首页 / 专利库 / 信号处理 / 压缩感知 / 一种基于地质信息库的砂体构型CMM神经网络预测方法

一种基于地质信息库的砂体构型CMM神经网络预测方法

阅读:859发布:2020-05-08

专利汇可以提供一种基于地质信息库的砂体构型CMM神经网络预测方法专利检索,专利查询,专利分析的服务。并且本 发明 提供一种基于地质信息库的砂体构型CMM神经网络预测方法,包括以下步骤:步骤S1,建立存储砂体构型的 测井 特征与 地震 特征的地质信息资料库;步骤S2,通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析,到敏感属性序列X,同时选用单井构型标签作为监督条件;步骤S3,将敏感属性序列X作为输入数据,在单井构型标签的监督下,利用CMM神经网络训练得到模型参数,再对无井区进行参数的智能预测,并输出预测标签。解决了以往方法在预测三 角 洲相砂体构型分布特征时所面临的准确度和效率的挑战,满足了油气田开发中日益增长的储层表征的高 精度 和智能化的需要。,下面是一种基于地质信息库的砂体构型CMM神经网络预测方法专利的具体信息内容。

1.一种基于地质信息库的砂体构型CMM神经网络预测方法,其特征在于,包括以下步骤:
步骤S1,根据砂体单井构型结果和属性集合,分析得到敏感属性集合,建立存储砂体构型的测井特征与地震特征的地质信息资料库;
步骤S2,通过对步骤S1所建立的地质信息资料库中的测井特征与地震特征进行相关性分析,建立单井构型标签,以单井构型标签作为监督条件,将敏感属性向量化,得到敏感属性序列X;
步骤S3,将步骤S2得到的敏感属性序列X作为输入数据,在单井构型标签的监督下,利用CMM神经网络训练得到模型参数,再对无井区进行参数预测,并输出预测标签,完成对三洲相砂体构型的CMM神经网络预测方法。
2.如权利要求1所述的基于地质信息库的砂体构型CMM神经网络预测方法,其特征在于,在步骤S1中,所述砂体单井构型结果通过井数据中分析得到,所述属性集合根据地震数据提取,在砂体构型地质认识的指导下进行分析得到敏感属性集合。
3.如权利要求2所述的基于地质信息库的砂体构型CMM神经网络预测方法,其特征在于,所述地质信息资料库的建立,通过如下步骤实现:
步骤S11:通过测井曲线来识别地下目的层砂体构型,将地下目的层砂体构型做为测井特征加入到地质信息资料库;
步骤S12:通过对三角洲相砂体构型进行属性敏感性分析,得到敏感属性集合,将敏感属性集合作为地震特征加入到地质信息资料库。
4.如权利要求1所述的基于地质信息库的砂体构型CMM神经网络预测方法,其特征在于,步骤S2中,所述的敏感属性向量化方法,通过如下方法实现:
把数值化的敏感属性通过分箱得到每个属性的多维离散one-hot向量,将所有属性向量组合得到输入序列X:
其中,
m代表敏感属性总个数;
n代表每个敏感属性的离散维度。
5.如权利要求1所述的基于地质信息库的砂体构型CMM神经网络预测方法,其特征在于,所述的CMM神经网络模型参数及智能预测方法,通过如下步骤实现:
步骤S31:所选用的CMM神经网络利用卷积操作得到属性特征,数据输入:
V=conv2(W,X,″valid″)+b
其中,V代表抽取的局部特征,W代表权重矩阵,X代表输入向量,valid代表卷积运算的类型,b代表偏置向量,
令数据滤波器为F,滑动步长为S,由于F的边长大于S,每次移动滑窗后导致数据特征的多次提取,现为序列X外围加一圈0,即Pad+1,重构后一次卷积的输出特征向量尺寸:
步骤S32:利用max-pooling技术对S31步骤提取的特征向量进行压缩,将得到的小邻域内的特征点整合获取新的特征向量:
P=max(V)
步骤S33:通过多层感知机(MLP),将提取到的主要特征输入到隐含层;加权求和,得到每一个隐含层的输出:
其中,i代表输入层节点,j代表当前神经元的下标,wij表示上一层各神经元到当前神经元的权重,xj代表当前层的输入,
之后选用softmax分类器得到每种构型的条件概率:
P(y|L,θ)=softmax(W+b)
其中,θ代表所提出模型的全部参数;
步骤S34:预测构型
步骤S35:选用交叉熵损失函数计算损失值:
其中,y代表样本真实值;代表样本预测值。

