CN112100930A - 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 - Google Patents

一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 Download PDF

Info

Publication number
CN112100930A
CN112100930A CN202011249812.1A CN202011249812A CN112100930A CN 112100930 A CN112100930 A CN 112100930A CN 202011249812 A CN202011249812 A CN 202011249812A CN 112100930 A CN112100930 A CN 112100930A
Authority
CN
China
Prior art keywords
pore pressure
normal
neural network
well
convolutional neural
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
Application number
CN202011249812.1A
Other languages
English (en)
Other versions
CN112100930B (zh
Inventor
管志川
韩超
许玉强
李敬皎
李成
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 University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202011249812.1A priority Critical patent/CN112100930B/zh
Publication of CN112100930A publication Critical patent/CN112100930A/zh
Application granted granted Critical
Publication of CN112100930B publication Critical patent/CN112100930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，包括：测井曲线重叠采样；基于短时傅里叶变换的样本1D‑2D变换预处理，将一维的深度域测井曲线样本转换为二维的深频图；基于卷积神经网络的正常压实层段智能识别模型，采用数据驱动的方式，对测井曲线进行分段特征提取，识别正常压实层段；根据识别出的正常压实层段测井曲线，构建正常压实趋势线拟合方程；根据正常压实趋势线方程，采用Eaton公式进行地层孔隙压力剖面计算。本发明采用基于数据驱动和物理模型相结合的地层孔隙计算方法，避免了正常压实趋势线构建过程中存在的人为主观性，提高了地层孔隙压力的计算精度。

