CN113627607A - 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 - Google Patents
碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113627607A CN113627607A CN202010378218.6A CN202010378218A CN113627607A CN 113627607 A CN113627607 A CN 113627607A CN 202010378218 A CN202010378218 A CN 202010378218A CN 113627607 A CN113627607 A CN 113627607A
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- time
- network model
- long
- 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
- 208000035126 Facies Diseases 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 56
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 149
- 238000003062 neural network model Methods 0.000 claims abstract description 98
- 230000015654 memory Effects 0.000 claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 230000007787 long-term memory Effects 0.000 claims abstract description 35
- 230000006403 short-term memory Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 10
- 230000001537 neural effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种碳酸盐岩储层沉积相识别方法、装置、电子设备及介质。该方法可以包括:将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;根据多个沉积相的预处理后的测井数据,建立标准训练库;构建长短时记忆神经网络模型,设置神经网络初始参数;将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;将目标井的预处理后的测井数据输入至最终的长短时记忆神经网络模型,预测目标井的储层沉积相类型。本发明通过长短时记忆网络,实现一种自动划分储层沉积相的方法,具有较高自动识别精度,可以减少人工工作量,提高工作效率。
Description
技术领域
本发明涉及油藏储层测井曲线智能解释领域,更具体地,涉及一种碳酸盐岩储层沉积相识别方法、装置、电子设备及介质。
背景技术
碳酸盐岩储层是国内外油气勘探开发的热点领域。随着勘探开发向深层和深海拓展,钻井数减少,资料品质变差,在碳酸盐岩油藏地质建模和储量计算中,对于条件约束井的沉积相精度要求更高,而岩心资料有限,人工判别未取心井沉积相的标准不统一,给传统方法识别碳酸盐岩沉积相带来了挑战。
测井曲线可以提供油藏储层信息随深度的变化,是油藏储层物性真实反映,可以用来判定沉积相的类型。但目前测井数据的解释主要以人工进行定性解释为主,尽管已尝试通过聚类分析法、主成分分析、支持向量机方法等进行计算机自动解释,但由于地质问题的复杂性和方法本身的局限性,利用测井曲线进行沉积相的划分效果不太令人满意。
神经网络可以建立测井相与地质相之间结构性的复杂映射关系,在复杂岩性剖面可以识别出复杂岩性,但传统的神经网络方法依赖于样本和预测数据的准确性,对储层岩性进行划分的效果同样不够理想。相比于传统的神经网络,循环神经网络允许数据在层单元之间流动,解决了时序性问题,但是其本身存在长距离的依赖的问题。
综上所述,现有的依据测井曲线对储层沉积相进行划分识别的方法主要存在以下缺点:(1)现有方法的岩性识别精度不高,所有的识别方法对数据的依赖较高,迁移学习能力较差;(2)目前测井岩性自动识别方法不能反映出沉积相在深度具有一定连续性特征。在油藏地质沉积上,沉积相具有一定的连续性;(3)循环神经网络,特别是长短时记忆网络在储层沉积相识别领域还处于起步阶段,在这方面的应用较少。因此,有必要开发一种碳酸盐岩储层沉积相识别方法、装置、电子设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种碳酸盐岩储层沉积相识别方法、装置、电子设备及介质,其能够通过长短时记忆网络,实现一种自动划分储层沉积相的方法,具有较高自动识别精度,可以减少人工工作量,提高工作效率。
第一方面,本公开实施例提供了一种碳酸盐岩储层沉积相识别方法,包括:将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;根据多个沉积相的预处理后的测井数据,建立标准训练库,其中,标准训练库包括训练集与测试集;构建长短时记忆神经网络模型,设置神经网络初始参数;将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型,预测所述目标井的储层沉积相类型。
优选地,所述预处理包括对测井数据进行滤波除噪以及标准化。
优选地,通过公式(1)对测井数据进行标准化:
其中,x为测井数据,mean(x)代表测井数据x的平均值,std(x)为测井数据x的标准差,y为标准化数据。
优选地,所述神经网络初始参数包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值。
