CN109446735A - 一种模拟测井数据的生成方法、设备以及*** - Google Patents
一种模拟测井数据的生成方法、设备以及*** Download PDFInfo
- Publication number
- CN109446735A CN109446735A CN201811547391.3A CN201811547391A CN109446735A CN 109446735 A CN109446735 A CN 109446735A CN 201811547391 A CN201811547391 A CN 201811547391A CN 109446735 A CN109446735 A CN 109446735A
- Authority
- CN
- China
- Prior art keywords
- data
- log
- module
- modeling
- matrix
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种模拟测井数据的生成方法、***、计算机设备以及计算机可读存储介质,涉及智能钻井技术领域。该***包括测井数据获取模块,用于获取测井数据;矩阵数据确定模块,用于根据所述测井数据通过广角眼机制得到矩阵数据;模拟数据生成模块,用于基于生成对抗网络根据所述矩阵数据生成模拟测井数据。本发明基于少量真实的随钻测井数据,并考虑一定随机性,可以快速生成大量不同的测井数据,从而为广大导钻算法模型提供了有效数据集,可以验证算法的鲁棒性,减少了模型在实际应用中的盲目性,降低了风险,对生产及环境分析起到了指导作用,具有重大的经济与社会效益。
Description
技术领域
本发明关于计算机科学与技术领域,特别是关于石油工程领域中的数据模拟技术,具体的讲是一种模拟测井数据的生成方法、***、计算机设备以及计算机可读存储介质。
背景技术
虚拟地质建模与可视化为地质学者带来了新的机遇和动力,并在油气田勘探、开发过程中提供了很大的帮助。虚拟地质建模与可视化是指利用虚拟现实技术构建一个虚拟地质环境,对地下数据进行解释、集成、模型构造以及可视化显示与分析。
虚拟的地质建模是通过计算机生成的虚拟地质环境,研究者可以通过使用各种特殊装置进入这个环境中,并操作、控制环境中的虚拟对象,对复杂地质数据进行可视化与交互处理,得到较为真实的模拟地层分布,为各种导钻算法提供一个模拟钻进的环境。所以复杂地质数据的获取成为关键。
在油气田开发过程中,钻井之后必须进行测井从而了解到地层的含油气情况,但是,测井资料的获取总是在钻井完工之后,用电缆将仪器放入井中进行测量,然而,在某些情况下,如井的斜度超过65度的大斜角甚至水平井,用电缆很难将仪器放下去;此外,井壁状况不好易发生坍塌或者堵塞也很难获得测井资料。由于钻井过程中要用钻井液循环,带出钻碎的岩屑,钻井液滤液总要侵入地层。因此,钻完之后再测井,地层的各种参数与刚钻开地层时有所差别。所以随着科学技术的发展,将测井仪器放在了钻头上,让钻头长上“眼睛”,一边钻进一边获取地层的各种资料,这样就可以得到复杂地质数据从而进行下一步操作。
可视化模型结构包含了诸如岩性、地质构造和地质边界等数字化信息,为进一步的地学研究提供了一个基础的地质平台,虚拟环境中的可视化理论和技术的主要特征为:沉浸感、交互性与创造力。将时空限制人类无法直接看到的地下场景更加生动的呈现出来。
虚拟地质建模与可视化技术很好的揭示了地质资料中包含的深层信息,使得科学研究工作的面貌发生根本性变化,有助于科研人员更好的了解地层信息。但是由于该方面的研究还处于起步阶段,所以面临着许多理论与技术难题。其缺陷包括:
(1)由于传输环境的受限,获取真实地层数据的成本太高;
(2)现有的虚拟地质建模方法较为单一,不能生成大量不同的地层分布模拟环境,从而不能用于测试导钻算法的鲁棒性。
自20世纪80年代以来,Mallet领导的课题组始终致力于地质建模的研究,主要从事地质构造建模和地球物理学分析。构造建模包括断层和地层建模,由点、线重构面以及由二维剖面重构三维几何元的建模方式。然而该软件的地质建模模型较为单一,所以无法生成大量不同的地层分布模拟环境。
由挪威Technoguide软件公司研制的可视化建模软件Petrel采用地质统计、多种数学和随机建模的方法建立了构造模型、描述储层参数以及计算地震和沉积相的分布。Petrel结合测井解释、地质解释、地震解释和地震属性处理成果将随机建模法与三维显示技术有机地结合起来,进行油藏建模。
然而,上述软件主要存在如下技术缺陷:
(1)真实数据不易获取
地质建模与可视化依赖于原始输入数据,然而,稀疏而随机的不充足采样数据以及来自于遥感的预示性模糊数据等使得模型的建立十分困难。并且对于深井以及超深井而言数据的获取就更加困难,得到充足采样数据的获得需要付出昂贵的代价。
(2)地层模型较为单一
基于空间实体的几何形状及其相互关系,现有的地质建模方法较为单一,无法创建不同的虚拟地层环境为广大导钻算法提供测试环境,无法验证算法的鲁棒性。
因此,如何提供一种新的方案,其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