Description

一种基于卷积神经网络和Eaton公式的地层孔隙压力计算 方法
技术领域
本发明涉及一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，属于油气钻井的技术领域。
背景技术
地层孔隙压力是研究井壁稳定、进行钻井工程设计和评价储层的重要参数之一，有效、准确地进行地层孔隙压力预测，对于优快钻井、保护油气储层具有重要意义。Eaton法是目前最为常用的地层孔隙压力计算方法，该方法利用地震或测井资料根据正常压实趋势线进行地层孔隙压力计算，具有连续性好、分辨率高、实用性强等特点。正常压实趋势线的构建是利用Eaton法进行地层孔隙压力计算的前提，根据沉积压实理论，泥岩欠压实地层的孔隙度比正常压实情况偏大，测井过程中表现为参数曲线偏离正常压实趋势线。现有方法通过主观设定正常压实区间并拟合得到一条正常压实趋势线，然后基于正常压实趋势线计算纵向上沿整个井深范围内的地层孔隙压力。由于钻井地质环境的复杂性、地震测井等相关解释资料的模糊性和人为判断的主观性等，使得构建的正常压实趋势线存在不确定性，最终导致地层孔隙压力预测结果存在不同程度的误差。
近年来，人工智能和机器学习技术在智能钻井领域的应用日益完善，基于数据驱动的分析方法为技术人员在钻井设计、地质特征参数预测等工程领域的分析研究带来了新的思路。卷积神经网络是一种有监督的深度学习算法，被广泛的应用于模式识别领域。卷积神经网络不同于其他机器学习算法，它具有局部感受野、权值共享以及池化的特点，通过卷积层对图像进行特征提取，权值共享与池化不仅降低了网络模型的复杂度，也减少了过拟合的风险，从而可以构建处理海量数据的深度学习框架。现有专用专利主要针对时间域的信号通过时频变换进行卷积神经网络模式识别，然而钻井技术领域的深度域的地震、测井数据资料，无法体现卷积神经网络处理大数据方面的优势。
因此，有必要针对钻井技术领域地层孔隙压力的计算，考虑采样规则和信号处理方式，结合卷积神经网络和Eaton公式，建立基于数据驱动和物理模型相结合的地层孔隙压力计算方法。
发明内容
针对现有技术的不足，本发明公开一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法。
发明概述：
本发明针对地层孔隙压力计算中正常压实趋势线构建过程存在的不确定性，以及深度域的测井资料采样数据量不足，通过重叠采样的方式进行采样并对采样样本进行短时傅里叶变换，将测井曲线采样样本进行1D-2D变换预处理，转换为具有深度域、频域信息的二维深频图；然后将深频图采样样本输入卷积神经网络进行地层压实的特征自适应学习，建立正常压实层段智能识别模型，实现端到端的正常压实层段识别；最后将训练好的模型应用于目标井识别正常压实层段，并拟合出正常压实趋势线方程，带入Eaton公式进行纵向上沿整个井深范围内的地层孔隙压力计算。采用基于数据驱动和物理模型相结合的地层孔隙计算方法，避免了正常压实趋势线构建过程中存在的人为主观性，提高了地层孔隙压力的计算精度。
发明具体的技术方案如下：
一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，包括：
1）选取已完钻井测井资料进行模型训练：对用于计算地层孔隙压力的测井曲线参数进行重叠采样，并分别进行短时傅里叶变换，进而得到各采样样本对应的深频图；其中，对用于计算地层孔隙压力的测井曲线参数为已完钻井的层速度等可用于地层孔隙压力计算的测井资料，包括但不限于：地震层速度、声波时差、电阻率和视密度；
2）将步骤1）的深频图输入卷积神经网络进行训练，实现对正常压实层段的自适应特征提取，得到正常压实层段智能识别模型；
3）将目标井对应用于计算地层孔隙压力的测井曲线参数按照步骤1）进行重叠采样和短时傅里叶变换，得到各样本对应的深频图；将本步骤的样本深频图输入步骤2）中的正常压实层段智能识别模型，以识别最优正常压实层段；
4）拟合构建正常压实趋势线方程，并带入Eaton公式；
5）计算待测目标井的地层孔隙压力剖面。
根据本发明优选的，在步骤4）中，拟合构建正常压实趋势线方程为：
