CN117950025A - 储层物性参数预测方法及装置 - Google Patents
储层物性参数预测方法及装置 Download PDFInfo
- Publication number
- CN117950025A CN117950025A CN202211318875.7A CN202211318875A CN117950025A CN 117950025 A CN117950025 A CN 117950025A CN 202211318875 A CN202211318875 A CN 202211318875A CN 117950025 A CN117950025 A CN 117950025A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic data
- reservoir
- labeled
- unlabeled
- 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 50
- 230000000704 physical effect Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 7
- 208000035126 Facies Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 4
- 239000003208 petroleum Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 239000011435 rock Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 241000606161 Chlamydia Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 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
- 239000011148 porous material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000005070 sampling Methods 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
-
- 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
-
- 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提供一种储层物性参数预测方法及装置，属于石油勘探与开发技术领域。所述方法包括：获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数。本发明的储层物性参数预测方法及装置具有储层物性参数预测精度高、实用性强的优点。
Description
技术领域
本发明涉及石油勘探与开发技术领域，具体地涉及一种储层物性参数预测方法、一种储层物性参数预测装置、一种电子设备及一种机器可读存储介质。
背景技术
在油气勘探过程中，利用地震数据进行储层物性参数预测一直是储集层预测的前沿和难点问题。随着人工智能技术的发展，通过智能化技术挖掘弹性参数与物性参数关联关系并应用于整个工区成为当前物性参数预测重要发展方向。但是，由于井数据标签获取昂贵，且不同孔隙结构和不同岩相环境下的岩石，其弹性参数与物性参数对应关系存在明显差异，在进行分析时，由于样本缺乏，会导致神经网络过拟合现象。针对上述问题，现有技术提出采用基于岩相分类情况下的物性参数预测方案，以消除岩相差异导致的物性预测多解性问题。针对样本缺乏问题，现有技术提出半监督预测方案能够在少量井情况下有效改善预测效果，但是半监督方法主要通过机器进行训练，受限于分类器效能和标签质量，预测结果仍然存在偏差，使得参数预测不准确。
发明内容
本发明实施例的目的是提供一种储层物性参数预测方法及装置，该储层物性参数预测方法及装置用以解决上述的由于样本缺乏，会导致神经网络过拟合现象，以及受限于分类器效能和标签质量，预测结果仍存在偏差，使得参数预测不准确的问题。
为了实现上述目的，本发明实施例提供一种储层物性参数预测方法，包括：
获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；
基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型；其中，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；
将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；
基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数；
其中，所述岩相预测模型采用以下步骤训练得到：
S21、基于已标签测井数据，利用Adaboost算法，训练得到基础分类器；
S22、利用所述基础分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为有标签地震数据；
S23、基于有标签地震数据，利用Adaboost算法，训练得到新分类器；
S24、利用新分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为新的有标签地震数据；
S25、重复步骤S23-S24，直至有标签地震数据和新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数；
S26、基于所有的新分类器，确定岩相预测模型。
可选的，所述方法还包括：构建标签数据集，所述标签数据集包括已标签测井数据、有标签地震数据和新的有标签地震数据；
基于贪心算法，从无标签地震数据进行数据筛选，包括：
确定无标签地震数据中每一数据到所述标签数据集的距离；
将距离最小值对应的无标签地震数据标记后，作为有标签地震数据，并更新所述标签数据集。
可选的，采用以下计算公式计算得到无标签地震数据中每一数据到所述标签数据集的距离：
其中，dn为无标签地震数据中数据到所述标签数据集的距离；f(xn)为岩相预测值；S1为标签数据集。
