CN116468927A - 一种叠层石储层识别方法、装置、设备及存储介质 - Google Patents

一种叠层石储层识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116468927A
CN116468927A CN202211538796.7A CN202211538796A CN116468927A CN 116468927 A CN116468927 A CN 116468927A CN 202211538796 A CN202211538796 A CN 202211538796A CN 116468927 A CN116468927 A CN 116468927A
Authority
CN
China
Prior art keywords
reservoir
identification model
laminated
laminated stone
reservoir identification
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
CN202211538796.7A
Other languages
English (en)
Inventor
白莹
赵振宇
高建荣
宋微
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202211538796.7A priority Critical patent/CN116468927A/zh
Publication of CN116468927A publication Critical patent/CN116468927A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Mining & Mineral Resources (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种叠层石储层识别方法、装置、设备及存储介质。该方法包括：获取待识别叠层石储层的测井数据；将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果；其中，所述储层识别模型是基于神经网络搭建的；所述储层识别模型的训练函数和激活函数是基于均方差约束确定的。本技术方案解决了叠层石储层识别准确率低的问题，可以在提高叠层石储层识别精度的同时，降低叠层石储层识别成本。

Description

一种叠层石储层识别方法、装置、设备及存储介质
技术领域
本发明涉及地球物理技术领域，尤其涉及一种叠层石储层识别方法、装置、设备及存储介质。
背景技术
叠层石是一种由多种纹层状组构构成的微生物岩，是一种重要的深部油气储层。由于叠层石储层整体非均性强、含烃不均匀以及有效储层和无效储层之间的测井响应差异小等特征，因此，从常规测井曲线上识别叠层石储层存在难度。叠层石的孔隙度反映了储层储存流体的能力，而准确的孔隙度是估算储量和建立地质模型的重要参数，可有效降低勘探、开发以及工程方面的风险。目前，获取叠层石孔隙度的方法主要包括实验测量法和测井拟合法。
实验测量法主要采用压汞、氮气吸附等实验获得，整体实验流程复杂、成本高，且严重受限于取样位置和岩芯保存情况，因此，相关资料样本比较单一，无法对储层的相关参数达到明确而直观的认识。因此，如何准确识别叠层石储层成为亟待解决的问题。
发明内容
本发明提供了一种叠层石储层识别方法、装置、设备及存储介质，以解决叠层石储层识别准确率低的问题，可以在提高叠层石储层识别精度的同时，降低叠层石储层识别成本。
根据本发明的一方面，提供了一种叠层石储层识别方法，所述方法包括：
获取待识别叠层石储层的测井数据；
将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果；其中，所述储层识别模型是基于神经网络搭建的；所述储层识别模型的训练函数和激活函数是基于均方差约束确定的。
根据本发明的另一方面，提供了一种叠层石储层识别装置，该装置包括：
数据获取模块，用于获取待识别叠层石储层的测井数据；
识别结果确定模块，用于将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果；其中，所述储层识别模型是基于神经网络搭建的；所述储层识别模型的训练函数和激活函数是基于均方差约束确定的。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的叠层石储层识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的叠层石储层识别方法。
本发明实施例的技术方案，通过预先训练的储层识别模型，对待识别叠层石储层的测井数据进行储层识别，确定待识别叠层石储层的识别结果。本方案解决了叠层石储层识别准确率低的问题，可以在提高叠层石储层识别精度的同时，降低叠层石储层识别成本。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例一提供的一种叠层石储层识别方法的流程图；
图2是根据本发明实施例二提供的一种叠层石储层识别方法的流程图；
图3是根据本发明实施例三提供的一种叠层石储层识别装置的结构示意图；
