CN103376468A - 基于神经网络函数逼近算法的储层参数定量表征方法 - Google Patents

基于神经网络函数逼近算法的储层参数定量表征方法 Download PDF

Info

Publication number
CN103376468A
CN103376468A CN2012101142532A CN201210114253A CN103376468A CN 103376468 A CN103376468 A CN 103376468A CN 2012101142532 A CN2012101142532 A CN 2012101142532A CN 201210114253 A CN201210114253 A CN 201210114253A CN 103376468 A CN103376468 A CN 103376468A
Authority
CN
China
Prior art keywords
neural network
node
reservoir
network function
reservoir parameter
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
Application number
CN2012101142532A
Other languages
English (en)
Inventor
徐辉
桂志先
慎国强
李海涛
李玉凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Original Assignee
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Geophysical Research Institute of Sinopec Shengli Oilfield Co filed Critical China Petroleum and Chemical Corp
Priority to CN2012101142532A priority Critical patent/CN103376468A/zh
Publication of CN103376468A publication Critical patent/CN103376468A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种基于神经网络函数逼近算法的储层参数定量表征方法，该基于神经网络函数逼近算法的储层参数定量表征方法包括利用井旁的地震属性数据确定神经网络上各节点之间的权系数和节点上的阀值；以及利用得到的各节点之间的该权系数和节点上的该阀值，进行整个工区的储层参数定量预测及油气分布预测。该基于神经网络函数逼近算法的储层参数定量表征方法避免了对数量较大的地震属性进行分析，减少了因参与分析的地震属性数目众多带来的多解性，也从多个方面综合预测剩余油的分布特征，提高了剩余油分布特征的预测精度。

Description

基于神经网络函数逼近算法的储层参数定量表征方法
技术领域
本发明涉及勘探地球物理领域，特别是涉及到一种基于神经网络函数逼近算法的储层参数定量表征方法。
背景技术
地震属性是表征地震波几何形态、运动学特征、动力学特征和统计特征的物理量，有着明确的物理意义，根据地震波不同的特征信息，可提取200多种不同的地震属性，影响这些属性的因素很多，如振幅的大小不仅与孔隙流体性质有关，而且与地层埋深、岩性、孔隙度、速度、密度、品质因素、波前扩散、多次波等多种因素有关；同时，有些属性是独立的，有些属性是关联的。时移地震技术常用的方法是采用不同期地震属性之间的特征差异描述油气藏动态变化。现有的地震属性差异分析技术，往往利用单一的地震属性或少量地震属性研究油气分布和储层参数的变化，这种方法的具有较强的不确定性，而且，不同的属性分析结果差异较大,由此得到的储层参数的差异也较大。为此我们发明了一种新的基于神经网络函数逼近算法的储层参数定量表征方法，解决了以上技术问题。
发明内容
本发明的目的是提供一种可综合预测剩余油的分布特征，提高剩余油分布特征的预测精度的基于神经网络函数逼近算法的储层参数定量表征方法。   
本发明的目的可通过如下技术措施来实现：基于神经网络函数逼近算法的储层参数定量表征方法，该基于神经网络函数逼近算法的储层参数定量表征方法包括:步骤1，利用井旁的地震属性数据确定神经网络上各节点之间的权系数和节点上的阀值；以及步骤2，利用得到的各节点之间的该权系数和节点上的该阀值，进行整个工区的储层参数定量预测及油气分布预测。
本发明的目的还可通过如下技术措施来实现：
在步骤1中，在利用神经网络作储层产能预测时，使用三层感知器网络作函数逼近，一个输入层、一个输出层和一个中间层，基本关系由下面公式表示：
Figure 536681DEST_PATH_IMAGE001
           