可选的，基于所述储层的每一类岩相对应的弹性参数向量，得到储层的物性参数，包括：
对于每一类岩相：
将该类岩相对应的弹性参数向量作为该类岩相对应的参数预测回归模型的输入，得到储层的物性参数。
可选的，所述参数预测回归模型的表达式为：
f(z)＝xij·βi+ε
其中，f(z)为储层的物性参数；xij为储层的第i类岩相的第j个弹性参数向量；βi为第i类岩相的系数向量；ε为随机高斯噪声系数，由获取测井曲线时的误差确定。
本发明第二方面提供一种储层物性参数预测装置，包括：
参数获取模块，用于获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；
模型训练模块，用于基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型；其中，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；
岩相预测模块，用于将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；
物性参数确定模块，用于基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数；
其中，所述岩相预测模型采用以下步骤训练得到：
S21、基于已标签测井数据，利用Adaboost算法，训练得到基础分类器；
S22、利用所述基础分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为有标签地震数据；
S23、基于有标签地震数据，利用Adaboost算法，训练得到新分类器；
S24、利用新分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为新的有标签地震数据；
S25、重复步骤S23-S24，直至有标签地震数据和新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数；
S26、基于所有的新分类器，确定岩相预测模型。
可选的，所述装置还包括：
标签数据集构建模块，用于构建标签数据集，所述标签数据集包括已标签测井数据、有标签地震数据和新的有标签地震数据；
基于贪心算法，从无标签地震数据进行数据筛选，包括：
确定无标签地震数据中每一数据到所述标签数据集的距离；
将距离最小值对应的无标签地震数据标记后作为有标签地震数据，并更新所述标签数据集。
可选的，采用以下计算公式计算得到无标签地震数据中每一数据到所述标签数据集的距离：
其中，dn为无标签地震数据中数据到所述标签数据集的距离；f(xn)为岩相预测值；S1为标签数据集。
另一方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的储层物性参数预测方法。
另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述的储层物性参数预测方法。
本技术方案基于已标签测井数据，从无标签地震数据中进行数据分类筛选，实现样本扩充，以得到准确的岩相预测模型，以准确预测得到储层岩相，对不同岩相分别建立储层弹性参数与物性参数之间的映射关系，有效避免因小样本和岩相差异造成的物性预测精度低，提高储层物性参数预测精度高，实用性强。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明提供的储层物性参数预测方法的流程图；
图2是本发明提供的训练岩相预测模型的流程图；
图3是本发明提供的数据筛选过程的示意图；
图4是本发明提供的储层物性参数预测装置的结构示意图；
图5是本发明提供的基于半监督学习模型得到的岩相预测示意图；
图6是本发明提供的基于半监督学习模型得到的孔隙度预测示意图；
图7是本发明提供的基于本技术方案得到的岩相预测示意图；
图8是本发明提供的基于本技术方案得到的孔隙度预测示意图；
图9是本发明提供的基于半监督学习模型得到的岩相预测平面图；
图10是本发明提供的基于本技术方案得到的岩相预测平面图；
图11是本发明提供的基于半监督学习模型得到的孔隙度预测平面图；
图12是本发明提供的基于本技术方案得到的孔隙度预测平面图。
附图标记说明
10-参数获取模块； 20-模型训练模块；
30-岩相预测模块； 40-物性参数确定模块。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，“大致”、“基本”等用语旨在说明相关内容并不是要求绝对的精确，而是可以有一定的偏差。例如：“大致相等”并不仅仅表示绝对的相等，由于实际生产、操作过程中，难以做到绝对的“相等”，一般都存在一定的偏差。因此，除了绝对相等之外，“大致等于”还包括上述的存在一定偏差的情况。以此为例，其他情况下，除非有特别说明，“大致”、“基本”等用语均为与上述类似的含义。。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明提供的储层物性参数预测方法的流程图；图2是本发明提供的训练岩相预测模型的流程图；图3是本发明提供的数据筛选过程的示意图；图4是本发明提供的储层物性参数预测装置的结构示意图；图5是本发明提供的基于半监督学习模型得到的岩相预测示意图；图6是本发明提供的基于半监督学习模型得到的孔隙度预测示意图；图7是本发明提供的基于本技术方案得到的岩相预测示意图；图8是本发明提供的基于本技术方案得到的孔隙度预测示意图；图9是本发明提供的基于半监督学习模型得到的岩相预测平面图；图10是本发明提供的基于本技术方案得到的岩相预测平面图；
图11是本发明提供的基于半监督学习模型得到的孔隙度预测平面图；图12是本发明提供的基于本技术方案得到的孔隙度预测平面图。
实施例1
如图1所示，本实施例提供一种储层物性参数预测方法，包括：
步骤一、获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；
步骤二、基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型；其中，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；
步骤三、将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；
步骤四、基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数。