图4是实现本发明实施例的叠层石储层识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供了一种叠层石储层识别方法的流程图，本实施例可适用于叠层石储层识别场景，该方法可以由叠层石储层识别装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取待识别叠层石储层的测井数据。
本方案可以由计算机、服务器等电子设备执行，电子设备可以获取待识别叠层石储层涉及的测井数据。其中，所述测井数据可以包括自然伽马、自然电位、浅侧向电阻率、深侧向电阻率、声波以及密度等测井曲线。所述测井数据可以是用户录入至电子设备的，也可以是电子设备通过网络收集的。
S120、将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果。
电子设备可以将测井数据输入至储层识别模型，储层识别模型可以输出叠层石储层的识别结果。其中，所述储层识别模型是基于神经网络搭建的。所述储层识别模型可以包括输入层、输出层和至少一个隐藏层，每个隐藏层可以包括多个神经元节点，输出层可以包括一个或多个神经元节点。所述隐藏层和所述输出层的各节点设置有激活函数。所述激活函数可以包括Sigmoid、Tanh、ReLU、Leaky Relu、P-Relu、ELU以及Gelu等函数。
所述储层识别模型中配置有训练函数，所述训练函数用于在反向传播过程中进行权重更新。所述训练函数可以包括sarprop、quickprop、rprop、batch以及incremental等函数。所述储层识别模型的训练函数和激活函数可以是在训练阶段基于均方差约束确定的。具体的，电子设备可以基于不同的储层识别模型配置对储层识别模型进行训练，确定各配置的训练结果。其中，所述储层识别模型配置可以包括隐藏层数量、隐藏层中节点数量、激活函数以及训练函数等方面的设置。电子设备可以根据各配置的训练结果，基于均值方差模型，确定均方差统计结果。根据均方差统计结果，电子设备可以确定最佳的储层识别模型配置。例如电子设备可以将最小均方差对应的储层识别模型配置作为最优配置。
基于均方差约束确定训练函数和激活函数，有利于得到最佳的储层识别模型，进而在应用过程中实现良好的储层识别效果。
本技术方案通过预先训练的储层识别模型，对待识别叠层石储层的测井数据进行储层识别，确定待识别叠层石储层的识别结果。本方案解决了叠层石储层识别准确率低的问题，可以在提高叠层石储层识别精度的同时，降低叠层石储层识别成本。
实施例二
图2为本发明实施例二提供了一种叠层石储层识别方法的流程图，本实施例以上述实施例为基础进行细化。如图2所示，该方法包括：
S210、获取待训练测井数据以及与所述待训练测井数据匹配的标签数据。
在完成储层识别模型的结构构建之后，电子设备可以利用预先获取的训练数据，对储层识别模型进行训练，以得到学习到叠层石储层质量特征的储层识别模型。电子设备可以将已确定标签的测井数据作为训练数据集，其中，所述训练数据集包括待训练测井数据以及与待训练测井数据匹配的标签数据，电子设备可以将待训练测井数据作为储层识别模型的输入，以对应的标签数据作为储层识别模型的监督，训练储层识别模型。
在一个可行的方案中，所述标签数据是基于岩心样本的面孔率确定的叠层石储层质量。
本方案中，标签数据可以用于标识待训练测井数据对应的岩心样本的叠层石储层质量。叠层石储层质量可以是根据岩心样本的面孔率确定的。以叠层石储层质量作为测井数据的标签数据有利于实现优质储层的定位，提高叠层石储层识别精度。
在上述方案的基础上，可选的，所述叠层石储层质量的确定过程包括：
若岩心样本的面孔率大于预设第一比例阈值，则确定叠层石储层质量为叠层石优储层；
若岩心样本的面孔率小于或等于预设第一比例阈值，并且大于预设第二比例阈值，则确定叠层石储层质量为叠层石良储层；
若岩心样本的面孔率小于或等于预设第二比例阈值，并且大于预设第三比例阈值，则确定叠层石储层质量为叠层石中储层；
若岩心样本的面孔率小于或等于预设第三比例阈值，则确定叠层石储层质量为叠层石差储层；
其中，第一比例阈值、第二比例阈值以及第三比例阈值依次递减。
具体的，用户可以选取一口或多口钻井，按照预设取样原则选取岩心样品，在宏观上识别具有叠层石结构的岩心，在微观上利用铸体薄片确定岩心样品的面孔率。其中，所述预设取样原则可以是按照预设长度等间隔取样，也可以是根据储层分布非间隔取样。
电子设备可以将面孔率大于第一比例阈值的叠层石识别为叠层石优储层，将面孔率介于第一比例阈值和第二比例阈值的叠层石识别为叠层石良储层，将面孔率介于第二比例阈值和第三比例阈值的叠层石识别为叠层石中储层，将面孔率小于或等于预设第三比例阈值的叠层石识别为叠层石差储层。其中，第一比例阈值、第二比例阈值以及第三比例阈值可以等间隔依次递减，例如第一比例阈值可以为5％，第二比例阈值可以为3％，第三比例阈值可以为1％。第一比例阈值、第二比例阈值以及第三比例阈值也可以非等间隔依次递减，例如第一比例阈值可以为5％，第二比例阈值可以为2％，第三比例阈值可以为1％。
S220、将待训练测井数据作为输入，根据储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出储层识别模型。