优选地,将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型包括:将所述训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;根据所述训练集对应的的样本的岩相标签与所述模拟岩相标签,计算标签误差;通过梯度下降法调节所述神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型;通过测试集验证所述优化的长短时记忆神经网络模型,调整网络的层数与隐藏单元个数,获得最终的长短时记忆神经网络模型。
优选地,进行单次训练包括:将所述训练集的样本输入至所述长短时记忆神经网络模型,进行学习训练;当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;重复上述过程至单次训练完成。
优选地,通过公式(2)计算所述标签误差:
作为本公开实施例的一种具体实现方式,
第二方面,本公开实施例还提供了一种碳酸盐岩储层沉积相识别装置,包括:预处理模块,将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;建库模块,根据多个沉积相的预处理后的测井数据,建立标准训练库,其中,标准训练库包括训练集与测试集;建模模块,构建长短时记忆神经网络模型,设置神经网络初始参数;调节模块,将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;计算模块,将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型,预测所述目标井的储层沉积相类型。
优选地,所述预处理包括对测井数据进行滤波除噪以及标准化。
优选地,通过公式(1)对测井数据进行标准化:
其中,x为测井数据,mean(x)代表测井数据x的平均值,std(x)为测井数据x的标准差,y为标准化数据。
优选地,所述神经网络初始参数包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值。
优选地,将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型包括:将所述训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;根据所述训练集对应的的样本的岩相标签与所述模拟岩相标签,计算标签误差;通过梯度下降法调节所述神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型;通过测试集验证所述优化的长短时记忆神经网络模型,调整网络的层数与隐藏单元个数,获得最终的长短时记忆神经网络模型。
优选地,进行单次训练包括:将所述训练集的样本输入至所述长短时记忆神经网络模型,进行学习训练;当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;重复上述过程至单次训练完成。
优选地,通过公式(2)计算所述标签误差:
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的碳酸盐岩储层沉积相识别方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的碳酸盐岩储层沉积相识别方法。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的碳酸盐岩储层沉积相识别方法的步骤的流程图。
图2a与图2b分别示出了根据本发明的一个实施例的测井数据滤波与标准化的结果的示意图。
图3示出了根据本发明的一个实施例的沉积相标准训练库的示意图。
图4示出了根据本发明的一个实施例的长短时记忆神经网络训练过程的示意图。
图5示出了根据本发明的一个实施例的测试集混淆矩阵的示意图。
图6示出了根据本发明的一个实施例的目标井预测结果的示意图。
图7示出了根据本发明的一个实施例的目标井预测混淆矩阵的示意图。
图8示出了根据本发明的一个实施例的一种碳酸盐岩储层沉积相识别装置的框图。
附图标记说明:
201、预处理模块;202、建库模块;203、建模模块;204、调节模块;205、计算模块。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明提供一种碳酸盐岩储层沉积相识别方法,包括:
结合地质沉积资料,对测井曲线进行人工解释,依据沉积位置的不同,将储层划分为多个沉积相。针对测井数据预处理,获得预处理后的测井数据;在一个示例中,预处理包括对测井数据进行滤波除噪以及标准化。
具体地,考虑到测井数据含有噪声,需要对测井数据滤波除噪;不同类型的测井曲线值的范围不同,因此,通过公式(1)对测井数据进行标准化。
根据多个沉积相的预处理后的测井数据,建立标准训练库;具体地,选取典型、具有代表性且质量较好的测井数据构建沉积相标准训练库,包括油藏储层某点的深度信息、各类测井数据和沉积相类型,该深度位置的一套数据构成1个样本,在标准训练库中,每一种沉积相的样本量保持一致。将标准训练库的样本按照90%和10%的比例划分为训练集和测试集。
构建长短时记忆神经网络模型,设置神经网络初始参数,包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值;
将标准训练库的测井数据输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型。
在一个示例中,将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型包括:
将训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;在一个示例中,进行单次训练包括:将训练集的样本输入至长短时记忆神经网络模型,进行学习训练;当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;重复上述过程至单次训练完成。
