,上述纵波阻抗预测的过程涉及到了数据编码和数据解码的过程,其中,数据编码的过程可以为:以测井纵波阻抗样本数据作为输入数据,通过由不同大小卷积核的二维卷积层组成的编码器,自动学习基于测井纵波阻抗样本数据的“字典库”即得到高维纵波阻抗特征(该高维纵波阻抗特征可以作为基本地质单元用来表征整个工区的纵波阻抗特征),其自动学习过程是先学习低维纵波阻抗特征(测井纵波阻抗样本数据的特征)并在此基础上学习更加复杂的纵波阻抗特征,最终得到一个高维纵波阻抗特征。通过得到高维纵波阻抗特征可以充分挖掘测井纵波阻抗样本数据特征的全频段信息,进而可以表达多样化的测井地质结构信息。数据解码的过程可以为:利用“字典库”和网络自动求取的稀疏表征系数进行工区纵波阻抗的预测过程,稀疏表征系数的求取即解码器网络权重参数的优化。具体是将高维纵波阻抗特征通过由二维反卷积层和二维卷积层组成的解码器中,通过反卷积层的上采样与卷积层的特征提取不断交替进行以保证高维纵波阻抗特征在重建过程中不会出现过多假象,最终得到工区纵波阻抗。
在一些实施例中,由于测井纵波阻抗样本数据可以视为小样本数据(对于整个工区数据来说是较小的)。利用常规的数据驱动反演方法会导致反演结果的高频段上会产生噪音和假象等,使得反演结果分辨率低,对薄层或薄互层刻画不明显、识别能力较弱。本说明书通过将测井纵波阻抗样本数据输入预设编码器中输出高维纵波阻抗特征,可以表征整个工区的纵波阻抗数据特征,再通过反卷积层对高维纵波阻抗特征进行上采样,使用卷积层提取上采样特征,可以缓解小样本数据反演结果在高频段上产生的噪音和假象。
在一些实施例中,在得到工区纵波阻抗后,可以根据工区纵波阻抗确定出工区低频纵波阻抗、目标地震数据,从而可以根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,将井震低频损失、地震损失作为纵波阻抗反演模型的网络约束。还可以将测井标签损失作为网络约束,后续将另作说明,本说明书在此不再赘述。其中,上述根据工区纵波阻抗,确定工区低频纵波阻抗,在具体实施时,可以包括:
对工区纵波阻抗进行低通滤波处理,得到工区低频纵波阻抗;
所述根据工区纵波阻抗,确定目标地震数据,在具体实施时,可以包括:
根据工区纵波阻抗,确定地层反射系数;
根据地层反射系数,确定目标地震数据。
在一些实施例中,上述对工区纵波阻抗进行低通滤波处理是指:将工区纵波阻抗通过一个低通滤波器,得到工区低频纵波阻抗。上述根据工区纵波阻抗,确定地层反射系数,可以包括:按照以下公式计算得到地层反射系数(地层反射系数的计算公式):
其中,r为地层反射系数,Zn为第n层的测井纵波阻抗,Zn-1为第n-1层的测井纵波阻抗。
在一些实施例中,上述目标地震数据可以表示地层反射系数与地震子波的褶积(褶积相当于卷积),是经过正演得到的地震数据,也可以称为合成地震数据,上述合成地震数据为示整个工区的合成地震数据。上述根据地层反射系数,确定目标地震数据,可以包括:按照以下公式计算得到目标地震数据(目标地震数据或合成地震数据的计算公式):
其中,为合成地震数据,w(t)为地震子波(预先获取的已知数据),r(t)为地层反射系数。
在一些实施例中,上述根据工区低频纵波阻抗确定井震低频损失之前,在具体实施时,还可以包括:
对测井纵波阻抗样本数据进行插值处理,得到低频纵波阻抗。
在一些实施例中,可以对测井纵波阻抗样本数据进行插值处理并用地质层位约束,得到低频纵波阻抗。其中,所述插值处理可以包括克里金插值,可以采用如下插值公式进行插值处理:
其中,G(x0,y0)为时空域(x0,y0)点估计值(在本实施例中即为低频纵波阻抗),κ(i,j)为不同空间点的权重系数,G(xi,yj)为已知点值(在本实施例中即为测井纵波阻抗样本数据)。
在一些实施例中,在得到插值后的低频纵波阻抗后,上述根据低频纵波阻抗和工区低频纵波阻抗,确定井震低频损失,在具体实施时,可以包括:
根据低频纵波阻抗和工区低频纵波阻抗,确定井震低频损失。
在一些实施例中,上述井震低频损失是指低频纵波阻抗与工区低频纵波阻之间的误差损失(其中,工区低频纵波阻抗即为预测的工区纵波阻抗经过低通滤波达到与低频纵波阻抗相同频率范围),可以利用以下公式处理低频纵波阻抗和工区低频纵波阻抗,确定出井震低频损失(井震低频损失的计算公式):
其中,low_loss为井震低频损失,n为工区低频阻抗的道数,b为掩码(用于提取目的层段数据使网络训练只关注目的层段),low(t)为低频纵波阻抗,y为预测的工区纵波阻抗,t为时间,F为低频滤波器算子,F(y,t)为工区低频纵波阻抗。
在一些实施例中,还可以先对低频纵波阻抗进行归一化处理,归一化处理的方式可以参照测井纵波阻抗样本数据的归一化处理方式,本说明书对此不作赘述。在对低频纵波阻抗进行归一化处理后,再根据归一化处理后的低频纵波阻抗和工区低频纵波阻抗,确定井震低频损失。通过对低频纵波阻抗进行归一化处理,可以避免网络训练出现权重两极化以及加快网络收敛。