具体地，已标签测井数据中的测井数据具有对应的标签，且已标签测井数据的数据量远远少于无标签地震数据；弹性参数包括纵波速度、横波速度和密度；储层的物性参数主要有孔隙度、渗透率、孔的分布。
进一步地，基于已标签测井数据和无标签地震数据，训练得到岩相预测模型，包括：
基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型。
进一步地，如图2-3所示，所述岩相预测模型采用以下步骤训练得到：
S21、基于已标签测井数据，利用Adaboost算法，训练得到基础分类器；
S22、利用所述基础分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为有标签地震数据；
S23、基于有标签地震数据，利用Adaboost算法，训练得到新分类器；
S24、利用新分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为新的有标签地震数据；
S25、重复步骤S23-S24，直至有标签地震数据和新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数；
S26、基于所有的新分类器，确定岩相预测模型。
具体地，将筛选出的数据标记为有标签地震数据，可以采取机器标记或者由专家进行标记的方式，并且通过得到的新的有标签地震数据，利用Adaboost算法，训练得到新分类器，并多次重复步骤S23-S24后，能够得到多个新分类器，直至有标签地震数据和所有的新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数，跳出循环。通过上述的方法实现数据的扩充，能够避免样本过少导致的模型不准确，导致岩相预测不准确。
Adaboost算法能够提高那些被前一轮弱分类器错误分类样本的权值，而且降低那些被正确分类样本的权值，这样，那些没有得到正确分类的数据由于其权重加大而受到后一轮的弱分类器的更大关注；另外，Adaboost采取加权多数表决的方法，具体地，加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用；减小分类误差率大的弱分类器的权值，使其在表决中起较小的作用。
更具体地，针对通过Adaboost算法训练单个分类器的步骤如下：
设训练样本为X＝(x1,x2,...,xn)，其对应分类标签为Y＝(y1,y2,...,yn),y∈{-1,1}，共有n个样本。算法最大迭代次数为K，第k轮迭代中的第i个样本权重为dki。
首先，初始化样本权重，每个样本初始权重方法如下：
其次，在第k轮迭代中，使用带权重Dk的样本X训练用于分类的分类器模型Ck(x)；计算第k轮迭代中的误差率ek，计算公式如下，其中I为01函数，若参数条件为真，则函数值为1，否则为0。
然后，更新第k轮迭代中的权重系数，计算公式如下：
然后，更新k+1轮迭代中的样本权重，使得被错误分类的样本权重增加，而正确分类样本的权重减少，具体更新公式如下：
最后，在达到最大迭代次数K(即预设次数)后，将所有分类器进行结合，结合公式如下：
进一步地，所述方法还包括：构建标签数据集，所述标签数据集包括已标签测井数据、有标签地震数据和新的有标签地震数据；
基于贪心算法，从无标签地震数据进行数据筛选，包括：
确定无标签地震数据中每一数据到所述标签数据集的距离；
将距离最小值对应的无标签地震数据标记后作为有标签地震数据，并更新所述标签数据集。
进一步地，采用以下计算公式计算得到无标签地震数据中每一数据到所述标签数据集的距离：
其中，dn为无标签地震数据中数据到所述标签数据集的距离；f(xn)为岩相预测值；S1为标签数据集。
具体地，数据与集合之间的距离是经典数学中的一个基本概念，在本实施方式中，距离表示点与集合或两个集合间的接近程度。在本实施方式中，通过上述的公式进行计算dn时，储层的无标签地震数据中数据和标签数据集中的数据越接近，dn值约小。
具体地，贪心算法(又称贪婪算法)是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，所做出的仅是在某种意义上的局部最优解。
在本实施方式中，根据主动学习思想对样本和模型进行数次迭代，每次迭代从未标记的样本集合中根据查询策略选择出一些样本并交由人工进行标注，随后加入已标记样本集合并重新训练分类模型，最终完成模型训练。其中，基于样本多样性考虑，查询策略选择基于贪心算法，及即贪心的查询策略(Greedy sampling，GSy)。贪心的查询策略可以同时关注输入样本和回归预测结果的分布，并力求所选样本的预测结果分布能够覆盖所有样本的预测结果分布。贪心的查询策略具体流程如下：
输入：已选择样本集合Selected；未选择样本集合Sunselected；查询样本数量N；
输出：新增被选择样本集合S1；
在开始迭代时，如果Selected为空集，则选择距离样本重心最近的部分样本作为初始Selected，并将该样本加入S1中，同时由专家进行标注。
样本的重心Xc和初始样本Xselected选择公式定义如下：
进一步地，基于所述储层的每一类岩相对应的弹性参数向量，得到储层的物性参数，包括：
对于每一类岩相：
将该类岩相对应的弹性参数向量作为该类岩相对应的参数预测回归模型的输入，得到储层的物性参数。
进一步地，所述参数预测回归模型的表达式为：
f(z)＝xij·βi+ε
其中，f(z)为储层的物性参数；xij为储层的第i类岩相的第j个弹性参数向量；βi为第i类岩相的系数向量；ε为随机高斯噪声系数，由获取测井曲线时的误差确定。
具体地，在本实施方式中，在确定储层的岩相分类后，针对每一类岩相，对应设置一种参数预测回归模型，针对不同的种类的岩相，采取不同的参数预测回归模型进行物性参数的预测，以提高物性参数预测的准确性。
具体地，在回归过程中舍弃了无偏性以确保不会出现共线性问题和病态数据带来的严重影响，其代价函数如下公式所示：
其中，λ为调节参数，Rp表示维度为p的实数集合，m为训练样本个数，yi为训练标签。该代价函数是一个凸函数，因此只需要找到一阶导数为0的地方即可求得最优解。
实施例2
如图4所示，本发明还提供一种储层物性参数预测装置，包括：
参数获取模块10，用于获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；
