CN109828304A - 一种基于深度学习的利用地震数据预测岩性序列模型的方法 - Google Patents
一种基于深度学习的利用地震数据预测岩性序列模型的方法 Download PDFInfo
- Publication number
- CN109828304A CN109828304A CN201910174555.0A CN201910174555A CN109828304A CN 109828304 A CN109828304 A CN 109828304A CN 201910174555 A CN201910174555 A CN 201910174555A CN 109828304 A CN109828304 A CN 109828304A
- Authority
- CN
- China
- Prior art keywords
- data
- well
- sequence
- seismic data
- lithology
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的利用地震数据预测岩性序列模型的方法。它包括如下步骤:1)测定工区内井上的目的层段的岩性数据以及井旁道地震数据作为训练数据;2)对井旁道地震数据进行归一化处理,将其换算到‑1到1的范围;3)将步骤2)处理之后的井旁道地震数据和井上的岩性数据,采取堆栈式循环神经网络模型和序列对序列循环神经网络模型分别进行训练,以井旁道地震数据为观察数据,井上的岩性数据为目标数据,迭代计算使学习模型达到收敛;4)应用步骤3)计算之后的学习模型,输入实际地震数据,即得到预测岩性序列。本发明能在地震数据序列的控制下生成能够有效反映储层分布的岩性数据体,解决井间的储层预测问题,为勘探、开发提供依据。
Description
技术领域
本发明涉及一种基于深度学习的利用地震数据预测岩性序列模型的方法,属于石油勘探与开发的储层预测领域。
背景技术
岩性预测是储层预测的重要手段之一,合理的岩性预测结果有助于开展沉积相展布和沉积演化规律分析,进而预测有利储层空间展布,指导勘探、开发部署。截止目前,对岩性的识别和预测方法研究主要集中于测井曲线和岩性序列关系方面的研究,而对地震波形和岩性序列的关系则研究较少。这一方面是受限于可用方法的局限,利用地震数据预测岩性数据属于变长数据之间的处理,传统的识别方法难以有效处理这种类型的数据;另一方面,无论是地震数据还是岩性数据均属于与时间相关的序列数据,各数据之间非独立存在而是相互关联的,这种关系在岩性上体现为地质沉积规律,在地震数据则表现为波形特征及其变化。因此,利用地震数据和井上的岩性数据建立序列对应关系,建立预测模型,从而实现对岩性体的空间识别和预测,可以有效解决井间的储层预测问题。
在实际地震资料中,由于目的层厚度是变化的,依顶底层位提取的地震数据长度也是变化的,并且常规的测井岩性记录由于时深转换等原因与地震数据也存在数据量不对称的情况,地震采样点与井上的岩性记录点不存在准确的时间域或空间域对齐关系。在这种条件下,常规的预测方法很难处理变长序列输入与变长序列预测的问题。
发明内容
本发明的目的是提供一种基于深度学习的利用地震数据预测岩性序列模型的方法,本发明涉及利用地震数据预测岩性序列模型,即以循环神经网络为基础,利用其对序列数据处理优势的特性,建立了以地震数据为观察数据,岩性数据为目标数据的预测模型,能在地震数据序列的控制下生成能够有效反映储层分布的岩性数据体,解决井间的储层预测问题,为勘探、开发提供依据。
本发明提供的一种基于深度学习的利用地震数据预测岩性序列模型的方法,包括如下步骤:
1)测定工区内井上的目的层段的岩性数据以及井旁道地震数据作为训练数据;
2)对所述井旁道地震数据进行归一化处理,将其换算到-1到1的范围;
3)将步骤2)处理之后的所述井旁道地震数据和井上的岩性数据,采取堆栈式循环神经网络模型和序列对序列循环神经网络模型分别进行训练,以井旁道地震数据为观察数据,井上的岩性数据为目标数据,迭代计算使学习模型达到收敛;
4)应用步骤3)计算之后的所述学习模型,输入实际地震数据,即得到预测岩性序列。
本发明中,所述岩性数据以及井旁道地震数据为本领域公知的常识。
上述的方法中,所述工区内井的数量为10口以上。理论上训练数据越多越好,越少的样本训练得到的模型预测越差
上述的方法中,所述堆栈式循环神经网络模型由全连接层和LSTM层堆叠组成的混合学习模型;所述LSTM层对每个时间步的所述地震数据进行处理,转换成内部隐含层信息,然后通过所述全连接层将所述隐含信息转换到岩性数据域;
步骤3)中,所述堆栈式循环神经网络模型采用RMSprop优化算法进行迭代计算;其学习率设置可为0.001~0.003。根据实际模型训练过程中的损失函数和迭代次数的关系进行选择,优选学习率设置为0.001~0.003。
上述的方法中,所述序列对序列循环神经网络模型是以两个不同的包含RNN的计算单元按照不同的训练方式构成的网络;
步骤3)中,所述序列对序列循环神经网络模型采用RMSprop优化算法进行迭代计算;其学习率设置可为0.001。根据实际模型训练过程中的损失函数和迭代次数的关系进行手动选择,学习率设置可为0.001。
上述的方法中,所述的堆栈式循环神经网络模型和序列对序列循环神经网络模型是两种基于相同处理算法(循环神经网络),但是处理逻辑流程不同的两种算法;两种算法属于自适应学习算法,其预测准确程度受控于模型训练中的参数控制和实际数据类型,在不同类型的数据上表现可能会有所差异。
本发明具有以下优点:
本发明由于采取了深度学习中常用的循环神经网络模型中的长短时记忆(LSTM)算法,它是一种特定形式的循环神经网络,即通过增加输入门限、遗忘门限和输出门限,使得自循环的权重是变化的,这样一来在模型参数固定的情况下,不同时刻的积分尺度可以动态改变,从而解决了梯度消失或者梯度膨胀的问题;这种机制允许模型在不同时刻改变内部系数,且允许网络忘记当前已经累积的信息,解决了因输入序列过长在训练时出现的梯度消失问题,使其在处理序列数据方面具有灵活性的优势。正是该方法的这种优势,很好的解决了常规的测井岩性记录由于时深转换等原因与地震数据存在数据量不对称的情况,以及地震采样点与井上的岩性记录点不存在准确的时间域或空间域对齐关系的问题,从而可以在地震数据序列的控制下生成能够有效体现储层分布的岩性数据体。