式中：
Figure 502363DEST_PATH_IMAGE002
为神经网络的输入，
Figure 683946DEST_PATH_IMAGE003
为神经网络的输出，N为输入层的节点数，M为隐层的节点数，k为输出层的节点数，
Figure 873619DEST_PATH_IMAGE004
为输入层与隐层之间的连接权，
Figure 711125DEST_PATH_IMAGE005
为隐层与输出层之间的连接权，
Figure 277236DEST_PATH_IMAGE006
为输入层到隐层的阀值，
Figure 15122DEST_PATH_IMAGE007
为输入层到隐层的阀值。
在步骤1中，将井旁地震属性和测井、钻井、地质、试油等资料作为输入层数据，取一些小的随机数，以这些随机数作为网络内部各个节点之间连接的该权系数和节点上的该阈值的初始值，井旁的储层参数及剩余油参数作为神经网络的输出层，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照差值趋零原则，不断地修改节点之间连接的该权系数和节点上的该阈值，直至权值收敛，并使估价函数降至可接收值，得到节点间的连接权系数和节点内部的阀值集合，由此确定神经网络内部各个节点之间连接的该权系数和节点上的该阈值。
在步骤2中，将优选后的目的层属性集逐道输入，并对输入地震道进行分析，输出各地震道处的储层砂岩厚度和孔隙度及含油饱和度。
该基于神经网络函数逼近算法的储层参数定量表征方法还包括，在步骤2之后，根据各地震道处的该储层砂岩厚度和该孔隙度及该含油饱和度，绘制该储层砂岩厚度、该孔隙度平面分布图及该含油饱和度平面图。
该基于神经网络函数逼近算法的储层参数定量表征方法还包括，在步骤1之前，优选出地震属性；以及根据该优选出的地震属性，抽取该井旁的地震属性数据。
本发明中的基于神经网络函数逼近算法的储层参数定量表征方法，在K-L变换属性优化筛选的基础上，结合钻井、测井及油气藏动态资料，通过神经网络算法，进一步优化属性特征，建立优化后的属性与油气藏特征之间的定量关系，实现时移地震对剩余油分布特征的定量描述。本发明中的基于神经网络函数逼近算法的储层参数定量表征方法，经过对多级优选出的地震属性进行的综合分析，避免了因对未优选地震属性进行分析带来的多解性，精度得到了提高。并且可以更加有效利用地震属性信息，得到剩余油分布特征，更加准确。本发明中的基于神经网络函数逼近算法的储层参数定量表征方法，得到了定量的剩余油分布特征的参数预测，对于指导下一步的油田开发井的部署，更加可靠。
 
附图说明
图1为本发明的基于神经网络函数逼近算法的储层参数定量表征方法的一具体实施例的流程图；
图2为本发明的基于神经网络函数逼近算法的储层参数定量表征方法的神经网络算法的原理示意图；
图3是经K-L变换法优化后的基于基础地震的属性a的优化属性图；
图4是经K-L变换法优化后的基于基础地震的属性b的优化属性图；
图5是经K-L变换法优化后的基于基础地震的属性c的优化属性图；
图6是经K-L变换法优化后的基于基础地震的属性d的优化属性图；
图7是经K-L变换法优化后的基于监测地震的属性a的优化属性图；
图8是经K-L变换法优化后的基于监测地震的属性b的优化属性图；
图9是经K-L变换法优化后的基于监测地震的属性c的优化属性图；
图10是经K-L变换法优化后的基于监测地震的属性d的优化属性图；
图11是基于基础数据的定量预测的含油饱和度的平面展布图；
图12是基于监测数据的定量预测的含油饱和度的平面展布图；
图13是剩余油饱和度预测图；
图14是油藏模拟的剩余油饱和度图。
 
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合所附图式，作详细说明如下。
如图1所示，图1为本发明的基于神经网络函数逼近算法的储层参数定量表征方法的流程图。在步骤101，进行地震属性的优选。流程进入到步骤102。
在步骤102，根据优选出的地震属性，抽取对应井旁的地震属性。流程进入到步骤103。
在步骤103，利用井旁的地震属性数据确定神经网络上各节点之间的权系数和阀值。图2为本发明的基于神经网络函数逼近算法的储层参数定量表征方法的神经网络算法的原理示意图，在利用人工神经网络作储层产能预测时，使用三层感知器网络作函数逼近，一个输入层、一个输出层和一个中间层，基本关系由下面公式表示：
Figure 375696DEST_PATH_IMAGE001
           