有鉴于此,本发明实施例提供了一种模拟测井数据的生成方法、***、计算机设备以及计算机可读存储介质,基于少量真实的随钻测井数据,并考虑一定随机性,可以快速生成大量不同的测井数据,从而为广大导钻算法模型提供了有效数据集,可以验证算法的鲁棒性,减少了模型在实际应用中的盲目性,降低了风险,对生产及环境分析起到了指导作用,具有重大的经济与社会效益。
本发明的目的之一是,提供一种模拟测井数据的生成方法,包括:
获取测井数据;
根据所述测井数据通过广角眼机制得到矩阵数据;
基于生成对抗网络根据所述矩阵数据生成模拟测井数据。
优选的,根据所述测井数据通过广角眼机制得到矩阵数据包括:
获取所述测井数据的特征属性;
对所述特征属性进行筛选,得到特征子集;
根据所述特征子集采用广角眼机制得到矩阵数据。
优选的,所述特征属性包括深度、自然伽马、井径、自然电位、声波时差、测井曲线、补偿中子测井、密度、杨氏模量、抗压强度、抗剪强度、抗张强度、泊松比、最大应力、最小应力、上覆压力、孔隙压力、坍塌压力、破裂压力以及泥浆密度上限。
优选的,基于生成对抗网络根据所述矩阵数据生成模拟测井数据包括:
获取噪声向量作为输入;
将所述噪声向量进行转换;
将转换后的噪声向量进行反卷积操作,得到虚拟数据;
通过对抗网络对所述矩阵数据以及所述虚拟数据进行判别,得到模拟测井数据。
优选的,所述方法还包括:
根据所述模拟测井数据构建地层模型。
本发明的目的之一是,提供一种模拟测井数据的生成***,包括:
测井数据获取模块,用于获取测井数据;
矩阵数据确定模块,用于根据所述测井数据通过广角眼机制得到矩阵数据;
模拟数据生成模块,用于基于生成对抗网络根据所述矩阵数据生成模拟测井数据。
优选的,所述矩阵数据确定模块包括:
特征属性获取模块,用于获取所述测井数据的特征属性;
特征子集确定模块,用于对所述特征属性进行筛选,得到特征子集;
矩阵数据生成模块,用于根据所述特征子集采用广角眼机制得到矩阵数据。
优选的,所述模拟数据生成模块包括:
向量获取模块,用于获取噪声向量作为输入;
向量转换模块,用于将所述噪声向量进行转换;
反卷积模块,用于将转换后的噪声向量进行反卷积操作,得到虚拟数据;
判别处理模块,用于通过对抗网络对所述矩阵数据以及所述虚拟数据进行判别,得到模拟测井数据。
优选的,所述***还包括:
地层模块构建模块,用于根据所述模拟测井数据构建地层模型。
本发明的目的之一是,提供一种计算机设备,包括:适于实现各指令的处理器以及存储设备,所述存储设备存储有多条指令,所述指令适于由处理器加载并执行一种模拟测井数据的生成方法。
本发明的目的之一是,提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序用于执行一种模拟测井数据的生成方法。
本发明的有益效果在于,提供了一种模拟测井数据的生成方法、***、计算机设备以及计算机可读存储介质,根据少量真实的随钻测井数据自动生成大量不同的测井数据,有效解决了无法获取大量真实测井数据这一缺陷,加入随机因素模拟多种地层分布情况,用于验证多种导钻算法有效性和鲁棒性,从而不断提高模型性能。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种模拟测井数据的生成***的结构示意图;
图2为本发明实施例提供的一种模拟测井数据的生成***中矩阵数据确定模块的结构示意图;
图3为本发明实施例提供的一种模拟测井数据的生成***中模拟数据生成模块的结构示意图;
图4为本发明实施例提供的一种模拟测井数据的生成***的实施方式二的结构示意图;
图5为本发明实施例提供的一种模拟测井数据的生成方法的流程图;
图6为图5中的步骤S102的具体流程图;
图7为图5中的步骤S103的具体流程图;
图8为本发明实施例提供的一种模拟测井数据的生成方法的实施方式二的流程图;
图9为本发明提供的具体实施例中特征子集的筛选过程示意图;
图10为本发明提供的具体实施例中通过广角眼机制得到的矩阵数据过程示意图;
图11为本发明提供的具体实施例中生成对抗网络模型的模型示意图;
图12为本发明提供的具体实施例中详细参数设置以及网络输入步骤图;
图13为本发明提供的具体实施例中基于生成对抗网络生成的模拟广角眼数据示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术技术人员知道,本发明的实施方式可以实现为一种***、装置、方法或计算机程序产品。因此,本发明公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
图1为本发明实施例提供的一种模拟测井数据的生成***的结构示意图,请参见图1,所述模拟测井数据的生成***包括:
测井数据获取模块100,用于获取测井数据。
在本发明的一种实施方式中,此处提及的测井数据指的是真实的测井数据。在具体的实施例中,测井数据可为原始LWD数据。LWD(Logging While Drilling)为随钻测井,在石油行业随钻测井一般是指在钻井的过程中测量地层岩石物理参数,并用数据遥测***将测量结果实时送到地面进行处理。
请参见图1,所述模拟测井数据的生成***还包括:
矩阵数据确定模块200,用于根据所述测井数据通过广角眼机制得到矩阵数据。图2为矩阵数据确定模块200的结构示意图,请参见图2,所述矩阵数据确定模块200包括:
特征属性获取模块201,用于获取所述测井数据的特征属性。