模型训练模块20，用于基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型；其中，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；
岩相预测模块30，用于将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；
物性参数确定模块40，用于基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数；
其中，所述岩相预测模型采用以下步骤训练得到：
S21、基于已标签测井数据，利用Adaboost算法，训练得到基础分类器；
S22、利用所述基础分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为有标签地震数据；
S23、基于有标签地震数据，利用Adaboost算法，训练得到新分类器；
S24、利用新分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为新的有标签地震数据；
S25、重复步骤S23-S24，直至有标签地震数据和新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数；
S26、基于所有的新分类器，确定岩相预测模型。
进一步地，所述装置还包括：
标签数据集构建模块，用于构建标签数据集，所述标签数据集包括已标签测井数据、有标签地震数据和新的有标签地震数据；
基于贪心算法，从无标签地震数据进行数据筛选，包括：
确定无标签地震数据中每一数据到所述标签数据集的距离；
将距离最小值对应的无标签地震数据标记后作为有标签地震数据，并更新所述标签数据集。
进一步地，采用以下计算公式计算得到无标签地震数据中每一数据到所述标签数据集的距离：
其中，dn为无标签地震数据中数据到所述标签数据集的距离；f(xn)为岩相预测值；S1为标签数据集。
实施例3
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的储层物性参数预测方法。
实施例4
本发明还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的储层物性参数预测方法。
实施例5
在本实施例中，庆长垣工区的数据对本发明的效果进行分析验证。大庆长垣工区共有71口井，相比于庞大的地震数据，测井数据仅占总道数的0.05％，仍然十分稀少，这将造成小样本问题。因此，在工区均匀选择3口井作为初始样本进行预测，首先基于半监督学习方法建立半监督学习模型预测得到储层的岩相，如图5所示，储层预测结果剖面图中有1口训练井，另外2口为检验井，以T2层为例，2口检验井共钻遇砂层11层，半监督学习方法预测砂层9层，预测成功率82％；基于半监督学习方法预测孔隙度，如图6所示，且孔隙度预测精度为72％。
另外，基于本技术方案的上述步骤进行岩相预测，得到的岩相预测结果如图7所示；同理，以T2为例，预测砂层10层，预测成功率91％；以预测得到的储层的岩相作为约束进行储层相控物性预测，得到的工区孔隙度预测结果如图8所示，且孔隙度预测精度为82％。
通过本技术方案中公开的方法与基于半监督学习方法预测的岩相平面图，分别如图9和10所示，其中，训练井用三角形符号进行标识。通过本技术方案和半监督学习方法得到的孔隙度预测结果如图11和12所示，图11-12中多边形圈内中颜色越深的位置，表明储层在该位置处孔隙度越大。相比于半监督学习方法，本发明方法在岩相预测和物性预测上都有更好的效果，并且由于不用迭代查询所有的未标记样本，其速度会快于半监督学习，尤其是在未标记样本集合数量巨大的时候，受益于岩相预测的准确率提升，以预测出的岩相作为约束的相控储层孔隙度预测精度也有了较大的提升。
本发明提出的基于集成学习的智能相控物性预测方法。通过集成学习Adaboost算法，从无标签数据中获取多批次的数据进行预测并进行样本扩充。在预测得到岩相后，对不同岩相分别拟合建立储层弹性参数与物性参数之间的映射关系。模型和实际数据验证表明在岩性预测方面，新方法较传统半监督学习方法预测准确率提升了9％；在物性预测方面，新方法较半监督学习方法预测精度提升了10％，具有很强的实用性，应用前景广阔。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种储层物性参数预测方法，其特征在于，包括：
获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；
基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型；其中，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；
将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；
基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数；
其中，所述岩相预测模型采用以下步骤训练得到：
S21、基于已标签测井数据，利用Adaboost算法，训练得到基础分类器；
S22、利用所述基础分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为有标签地震数据；
S23、基于有标签地震数据，利用Adaboost算法，训练得到新分类器；
S24、利用新分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为新的有标签地震数据；
S25、重复步骤S23-S24，直至有标签地震数据和新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数；
S26、基于所有的新分类器，确定岩相预测模型。
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：构建标签数据集，所述标签数据集包括已标签测井数据、有标签地震数据和新的有标签地震数据；
基于贪心算法，从无标签地震数据进行数据筛选，包括：
确定无标签地震数据中每一数据到所述标签数据集的距离；
将距离最小值对应的无标签地震数据标记后作为有标签地震数据，并更新所述标签数据集。
3.根据权利要求2所述的方法，其特征在于，采用以下计算公式计算得到无标签地震数据中每一数据到所述标签数据集的距离：