在一些实施例中,上述根据目标地震数据确定地震损失之前,在具体实施时,还可以包括:获取观测地震数据,对观测地震数据进行归一化处理,得到归一化处理后的观测地震数据;相应地,上述根据目标地震数据确定地震损失,在具体实施时,可以包括:根据归一化处理后的观测地震数据和目标地震数据确定地震损失。
在一些实施例中,对观测地震数据进行归一化处理的方式可以参照测井纵波阻抗样本数据的归一化处理方式和效果,本说明书对此不作赘述。上述地震损失是指观测地震数据与目标地震数据之间的误差损失(目标地震数据即预测的工区纵波阻抗经褶积模型正演得到的地震数据,褶积模型正演的过程即上述计算合成地震数据的过程,由于受地下介质以及地震子波的影响等,正演得到的地震数据与观测地震数据并不完全相同,因此计算地震损失时允许5%的误差),可以利用以下公式处理观测地震数据和目标地震数据,确定出地震损失(地震损失的计算公式):
其中,sei_loss为地震损失,n为总地震道数(与工区低频阻抗的道数相同),b为掩码(用于提取目的层段数据使网络训练只关注目的层段),s(t)为观测地震数据,为合成地震数据。
在一些实施例中,可以确定出目标位置下的工区纵波阻抗,再根据目标位置下的工区纵波阻抗确定出测井标签损失,可以将确定出的井震低频损失、地震损失、测井标签损失作为纵波阻抗反演模型的网络约束。
在一些实施例中,上述目标位置下的工区纵波阻抗可以通过以下方式获得:
获取测井纵波阻抗样本数据在目标工区的样本位置;
从工区纵波阻抗中提取样本位置下的工区纵波阻抗,作为目标位置下的工区纵波阻抗。
在一些实施例中,上述目标工区可以为二维工区,上述获取测井纵波阻抗样本数据在目标工区中的样本位置,如:二维工区中有100道数据,获取的测井纵波阻抗样本数据在目标工区中的样本位置可以为第10道、第30道、第60道(即第10道、第30道、第60道上有测井纵波阻抗样本数据),相应地,上述从工区纵波阻抗中提取样本位置下的工区纵波阻抗,即可以为:提取第10道、第30道、第60道下的工区纵波阻抗,作为目标位置下的工区纵波阻抗。
在一些实施例中,在根据目标位置下的工区纵波阻抗确定测井标签损失之前,在具体实施时,还可以包括:
获取测井导出的纵波阻抗;
相应地,上述根据目标位置下的工区纵波阻抗确定测井标签损失,在具体实施时,可以包括:
根据测井导出的纵波阻抗和目标位置下的工区纵波阻抗,确定测井标签损失。
在一些实施例中,上述测井标签损失是指目标位置下的工区纵波阻抗与测井导出的纵波阻抗之间的误差损失,可以利用以下公式处理目标位置下的工区纵波阻抗和测井导出的纵波阻抗,确定测井标签损失(测井标签损失的计算公式):
其中,well_loss为测井标签损失,m为测井纵波阻抗样本数据的数量,b为掩码(用于提取目的层段数据使纵波阻抗反演模型训练只关注目的层段),x(t)为测井导出的纵波阻抗,y为预测的工区纵波阻,a为CDP位置编码(CDP位置是指在二维剖面数据中每一道数据的位置,CDP位置编码用于提取目标位置下的工区纵波阻抗)。
在一些实施例中,在得到井震低频损失、地震损失和测井标签损失后,可以利用网络总损失函数处理井震低频损失、地震损失和测井标签损失,得到网络总损失,再基于网络总损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。其中,网络总损失函数用以下公式表示:
Loss=sei_loss+low_loss+well_loss+λ||ω||2
其中,Loss为网络总损失,low_loss为井震低频损失,sei_loss为地震损失,well_loss为测井标签损失,λ||ω||2为纵波阻抗反演模型权重参数正则化器,λ为纵波阻抗反演模型权重正则化参数,ω为纵波阻抗反演模型权重参数。
上述纵波阻抗反演模型权重参数正则化器主要用于控制权值不能太大,进而避免过拟合,确保较好的推广能力。
在一些实施例中,可以判断网络总损失是否小于预设损失阈值,如果小于预设损失阈值,则得到训练后的纵波阻抗反演模型。如果大于预设损失阈值,则继续对纵波阻抗反演模型进行训练,直至网络总损失小于预设损失阈值。在训练过程中,可以采用学习率衰减策略,在训练初期较大学习率,能够以较快的速度进行梯度下降,在迭代优化的后期,逐步减小学习率的值,有助于模型收敛,更容易接近最优解。