电子设备可以将待训练测井数据输入至储层识别模型，并将储层识别模型的输出结果与对应的标签数据进行比较，计算损失误差。根据损失误差，电子设备可以对储层识别模型进行至少一次的迭代训练，直到迭代终止条件满足，输出最后一次迭代训练得到的储层识别模型。具体的，所述迭代终止条件可以是迭代次数达到预设次数，也可以是储层识别模型的性能评估指标满足预设指标阈值，例如储层识别模型的验证损失误差低于预设损失阈值。
在一个优选的方案中，所述将待训练测井数据作为输入，根据储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出储层识别模型，包括：
在训练函数集合中确定候选训练函数，并将所述候选训练函数作为候选储层识别模型的训练函数；其中，所述训练函数集合包括sarprop函数、quickprop函数、rprop函数、batch函数以及incremental函数中的至少一个；
将待训练测井数据作为输入，根据候选储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述候选储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出候选储层识别模型；
根据各候选储层识别模型，确定目标储层识别模型。
为了确定与叠层石储层识别场景适用性更强的储层识别模型，电子设备可以在训练函数集合中依次选择一个训练函数作为储层识别模型的训练函数，生成各候选储层识别模型。将待训练测井数据作为各候选储层识别模型的输入，根据候选储层识别模型的输出结果以及与待训练图像数据匹配的标签数据，分别对各候选储层识别模型进行迭代训练，直到满足迭代终止条件，得到各候选储层识别模型。需要说明的是，各候选储层识别模训练的迭代终止条件可以是相同的。电子设备可以根据各候选储层识别模型的性能评估指标，在各候选储层识别模型中选择目标储层识别模型。
在一个具体的例子中，各候选储层识别模型的性能指标可以如下表1所示，电子设备可以选择均方差最小，并且损失误差最小的sarprop函数对应的候选储层识别模型作为目标识别模型。
表1：
训练函数 均方差 迭代次数 损失误差
sarprop 3.624×10-6 500000 2.385×10-7
quickprop 0.008 500000 4.369×10-5
rprop 4.624×10-4 500000 7.441×10-6
batch 3.217×10-3 500000 7.005×10-7
incremental 9.483×10-4 500000 3.296×10-6
除此之外，电子设备还可以设置不同的隐藏层节点数量、激活函数等模型配置参数，得到各候选储层识别模型。根据各候选储层识别模型的性能评估指标，电子设备可以选择目标模型配置参数对应的候选储层识别模型作为目标储层识别模型，以实现良好的储层识别效果。
示例性的，储层识别模型仅存在一个隐藏层，电子设备可以设置不同的隐藏层节点数量，分别进行各候选储层识别模型的迭代训练，以选取最佳的候选储层识别模型。各候选储层识别模型的性能评估指标可以如下表2所示，电子设备可以选择均方差和损失误差最小的节点数量3对应的候选储层识别模型作为目标储层识别模型。
表2：
节点数量 均方差 迭代次数 损失误差
1 9.624×10-3 500000 6.624×10-5
2 0.008 500000 9.173×10-5
3 4.624×10-4 500000 1.486×10-6
4 3.217×10-3 500000 8.549×10-6
5 9.483×10-4 500000 8.779×10-6
类似的，电子设备还可以为隐藏层和输出层设置不同的激活函数，分别进行各候选储层识别模型的迭代训练，以选取最佳的候选储层识别模型。各候选储层识别模型的性能评估指标可以如下表3所示，电子设备可以选择隐含层激活函数为sigmoid symmetricstepwise，输出层激活函数为elltot symmetric的候选储层识别模型作为目标储层识别模型。
表3：
上述方案可以为储层识别模型选择最优的模型配置，有利于实现最佳的训练效果，提高储层识别的准确率。
S230、获取待识别叠层石储层的测井数据。
S240、将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果。
本技术方案通过预先训练的储层识别模型，对待识别叠层石储层的测井数据进行储层识别，确定待识别叠层石储层的识别结果。本方案解决了叠层石储层识别准确率低的问题，可以在提高叠层石储层识别精度的同时，降低叠层石储层识别成本。
实施例三
图3为本发明实施例三提供的一种叠层石储层识别装置的结构示意图。如图3所示，该装置包括：
数据获取模块310，用于获取待识别叠层石储层的测井数据；
识别结果确定模块320，用于将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果；其中，所述储层识别模型是基于神经网络搭建的；所述储层识别模型的训练函数和激活函数是基于均方差约束确定的。
在本方案中，可选的，所述储层识别模型包括输入层、输出层和至少一个隐藏层；所述隐藏层和所述输出层的各节点设置有激活函数；所述训练函数用于在反向传播过程中进行权重更新。
在一个可行的方案中，所述装置还包括模型训练模块，包括：
待训练数据获取单元，用于获取待训练测井数据以及与所述待训练测井数据匹配的标签数据；
模型输出单元，用于将待训练测井数据作为输入，根据储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出储层识别模型。