测井数据具有多种特征属性,在本申请的一种实施方式中,特征属性包括深度、自然伽马、井径、自然电位、声波时差、测井曲线、补偿中子测井、密度、杨氏模量、抗压强度、抗剪强度、抗张强度、泊松比、最大应力、最小应力、上覆压力、孔隙压力、坍塌压力、破裂压力以及泥浆密度上限。
特征子集确定模块202,用于对所述特征属性进行筛选,得到特征子集。
在本发明的一种实施方式中,可通过特征选择算法对原始数据的特征属性进行特征筛选。图9为本发明提供的具体实施例中使用Logistic-RFE(Recursive featureselection based on logistic regression),也称为基于Logistic回归的递归特征消除方法对特征属性进行筛选的过程示意图。就特征选择的形式而言,特征选择方法大致可以分为三类:滤波器方法(Filter)、包装法(Wrapper)和嵌入法(Embedded)。主要用的就是包装法的特征选择算法。Wrapper是根据目标函数(通常是预测效果进行评分),每次排除若干特征。
矩阵数据生成模块203,用于根据所述特征子集采用广角眼机制得到矩阵数据。
在本发明中,根据地质数据的特点及获取方式的不同,并为了建立更加真实地层环境,所以在得到特征子集的数据集后提出了“广角眼”机制。
广角眼数据对于模拟数据生成的主要贡献在于可以提供钻头附近较大范围内的地层分布情况,生成更多的模拟数据,从而构建不同的虚拟地质环境,以提供给不同的导钻算法进行测试。
广角眼机制实际上是通过滑动窗口法捕获沿深度传播的多行LWD数据。例如,图10为中国西部某流域的测试井采样的LWD数据集,其中每一行是一定深度的五维矢量数据,在“广角眼”机制下,5×5滑动窗口沿深度提取矩阵数据得到实时的LWD数据。
表1为经过广角眼机制得到一个时刻真实的矩阵数据。
表1
请参阅图1,该***还包括:
模拟数据生成模块300,用于基于生成对抗网络根据所述矩阵数据生成模拟测井数据。图3为本发明实施例提供的一种模拟测井数据的生成***中模拟数据生成模块的结构示意图,请参阅图3,所述模拟数据生成模块300包括:
向量获取模块301,用于获取噪声向量作为输入;
向量转换模块302,用于将所述噪声向量进行转换;
反卷积模块303,用于将转换后的噪声向量进行反卷积操作,得到虚拟数据;
判别处理模块304,用于通过对抗网络对所述矩阵数据以及所述虚拟数据进行判别,得到模拟测井数据。
生成对抗网络是一种深度学习模型。模型通过框架中的两个模块生成模型和判别模型的互相博弈学习产生相当好的输出。目前GAN(Generative Adversarial Networks)生成式对抗网络生成的图像或者数据主要就是用来做数据增强。
在本发明的一种具体实施方式中,采用的模型是DCGAN(深度卷积生成对抗网络),模型网络结构如图11所示。Generator生成模型的输入为100维的噪声向量,G网络的第一层实际上是一个全连接层,将100维的噪声向量转变为2×2×16维的向量,从第二层开始,使用转置卷积做上采样,逐渐减少通道数,最后得到的输出为5×5×1,即输出一个一通道的宽和高均为5的矩阵。D网络实际就是对5×5×1的矩阵进行一个简单的判别。详细的网络输入模型图如图12所示。与原始GAN模型相比,DCGAN的主要改进是训练的稳定性以及生成结构的质量。具体的模型结构上做出了以下改变:
(1)在判别器模型中使用带步幅(Strided convolutions)的卷积代替池化层(Pooling);在生成器模型中使用Fractionally-Strided convolution完成从随机噪声到数据的生成过程。
(2)在网络结构中,除了生成器模型的输出层及其对应的判别器模型的输入层,其他层上都使用了批量归一化(Batch normalization),加入Batch normalization这一操作有效解决了初始化差的问题。
(3)去除全连接层,直接使用卷积层连接生成器和判别器的输入层和输出层,增加了模型的稳定性。
模拟数据生成模块300基于生成对抗网络生成模拟数据。在数据量采样不充足的条件下,通过DCGAN生成了模拟钻进数据。如图13为通过该模块最终得到的模拟数据。(因数据量较大,只将一部分数据进行展示。)
图4本发明实施例提供的一种模拟测井数据的生成***的实施方式二的结构示意图,请参阅图4,该***还包括:
地层模块构建模块400,用于根据所述模拟测井数据构建地层模型。
在数据量不充足的条件下,基于DCGAN快速生成模拟测井数据,并对其进行可视化设计,构建合理的地层模型。依据所构建的多种地层模型,可以用来验证各种导钻算法的鲁棒性,提高***的可交互性,使得钻头可以在线学习。
如上即为本发明提供的一种模拟测井数据的生成***,建立了一个低数据成本,能够快速自动生成的模拟地层数据。该***的主要特点为:根据少量真实的LWD测井数据自动生成大量不同的测井数据,有效解决了无法获取大量真实测井数据这一缺陷;加入随机因素模拟多种地层分布情况,用于验证多种导钻算法有效性和鲁棒性,从而不断提高模型性能。
需要指出的是,虽然本发明主要面向石油工程和计算机科学与技术领域,在说明书中也是以测井数据为例进行说明,但本发明的方案也可应用于其他原始数据不足、对模拟数据需求较多的领域。