其中，dn为无标签地震数据中数据到所述标签数据集的距离；f(xn)为岩相预测值；S1为标签数据集。
4.根据权利要求1所述的方法，其特征在于，基于所述储层的每一类岩相对应的弹性参数向量，得到储层的物性参数，包括：
对于每一类岩相：
将该类岩相对应的弹性参数向量作为该类岩相对应的参数预测回归模型的输入，得到储层的物性参数。
5.根据权利要求1所述的方法，其特征在于，所述参数预测回归模型的表达式为：
f(z)＝xij·βi+ε
其中，f(z)为储层的物性参数；xij为储层的第i类岩相的第j个弹性参数向量；βi为第i类岩相的系数向量；ε为随机高斯噪声系数，由获取测井曲线时的误差确定。
6.一种储层物性参数预测装置，其特征在于，包括：
参数获取模块，用于获取储层的已标签测井数据、无标签地震数据和待预测地震数据，所述待预测地震数据包括储层的弹性参数；
模型训练模块，用于基于所述储层的已标签测井数据和无标签地震数据，利用Adaboost算法和贪心策略，训练得到岩相预测模型；其中，用于训练的已标签测井数据的数据量少于无标签地震数据的数据量；
岩相预测模块，用于将所述待预测地震数据作为所述岩相预测模型的输入，得到储层的岩相分类结果；
物性参数确定模块，用于基于所述储层的每一类岩相对应的弹性参数，得到储层的物性参数；
其中，所述岩相预测模型采用以下步骤训练得到：
S21、基于已标签测井数据，利用Adaboost算法，训练得到基础分类器；
S22、利用所述基础分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为有标签地震数据；
S23、基于有标签地震数据，利用Adaboost算法，训练得到新分类器；
S24、利用新分类器，基于贪心算法，对无标签地震数据进行数据筛选，并将筛选出的数据标记为新的有标签地震数据；
S25、重复步骤S23-S24，直至有标签地震数据和新的有标签地震数据的总数据量达到预设数据量或者迭代次数达到预设次数；
S26、基于所有的新分类器，确定岩相预测模型。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
标签数据集构建模块，用于构建标签数据集，所述标签数据集包括已标签测井数据、有标签地震数据和新的有标签地震数据；
基于贪心算法，从无标签地震数据进行数据筛选，包括：
确定无标签地震数据中每一数据到所述标签数据集的距离；
将距离最小值对应的无标签地震数据标记后作为有标签地震数据，并更新所述标签数据集。
8.根据权利要求7所述的装置，其特征在于，采用以下计算公式计算得到无标签地震数据中每一数据到所述标签数据集的距离：
其中，dn为无标签地震数据中数据到所述标签数据集的距离；f(xn)为岩相预测值；S1为标签数据集。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的储层物性参数预测方法。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-5中任一项所述的储层物性参数预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211318875.7A CN117950025A (zh) | 2022-10-26 | 2022-10-26 | 储层物性参数预测方法及装置 |
| PCT/CN2023/113806 WO2024087827A1 (zh) | 2022-10-26 | 2023-08-18 | 储层物性参数预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211318875.7A CN117950025A (zh) | 2022-10-26 | 2022-10-26 | 储层物性参数预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117950025A true CN117950025A (zh) | 2024-04-30 |
Family
ID=90793319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211318875.7A Pending CN117950025A (zh) | 2022-10-26 | 2022-10-26 | 储层物性参数预测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117950025A (zh) |
| WO (1) | WO2024087827A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118393570A (zh) * | 2024-07-01 | 2024-07-26 | 中国石油大学(华东) | 地震反演方法、装置、存储介质及电子设备 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9128203B2 (en) * | 2011-09-28 | 2015-09-08 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
| AU2017305417B2 (en) * | 2016-08-03 | 2023-06-15 | Geoquest Systems B.V. | Multi-scale deep network for fault detection |
| CN109272029B (zh) * | 2018-08-31 | 2022-02-22 | 电子科技大学 | 井控稀疏表征大规模谱聚类地震相划分方法 |
| CN112684497B (zh) * | 2019-10-17 | 2023-10-31 | 中国石油天然气集团有限公司 | 地震波形聚类方法和装置 |
| CN112147677B (zh) * | 2020-09-07 | 2023-10-31 | 中国石油天然气股份有限公司 | 油气储层参数标签数据生成方法及装置 |
| CN112836802B (zh) * | 2021-02-03 | 2024-07-12 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种半监督学习方法、岩性预测方法及存储介质 |
| CN113033637B (zh) * | 2021-03-16 | 2022-11-22 | 电子科技大学 | 一种基于岩石物理样本增强的集成学习岩相预测方法 |