附图说明
图1为本发明实施例某工区和井位分布图;
图2为本发明中采用的堆栈式循环神经网络模型;
图3为本发明实施例堆栈式RNN预测岩性盲井检验图;
图4为本发明实施例堆栈式RNN预测岩性模型剖面图;
图5为本发明中采用的序列对序列循环神经网络模型;
图6为本发明实施例序列对序列RNN预测岩性盲井检验图;
图7为本发明实施例序列对序列RNN预测岩性模型剖面图。
具体实施方式
下述实施例中所使用的实验方法如无特殊说明,均为常规方法。
下述实施例中所用的材料、试剂等,如无特殊说明,均可从商业途径得到。
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。
图1为本发明实施例某工区和井位分布图。目标工区南北长度为6.3km,东西长度为5.1km,面积约为32km2,地震数据的线号范围为1-631,道号范围为1-511。工区内共有55口井,井上一共包括6种岩性,分别标号1-6,不同的岩性代表了含油气的可能性,其中1型岩性含油气饱和度最高,6型最低。测定目标层位中井上的岩性数据以及井旁道地震数据作为训练数据,求取井旁道地震数据的极值,将其换算到-1到1的范围,方便计算。
在本实施例中,基于循环神经网络的利用地震数据预测岩性序列模型所采用的两种学习模型和详细的实施步骤描述如下:
第一种方法,利用堆栈式循环神经网络模型计算学习模型。该学习模型是一种全连接层和LSTM层堆叠组成的混合学习模型,LSTM层负责对每个时间步的地震数据进行处理,转换成内部隐含层信息,然后通过全连接层将隐含信息转换到岩性数据域。模型结构如图2所示。
将55口井的井旁道地震数据和井上的岩性数据随机抽取5组用来验证建立的学习模型对测试盲井进行岩性识别的结果,另50组作为训练数据建立学习模型。
学习模型由第一层的128个神经元和第二层的36个(神经元数目可通过手动设置,根据模型的实际表现结果进行调整,下层神经元数目一般为第二层神经元数目的50%以下)神经元组成,每一时间步连接一个包含15个神经元的全连接层。最后,含有一个神经元的全连接层作为输出。模型采用了RMSprop优化算法(损失函数收敛的优化算法),设置学习率为0.003,总共迭代计算大约8000次。逐渐调整学习率至0.001,迭代大约2000次模型达到收敛。
应用建立的学习模型对测试盲井进行岩性识别验证,得到盲井的预测岩性序列,如图3所示,实线为预测岩性序列,虚线为真实岩性序列,正确率基本达到50%以上,并且可以基本反映真实岩性排列的曲线形态。把学习模型应用到实际地震数据上建立得到预测岩性模型,其剖面效果如图4所示。
第二种方法,利用序列对序列循环神经网络模型计算学习模型。这种模型是以两个不同的包含RNN的计算单元按照不同的训练方式构成的网络,序列对序列模型是近几年来比较热门的一个基于RNN发展的模型,目前在机器翻译、文本分析等领域取得了良好的应用效果。其模型如图5所示。
同样将55口井的井旁道地震数据和井上的岩性数据随机抽取5组用来验证建立的学习模型对测试盲井进行岩性识别的结果,另50组作为训练数据建立学习模型。
学习模型由编码器和解码器组成,都是包含256个神经元的LSTM层的计算单元,优化算法采用RMSprop算法。学习率设置为0.0001,在岩性预测计算中,将使用编码器中的状态值初始化解码器,这一步解释为编码器将地震数据转换成可以用于岩性预测的中间状态数据,并使用该状态数据初始化解码器进行岩性预测。
应用建立的学习模型对测试盲井进行岩性识别验证,得到盲井的预测岩性序列,如图6所示。其中,实线为预测岩性序列,虚线为真实岩性序列,正确率基本达到70%以上,并且可以基本反映真实岩性排列的曲线形态。把学习模型应用到实际地震数据上建立得到预测岩性模型,其剖面效果如图7所示。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的利用地震数据预测岩性序列模型的方法,包括如下步骤:
1)测定工区内井上的目的层段的岩性数据以及井旁道地震数据作为训练数据;
2)对所述井旁道地震数据进行归一化处理,将其换算到-1到1的范围;
3)将步骤2)处理之后的所述井旁道地震数据和井上的岩性数据,采取堆栈式循环神经网络模型和序列对序列循环神经网络模型分别进行训练,井旁道地震数据为观察数据,井上的岩性数据为目标数据的学习模型,迭代计算使其达到收敛;
4)应用步骤3)计算之后的所述学习模型,输入实际地震数据,即得到预测岩性模型序列。
2.根据权利要求1所述的方法,其特征在于:所述目标井/样本的数量为10口以上。
3.根据权利要求1或2所述的方法,其特征在于:所述堆栈式循环神经网络模型由全连接层和LSTM层堆叠组成的混合学习模型;所述LSTM层对每个时间步的所述地震数据进行处理,转换成内部隐含层信息,然后通过所述全连接层将所述隐含信息转换到岩性数据域;
步骤3)中,所述堆栈式循环神经网络模型采用RMSprop优化算法进行迭代计算;其学习率设置为0.001~0.003。
4.根据权利要求1-3中任一项所述的方法,其特征在于:所述序列对序列循环神经网络模型是以两个不同的包含RNN的计算单元按照不同的训练方式构成的网络;
步骤3)中,所述序列对序列循环神经网络模型采用RMSprop优化算法进行迭代计算;其学习率设置为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910174555.0A CN109828304B (zh) | 2019-03-08 | 2019-03-08 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910174555.0A CN109828304B (zh) | 2019-03-08 | 2019-03-08 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109828304A true CN109828304A (zh) | 2019-05-31 |
CN109828304B CN109828304B (zh) | 2021-04-27 |
Family