Figure 450314DEST_PATH_IMAGE001
其中，
Figure 711662DEST_PATH_IMAGE002
为正常压实层速度，km/s；
Figure 960241DEST_PATH_IMAGE003
为正常压实电阻率，Ω；
Figure 948925DEST_PATH_IMAGE004
为正常压实视密度，g/cm3；
Figure 966560DEST_PATH_IMAGE005
为正常压实声波时差，us/ft；
Figure 631765DEST_PATH_IMAGE006
为井深，m；
Figure 367640DEST_PATH_IMAGE007
为常数；
Figure 160016DEST_PATH_IMAGE008
时地表层速度，km/s；
Figure 297736DEST_PATH_IMAGE009
时地表电阻率，Ω；
Figure 556679DEST_PATH_IMAGE010
时地表视密度，g/cm3；
Figure 655216DEST_PATH_IMAGE011
时地表声波时差，us/ft。
本发明优选的，对某一口地层孔隙压力待算目标井的层速度曲线进行采样，为了减少计算量可选取井段上部地层进行采样，根据现场经验，新近系等上部地层往往表现正常压实。将各样本进行1D-2D变换预处理，得到各待识别样本的深频图，然后带入建立的正常压实层段智能识别模型，得到各样本的识别结果，将正常压实吻合度最高的样本作为最终的正常压实层段。
根据本发明优选的，所述步骤5）计算待测目标井的地层孔隙压力剖面包括：
将得到的所述公式（II）带入Eaton公式，对全井段地层孔隙压力剖面进行预测，其中，所述Eaton公式为：
Figure 188966DEST_PATH_IMAGE012
其中，
Figure 977930DEST_PATH_IMAGE013
为地层孔隙压力，g/cm3；
Figure 876616DEST_PATH_IMAGE014
为上覆岩层压力，g/cm3；
Figure 960984DEST_PATH_IMAGE015
为静液柱压力，g/cm3；
Figure 704949DEST_PATH_IMAGE016
为Eaton指数，一般取1.6；
Figure 676316DEST_PATH_IMAGE017
为地层层速度，km/s，地层层速度可以通过钻前地震勘探地震波反射时间求得，也可以通过声波时差测井求得。
根据本发明优选的，所述步骤1）中所述重叠采样为：对测井曲线根据步长k进行重叠采样。其中，样本长度可根据经验或计算能力选取，假设长度为L，此处的测井曲线包括层速度曲线、声波时差曲线、电阻率曲线和视密度曲线，上述测井曲线均适用于采用本发明进行正常压实趋势线的构建。
根据本发明优选的，所述步骤1）中的短时傅里叶变换为基于短时傅里叶变换的样本1D-2D变换预处理：对采样样本根据井深利用窗函数进行截取，并对截取的测井曲线进行傅里叶变换，将每段截取样本得到的频谱根据深度轴进行排列，最终得到具有时变特性的二维深频图，其中，短时傅里叶变换公式：
Figure 480324DEST_PATH_IMAGE018
式中，
Figure 553454DEST_PATH_IMAGE019
为测井曲线，
Figure 101110DEST_PATH_IMAGE020
为中心位于井深
Figure 192563DEST_PATH_IMAGE021
处的窗函数，
Figure 229789DEST_PATH_IMAGE022
表示傅里叶变换的频域参数，
Figure 649269DEST_PATH_IMAGE023
表示测井曲线的深度域参数。
根据本发明优选的，步骤2）中所述训练得到正常压实层段智能识别模型的方法为：
对已完钻井的各深频图对应的压实类型进行标定，将标定压实类型的深频图集合作为训练集输入卷积神经网络中进行学习。其中，进行标定的深频图属于已完钻井，地层压实类型可根据井史资料进行标定；所述卷积神经网络优选LetNet-5等经典卷积神经网络结构模型，假设最优卷积神经网络结构如图2所示。
根据本发明优选的，对所述卷积神经网络采用反向传播算法不断更新网络参数。
本发明的技术优势在于：