可选的，所述标签数据是基于岩心样本的面孔率确定的叠层石储层质量。
上述方案的基础上，所述装置还包括储层质量确定模块，用于：
若岩心样本的面孔率大于预设第一比例阈值，则确定叠层石储层质量为叠层石优储层；
若岩心样本的面孔率小于或等于预设第一比例阈值，并且大于预设第二比例阈值，则确定叠层石储层质量为叠层石良储层；
若岩心样本的面孔率小于或等于预设第二比例阈值，并且大于预设第三比例阈值，则确定叠层石储层质量为叠层石中储层；
若岩心样本的面孔率小于或等于预设第三比例阈值，则确定叠层石储层质量为叠层石差储层；
其中，第一比例阈值、第二比例阈值以及第三比例阈值依次递减。
在一个优选的方案中，所述模型输出单元，具体用于：
在训练函数集合中确定候选训练函数，并将所述候选训练函数作为候选储层识别模型的训练函数；其中，所述训练函数集合包括sarprop函数、quickprop函数、rprop函数、batch函数以及incremental函数中的至少一个；
将待训练测井数据作为输入，根据候选储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述候选储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出候选储层识别模型；
根据各候选储层识别模型，确定目标储层识别模型。
在一个可行的方案中，所述测井数据包括自然伽马、自然电位、浅侧向电阻率、深侧向电阻率、声波以及密度。
本发明实施例所提供的叠层石储层识别装置可执行本发明任意实施例所提供的叠层石储层识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备410包括至少一个处理器411，以及与至少一个处理器411通信连接的存储器，如只读存储器(ROM)412、随机访问存储器(RAM)413等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序，来执行各种适当的动作和处理。在RAM 413中，还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415，包括：输入单元416，例如键盘、鼠标等；输出单元417，例如各种类型的显示器、扬声器等；存储单元418，例如磁盘、光盘等；以及通信单元419，例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理，例如叠层石储层识别方法。
在一些实施例中，叠层石储层识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元418。在一些实施例中，计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时，可以执行上文描述的叠层石储层识别方法的一个或多个步骤。备选地，在其他实施例中，处理器411可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行叠层石储层识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种叠层石储层识别方法，其特征在于，所述方法包括：
获取待识别叠层石储层的测井数据；
将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果；其中，所述储层识别模型是基于神经网络搭建的；所述储层识别模型的训练函数和激活函数是基于均方差约束确定的。
2.根据权利要求1所述的方法，其特征在于，所述储层识别模型包括输入层、输出层和至少一个隐藏层；所述隐藏层和所述输出层的各节点设置有激活函数；所述训练函数用于在反向传播过程中进行权重更新。
3.根据权利要求1所述的方法，其特征在于，所述储层识别模型的训练过程包括：
获取待训练测井数据以及与所述待训练测井数据匹配的标签数据；
将待训练测井数据作为输入，根据储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出储层识别模型。
4.根据权利要求3所述的方法，其特征在于，所述标签数据是基于岩心样本的面孔率确定的叠层石储层质量。
5.根据权利要求4所述的方法，其特征在于，所述叠层石储层质量的确定过程，包括：
若岩心样本的面孔率大于预设第一比例阈值，则确定叠层石储层质量为叠层石优储层；
若岩心样本的面孔率小于或等于预设第一比例阈值，并且大于预设第二比例阈值，则确定叠层石储层质量为叠层石良储层；
若岩心样本的面孔率小于或等于预设第二比例阈值，并且大于预设第三比例阈值，则确定叠层石储层质量为叠层石中储层；
若岩心样本的面孔率小于或等于预设第三比例阈值，则确定叠层石储层质量为叠层石差储层；
其中，第一比例阈值、第二比例阈值以及第三比例阈值依次递减。
6.根据权利要求3所述的方法，其特征在于，所述将待训练测井数据作为输入，根据储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出储层识别模型，包括：
在训练函数集合中确定候选训练函数，并将所述候选训练函数作为候选储层识别模型的训练函数；其中，所述训练函数集合包括sarprop函数、quickprop函数、rprop函数、batch函数以及incremental函数中的至少一个；