ID=66865750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910174555.0A Active CN109828304B (zh) | 2019-03-08 | 2019-03-08 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828304B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN110554427A (zh) * | 2019-07-23 | 2019-12-10 | 中国石油化工股份有限公司 | 一种基于地震波形正演的岩性组合预测方法 |
CN110619353A (zh) * | 2019-08-22 | 2019-12-27 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
CN111338002A (zh) * | 2020-03-19 | 2020-06-26 | 长江大学 | 基于门控循环神经网络模型的孔隙度预测方法 |
CN112017289A (zh) * | 2020-08-31 | 2020-12-01 | 电子科技大学 | 一种基于深度学习的井震联合初始岩性模型构建方法 |
CN112396161A (zh) * | 2020-11-11 | 2021-02-23 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、***及设备 |
CN112989708A (zh) * | 2021-04-08 | 2021-06-18 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及*** |
CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
CN114152978A (zh) * | 2020-09-07 | 2022-03-08 | 中国石油化工股份有限公司 | 储层参数预测方法、装置、存储介质及电子设备 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
US11734603B2 (en) | 2020-03-26 | 2023-08-22 | Saudi Arabian Oil Company | Method and system for enhancing artificial intelligence predictions using well data augmentation |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160109591A1 (en) * | 2014-10-15 | 2016-04-21 | Westerngeco L.L.C. | Noise model estimation in multimeasurement data |
CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
-
2019
- 2019-03-08 CN CN201910174555.0A patent/CN109828304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160109591A1 (en) * | 2014-10-15 | 2016-04-21 | Westerngeco L.L.C. | Noise model estimation in multimeasurement data |
CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
Non-Patent Citations (5)
Title |
---|
刘力辉等: "基于深度学习的地震岩相反演方法", 《石油物探》 * |
张晶玉等: "多属性储层参数反演方法在M油田中的应用", 《油气藏评价与开发》 * |
朱圣伟等: "基于深度神经网络的地震岩性分类", 《中国地球科学联合学术年会 2018 中国地球科学联合学术年会 2018》 * |
郑阳: "基于深度学习的岩性识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
高志强等: "《深度学习:从入门到实战》", 30 June 2018, 北京:中国铁道出版社 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346831B (zh) * | 2019-07-19 | 2021-06-04 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN110554427A (zh) * | 2019-07-23 | 2019-12-10 | 中国石油化工股份有限公司 | 一种基于地震波形正演的岩性组合预测方法 |
CN110554427B (zh) * | 2019-07-23 | 2024-04-26 | 中国石油化工股份有限公司 | 一种基于地震波形正演的岩性组合预测方法 |
CN110619353B (zh) * | 2019-08-22 | 2022-03-29 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
CN110619353A (zh) * | 2019-08-22 | 2019-12-27 | 中国石油天然气集团有限公司 | 一种基于深度学习的多尺度测井曲线自动识别方法 |
CN111338002A (zh) * | 2020-03-19 | 2020-06-26 | 长江大学 | 基于门控循环神经网络模型的孔隙度预测方法 |
US11734603B2 (en) | 2020-03-26 | 2023-08-22 | Saudi Arabian Oil Company | Method and system for enhancing artificial intelligence predictions using well data augmentation |
CN112017289B (zh) * | 2020-08-31 | 2023-03-24 | 电子科技大学 | 一种基于深度学习的井震联合初始岩性模型构建方法 |