本发明通过短时傅里叶变换和卷积深井网络，建立了数据驱动的正常压实层段智能识别模型，避免了传统地层孔隙压力计算过程中正常压实层段人为选择存在的主观性和不确定性，提高了地层孔隙压力计算精度。
附图说明
图1为本发明技术方案流程图。
图2为本发明设定最优卷积神经网络结构图。
图3为A井层速度曲线图。
图4为A井采样样本图。
图5为A井①号样本时频图。
图6为A井地层孔隙压力剖面图。
具体实施方式
下面结合实施案例和说明书附图对本发明做详细的说明，但不限于此。
实施案例：
以某区块A井为例，以A井为地层孔隙压力待算目标井，采用A井的10口已完钻邻井作为建模训练样本，选取A井深度小于1500m的新近系上部地层作为正常压实层段采样区间进行测试样本采样，其层速度曲线如图3所示，该图数据是地震或测井工具测得的原始数据。
一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，包括：
1）选取已完钻井测井资料进行模型训练：对用于计算地层孔隙压力的测井曲线参数进行重叠采样，并分别进行短时傅里叶变换，进而得到各采样样本对应的深频图；
其中，所述重叠采样是对A井及10口已完钻邻井的层速度曲线进行重叠采样，采样滑动步长为10m，样本长度为200m，采样频率为10hz。其中，目标A井采样样本为测试集，10口邻井采样样本为训练集，对10口邻井的采样样本根据井史资料对地层压实情况进行标定。A井采样情况如图4所示，图4为A井正常压实层段采样区间采样示意图。
所述步骤1）中的短时傅里叶变换为基于短时傅里叶变换的样本1D-2D变换预处理：对采样样本根据井深利用窗函数进行截取，并对截取的测井曲线进行傅里叶变换，将每段截取样本得到的频谱根据深度轴进行排列，最终得到具有时变特性的二维深频图，其中，短时傅里叶变换公式：
Figure 368658DEST_PATH_IMAGE024
式中，
Figure 189983DEST_PATH_IMAGE025
为测井曲线，
Figure 726007DEST_PATH_IMAGE026
为中心位于井深处的窗函数，
Figure 632783DEST_PATH_IMAGE027
表示傅里叶变换的频域参数，
Figure 397608DEST_PATH_IMAGE028
表示测井曲线的深度域参数。
对A井和邻井的采样样本进行短时傅里叶变换，窗函数为Hamming窗，窗长设置为512，窗口每次平移步长为1，设置频率刻度为0.5:0.5:5.5。最终得到各采样样本的时频图，其中A井①号样本时频图如图5所示。此处参数的选取需要经过多次试验确定，实验发现，其中窗口长度越长深度分辨率越差，频率分辨率越好；窗长越短深度分辨率越好，频率分辨率越差。窗口平移步长越小，深频图图像深度精度越好，但计算量增大。频率刻度根据采样频率确定，一般最大刻度为采样频率的1/2。
2）将步骤1）的深频图输入卷积神经网络进行训练，实现对正常压实层段的自适应特征提取，得到正常压实层段智能识别模型；
其中，所述训练得到正常压实层段智能识别模型的方法为：
对已完钻井的各深频图对应的压实类型进行标定，将标定压实类型的深频图集合作为训练集输入卷积神经网络中进行学习。其中，进行标定的深频图属于已完钻井，地层压实类型可根据井史资料进行标定；所述卷积神经网络优选LetNet-5等经典卷积神经网络结构模型，本实施案例选择最优卷积神经网络结构如图2所示，选择最优神经网络结构各层参数如表1所示，为一个7层的CNN模型：In-C1-P1-C2-P2
-F-Out。将本步骤得到的标定压实类型的邻井采样样本深频图作为训练集，选取损失函数为对数损失函数：
Figure 73440DEST_PATH_IMAGE029
其中，y为输出变量，x为输入变量，L为损失函数，N为输入样本量，M为可能的类别数，
Figure 780364DEST_PATH_IMAGE030
为一个二值指标，表示类别j是否是输入实例x i 的真实类别，
Figure 174437DEST_PATH_IMAGE031
为模型预测输入x i 属于类别j的概率。