将待训练测井数据作为输入，根据候选储层识别模型的输出结果以及与所述待训练图像数据匹配的标签数据，对所述候选储层识别模型进行至少一次的迭代训练，直到满足预设迭代终止条件，输出候选储层识别模型；
根据各候选储层识别模型，确定目标储层识别模型。
7.根据权利要求1所述的方法，其特征在于，所述测井数据包括自然伽马、自然电位、浅侧向电阻率、深侧向电阻率、声波以及密度。
8.一种叠层石储层识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取待识别叠层石储层的测井数据；
识别结果确定模块，用于将所述测井数据输入至预先训练的储层识别模型，得到储层识别模型输出的待识别叠层石储层的识别结果；其中，所述储层识别模型是基于神经网络搭建的；所述储层识别模型的训练函数和激活函数是基于均方差约束确定的。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的叠层石储层识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的叠层石储层识别方法。
CN202211538796.7A 2022-12-01 2022-12-01 一种叠层石储层识别方法、装置、设备及存储介质 Pending CN116468927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211538796.7A CN116468927A (zh) 2022-12-01 2022-12-01 一种叠层石储层识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211538796.7A CN116468927A (zh) 2022-12-01 2022-12-01 一种叠层石储层识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116468927A true CN116468927A (zh) 2023-07-21

Family

ID=87183031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211538796.7A Pending CN116468927A (zh) 2022-12-01 2022-12-01 一种叠层石储层识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116468927A (zh)

Similar Documents

Publication Publication Date Title
CN112580733B (zh) 分类模型的训练方法、装置、设备以及存储介质
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN116468927A (zh) 一种叠层石储层识别方法、装置、设备及存储介质
CN117908109A (zh) 一种盐岩地层速度的确定方法、装置、设备及介质
CN115267908A (zh) 余弦相似度地震属性计算方法、装置、电子设备及介质
CN114488312B (zh) 一种基于正态分布的薄互层砂厚预测方法
CN116738517B (zh) 一种储层预测方法、装置、电子设备及介质
CN116299677A (zh) 岩性圈闭边界的确定方法、装置、电子设备及存储介质
CN117874559A (zh) 一种岩相分类数量的确定方法、装置、设备及存储介质
CN116757096B (zh) 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质
CN118426055A (zh) 基于支持向量机的孔隙度反演方法、装置、设备及介质
CN115563964B (zh) 短信文本正则生成方法、装置、电子设备及存储介质
CN117471553A (zh) 基于改进泥岩阻抗差的压力预测方法、装置、设备及介质
CN118295021A (zh) 地震敏感参数确定方法、装置、电子设备及存储介质
CN118057390A (zh) 油藏数值模拟拟合精度的确定方法、装置、设备及介质
CN117829395A (zh) 一种储气层库存气量的预测方法、装置、设备及存储介质
CN118407752A (zh) 试油井段的含水率确定方法、装置、电子设备及存储介质
CN118295011A (zh) 白云岩成岩相的识别方法、装置、电子设备及存储介质
CN117761762A (zh) 一种地震正演模型的构建方法、装置、设备及介质
CN116931083A (zh) 一种方位角道集划分方案的确定方法
CN118298206A (zh) 一种丘滩体的分类方法、装置、电子设备及存储介质
CN114942996A (zh) 垂直行业数据的三元组构建方法、装置、电子设备及介质
CN116482758A (zh) 流固边界耦合介质弹性波正演横波奇异性处理方法及装置
CN117993478A (zh) 基于双向知识蒸馏和联邦学习的模型训练方法及装置
CN118393570A (zh) 地震反演方法、装置、存储介质及电子设备

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