式中：
Figure 762815DEST_PATH_IMAGE002
为神经网络的输入，
Figure 70300DEST_PATH_IMAGE003
为神经网络的输出，N为输入层的节点数，M为隐层的节点数，k为输出层的节点数，
Figure 960895DEST_PATH_IMAGE004
为输入层与隐层之间的连接权，
Figure 695633DEST_PATH_IMAGE005
为隐层与输出层之间的连接权，为输入层到隐层的阀值，
Figure 415645DEST_PATH_IMAGE007
为输入层到隐层的阀值。
在确定神经网络上各节点之间的权系数和阀值时，将井旁地震属性和测井、钻井、地质、试油等资料作为输入层数据。开始时取一些小的随机数，以这些随机数作为网络内部各个节点之间连接的权系数和各个节点上的阈值的初始值，井旁的储层参数（孔隙度、砂岩厚度等）及剩余油参数（含油饱和度等）作为神经网络的输出层，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照差值趋零原则，不断地修改节点间的连接权系数和节点内部的阈值，反复这一过程，直至权值收敛，并使估价函数降至可接收值。得到节点间的连接权系数和节点内部的阀值集合，由此确定了神经网络内部各个节点之间连接的权系数和节点上的阀值。流程进入到步骤102。
在步骤102，利用得到的节点的权系数和阀值，进行整个工区的储层参数定量预测及油气分布预测
神经网络完成井旁道的步骤后，可用于整个工区的油气分布特征识别。即将优选后的目的层属性集逐道输入，并对输入地震道进行分析，输出各地震道处的储层砂岩厚度和孔隙度及含油饱和度等数据。
在步骤103，根据每个地震道处的储层砂岩厚度和孔隙度，绘制储层砂岩厚度、孔隙度平面分布图及含油饱和度平面图。
图3是经K-L变换法优化后的基于基础地震的提取的a属性图，图4是经K-L变换法优化后的基于基础地震的提取的b属性图，图5是经K-L变换法优化后的基于基础地震的提取的c属性图，图6是经K-L变换法优化后的基于基础地震的提取的d属性图，图7是经K-L变换法优化后的基于监测地震数据的提取的a属性图，图8是经K-L变换法优化后的基于监测地震数据的提取的b属性图，图9是经K-L变换法优化后的基于监测地震数据的提取的c属性图，图10是实例d经K-L变换法优化后基于监测地震数据的提取的d属性图。从图3到图10可以看出，有利含油气区块主要集中在工区中部。根据这些优化出的地震属性，得到图11和图12所示的两张图，图11是基于基础数据的定量预测的含油饱和度的平面展布图，图12是基于监测数据的定量预测的含油饱和度的平面展布图，根据预测出的基于基础地震数据和检测地震数据对应的剩余油饱和度图，得到图13（剩余油饱和度预测图），图14是油藏模拟的剩余油饱和度图，对比分析图13和图14，可以看出，由经K-L变换得到的优化后的地震属性图预测的剩余油饱和度图和油藏数值模拟结果相近，与实际测井、试油数据吻合度也较高。

Claims (6)

1.基于神经网络函数逼近算法的储层参数定量表征方法，其特征在于，该基于神经网络函数逼近算法的储层参数定量表征方法包括:
步骤1，利用井旁的地震属性数据确定神经网络上各节点之间的权系数和节点上的阀值；以及
步骤2，利用得到的各节点之间的该权系数和节点上的该阀值，进行整个工区的储层参数定量预测及油气分布预测。
2.根据权利要求1所述的基于神经网络函数逼近算法的储层参数定量表征方法，其特征在于，在步骤1中，在利用神经网络作储层产能预测时，使用三层感知器网络作函数逼近，一个输入层、一个输出层和一个中间层，基本关系由下面公式表示：
Figure 1734DEST_PATH_IMAGE001
           