将反向传播算法中的随机梯度下降算法作为优化算法对网络参数进行更新学习，最终建立基于卷积神经网络的正常压实层段智能识别模型。
表1 最优卷积神经网络结构
Figure 241488DEST_PATH_IMAGE032
3）将目标井对应用于计算地层孔隙压力的测井曲线参数按照步骤1）进行重叠采样和短时傅里叶变换，得到各样本对应的深频图；将本步骤的样本深频图输入步骤2）中的正常压实层段智能识别模型，以识别最优正常压实层段；
4）拟合构建正常压实趋势线方程，并带入Eaton公式；
在步骤4）中，拟合构建正常压实趋势线方程为：
Figure 771826DEST_PATH_IMAGE033
其中，
Figure 649652DEST_PATH_IMAGE034
为正常压实层速度，km/s；
Figure 531020DEST_PATH_IMAGE035
为正常压实电阻率，Ω；
Figure 903227DEST_PATH_IMAGE036
为正常压实视密度，g/cm3；
Figure 553651DEST_PATH_IMAGE037
为正常压实声波时差，us/ft；
Figure 336800DEST_PATH_IMAGE038
为井深，m；
Figure 502202DEST_PATH_IMAGE039
为常数；
Figure 537154DEST_PATH_IMAGE040
为
Figure 884827DEST_PATH_IMAGE041
时地表层速度，km/s；
Figure 838877DEST_PATH_IMAGE042
为
Figure 694837DEST_PATH_IMAGE043
时地表电阻率，Ω；
Figure 408847DEST_PATH_IMAGE044
为
Figure 768284DEST_PATH_IMAGE045
时地表视密度，g/cm3；
Figure 158814DEST_PATH_IMAGE046
时地表声波时差，us/ft。
具体的，将按照步骤1）采样方式得到的A井采样样本的深频图作为测试集带入步骤2）建立的正常压实层段智能识别模型，得到各样本的识别结果，如表2所示。可知①号样本对应井段正常压实吻合度最高，选取①号样本井段935~1135m作为A井正常压实井段。根据该井段层速度曲线进行正常压实趋势线方程拟合，得到拟合方程为：
Figure 236491DEST_PATH_IMAGE047
其中，K1、K2根据正常压实层段层速度与深度数据，采样多项式拟合方法求出。
表2 A井正常压实层段识别结果
样本号 ① ② ③ ④ ⑤
正常压实 0.852 0.733 0.531 0.422 0.574
异常压实 0.148 0.267 0.469 0.578 0.426
5）计算待测目标井的地层孔隙压力剖面，包括：
将得到的所述公式（II）带入Eaton公式，对全井段地层孔隙压力剖面进行预测，其中，所述Eaton公式为：
Figure 252727DEST_PATH_IMAGE048
其中，
Figure 732249DEST_PATH_IMAGE049
为地层孔隙压力，g/cm3；
Figure 965785DEST_PATH_IMAGE050
为上覆岩层压力，g/cm3；
Figure 655392DEST_PATH_IMAGE051
为静液柱压力，g/cm3；
Figure 835838DEST_PATH_IMAGE052
为Eaton指数，一般取1.6；
Figure 45233DEST_PATH_IMAGE053
为地层层速度，km/s，地层层速度可以通过钻前地震勘探地震波反射时间求得，也可以通过声波时差测井求得。
具体的，根据步骤4）得到的A井正常压实趋势线方程，计算A井层速度测点对应井深的正常压实层速度，然后带入Eaton公式计算各测点的地层孔隙压力，Eaton公式为：
Figure 652932DEST_PATH_IMAGE054
最终得到A井地层孔隙压力剖面，如图6所示。通过对比地层孔隙压力实测点可知，采用本发明计算得到的地层孔隙压力剖面与实测点具有很好的贴合度，相对于传统经验方法主观设定正常压实区间提高了地层孔隙压力的计算精度。
另外，对所述卷积神经网络采用反向传播算法不断更新网络参数。