此外,尽管在上文详细描述中提及了***的若干单元模块,但是这种划分仅仅并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样,上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。以上所使用的术语“模块”和“单元”,可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在介绍了本发明示例性实施方式的模拟测井数据的生成***之后,接下来,参考附图对本发明示例性实施方式的方法进行介绍。该方法的实施可以参见上述整体的实施,重复之处不再赘述。
图5为本发明实施例提供的一种模拟测井数据的生成方法的示意图,请参见图5,所述方法包括:
S101:获取测井数据。
在本发明的一种实施方式中,此处提及的测井数据指的是真实的测井数据。在具体的实施例中,测井数据可为原始LWD数据。LWD(Logging While Drilling)为随钻测井,在石油行业随钻测井一般是指在钻井的过程中测量地层岩石物理参数,并用数据遥测***将测量结果实时送到地面进行处理。
请参见图5该方法还包括:
S102:根据所述测井数据通过广角眼机制得到矩阵数据。图6为该步骤的流程示意图,请参见图6,步骤S102包括:
S201:获取所述测井数据的特征属性。
测井数据具有多种特征属性,在本申请的一种实施方式中,特征属性包括深度、自然伽马、井径、自然电位、声波时差、测井曲线、补偿中子测井、密度、杨氏模量、抗压强度、抗剪强度、抗张强度、泊松比、最大应力、最小应力、上覆压力、孔隙压力、坍塌压力、破裂压力以及泥浆密度上限。
S202:对所述特征属性进行筛选,得到特征子集。
在本发明的一种实施方式中,可通过特征选择算法对原始数据的特征属性进行特征筛选。图9为本发明提供的具体实施例中使用Logistic-RFE(Recursive featureselection based on logistic regression),也称为基于Logistic回归的递归特征消除方法对特征属性进行筛选的过程示意图。就特征选择的形式而言,特征选择方法大致可以分为三类:滤波器方法(Filter)、包装法(Wrapper)和嵌入法(Embedded)。主要用的就是包装法的特征选择算法。Wrapper是根据目标函数(通常是预测效果进行评分),每次排除若干特征。
S203:根据所述特征子集采用广角眼机制得到矩阵数据。
在本发明中,根据地质数据的特点及获取方式的不同,并为了建立更加真实地层环境,所以在得到特征子集的数据集后提出了“广角眼”机制。
广角眼数据对于模拟数据生成的主要贡献在于可以提供钻头附近较大范围内的地层分布情况,生成更多的模拟数据,从而构建不同的虚拟地质环境,以提供给不同的导钻算法进行测试。
广角眼机制实际上是通过滑动窗口法捕获沿深度传播的多行LWD数据。例如,图10为中国西部某流域的测试井采样的LWD数据集,其中每一行是一定深度的五维矢量数据,在“广角眼”机制下,5×5滑动窗口沿深度提取矩阵数据得到实时的LWD数据。
表1为经过广角眼机制得到一个时刻真实的矩阵数据。
请参阅图5,该方法还包括:
S103:基于生成对抗网络根据所述矩阵数据生成模拟测井数据。图7为本该步骤的具体流程示意图,请参阅图7,步骤S103包括:
S301:获取噪声向量作为输入;
S302:将所述噪声向量进行转换;
S303:用于将转换后的噪声向量进行反卷积操作,得到虚拟数据;
S304:通过对抗网络对所述矩阵数据以及所述虚拟数据进行判别,得到模拟测井数据。
生成对抗网络是一种深度学习模型。模型通过框架中的两个模块生成模型和判别模型的互相博弈学习产生相当好的输出。目前GAN(Generative Adversarial Networks)生成式对抗网络生成的图像或者数据主要就是用来做数据增强。
在本发明的一种具体实施方式中,采用的模型是DCGAN(深度卷积生成对抗网络),模型网络结构如图11所示。Generator生成模型的输入为100维的噪声向量,生成器网络的第一层实际上是一个全连接层,将100维的噪声向量转变为2×2×16维的向量,从第二层开始,使用转置卷积做上采样,逐渐减少通道数,最后得到的输出为5×5×1,即输出一个一通道的宽和高均为5的矩阵。判别器网络实际就是对5×5×1的矩阵进行一个简单的判别。详细的网络输入模型图如图12所示。与原始GAN模型相比,DCGAN的主要改进是训练的稳定性以及生成结构的质量。具体的模型结构上做出了以下改变:
(1)在判别器模型中使用带步幅(Strided convolutions)的卷积代替池化层(Pooling);在生成器模型中使用Fractionally-Strided convolution完成从随机噪声到数据的生成过程。
(2)在网络结构中,除了生成器模型的输出层及其对应的判别器模型的输入层,其他层上都使用了批量归一化(Batch normalization),加入Batch normalization这一操作有效解决了初始化差的问题。
(3)去除全连接层,直接使用卷积层连接生成器和判别器的输入层和输出层,增加了模型的稳定性。
模拟数据生成模块300基于生成对抗网络生成模拟数据。在数据量采样不充足的条件下,通过DCGAN生成了模拟钻进数据。如图13为通过该模块最终得到的模拟数据。(因数据量较大,只将一部分数据进行展示。)