在一些实施例中,可以分别匹配测井纵波阻抗样本数据中的低频成分、中频成分和高频成分,以确定出井震低频损失、地震损失和测井标签损失时。具体的,由于地震数据是有限频带的中频数据(如10Hz~60Hz),缺少低频信息与高频信息,可以通过褶积模型作为正演物理约束,将反演的工区纵波阻抗通过褶积模型正演得到目标地震数据与观测地震数据相匹配得到井震低频损失;通过地质层位与测井纵波阻抗插值得到工区低频纵波阻抗,将反演的工区纵波阻抗在低频段与工区低频纵波阻抗匹配;由于测井纵波阻抗样本数据中包含高频信息,从反演的工区纵波阻抗中提取样本位置处的纵波阻抗与测井导出的纵波阻抗匹配,确保反演的纵波阻抗结果在高频的准确性。通过将地震、地质和测井信息融合到纵波阻抗反演中,可以实现小样本数据下纵波阻抗的高分辨率反演。
在一些实施例中,在训练好纵波阻抗反演模型后,在实际应用时,可以将测井纵波阻抗数据作为输入数据,输入至训练好的纵波阻抗反演模型,简单快速的输出测井纵波阻抗反演结果。
在一些实施例中,上述测井纵波阻抗数据的频带较宽,其中包含高频信息,从而使得纵波阻抗反演模型能够更加容易地学习高频信息。通过将测井纵波阻抗数据作为输入数据,相对于较窄频段的地震数据(缺少高频信息)作为输入数据,能够确保测井纵波阻抗反演结果在高频段的准确性。纵波阻抗反演模型中涉及了井震低频损失、地震损失和测井标签损失,融合地质、地震信息、测井,实现高分辨率反演,提高了利用测井纵波阻抗的高分辨率反演,提高薄层或薄互层或薄储层的识别能力。
在一些实施例中,上述测井纵波阻抗反演结果中不仅存在中低频信息,还保留有高频信息,增强了对薄层或薄互层的识别能力。上述输出测井纵波阻抗反演结果之后,在具体实施时,还可以包括:基于测井纵波阻抗反演结果对薄互层进行识别;基于薄互层的识别结果进行薄互层油气藏的油气勘探开发。通过基于测井纵波阻抗反演结果对薄互层进行识别,可以实现对薄互层的有效识别,满足薄互层的识别要求,从而提高薄互层油气藏的油气勘探开发效率,使薄互层油气藏的勘探开发潜力得到更有效的挖掘。
下面结合一个具体实施例对上述方法进行说明,然而值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
在具体实施前,首先,准备如下数据:一维纵波阻抗样本数据、观测地震数据和工区低频纵波阻抗(其中,工区低频纵波阻抗是对测井纵波阻抗样本数据进行克里金插值并用地质层位约束得到的)。其次,进行数据合并:将n个一维纵波阻抗样本数据拼接为n×m的二维数据作为输入数据(测井纵波阻抗样本数据),其中n为样本数,m为纵波阻抗长度。然后,进行数据归一化:对测井纵波阻抗样本数据、工区低频纵波阻抗和观测地震数据做最大最小归一化,避免网络训练出现权重两极化以及加快网络收敛。
在具体实施时,首先,进行数据编码:将测井纵波阻抗样本数据输入至预设编码器中,输出高级的高维纵波阻抗特征。其次,进行数据解码:通过反卷积层对高维纵波阻抗特征进行上采样(相当于对通过高维纵波阻抗特征进行重建),再使用卷积层提取上采样特征,输出预测的工区纵波阻抗。然后,确定总损失值优化:总损失值由井震低频损失、地震损失和测井标签损失三部分组成。最后,优化模型:基于总损失值调整纵波阻抗反演模型权重参数,基于训练好的纵波阻抗反演模型处理测井纵波阻抗数据,输出测井纵波阻抗反演结果。
上述方法通过数据编码可以从测井纵波阻抗样本数据中学习其高级别的高维纵波阻抗特征,再通过数据解码中的反卷积重建高维纵波阻抗特征,基于高维纵波阻抗特征表征整个工区的纵波阻抗特征,最终得到工区纵波阻抗,从而缓解得到工区纵波阻抗在高频段上产生噪音和假象等问题,提高工区纵波阻抗分辨率,以及基于工区纵波阻抗对薄层或薄互层刻画、识别能力。通过确定震低频损失、地震损失和测井标签损失,融合了地质、地震信息、测井,可以实现小样本数据(测井纵波阻抗样本数据)的高分辨率反演,从而提高了薄储层的识别能力。
在一个具体的场景示例中,参阅图2所示,图2为测井纵波阻抗反演的流程图,可以将一维纵波阻抗样本数据拼接组成二维波阻抗样本数据(测井曲线)输入纵波阻抗反演模型中,先经过编码器得到高维纵波阻抗特征数据,再经过解码器对高维纵波阻抗特征数据解码得到预测的工区纵波阻抗数据。预测的工区纵波阻抗数据通过一个低通滤波器得到工区低频纵波阻抗数据,再与插值得到的低频纵波阻抗数据进行低频信息匹配,确定井震低频损失。预测的工区纵波阻抗数据通过正演模拟(即利用预测的工区纵波阻抗数据计算地层反射系数,再利用地层反射系数计算合成地震数据的过程)得到合成地震数据(合成道集),再将合成地震数据(合成道集)与(观测)地震数据匹配,确定地震损失。再提取样本位置下的预测的工区纵波阻抗数据(井数据),将样本位置下的预测的工区纵波阻抗数据与测井导出的纵波阻抗数据进行井信息匹配,确定测井标签损失。通过井震低频损失、地震损失、测井标签损失三者的约束,可以提高纵波阻抗反演模型反演的准确性。(可以匹配预测的工区纵波阻抗数据中的低频成分、中频成分和高频成分来设计的损失函数,进而再确定出井震低频损失、地震损失、测井标签损失,从而可以有效提升纵波阻抗反演模型反演的精度)。