Claims (7)

1.一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，包括：
1）选取已完钻井测井资料进行模型训练：对用于计算地层孔隙压力的测井曲线参数进行重叠采样，并分别进行短时傅里叶变换，进而得到各采样样本对应的深频图；
2）将步骤1）的深频图输入卷积神经网络进行训练，实现对正常压实层段的自适应特征提取，得到正常压实层段智能识别模型；
3）将目标井对应用于计算地层孔隙压力的测井曲线参数按照步骤1）进行重叠采样和短时傅里叶变换，得到各样本对应的深频图；将本步骤的样本深频图输入步骤2）中的正常压实层段智能识别模型，以识别最优正常压实层段；
4）拟合构建正常压实趋势线方程，并带入Eaton公式；
计算待测目标井的地层孔隙压力剖面。
2.根据权利要求1所述的一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，在步骤4）中，拟合构建正常压实趋势线方程为：
Figure 408189DEST_PATH_IMAGE001
其中，
Figure 923484DEST_PATH_IMAGE002
为正常压实层速度，km/s；
Figure 377599DEST_PATH_IMAGE003
为正常压实电阻率，Ω；
Figure 280833DEST_PATH_IMAGE004
为正常压实视密度，g/cm3；
Figure 554820DEST_PATH_IMAGE005
为正常压实声波时差，us/ft；
Figure 722408DEST_PATH_IMAGE006
为井深，m；
Figure 31030DEST_PATH_IMAGE007
为常数；
Figure 839586DEST_PATH_IMAGE008
为
Figure 600868DEST_PATH_IMAGE009
时地表层速度，km/s；
Figure 802174DEST_PATH_IMAGE010
为
Figure 965302DEST_PATH_IMAGE011
时地表电阻率，Ω；
Figure 210338DEST_PATH_IMAGE012
为
Figure 724496DEST_PATH_IMAGE013
时地表视密度，g/cm3；
Figure 385285DEST_PATH_IMAGE014
时地表声波时差，us/ft。
3.根据权利要求1所述的一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，所述步骤5）计算待测目标井的地层孔隙压力剖面包括：
将得到的所述公式（II）带入Eaton公式，对全井段地层孔隙压力剖面进行预测，其中，所述Eaton公式为：
Figure 776821DEST_PATH_IMAGE015
其中，
Figure 333704DEST_PATH_IMAGE016
为地层孔隙压力，g/cm3；
Figure 194212DEST_PATH_IMAGE017
为上覆岩层压力，g/cm3；
Figure 861954DEST_PATH_IMAGE018
为静液柱压力，g/cm3；
Figure 609461DEST_PATH_IMAGE019
为Eaton指数，一般取1.6；
Figure 337246DEST_PATH_IMAGE020
为地层层速度，km/s，地层层速度可以通过钻前地震勘探地震波反射时间求得，也可以通过声波时差测井求得。
4.根据权利要求1所述的一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，所述步骤1）中所述重叠采样为：对测井曲线根据步长k进行重叠采样。
5.根据权利要求1所述的一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，所述步骤1）中的短时傅里叶变换为基于短时傅里叶变换的样本1D-2D变换预处理：对采样样本根据井深利用窗函数进行截取，并对截取的测井曲线进行傅里叶变换，将每段截取样本得到的频谱根据深度轴进行排列，最终得到具有时变特性的二维深频图，其中，短时傅里叶变换公式：
Figure 685051DEST_PATH_IMAGE021
式中，
Figure 890904DEST_PATH_IMAGE022
为测井曲线，
Figure 257032DEST_PATH_IMAGE023
为中心位于井深
Figure 890139DEST_PATH_IMAGE024
处的窗函数，
Figure 459661DEST_PATH_IMAGE025
表示傅里叶变换的频域参数，
Figure 469205DEST_PATH_IMAGE026
表示测井曲线的深度域参数。
6.根据权利要求1所述的一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，步骤2）中所述训练得到正常压实层段智能识别模型的方法为：
对已完钻井的各深频图对应的压实类型进行标定，将标定压实类型的时频图集合作为训练集输入卷积神经网络中进行学习。
7.根据权利要求1所述的一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，其特征在于，对所述卷积神经网络采用反向传播算法不断更新网络参数。
CN202011249812.1A 2020-11-11 2020-11-11 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 Active CN112100930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011249812.1A CN112100930B (zh) 2020-11-11 2020-11-11 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011249812.1A CN112100930B (zh) 2020-11-11 2020-11-11 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法