说明书全文

一种基于地质信息库的砂体构型CMM神经网络预测方法

技术领域

[0001] 本发明涉及地震资料解释油藏精细描述领域,更具体地,涉及一种基于地质信息库的三洲相砂体构型CMM神经网络预测方法。

背景技术

[0002] 三角洲相属于海陆过渡相的重要组成部分,通常具有以下特征:向陆方向通常以断层为界;砂、砾粗碎屑比例较大;纵向上呈楔形,平面呈扇形,向盆地方向变薄变细;规模常较小,常成群出现。河控三角洲相可以分为三个亚相:三角洲平原、三角洲前缘和前三角洲。三角洲平原亚相包括分流河道、陆上天然堤、决口扇、沼泽湖泊等微相;三角洲前缘亚相包括水下分流河道、水下天然堤、分流间湾、河口砂坝、远砂坝和前缘席状砂等微相;砂体形态在平面上呈朵状或指状,垂向上呈发散的扫帚状,向前三角洲方向插入泥质沉积中,与泥岩呈齿状交叉。高建设性的三角洲前缘砂坝的延长方向与岸线垂直,高破坏性的则发育与岸线平行的砂体。
[0003] 三角洲相砂体在空间上的复杂接触关系造成了储层高度的非均质性,从而使看似连片发育的砂体储层实则被各种沉积间断面阻隔,形成剩余油。以往的圈闭勘探早已不能满足生产的需求,对储层高精度描述提出了更高的要求。在这个过程中,就需要综合利用多方位的数据来达到高精度储层描述的目的。因此,在关于砂体构型的地质认识的指导下,综合应用测井数据和地震数据,来高精度的定量表征三角洲相砂体构型在空间上的分布特征,从而指导井位布置,最终达到提高剩余油采收率的目的。

发明内容

[0004] 为满足高精度预测的挑战,本发明提供了一种基于地质信息库的三角洲相砂体构型CMM神经网络预测方法,能够预测三角洲相砂体构型在空间上的分布特征。
[0005] 本发明采用的技术方案是,一种基于地质信息库的砂体构型CMM神经网络预测方法,方法包括如下步骤:
[0006] 步骤S1,从井数据中分析得到砂体单井构型结果,并从地震数据中提取属性集合,在砂体构型地质认识的指导下,分析得到敏感属性集合。从而建立存储砂体构型的测井特征与地震特征的地质信息资料库;
[0007] 步骤S2,通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析,建立单井构型标签。并采用向量表示技术,将敏感属性向量化,得到敏感属性序列X,同时选用单井构型标签作为监督条件;
[0008] 步骤S3,将敏感属性序列X作为输入数据,在单井构型标签的监督下,利用CMM神经网络训练得到模型参数,再对无井区进行参数的智能预测,并输出预测标签。
[0009] 优选的,步骤S1包括如下子步骤:
[0010] 步骤S11:通过测井曲线(如自然伽,泥质含量等)来识别地下目的层砂体构型,将测井特征加入到地质信息资料库;
[0011] 步骤S12:通过对三角洲相砂体构型进行属性敏感性分析,得到敏感属性集合,将地震特征加入到地质信息资料库;
[0012] 优选的,步骤S2包括如下子步骤:
[0013] 步骤S21:对测井特征与地震特征进行相关性分析,建立单井构型标签:标签1代表纯泥相,标签2代表单薄砂体相,标签3代表单厚砂体相,标签4代表砂泥多互层相,标签5代表带厚砂互层相,标签6代表薄砂互层相;
[0014] 步骤S22:把数值化的敏感属性通过分箱得到每个属性的多维离散one-hot向量,将所有属性向量组合得到输入序列X:
[0015]
[0016] 其中,m代表敏感属性总个数;n代表每个属性的离散维度;
[0017] 优选的,步骤S3包括如下子步骤:
[0018] 步骤S31:所选用的CMM神经网络利用卷积操作得到属性特征,数据输入:
[0019] V=conv2(W,X,″valid")+b
[0020] 其中,V代表抽取的局部特征;W代表权重矩阵;X代表输入向量;valid代表卷积运算的类型;b代表偏置向量;
[0021] 令数据滤波器为F,滑动步长为S,由于F的边长大于S,每次移动滑窗后导致数据特征的多次提取,现为序列X外围加一圈0,即Pad+1,重构后一次卷积的输出特征向量尺寸:
[0022]
[0023] 步骤S32:利用max-pooling技术对S31步骤提取的特征向量进行压缩,将得到的小邻域内的特征点整合获取新的特征向量:
[0024] P=max(V)
[0025]
[0026] 步骤S33:通过多层感知机(MLP),将提取到的主要特征输入到隐含层;加权求和,得到每一个隐含层的输出:
[0027]
[0028] 其中,i代表输入层节点,j代表当前神经元的下标,wij表示上一层各神经元到当前神经元的权重;xj代表当前层的输入;
[0029] 之后选用softmax分类器得到每种构型的条件概率:
[0030] P(y|L,θ)=softmax(W+b)
[0031] 其中,θ代表所提出模型的全部参数;
[0032] 步骤S34:预测构型
[0033]
[0034] 步骤S35:选用交叉熵损失函数计算损失值:
[0035]
[0036] 其中,y代表样本真实值, 代表样本预测值。
[0037] 本发明一种基于地质信息库的砂体构型CMM神经网络预测方法的有益效果如下:本发明提出的建立三角洲相砂体构型的地质信息库,充分利用了砂体构型在测井数据和地震数据中的响应特征,并对其进行了相关性分析,得到井震匹配的砂体构型信息。地质信息库的建立有助于本发明的方法的实施,而且随着地质信息库的丰富将提高本方法的准确性。提出的CMM神经网络具有6层网络结构。所建立的模型不仅可以提高预测结果的准确率,而且,通过对特征向量的压缩可以减少数据冗余,提高执行效率。
附图说明
[0038] 图1为本发明一种基于地质信息库的砂体构型CMM神经网络预测方法的总流程框图
[0039] 图2为本发明一种基于地质信息库的砂体构型CMM神经网络预测方法的CMM模型神经网络结构图。