| CN115130529A (zh) * | 2021-03-19 | 2022-09-30 | 中国石油天然气股份有限公司 | 一种叠前地震反演方法和装置 |
| CN113344258A (zh) * | 2021-05-25 | 2021-09-03 | 同济大学 | 一种基于分歧的半监督学习的地震岩性预测方法 |
| CN113722893B (zh) * | 2021-08-12 | 2023-06-09 | 中国石油大学(北京) | 地震记录反演方法、装置、设备及存储介质 |
-
2022
- 2022-10-26 CN CN202211318875.7A patent/CN117950025A/zh active Pending
-
2023
- 2023-08-18 WO PCT/CN2023/113806 patent/WO2024087827A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118393570A (zh) * | 2024-07-01 | 2024-07-26 | 中国石油大学(华东) | 地震反演方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024087827A1 (zh) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Optimization of models for a rapid identification of lithology while drilling-A win-win strategy based on machine learning | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN112836802B (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
| CN112684497A (zh) | 地震波形聚类方法和装置 | |
| CA2920504C (en) | Global calibration based reservoir quality prediction from real-time geochemical data measurements | |
| Xie et al. | Towards optimization of boosting models for formation lithology identification | |
| Chang et al. | Active domain adaptation with application to intelligent logging lithology identification | |
| CN117950025A (zh) | 储层物性参数预测方法及装置 | |
| Pratama | Machine learning: using optimized KNN (K-Nearest Neighbors) to predict the facies classifications | |
| CN111027249B (zh) | 一种基于机器学习的井间连通性评价方法 | |
| Ye et al. | Drilling formation perception by supervised learning: Model evaluation and parameter analysis | |
| CN113095352B (zh) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 | |
| CN112926251B (zh) | 一种基于机器学习的滑坡位移高精度预测方法 | |
| Al-Sahlanee et al. | Ensemble Machine Learning for Data-Driven Predictive Analytics of Drilling Rate of Penetration (ROP) Modeling: A Case Study in a Southern Iraqi Oil Field | |
| CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
| Nwachukwu | Machine learning solutions for reservoir characterization, management, and optimization | |
| CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
| Hou et al. | Identification of carbonate sedimentary facies from well logs with machine learning | |
| Chikhi et al. | Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province | |
| CN114280689A (zh) | 基于岩石物理知识确定储层孔隙度的方法、装置及设备 | |
| CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
| Sun et al. | Fluid identification with Graph Transformer using well logging data | |
| CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
| CN118534534A (zh) | 一种基于U-net深度学习网络的碳酸盐岩缝洞储层识别方法 | |
| Farman | Advanced Machine Learning application for Permeability Prediction for (M) Formation in an Iraqi Oil Field |
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 |