Publications (2)

Publication Number Publication Date
CN112100930A true CN112100930A (zh) 2020-12-18
CN112100930B CN112100930B (zh) 2021-02-02

Family

ID=73785090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011249812.1A Active CN112100930B (zh) 2020-11-11 2020-11-11 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法

Country Status (1)

Country Link
CN (1) CN112100930B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283182A (zh) * 2021-07-06 2021-08-20 中海石油(中国)有限公司 地层压力预测分析方法、装置、介质及设备
CN114693005A (zh) * 2022-05-31 2022-07-01 中国石油大学(华东) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法
CN115059448A (zh) * 2022-06-01 2022-09-16 中国石油大学(华东) 一种基于深度学习算法的地层压力监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107843927A (zh) * 2016-09-20 2018-03-27 中国石油化工股份有限公司 基于井震联合速度的页岩地层压力预测方法及装置
CN109509111A (zh) * 2017-09-15 2019-03-22 中国石油化工股份有限公司 探井地层压力的预测方法及***
CN109736784A (zh) * 2018-04-27 2019-05-10 长江大学 沉积岩地层孔隙压力预测计算方法
CN111783825A (zh) * 2020-05-26 2020-10-16 中国石油天然气集团有限公司 一种基于卷积神经网络学习的测井岩性识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107843927A (zh) * 2016-09-20 2018-03-27 中国石油化工股份有限公司 基于井震联合速度的页岩地层压力预测方法及装置
CN109509111A (zh) * 2017-09-15 2019-03-22 中国石油化工股份有限公司 探井地层压力的预测方法及***
CN109736784A (zh) * 2018-04-27 2019-05-10 长江大学 沉积岩地层孔隙压力预测计算方法
CN111783825A (zh) * 2020-05-26 2020-10-16 中国石油天然气集团有限公司 一种基于卷积神经网络学习的测井岩性识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LEILA ALIOUANE 等: "Pore Pressure prediction in shale gas reservoirs using neural network and fuzzy logic with an application to Barnett Shale.", 《GEOPHYSICAL RESEARCH ABSTRACTS》 *
MORTEZA AZADPOUR 等: "Pore pressure prediction and modeling using well-logging data in oneofthegas fields in south of Iran", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 *
李昌盛 等: "基于遗传算法优化BP神经网络的地层破裂压力预测方法", 《西安石油大学学报（自然科学版）》 *
李萌: "用阵列感应测井评价地层压力", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
陈子剑: "东海西湖凹陷低孔低渗气藏地层孔隙压力研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283182A (zh) * 2021-07-06 2021-08-20 中海石油(中国)有限公司 地层压力预测分析方法、装置、介质及设备
CN113283182B (zh) * 2021-07-06 2023-09-05 中海石油(中国)有限公司 地层压力预测分析方法、装置、介质及设备
CN114693005A (zh) * 2022-05-31 2022-07-01 中国石油大学(华东) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法
CN115059448A (zh) * 2022-06-01 2022-09-16 中国石油大学(华东) 一种基于深度学习算法的地层压力监测方法

Also Published As

Publication number Publication date
CN112100930B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN112100930B (zh) 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法
CN110954948B (zh) 一种岩石物理约束储层物性参数反演方法及***
CN112162316B (zh) 一种avo波形数据驱动的高分辨率井震融合叠前反演方法
CN114861563B (zh) 物理嵌入深度学习地层压力预测方法、装置、介质及设备
CN104533400A (zh) 一种重构测井曲线的方法
CN116305850B (zh) 一种基于随机森林模型的地层热导率预测方法
CN111722283B (zh) 一种地层速度模型建立方法
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及***
CN110988997A (zh) 一种基于机器学习的烃源岩三维空间展布定量预测技术
CN117251802B (zh) 一种基于迁移学习的非均质储层参数预测方法及***
CN114065909A (zh) 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
CN114488311A (zh) 基于ssa-elm算法的横波时差预测方法
CN110118994B (zh) 一种基于地震反演和机器学习的陆相烃源岩定量预测方法
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
CN111751878A (zh) 横波速度的预测方法和装置
CN116413831A (zh) 多井合成地震记录自动标定及构造解释和储层预测方法
CN115049173A (zh) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
CN115809587A (zh) 基于深度网络与avo分析相结合的叠前含气性预测方法
CN112859172A (zh) 纵横波微测井资料处理方法及装置
CN108875109B (zh) 一种异常地层压力的预测方法及***
CN117310805B (zh) 一种断层相关裂缝孔隙度形成演化表征方法
CN112882092B (zh) 一种基于多属性cnn井震联合反演方法、***、介质及应用
Damasceno et al. Source rock evaluation from rock to seismic: Integrated machine learning based workflow
CN118210059A (zh) 一种储层裂缝预测方法和***

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