式中：
Figure 411986DEST_PATH_IMAGE002
为神经网络的输入，
Figure 525436DEST_PATH_IMAGE003
为神经网络的输出，N为输入层的节点数，M为隐层的节点数，k为输出层的节点数，
Figure 388350DEST_PATH_IMAGE004
为输入层与隐层之间的连接权，
Figure 612658DEST_PATH_IMAGE005
为隐层与输出层之间的连接权，
Figure 674154DEST_PATH_IMAGE006
为输入层到隐层的阀值，
Figure 394724DEST_PATH_IMAGE007
为输入层到隐层的阀值。
3.根据权利要求2所述的基于神经网络函数逼近算法的储层参数定量表征方法，其特征在于，在步骤1中，将井旁地震属性和测井、钻井、地质、试油等资料作为输入层数据，取一些小的随机数，以这些随机数作为网络内部各个节点之间连接的该权系数和节点上的该阈值的初始值，井旁的储层参数及剩余油参数作为神经网络的输出层，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照差值趋零原则，不断地修改节点之间连接的该权系数和节点上的该阈值，直至权值收敛，并使估价函数降至可接收值，得到节点间的连接权系数和节点内部的阀值集合，由此确定神经网络内部各个节点之间连接的该权系数和节点上的该阈值。
4.根据权利要求1所述的基于神经网络函数逼近算法的储层参数定量表征方法，其特征在于，在步骤2中，将优选后的目的层属性集逐道输入，并对输入地震道进行分析，输出各地震道处的储层砂岩厚度和孔隙度及含油饱和度。
5.根据权利要求4所述的基于神经网络函数逼近算法的储层参数定量表征方法，其特征在于，该基于神经网络函数逼近算法的储层参数定量表征方法还包括，在步骤2之后，根据各地震道处的该储层砂岩厚度和该孔隙度及该含油饱和度，绘制该储层砂岩厚度、该孔隙度平面分布图及该含油饱和度平面图。
6.根据权利要求1所述的基于神经网络函数逼近算法的储层参数定量表征方法，其特征在于，该基于神经网络函数逼近算法的储层参数定量表征方法还包括，在步骤1之前，优选出地震属性，以及根据该优选出的地震属性，抽取该井旁的地震属性数据。
CN2012101142532A 2012-04-18 2012-04-18 基于神经网络函数逼近算法的储层参数定量表征方法 Pending CN103376468A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012101142532A CN103376468A (zh) 2012-04-18 2012-04-18 基于神经网络函数逼近算法的储层参数定量表征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012101142532A CN103376468A (zh) 2012-04-18 2012-04-18 基于神经网络函数逼近算法的储层参数定量表征方法

Publications (1)

Publication Number Publication Date
CN103376468A true CN103376468A (zh) 2013-10-30

Family

ID=49461863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012101142532A Pending CN103376468A (zh) 2012-04-18 2012-04-18 基于神经网络函数逼近算法的储层参数定量表征方法

Country Status (1)