图8为本发明实施例提供的一种模拟测井数据的生成方法的实施方二的流程示意图,请参见图8,该方法还包括:
S104:根据所述模拟测井数据构建地层模型。
在数据量不充足的条件下,基于DCGAN快速生成模拟测井数据,并对其进行可视化设计,构建合理的地层模型。依据所构建的多种地层模型,可以用来验证各种导钻算法的鲁棒性,提高***的可交互性,使得钻头可以在线学习。
如上即为本发明提供的一种模拟测井数据的生成方法,建立了一个低数据成本,能够快速自动生成的模拟地层数据。该***的主要特点为:根据少量真实的LWD测井数据自动生成大量不同的测井数据,有效解决了无法获取大量真实测井数据这一缺陷;加入随机因素模拟多种地层分布情况,用于验证多种导钻算法有效性和鲁棒性,从而不断提高模型性能。
本发明还提供了一种计算机设备,包括:适于实现各指令的处理器以及存储设备,所述存储设备存储有多条指令,所述指令适于由处理器加载并执行一种模拟测井数据的生成方法。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序用于执行一种模拟测井数据的生成方法。
下面结合具体的实施例,详细介绍本发明的技术方案。在该实施例中,利用中国西部某油田测井曲线采样的随钻测井数据作为实验数据,基于该实验数据生成模拟测井数据,并构建相应的地层模型。具体的实施方式如下:
1、获取真实的测井数据:原始LWD数据由25种特征属性组成,包括深度、自然伽马和自然电位等。数据集为6000个带有相应层标签的样本。标签集包括4种不同的砂岩地层。真实测井数据的不同的物理参数(特征属性):深度、自然伽马、井径、自然电位、声波时差、测井曲线、补偿中子测井、密度、杨氏模量、抗压强度、抗剪强度、抗张强度、泊松比、最大应力、最小应力、上覆压力、孔隙压力、坍塌压力、破裂压力、泥浆密度上限。
2、采用广角眼机制获取矩阵数据:我们利用原始LWD数据创建具有不同特征组合的广角眼数据,然后利用递归特征消除的办法挖掘关键特征得到了最终的广角眼数据。表1为经过广角眼机制得到一个时刻真实的矩阵数据。
3、生成对抗网络生成模拟数据:在数据量采样不充足的条件下,通过DCGAN生成了模拟钻进数据。表2为通过该方法最终得到的模拟数据。(因数据量较大,只将一部分数据进行展示。)
表2
4、模型构建:基于生成的模拟数据进行地层模型构建。提出了一种基于生成对抗网络的测井数据快速生成方法,基于原始的6000条真实数据,并考虑到一定随机性快速生成了大量不同的测井数据,从而提供了有效数据集,并通过生成的模拟数据可以构建不同的地层模型。
综上所述,本发明提供了一种模拟测井数据的生成方法、***、计算机设备以及计算机可读存储介质,可以通过少量真实的LWD测井数据快速生成与之类似并具有随机性的模拟数据,构建不同的地质模型,揭示地质资料中包含的内在联系,不仅解决了数据采样不充足时导致模型建立非常困难的问题,还可以有效验证导钻算法的鲁棒性;同时,节约了成本,减少了实际应用中的盲目性,降低了风险,具有重大的社会效益。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(1ogiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescnption Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog2。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制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 Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。
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。
上述实施例阐明的***、装置、模块或单元,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单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请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,本申请的技术方案本质上或者说对现有技术做出贡献的部分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***(可以是个人计算机,服务器,或者网络***等)执行本申请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均采用递进的方式描述,各个实施例之间相同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。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持***或便携式***、平板型***、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子***、网络PC、小型计算机、大型计算机、包括以上任何***或***的分布式计算环境等。