CN112017289A (zh) * | 2020-08-31 | 2020-12-01 | 电子科技大学 | 一种基于深度学习的井震联合初始岩性模型构建方法 |
CN114152978A (zh) * | 2020-09-07 | 2022-03-08 | 中国石油化工股份有限公司 | 储层参数预测方法、装置、存储介质及电子设备 |
CN112396161B (zh) * | 2020-11-11 | 2022-09-06 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、***及设备 |
CN112396161A (zh) * | 2020-11-11 | 2021-02-23 | 中国科学技术大学 | 基于卷积神经网络的岩性剖面图构建方法、***及设备 |
CN112989708A (zh) * | 2021-04-08 | 2021-06-18 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及*** |
CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN115877464B (zh) * | 2022-12-30 | 2024-02-13 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109828304B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109828304A (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
CN109447532B (zh) | 一种基于数据驱动的油藏井间连通性确定方法 | |
Elkatatny et al. | New insights into porosity determination using artificial intelligence techniques for carbonate reservoirs | |
CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
Gholami et al. | Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm | |
CN105259572B (zh) | 基于地震多属性参数非线性自动分类的地震相计算方法 | |
Kalogirou et al. | Artificial neural networks for the generation of geothermal maps of ground temperature at various depths by considering land configuration | |
NO326598B1 (no) | Tre-dimensjonal geologisk modellering | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN106324674B (zh) | 一种页岩气toc叠前地震反演预测方法 | |
CN104570101A (zh) | 一种基于粒子群算法的avo三参数反演方法 | |
CN103454677B (zh) | 基于粒子群与线性加法器结合的地震数据反演方法 | |
CN110837115B (zh) | 陆相混积岩致密储层岩性的地震识别方法及装置 | |
Lashin et al. | Reservoir parameters determination using artificial neural networks: Ras Fanar field, Gulf of Suez, Egypt | |
Le Ravalec-Dupin et al. | Cosimulation as a perturbation method for calibrating porosity and permeability fields to dynamic data | |
CN109613623A (zh) | 一种基于残差网络的岩性预测方法 | |
CN104422969A (zh) | 一种减小电磁测深反演结果非唯一性的方法 | |
Yang et al. | High-fidelity permeability and porosity prediction using deep learning with the self-attention mechanism | |
CN105044775A (zh) | 一种地震流体反演识别方法和装置 | |
Yadav et al. | Feedforward neural network for joint inversion of geophysical data to identify geothermal sweet spots in Gandhar, Gujarat, India | |
Shokir et al. | Permeability estimation from well log responses | |
Chen et al. | Prediction of Shear Wave Velocity Based on a Hybrid Network of Two‐Dimensional Convolutional Neural Network and Gated Recurrent Unit | |
CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及*** | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
Malvić et al. | Neural networks in petroleum geology as interpretation tools |
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 |