Country Link
CN (1) CN103376468A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646299A (zh) * 2013-12-19 2014-03-19 浙江省公众信息产业有限公司 基于神经元网络的农作物预测方法与装置
CN105652316A (zh) * 2014-12-01 2016-06-08 北京石大创新石油科技有限公司 一种基于裂缝模型的智能优化地震多属性融合方法
CN106610508A (zh) * 2016-11-15 2017-05-03 中国石油天然气股份有限公司 一种裂缝的地震属性判识***及方法
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
CN110389382A (zh) * 2019-08-02 2019-10-29 中国石油大学(北京) 一种基于卷积神经网络的油气藏储层表征方法
CN111479982A (zh) * 2017-11-15 2020-07-31 吉奥奎斯特***公司 具有滤波器的现场操作***
CN113050165A (zh) * 2019-12-27 2021-06-29 中国石油天然气集团有限公司 预测致密砂岩油气富集带的方法及装置
CN113589363A (zh) * 2020-04-30 2021-11-02 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020042677A1 (en) * 2000-09-29 2002-04-11 West Brian P. Method for seismic facies interpretation using textural analysis and neural networks
CN1704770A (zh) * 2004-05-25 2005-12-07 张向军 双重模糊神经网络储层油气预测方法
CN101149439A (zh) * 2007-11-13 2008-03-26 符力耘 高分辨率非线性储层物性反演方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020042677A1 (en) * 2000-09-29 2002-04-11 West Brian P. Method for seismic facies interpretation using textural analysis and neural networks
CN1704770A (zh) * 2004-05-25 2005-12-07 张向军 双重模糊神经网络储层油气预测方法
CN101149439A (zh) * 2007-11-13 2008-03-26 符力耘 高分辨率非线性储层物性反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯斌等: "应用多属性神经网络方法预测油气", 《岩性油气藏》 *
王晓阳等: "K-L 变换地震属性优化及其在储层预测中的应用", 《石油天然气学报 (江汉石油学院学报)》 *
赵成等: "基于神经网络的储层参数预测方法及应用", 《石油天然气学报 (江汉石油学院学报)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646299A (zh) * 2013-12-19 2014-03-19 浙江省公众信息产业有限公司 基于神经元网络的农作物预测方法与装置
CN105652316A (zh) * 2014-12-01 2016-06-08 北京石大创新石油科技有限公司 一种基于裂缝模型的智能优化地震多属性融合方法
CN106610508A (zh) * 2016-11-15 2017-05-03 中国石油天然气股份有限公司 一种裂缝的地震属性判识***及方法
CN106610508B (zh) * 2016-11-15 2019-05-07 中国石油天然气股份有限公司 一种裂缝的地震属性判识***及方法
CN111479982A (zh) * 2017-11-15 2020-07-31 吉奥奎斯特***公司 具有滤波器的现场操作***
CN111479982B (zh) * 2017-11-15 2023-01-17 吉奥奎斯特***公司 具有滤波器的现场操作***
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
CN110389382A (zh) * 2019-08-02 2019-10-29 中国石油大学(北京) 一种基于卷积神经网络的油气藏储层表征方法
CN110389382B (zh) * 2019-08-02 2020-07-07 中国石油大学(北京) 一种基于卷积神经网络的油气藏储层表征方法
CN113050165A (zh) * 2019-12-27 2021-06-29 中国石油天然气集团有限公司 预测致密砂岩油气富集带的方法及装置
CN113589363A (zh) * 2020-04-30 2021-11-02 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法
CN113589363B (zh) * 2020-04-30 2024-03-19 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法

Similar Documents

Publication Publication Date Title
CN109447532B (zh) 一种基于数据驱动的油藏井间连通性确定方法
CN109061765B (zh) 非均质薄砂岩互层油藏的圈闭评价方法
CN103376468A (zh) 基于神经网络函数逼近算法的储层参数定量表征方法
CN104747185B (zh) 非均质油藏储层综合分类评价方法
CN103352693B (zh) 一种基于含油气含量的产能预测***及其方法
CN102041995B (zh) 复杂油藏水淹状况监测***
CN105160414B (zh) 预测全油藏产区类型的方法及装置
CN107894615B (zh) 一种定量化评价三维地震属性预测储层参数有效性的方法
CN110346831B (zh) 一种基于随机森林算法的智能化地震流体识别方法
CN107356958A (zh) 一种基于地质信息约束的河流相储层分步地震相预测方法
CN106372402A (zh) 一种大数据环境下模糊区域卷积神经网络的并行化方法
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和***
CN109184677A (zh) 用于非均质互层砂体的储层评价方法
CN106529667A (zh) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
CN104047598A (zh) 非均质古岩溶碳酸盐岩储层产能预测方法
CN103675907A (zh) 一种基于岩相约束的avo反演油气检测方法
CN104750884A (zh) 基于多因素非线性回归的页岩油气富集指数定量评价方法
CN105760673A (zh) 一种河流相储层地震敏感参数模板分析方法
CN103926617A (zh) 一种缝洞储集体的检测方法和检测装置
CN103775075A (zh) 一种全井段岩性识别方法
Zhu et al. Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm
CN105240006B (zh) 一种适用于火山岩储层的油水层识别方法
CN106556863A (zh) 基于深度域叠前角道集的孔隙度预测方法
CN104992178A (zh) 基于支持向量机模拟交会图的致密砂岩流体类型识别方法
CN103364831A (zh) 基于神经网络算法的物性参数量化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20131030