本申请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、数据结构等。也可以在分布式计算环境中实践本申请,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***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***在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (12)
1.一种模拟测井数据的生成方法,其特征在于,所述方法包括:
获取测井数据;
根据所述测井数据通过广角眼机制得到矩阵数据;
基于生成对抗网络根据所述矩阵数据生成模拟测井数据。
2.根据权利要求1所述的方法,其特征在于,根据所述测井数据通过广角眼机制得到矩阵数据包括:
获取所述测井数据的特征属性;
对所述特征属性进行筛选,得到特征子集;
根据所述特征子集采用广角眼机制得到矩阵数据。
3.根据权利要求2所述的方法,其特征在于,所述特征属性包括深度、自然伽马、井径、自然电位、声波时差、测井曲线、补偿中子测井、密度、杨氏模量、抗压强度、抗剪强度、抗张强度、泊松比、最大应力、最小应力、上覆压力、孔隙压力、坍塌压力、破裂压力以及泥浆密度上限。
4.根据权利要求2所述的方法,其特征在于,基于生成对抗网络根据所述矩阵数据生成模拟测井数据包括:
获取噪声向量作为输入;
将所述噪声向量进行转换;
将转换后的噪声向量进行反卷积操作,得到虚拟数据;
通过对抗网络对所述矩阵数据以及所述虚拟数据进行判别,得到模拟测井数据。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述模拟测井数据构建地层模型。
6.一种模拟测井数据的生成***,其特征在于,所述***包括:
测井数据获取模块,用于获取测井数据;
矩阵数据确定模块,用于根据所述测井数据通过广角眼机制得到矩阵数据;
模拟数据生成模块,用于基于生成对抗网络根据所述矩阵数据生成模拟测井数据。
7.根据权利要求6所述的***,其特征在于,所述矩阵数据确定模块包括:
特征属性获取模块,用于获取所述测井数据的特征属性;
特征子集确定模块,用于对所述特征属性进行筛选,得到特征子集;
矩阵数据生成模块,用于根据所述特征子集采用广角眼机制得到矩阵数据。
8.根据权利要求7所述的***,其特征在于,所述特征属性包括深度、自然伽马、井径、自然电位、声波时差、测井曲线、补偿中子测井、密度、杨氏模量、抗压强度、抗剪强度、抗张强度、泊松比、最大应力、最小应力、上覆压力、孔隙压力、坍塌压力、破裂压力以及泥浆密度上限。
9.根据权利要求7所述的***,其特征在于,所述模拟数据生成模块包括:
向量获取模块,用于获取噪声向量作为输入;
向量转换模块,用于将所述噪声向量进行转换;
反卷积模块,用于将转换后的噪声向量进行反卷积操作,得到虚拟数据;
判别处理模块,用于通过对抗网络对所述矩阵数据以及所述虚拟数据进行判别,得到模拟测井数据。
10.根据权利要求9所述的***,其特征在于,所述***还包括:
地层模块构建模块,用于根据所述模拟测井数据构建地层模型。
11.一种计算机设备,其特征在于,包括:适于实现各指令的处理器以及存储设备,所述存储设备存储有多条指令,所述指令适于由处理器加载并执行如权利要求1至5任意一项所述的一种模拟测井数据的生成方法。
12.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序用于执行如权利要求1至5任意一项所述的一种模拟测井数据的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547391.3A CN109446735B (zh) | 2018-12-18 | 2018-12-18 | 一种模拟测井数据的生成方法、设备以及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547391.3A CN109446735B (zh) | 2018-12-18 | 2018-12-18 | 一种模拟测井数据的生成方法、设备以及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446735A true CN109446735A (zh) | 2019-03-08 |
CN109446735B CN109446735B (zh) | 2020-12-04 |
Family
ID=65558442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811547391.3A Active CN109446735B (zh) | 2018-12-18 | 2018-12-18 | 一种模拟测井数据的生成方法、设备以及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446735B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472746A (zh) * | 2019-08-16 | 2019-11-19 | 北京智能工场科技有限公司 | 一种基于人工智能的编码预测方法和*** |