参阅图3所示,图3为纵波阻抗反演模型中的编码和解码的示意图,输入数据(WellLog,8×720×1)即测井纵波阻抗样本数据,可以为由8道,每道720个采样点组成的二维数据,1指的是通道数。编码(Encoder)过程共4层,每次由Conv2D(二维卷积层)、BatchNorm(批归一化)、ELU(激活函数)组成,将数据大小从8×720逐渐变为1×1,通道数从1逐渐变为640(即从8×720×1最终变为1×1×640,其中在8×720×1最终变为1×1×640的过程中依次先变为了6×520×80、4×320×160、2×120×320)。解码(Decoder)过程共5层,前4层由ConvTranspose2d(二维反卷积层)、Conv2D(二维卷积层)、BatchNorm(批归一化)、ELU(激活函数)组成,将数据大小从1×1逐渐变为180×180,通道数从640逐渐变为200(即从1×1×640最终变为180×180×200,其中在1×1×640最终变为180×180×200的过程中依次先变为了3×3×200、9×9×200、45×45×200)。第5层在前面的基础上添加了一个1×1卷积核调整通道数为1(Conv2D(1×1))以及添加一个sigmoid函数将数据缩放至0~1范围(第五层的通道数为1,数据大小为720×720)。
在一个具体的场景示例中,可以利用数值模型(Marmousi模型,可以作为上述纵波阻抗反演模型)对测井纵波阻抗的反演方法进行说明:假设有720道测井纵波阻抗样本数据,每道测井纵波阻抗样本数据有720个时间采样点,采样率为0.001s(1ms),其反演过程如下:
首先,参阅图4所示,图4为测井纵波阻抗数据提取的示意图,可以从纵波阻抗模型中均匀提取8道测井纵波阻抗数据作为预测的工区纵波阻抗数据(左图黑线位置为8道测井纵波阻抗数据(Time为时间,CDP表示第几道),右图为提取出的8道测井纵波阻抗数据)。参阅图5a所示,图5a为纵波阻抗模型的示意图(可以得到预测的工区纵波阻抗数据);图5b为低频纵波阻抗数据的示意图,可以利用8道测井纵波阻抗数据和Marmousi地质层位克里金插值得到;图5c为地震数据的示意图(经过上述地层反射系数的计算公式和上述合成地震数据的计算公式正演得到地震数据,由于数值模型中没有观测地震数据,可以将正演得到的地震数据作为观测地震数据);可以将预测的工区纵波阻抗数据、低频纵波阻抗数据、正演得到的地震数据作为数值模型的参数。将数值模型的初始学习率设置为0.001,训练迭代次数为1000次,采用自适应矩估计优化器Adam对网络进行训练,当曲线保持稳定不再下降时深度学习网络训练完成(参阅图6所示,图6为网络训练曲线的示意图)。
参阅图7a、图7b、图7c所示,图7a为真实纵波阻抗反演结果的示意图(real),图7b为常规数据驱动下的纵波阻抗反演结果的示意图(tradition),图7c为本发明的测井纵波阻抗反演结果的示意图(new)。从三幅图上可以看出:本发明的测井纵波阻抗反演结果与真实结果大致吻合且构造清晰,而由于常规数据驱动是通过单道对单道预测,道与道之间互不相关,则造成了如图7b中CDP200(第200道的数据)等处左右纵波阻抗值存在一个明显差异。从定量评价来看,常规数据驱动下的纵波阻抗反演结果与真实纵波阻抗反演结果的相关系数和百分比误差分别为98.09%和7.58%,本发明的测井纵波阻抗反演结果与真实纵波阻抗结果的相关系数与百分比误差分别为99.45%和2.10%,说明本发明的测井纵波阻抗反演结果的精度比常规数据驱动反演方法更好。
另一方面,采用结构相似度和可解释性得分,分别从结构和值域方面来评价本发明的测井纵波阻抗反演结果。结构相似度是度量两个图之间的相似程度,通过图的结构和对比度等来计算相似度值,其值越接近1,说明预测出的结果越好,与真实结果越接近。计算得到常规数据驱动下的纵波阻抗反演结果和本发明的测井纵波阻抗反演结果的结构相似度分别为0.9309和0.9457,本发明的测井纵波阻抗反演结果比常规数据驱动下的纵波阻抗反演结果在结构等上与真实结果更加相似。可解释性得分是衡量预测值和样本之间差的分散程度与样本本身的分散程度的相近程度,其值越接近1表示预测值与样本值的分散程度越相近,模型可以较完美预测数据。计算得到常规数据驱动下的纵波阻抗反演结果和本发明的测井纵波阻抗反演结果的可解释性得分分别为0.735和0.964,说明本发明的测井纵波阻抗反演结果在值的分布上也与真实结果比常规数据驱动反演方法更好。用四个评价指标分别从精度、结构、值域三个方面从整体上对比了常规数据驱动下的纵波阻抗反演结果与本发明的测井纵波阻抗反演结果的好坏,说明本发明的测井纵波阻抗的反演方法在反演效果上要整体优于常规数据驱动反演方法。