根据训练集对应的的样本的岩相标签与模拟岩相标签,通过公式(2)计算标签误差;还可以训练集对应的的样本的岩相标签与模拟岩相标签的混淆矩阵,可以通过矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。
通过梯度下降法调节神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型。
具体地,学习训练分为两个阶段:第一个阶段是数据的正向传播,在前一步训练得到的网络的阈值和权值的基础上,从长短时记忆神经网络模型的第一层开始向后计算各个神经元的输出;第二个阶段是误差反向传播的过程,标签误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给所有各层的单元,从而获得各层单元的误差,然后更新其神经单元参数。
不断重复上述学习训练过程,调整神经网络参数,包括神经网络模型的结构与神经单元的参数,直至标签误差减少到可接受的程度,或进行到预先设定的学习次数为止,获得优化的长短时记忆神经网络模型。
通过测试集验证优化的长短时记忆神经网络模型,调整网络的层数与隐藏单元个数,获得最终的长短时记忆神经网络模型。
将目标井的预处理后的测井数据输入至最终的长短时记忆神经网络模型,预测目标井的储层沉积相类型。
本发明还提供一种碳酸盐岩储层沉积相识别装置,包括:
预处理模块,结合地质沉积资料,对测井曲线进行人工解释,依据沉积位置的不同,将储层划分为多个沉积相。针对测井数据预处理,获得预处理后的测井数据;在一个示例中,预处理包括对测井数据进行滤波除噪以及标准化。
具体地,考虑到测井数据含有噪声,需要对测井数据滤波除噪;不同类型的测井曲线值的范围不同,因此,通过公式(1)对测井数据进行标准化。
建库模块,根据多个沉积相的预处理后的测井数据,建立标准训练库;具体地,选取典型、具有代表性且质量较好的测井数据构建沉积相标准训练库,包括油藏储层某点的深度信息、各类测井数据和沉积相类型,该深度位置的一套数据构成1个样本,在标准训练库中,每一种沉积相数据样本量保持一致。将标准训练库的样本按照90%和10%的比例划分为训练集和测试集。
建模模块,构建长短时记忆神经网络模型,设置神经网络初始参数,包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值。
调节模块,将标准训练库的测井数据输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型。
在一个示例中,将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型包括:
将训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;在一个示例中,进行单次训练包括:将训练集的样本输入至长短时记忆神经网络模型,进行学习训练;当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;重复上述过程至单次训练完成。
根据训练集对应的的样本的岩相标签与模拟岩相标签,通过公式(2)计算标签误差;还可以训练集对应的的样本的岩相标签与模拟岩相标签的混淆矩阵,可以通过矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。
通过梯度下降法调节神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型。
具体地,学习训练分为两个阶段:第一个阶段是数据的正向传播,在前一步训练得到的网络的阈值和权值的基础上,从长短时记忆神经网络模型的第一层开始向后计算各个神经元的输出;第二个阶段是误差反向传播的过程,标签误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给所有各层的单元,从而获得各层单元的误差,然后更新其神经单元参数。
不断重复上述学习训练过程,调整神经网络参数,包括神经网络模型的结构与神经单元的参数,直至标签误差减少到可接受的程度,或进行到预先设定的学习次数为止,获得优化的长短时记忆神经网络模型。
通过测试集验证优化的长短时记忆神经网络模型,调整网络的层数与隐藏单元个数,获得最终的长短时记忆神经网络模型。
计算模块,将目标井的预处理后的测井数据输入至最终的长短时记忆神经网络模型,预测目标井的储层沉积相类型。
本发明还提供一种电子设备,电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述的碳酸盐岩储层沉积相识别方法。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述的碳酸盐岩储层沉积相识别方法。
为便于理解本发明实施例的方案及其效果,以下给出四个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的碳酸盐岩储层沉积相识别方法的步骤的流程图。
如图1所示,该碳酸盐岩储层沉积相识别方法包括:步骤101,将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;步骤102,根据多个沉积相的预处理后的测井数据,建立标准训练库,其中,标准训练库包括训练集与测试集;步骤103,构建长短时记忆神经网络模型,设置神经网络初始参数;步骤104,将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;步骤105,将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型,预测所述目标井的储层沉积相类型。
以某海相沉积碳酸盐岩油藏为例,依据油藏地质特征,以测井数据对沉积相进行划分,主要沉积相类型有:浅滩、滩前、滩间、泻湖、浅海。
图2a与图2b分别示出了根据本发明的一个实施例的测井数据滤波与标准化的结果的示意图。