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111209674A (zh) * | 2020-01-09 | 2020-05-29 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111794741A (zh) * | 2020-08-11 | 2020-10-20 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
WO2020215850A1 (zh) * | 2019-04-25 | 2020-10-29 | 中海油田服务股份有限公司 | 一种测定地层流体组成和性质的方法和*** |
CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112949719A (zh) * | 2021-03-03 | 2021-06-11 | 中国石油大学(华东) | 基于gan的试井解释代理模型生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101583884A (zh) * | 2006-02-24 | 2009-11-18 | 沙特***石油公司 | 对测井数据的蒙特卡罗模拟 |
CN103217718A (zh) * | 2012-01-18 | 2013-07-24 | 中国石油天然气集团公司 | 一种补充井下缺失地层的方法 |
CN103233728A (zh) * | 2013-05-15 | 2013-08-07 | 中国石油大学(华东) | 一种LogR-ΔT测井评价的泥页岩油含量预测方法 |
CN104614763A (zh) * | 2015-01-19 | 2015-05-13 | 中国石油大学(北京) | 基于反射率法的多波avo储层弹性参数反演方法及*** |
-
2018
- 2018-12-18 CN CN201811547391.3A patent/CN109446735B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101583884A (zh) * | 2006-02-24 | 2009-11-18 | 沙特***石油公司 | 对测井数据的蒙特卡罗模拟 |
CN103217718A (zh) * | 2012-01-18 | 2013-07-24 | 中国石油天然气集团公司 | 一种补充井下缺失地层的方法 |
CN103233728A (zh) * | 2013-05-15 | 2013-08-07 | 中国石油大学(华东) | 一种LogR-ΔT测井评价的泥页岩油含量预测方法 |
CN104614763A (zh) * | 2015-01-19 | 2015-05-13 | 中国石油大学(北京) | 基于反射率法的多波avo储层弹性参数反演方法及*** |
Non-Patent Citations (2)
Title |
---|
WENNAN LONG等: "pseudo density log generation using artificial neural network", 《SOCIETY OF PETROLEUM ENGINEERS》 * |
王坤峰,等: "生成式对抗网络GAN的研究进展与展望", 《自动化学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215850A1 (zh) * | 2019-04-25 | 2020-10-29 | 中海油田服务股份有限公司 | 一种测定地层流体组成和性质的方法和*** |
CN110472746A (zh) * | 2019-08-16 | 2019-11-19 | 北京智能工场科技有限公司 | 一种基于人工智能的编码预测方法和*** |
CN110472746B (zh) * | 2019-08-16 | 2021-04-13 | 北京智能工场科技有限公司 | 一种基于人工智能的编码预测方法和*** |
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111126700B (zh) * | 2019-12-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111209674B (zh) * | 2020-01-09 | 2023-04-11 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111209674A (zh) * | 2020-01-09 | 2020-05-29 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111794741A (zh) * | 2020-08-11 | 2020-10-20 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
CN111794741B (zh) * | 2020-08-11 | 2023-08-18 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