参阅图8所示,图8为单道阻抗预测结果的示意图,虚点线为该道真实数据(trad),虚线为本发明的预测结果(new),点线为常规数据驱动反演预测结果(real),图8涉及了第170道阻抗预测结果、第800道阻抗预测结果、第500道阻抗预测结果。如图上箭头所示常规数据驱动反演预测结果(real)过于光滑或偏移值域范围,无法反映出高频细节跳动。相较于单道整体而言,局部对比更能直观反映本发明的预测结果(new)在细节上的优势。如图9所示,图9为预测阻抗局部对比图,图9共选取了两个局部位置,一是CDP和Time范围分别为0~220和500~580ms(图9的(a)部分、图9的(b)部分、图9的(c)部分),二是CDP和Time范围分别为500~660和450~520ms(图9的(d)部分、图9的(e)部分、图9的(f)部分)。图9的(a)部分和图9的(d)部分为真实数据,图9的(b)部分和图9的(e)部分为常规数据驱动反演预测结果,图9的(c)部分和图9的(f)部分为本发明的预测结果。对比图9的(a)部分、图9的(b)部分和图9的(c)部分或图9的(d)部分、图9的(e)部分和图9的(f)部分,可以发现常规数据驱动反演结果在某些部分较模糊,只可反映出较大的结构信息却无法反映较小的细节信息。而相反本发明的预测结果与真实结果更加相近,虽然结果上出现有一定的噪声,但相对于常规数据驱动反演结果,本发明的反演结果对细节刻画更加明显。如图中圆圈1内本发明的预测结果可以为与真实结果相近的两层,而常规数据驱动反演只有较模糊的一层,而圆圈2中本发明的预测结果更优于常规数据驱动反演结果。
从另一角度即反演结果振幅谱来说明本发明的预测结果的优势。图10为预测结果频谱图,其中真实阻抗的反射系数的振幅谱为实线(real),虚线为本发明结果导出的反射系数的振幅谱(new),虚点线为常规数据驱动反演结果的反射系数的振幅谱(tradition),点线为地震数据的振幅谱(sei)。从图上可以发现,传统方法的振幅谱频在中低频(0~45Hz)曲线与真实结果较吻合,在频率到达45Hz后振幅值急剧下降,45Hz以上两者曲线差距较大,其频带宽度约为50Hz。相反,在图上可以看出本发明的振幅谱不仅在中低频与真实结果吻合,在高频段仍然能保持其一致性,其高频段上的保持在图上表现为细节的刻画及薄层的体现如图10所示,本发明的频谱与真实结果的频谱在高频段(0-45Hz)大致吻合,说明本发明的反演结果与真实结果曲线吻合度较高,特别是某些细小的跳动在反演结果曲线上也能体现出来,而这些细小的跳动则可能是薄层,而传统方法细小跳动则体现不出。通过在数值模型的分析,说明在不降低预测精度的情况下,可以利用本发明提供的测井纵波阻抗的反演方法可以提高预测结果的频率,从而对薄层刻画更清晰,有利于薄储层识别。
最后利用某实际工区碳酸盐岩数据对本发明的预测结果进行测试。选取工区内一条连井剖面如图11,图11是为实际地震数据的示意图,该地震数据共有1098道,每道地震数据有248个时间采样点。目的层在c1和c2之间基本处在波谷内,厚度大约在25ms,而通过测井分析在该目的层内薄储层较发育,同时在该地震剖面上共有6口井(w1、w2、w3、w4、w5、w6)都垂直穿过目的层,其中w1、w3、w4、w5、w6为训练井,w2井为测试井,并根据井插值得到低频纵波阻抗模型如图12。按相同步骤训练完成即输出整个剖面纵波阻抗数据,即实际数据阻抗反演结果如图13所示。预测纵波阻抗在训练井基本能吻合,在非井位置同样出现有薄层,测试井w2(图14)除在目的层顶部位存在较大误差,在其余位置吻合度都较好,w2井反演阻抗结果与真实阻抗的相关系数和百分比误差分别为98.22%和2.25%,说明本发明提供的测井纵波阻抗的反演方法在实际应用中也具有较好的效果,预测结果分辨率较高,能够指示薄层或薄互层。
虽然本说明书提供了如下述实施例或附图15所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
基于上述一种测井纵波阻抗的反演方法,本说明书实施例还提出了一种测井纵波阻抗的反演装置的实施例。如图15所示,所述装置具体可以包括以下模块:
反演结果输出模块1501,可以用于获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;
模型训练模块1502,可以用于对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失函数,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
在一些实施例中,上述模型训练模块1502之前具体还可以用于获取一维纵波阻抗样本数据的个数和纵波阻抗长度;根据一维纵波阻抗样本数据的个数和纵波阻抗长度,拼接得到测井纵波阻抗样本数据。