采用均值滤波方法,对测井数据进行除噪滤波处理,再通过公式(1)对测井数据进行标准化,滤波与标准化的结果分别如图2a与图2b所示。
图3示出了根据本发明的一个实施例的沉积相标准训练库的示意图。
采用CGR、SGR、PE三种测井曲线作为输入,以泻湖、浅海、浅滩、滩前、滩间5个沉积相作为输出。根据储层沉积相划分结果及其相应的测井数据,选取具有典型特征的沉积相数据建立标准训练库,如图3所示。每个沉积相类型选出206个样本,共选出1030个样本。将标准训练库的样本按照90%和10%的比例将数据划分为训练集和测试集。
构建长短时记忆神经网络模型,设置神经网络初始参数;
将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型。
图4示出了根据本发明的一个实施例的长短时记忆神经网络训练过程的示意图。
将训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;进行单次训练包括:将训练集的样本输入至长短时记忆神经网络模型,进行学习训练;当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;重复上述过程至单次训练完成。
根据训练集对应的的样本的岩相标签与模拟岩相标签,通过公式(2)计算标签误差;获得训练集对应的的样本的岩相标签与模拟岩相标签的混淆矩阵。
通过梯度下降法调节神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型。
学习训练分为两个阶段:第一个阶段是数据的正向传播,在前一步训练得到的网络的阈值和权值的基础上,从长短时记忆神经网络模型的第一层开始向后计算各个神经元的输出;第二个阶段是误差反向传播的过程,标签误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给所有各层的单元,从而获得各层单元的误差,然后更新其神经单元参数。
不断重复上述学习训练过程,调整神经网络参数,包括神经网络模型的结构与神经单元的参数,直至标签误差减少到可接受的程度,或进行到预先设定的学习次数为止,获得优化的长短时记忆神经网络模型,如图4所示,可以看出在训练集上优化的长短时记忆神经网络模型的效果较好,训练精度为95.42%。
图5示出了根据本发明的一个实施例的测试集混淆矩阵的示意图。
学习训练还包括隐藏神经单元,使用测试集数据对长短时记忆神经网络模型的结构进行调整。将测试集数据输入优化的长短时记忆神经网络模型,测试效果如图5所示。调整隐藏神经单元的个数,提高训练精度,获得最终的长短时记忆神经网络模型。隐藏神经单元个数与准确率的关系如表1所示,可以看出,当隐藏单元个数为120时,训练效果最好,预测精度为82%。
表1
隐藏神经单元个数 | 40 | 60 | 80 | 100 | 120 | 140 | 160 | 180 | 200 |
准确率 | 56% | 61% | 70% | 27% | 82% | 76% | 70% | 71% | 61% |
图6示出了根据本发明的一个实施例的目标井预测结果的示意图。
图7示出了根据本发明的一个实施例的目标井预测混淆矩阵的示意图。
将目标井的预处理后的测井数据输入至最终的长短时记忆神经网络模型,预测目标井的储层沉积相类型,预测的总体精度达到79.8%,预测结果与预测混淆矩阵分别如图6和图7所示。
实施例2
图8示出了根据本发明的一个实施例的一种碳酸盐岩储层沉积相识别装置的框图。
如图8所示,该碳酸盐岩储层沉积相识别装置,包括:
预处理模块201,将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;
建库模块202,根据多个沉积相的预处理后的测井数据,建立标准训练库,其中,标准训练库包括训练集与测试集;
建模模块203,构建长短时记忆神经网络模型,设置神经网络初始参数;
调节模块204,将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;
计算模块205,将目标井的预处理后的测井数据输入至最终的长短时记忆神经网络模型,预测目标井的储层沉积相类型。
作为可选方案,预处理包括对测井数据进行滤波除噪以及标准化。
作为可选方案,通过公式(1)对测井数据进行标准化:
其中,x为测井数据,mean(x)代表测井数据x的平均值,std(x)为测井数据x的标准差,y为标准化数据。
作为可选方案,神经网络初始参数包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值。
作为可选方案,将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型包括:将训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;根据训练集对应的的样本的岩相标签与模拟岩相标签,计算标签误差;通过梯度下降法调节神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型;通过测试集验证优化的长短时记忆神经网络模型,调整网络的层数与隐藏单元个数,获得最终的长短时记忆神经网络模型。
作为可选方案,进行单次训练包括:将训练集的样本输入至长短时记忆神经网络模型,进行学习训练;当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;重复上述过程至单次训练完成。
作为可选方案,通过公式(2)计算标签误差:
实施例3
本公开提供一种电子设备包括,该电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述碳酸盐岩储层沉积相识别方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
实施例4