具体实施方式

[0040] 下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
[0041] 请参阅图1所示,本发明提供了一种基于地质信息库的砂体构型CMM神经网络预测方法,包括以下步骤:
[0042] 步骤S1,从井数据中分析得到砂体单井构型结果,并从地震数据中提取属性集合,在砂体构型地质认识的指导下,分析得到敏感属性集合,从而建立存储砂体构型的测井特征与地震特征的地质信息资料库。具体可以通过如下两个步骤实现:
[0043] 步骤S11:通过测井曲线(如自然伽马,泥质含量等)来识别地下目的层砂体构型,将测井特征加入到地质信息资料库;
[0044] 步骤S12:通过对三角洲相砂体构型进行属性敏感性分析,得到敏感属性集合,将地震特征加入到地质信息资料库。
[0045] 步骤S2,通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析,建立单井构型标签。并采用向量表示技术,将敏感属性向量化,得到敏感属性序列X,同时选用单井构型标签作为监督条件。具体可以通过如下两个步骤实现:
[0046] 步骤S21:对测井特征与地震特征进行相关性分析,建立单井构型标签:标签1代表纯泥相,标签2代表单薄砂体相,标签3代表单厚砂体相,标签4代表砂泥多互层相,标签5代表带厚砂互层相,标签6代表薄砂互层相;
[0047] 步骤S22:把数值化的敏感属性通过分箱得到每个属性的多维离散one-hot向量,将所有属性向量组合得到输入序列X(敏感属性序列X):
[0048]
[0049] 其中,m代表敏感属性总个数;n代表每个属性的离散维度,xmn表示在第m个敏感属性在第n个离散维度的数值。
[0050] 与现有技术相比,现有技术在输入数据时,由于没有数据之间的相关性分析,会导致数据结果因为忽略数据之间的关联而不够准确,同时由于忽略数据之间的关联性,会导致数据结果的偏差;而本发明的地质信息库的建立,不仅分析了数据的敏感性,还对数据之间的相关性做了分析,为之后数据的计算的准确性奠定了基础
[0051] 步骤S3,将敏感属性序列X作为输入数据,在单井构型标签的监督下,利用CMM神经网络训练得到模型参数(所述CMM模型神经网络结构图如图2所示),再对无井区进行参数的智能预测,并输出预测标签。
[0052] 具体可以包括入戏按步骤:
[0053] 步骤S31:通过CMM神经网络利用卷积操作得到属性特征,数据输入:
[0054] V=conv2(W,X,″valid")+b
[0055] 其中,V代表抽取的局部特征;W代表权重矩阵;X代表敏感属性序列X;valid代表卷积运算的类型;b代表偏置向量;
[0056] 令数据滤波器为F,滑动步长为S,由于F的边长大于S,每次移动滑窗后导致数据特征的多次提取,现为序列X外围加一圈0,即Pad+1,重构后一次卷积的输出特征向量尺寸:
[0057]
[0058] 步骤S32:利用max-pooling技术对S31步骤提取的特征向量进行压缩,将得到的小邻域内的特征点整合获取新的特征向量:
[0059] P=max(V)
[0060]
[0061] 步骤S33:通过多层感知机(MLP),将提取到的主要特征输入到隐含层;加权求和,得到每一个隐含层的输出:
[0062]
[0063] 其中,i代表输入层节点,j代表当前神经元的下标,wij表示上一层各神经元到当前神经元的权重;xj代表当前层的输入;
[0064] 之后选用softmax分类器得到每种构型的条件概率:
[0065] P(y|L,θ)=softmax(W+b)
[0066] 其中,θ代表所提出模型的全部参数;
[0067] 步骤S34:预测构型
[0068]
[0069] 步骤S35:选用交叉熵损失函数计算损失值:
[0070]
[0071] 其中,y代表样本真实值, 代表样本预测值。
[0072] 与现有技术相比,本发明通过cmm神经网络进行模型训练,不同于现有技术中的数据训练方法,能够提高训练结果的准确性。同时,在预测过程中cmm神经网络比传统神经网络多了一层,进一步保证了预测结构的准确性。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