在一些实施例中,上述模型训练模块1502具体还可以用于将测井纵波阻抗样本数据输入至预设编码器中,输出高维纵波阻抗特征;将高维纵波阻抗特征输入至预设解码器中,利用预设解码器中的反卷积层对高维纵波阻抗特征进行重建,利用预设解码器中的卷积层提取重建后的高维纵波阻抗特征得到目标高维纵波阻抗特,基于目标高维纵波阻抗特输出工区纵波阻抗。
在一些实施例中,上述模型训练模块1502具体还可以用于对工区纵波阻抗进行低通滤波处理,得到工区低频纵波阻抗;所述根据工区纵波阻抗,确定目标地震数据,包括:根据工区纵波阻抗,确定地层反射系数;根据地层反射系数,确定目标地震数据。
在一些实施例中,上述模型训练模块1502之前具体还可以用于对测井纵波阻抗样本数据进行插值处理,得到低频纵波阻抗;相应地,上述模型训练模块1502具体还可以用于根据低频纵波阻抗和工区低频纵波阻抗,确定井震低频损失。
在一些实施例中,上述模型训练模块1502之前具体还可以用于获取测井纵波阻抗样本数据在目标工区中的样本位置;从工区纵波阻抗中提取样本位置下的工区纵波阻抗,作为目标位置下的工区纵波阻抗。获取测井导出的纵波阻抗。相应地,上述模型训练模块1502具体还可以用于根据测井导出的纵波阻抗和目标位置下的工区纵波阻抗,确定测井标签损失。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
由上可见,基于本说明书实施例提供的一种测井纵波阻抗的反演装置,一方面,可以针对实际工区井少的情况下,通过纵波阻抗反演模型处理有限数量的测井纵波阻抗数据,可以准确地确定出测井纵波阻抗反演结果,拓展了应用领域,避免了少井的泛化性瓶颈问题。另一方面,与常规的数据驱动反演方法建立从地震数据到阻抗数据的非线性关系而其反演结果无法突破地震频带以外相比,本说明书通过二维卷积层直接从测井纵波阻抗样本数据中学习其高级别的高维地质规律特征,再利用高维地质规律特征反卷积重建工区阻抗数据,并融合地质、地震信息、测井,实现地震数据和高级别高维地质规律特征约束的高分辨率反演,提高了薄层的识别能力。
本说明书实施例还提供一种基于测井纵波阻抗的反演方法的电子设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
为了能够更加准确地完成上述指令,参阅图16所示,本说明书实施例还提供了另一种具体的电子设备,其中,所述电子设备包括网络通信端口1601、处理器1602以及存储器1603,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口1601,具体可以用于获取测井纵波阻抗数据。
所述处理器1602,具体可以用于将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
所述存储器1603,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口1601可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器1602可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器1603可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述测井纵波阻抗的反演方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意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、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形而不脱离本说明书的精神,希望所附的权利要求包括这些变形而不脱离本说明书的精神。
Claims (10)
1.一种测井纵波阻抗的反演方法,其特征在于,包括:
获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;其中,所述纵波阻抗反演模型按照以下方式训练得到:
对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;
根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;
根据工区低频纵波阻抗确定井震低频损失,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;
根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取一维纵波阻抗样本数据的个数和纵波阻抗长度;