本公开实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的碳酸盐岩储层沉积相识别方法。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种碳酸盐岩储层沉积相识别方法,其特征在于,包括:
将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;
根据多个沉积相的预处理后的测井数据,建立标准训练库,其中,标准训练库包括训练集与测试集;
构建长短时记忆神经网络模型,设置神经网络初始参数;
将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;
将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型,预测所述目标井的储层沉积相类型。
2.根据权利要求1所述的碳酸盐岩储层沉积相识别方法,其中,所述预处理包括对测井数据进行滤波除噪以及标准化。
4.根据权利要求1所述的碳酸盐岩储层沉积相识别方法,其中,所述神经网络初始参数包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值。
5.根据权利要求4所述的碳酸盐岩储层沉积相识别方法,其中,将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型包括:
将所述训练集的样本输入至长短时记忆神经网络模型,进行单次训练,输出模拟岩相标签;
根据所述训练集对应的的样本的岩相标签与所述模拟岩相标签,计算标签误差;
通过梯度下降法调节所述神经网络参数,直至标签误差小于设定阈值或达到设定的学习次数,获得优化的长短时记忆神经网络模型;
通过测试集验证所述优化的长短时记忆神经网络模型,调整网络的层数与隐藏单元个数,获得最终的长短时记忆神经网络模型。
6.根据权利要求5所述的碳酸盐岩储层沉积相识别方法,其中,进行单次训练包括:
将所述训练集的样本输入至所述长短时记忆神经网络模型,进行学习训练;
当前t时刻计算完成后,通过遗忘门、输入门与输出门对样本计算结果进行交互,转向下一时刻t+1,再次学习训练;
重复上述过程至单次训练完成。
8.一种碳酸盐岩储层沉积相识别装置,其特征在于,包括:
预处理模块,将储层划分为多个沉积相,针对测井数据预处理,获得预处理后的测井数据;
建库模块,根据多个沉积相的预处理后的测井数据,建立标准训练库,其中,标准训练库包括训练集与测试集;
建模模块,构建长短时记忆神经网络模型,设置神经网络初始参数;
调节模块,将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练,调节神经网络参数,获得最终的长短时记忆神经网络模型;
计算模块,将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型,预测所述目标井的储层沉积相类型。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-7中任一项所述的碳酸盐岩储层沉积相识别方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的碳酸盐岩储层沉积相识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378218.6A CN113627607A (zh) | 2020-05-07 | 2020-05-07 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378218.6A CN113627607A (zh) | 2020-05-07 | 2020-05-07 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627607A true CN113627607A (zh) | 2021-11-09 |
Family
ID=78376886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010378218.6A Pending CN113627607A (zh) | 2020-05-07 | 2020-05-07 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627607A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421181A (zh) * | 2022-07-27 | 2022-12-02 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN116108368A (zh) * | 2023-02-21 | 2023-05-12 | 北京金阳普泰石油技术股份有限公司 | 一种基于深度学习混合模型的沉积微相识别方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 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 |
CN107316341A (zh) * | 2016-04-26 | 2017-11-03 | 中国石油化工股份有限公司 | 一种多点地质统计学沉积相建模方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN110045356A (zh) * | 2019-03-14 | 2019-07-23 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN110261467A (zh) * | 2019-07-01 | 2019-09-20 | 西南石油大学 | 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 |
-
2020