CN112307343B (zh) * | 2020-11-05 | 2023-04-07 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112949719B (zh) * | 2021-03-03 | 2022-08-02 | 中国石油大学(华东) | 基于gan的试井解释代理模型生成方法 |
CN112949719A (zh) * | 2021-03-03 | 2021-06-11 | 中国石油大学(华东) | 基于gan的试井解释代理模型生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109446735B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
Cannon | Reservoir modelling: A practical guide | |
CN109446735A (zh) | 一种模拟测井数据的生成方法、设备以及*** | |
US9684084B2 (en) | Three-dimensional multi-modal core and geological modeling for optimal field development | |
CN103256046B (zh) | 非常规油气藏水平井全缝长压裂参数模拟的方法及装置 | |
CN104755960B (zh) | 基于盆地建模对用于处理地震数据的速度模型的改进 | |
CN104914465B (zh) | 火山岩裂缝定量预测方法及装置 | |
US20160326845A1 (en) | Multistage Oilfield Design Optimization Under Uncertainty | |
US8364447B2 (en) | Method, program and computer system for conciliating hydrocarbon reservoir model data | |
CN104769215A (zh) | 用于特征化地下储层裂缝网络中的不确定性的***和方法 | |
CN107219553B (zh) | 基于gr分频反演的暗河充填预测方法 | |
CA2869825C (en) | Three-dimensional multi-modal core and geological modeling for optimal field development | |
Ouenes et al. | Integrated fractured reservoir modeling using both discrete and continuum approaches | |
CA3154625A1 (en) | High-resolution earth modeling using artificial intelligence | |
CN102597814A (zh) | 用于综合储层和封闭质量预测的***和方法 | |
CA3196058A1 (en) | Confidence volumes for earth modeling using machine learning | |
CN110501744A (zh) | 烃源岩有机碳地球物理定量预测方法、装置、设备及存储介质 | |
CN108089238A (zh) | 一种利用综合地球物理资料确定深层裂谷的方法及装置 | |
Bigi et al. | Discrete fracture network of the Latemar carbonate platform | |
Benetatos et al. | Fully integrated hydrocarbon reservoir studies: myth or reality? | |
WO2016187238A1 (en) | Auto-validating earth interpretation and modeling system | |
CN107765307A (zh) | 礁滩型储集体建模方法及*** | |
Tran | Characterisation and modelling of naturally fractured reservoirs | |
US11796706B2 (en) | System and method for application of elastic property constraints to petro-elastic subsurface reservoir modeling | |
Liu et al. | A novel production profiling workflow using microseismic data and distributed temperature sensing data for unconventional reservoirs |
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 |