根据一维纵波阻抗样本数据的个数和纵波阻抗长度,拼接得到测井纵波阻抗样本数据。
3.根据权利要求1所述的方法,其特征在于,所述对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗,包括:
将测井纵波阻抗样本数据输入至预设编码器中,输出高维纵波阻抗特征;
将高维纵波阻抗特征输入至预设解码器中,利用预设解码器中的反卷积层对高维纵波阻抗特征进行重建,利用预设解码器中的卷积层提取重建后的高维纵波阻抗特征得到目标高维纵波阻抗特,基于目标高维纵波阻抗特输出工区纵波阻抗。
4.根据权利要求1所述的方法,其特征在于,所述根据工区纵波阻抗,确定工区低频纵波阻抗,包括:
对工区纵波阻抗进行低通滤波处理,得到工区低频纵波阻抗;
所述根据工区纵波阻抗,确定目标地震数据,包括:
根据工区纵波阻抗,确定地层反射系数;
根据地层反射系数,确定目标地震数据。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对测井纵波阻抗样本数据进行插值处理,得到低频纵波阻抗;
相应地,所述根据工区低频纵波阻抗确定井震低频损失,包括:
根据低频纵波阻抗和工区低频纵波阻抗,确定井震低频损失。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取测井纵波阻抗样本数据在目标工区中的样本位置;
从工区纵波阻抗中提取样本位置下的工区纵波阻抗,作为目标位置下的工区纵波阻抗。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取测井导出的纵波阻抗;
相应地,所述根据目标位置下的工区纵波阻抗确定测井标签损失,包括:
根据测井导出的纵波阻抗和目标位置下的工区纵波阻抗,确定测井标签损失。
8.一种测井纵波阻抗的反演装置,其特征在于,包括:
反演结果输出模块,用于获取测井纵波阻抗数据,将测井纵波阻抗数据输入至纵波阻抗反演模型中,输出测井纵波阻抗反演结果;
模型训练模块,用于对测井纵波阻抗样本数据进行纵波阻抗预测,得到工区纵波阻抗;根据工区纵波阻抗,确定工区低频纵波阻抗、目标地震数据;根据工区低频纵波阻抗确定井震低频损失函数,根据目标地震数据确定地震损失,根据目标位置下的工区纵波阻抗确定测井标签损失;根据井震低频损失、地震损失和测井标签损失调整纵波阻抗反演模型参数,得到纵波阻抗反演模型。
9.一种测井纵波阻抗的反演设备,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311432991.6A CN117826254A (zh) | 2023-10-31 | 2023-10-31 | 一种测井纵波阻抗的反演方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311432991.6A CN117826254A (zh) | 2023-10-31 | 2023-10-31 | 一种测井纵波阻抗的反演方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117826254A true CN117826254A (zh) | 2024-04-05 |
Family
ID=90508700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311432991.6A Pending CN117826254A (zh) | 2023-10-31 | 2023-10-31 | 一种测井纵波阻抗的反演方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826254A (zh) |
-
2023
- 2023-10-31 CN CN202311432991.6A patent/CN117826254A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018340369B2 (en) | Method and device for determining thin interlayer | |
Huang et al. | A scalable deep learning platform for identifying geologic features from seismic attributes | |
Peters et al. | Multiresolution neural networks for tracking seismic horizons from few training images | |