- 2020-05-07 CN CN202010378218.6A patent/CN113627607A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
CN107316341A (zh) * | 2016-04-26 | 2017-11-03 | 中国石油化工股份有限公司 | 一种多点地质统计学沉积相建模方法 |
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 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 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN110045356A (zh) * | 2019-03-14 | 2019-07-23 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN110261467A (zh) * | 2019-07-01 | 2019-09-20 | 西南石油大学 | 一种识别碳酸盐岩古岩溶储层垂向分带性的方法 |
Non-Patent Citations (1)
Title |
---|
王俊等: "基于长短期记忆网络的钻前测井曲线预测方法", 成都理工大学学报(自然科学版), vol. 47, no. 2, 30 April 2020 (2020-04-30), pages 227 - 236 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421181A (zh) * | 2022-07-27 | 2022-12-02 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN115421181B (zh) * | 2022-07-27 | 2023-10-20 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN116108368A (zh) * | 2023-02-21 | 2023-05-12 | 北京金阳普泰石油技术股份有限公司 | 一种基于深度学习混合模型的沉积微相识别方法和装置 |
CN116108368B (zh) * | 2023-02-21 | 2023-09-01 | 北京金阳普泰石油技术股份有限公司 | 一种基于深度学习混合模型的沉积微相识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及*** | |
WO2019212750A1 (en) | A data fusion technique to compute reservoir quality and completion quality by combining various log measurements | |
CN106842317B (zh) | 一种预测油砂体分布的方法及装置 | |
US10087723B2 (en) | Methodology for building realistic numerical forward stratigraphic models in data sparse environment | |
CN113627607A (zh) | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN111027249B (zh) | 一种基于机器学习的井间连通性评价方法 | |
CN110927791A (zh) | 基于深度学习利用地震数据进行流体预测的方法及装置 | |
CN115877464B (zh) | 一种岩性识别方法、装置、计算机设备及存储介质 | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
Jervis et al. | Deep learning network optimization and hyperparameter tuning for seismic lithofacies classification | |
CN112444850A (zh) | 地震资料速度建模方法、存储介质及计算设备 | |
CN114114421B (zh) | 基于深度学习的导向自学习地震数据去噪方法及装置 | |
CN115576011A (zh) | 一种基于地质模型的相控储层预测方法、装置及*** | |
Denisenko et al. | Automated geosteering while drilling using machine learning. case studies | |
CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
Athmer et al. | Integrating Seismic Interpretation, Classification and Geologic Process Modeling for Shale Reservoir Characterization | |
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 | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection | |
CN114594513A (zh) | 岩石物理模板建立方法、含气饱和度定量预测方法及装置 | |
CN114528746A (zh) | 复杂岩性识别方法、识别***、电子设备及存储介质 | |
CN115128671A (zh) | 一种基于深度学习技术的三维地震相自动识别方法 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 |
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 |