US8855987B2 (en) | Method for optimization with gradient information | |
Marano et al. | Generative adversarial networks review in earthquake-related engineering fields | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
Ramirez et al. | Salt body detection from seismic data via sparse representation | |
Tokpanov et al. | Deep-learning-based automated stratigraphic correlation | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
CN112731522A (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
US20230078158A1 (en) | High-resolution Seismic Fault Detection with Adversarial Neural Networks and Regularization | |
US20220035068A1 (en) | Systems and methods for identifying subsurface features as a function of position in a subsurface volume of interest | |
Bürkle et al. | Deep physics-aware stochastic seismic inversion | |
Li et al. | Pertinent multigate mixture-of-experts-based prestack three-parameter seismic inversion | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
Udegbe et al. | Big Data Analytics for Seismic Fracture Identification, Using Amplitude-Based Statistics | |
CN117826254A (zh) | 一种测井纵波阻抗的反演方法、装置及设备 | |
US12013508B2 (en) | Method and system for determining seismic processing parameters using machine learning | |
US20230125277A1 (en) | Integration of upholes with inversion-based velocity modeling | |
Ramos et al. | Analysis of alternative strategies applied to Naïve-Bayes classifier into the recognition of electrofacies: Application in well-log data at Recôncavo Basin, North-East Brazil | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
de Ribet et al. | Machine Learning Provides Higher-Quality Insights into Facies Heterogeneities over Complex Carbonate Reservoirs in a Recently Developed Abu Dhabi Oilfield, Middle East | |
Osogba | Machine Learning for Subsurface Data Analysis: Applications in Outlier Detection, Signal Synthesis and Core & Completion Data Analysis | |
CN112114360A (zh) | 一种地震波形分析方法及装置 |
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 |