一种致密砂岩储层含气性的预测方法、装置、设备及系统制造方法及图纸

本说明书实施例公开了一种致密砂岩储层含气性的预测方法、装置、设备及系统。所述方法包括获取待预测的致密砂岩储层的叠前地震角道集数据；将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；将所述多源融合信息分别输入到所述多个任务的分支网络，同时获得致密砂岩岩相分布和储层含气性的预测结果。利用本说明书实施例可以有效提高基于卷积神经网络从叠前地震角道集数据出发预测致密砂岩储层含气性的精度，减少网络复杂度和储存空间，提升计算效率。

【技术实现步骤摘要】
一种致密砂岩储层含气性的预测方法、装置、设备及系统
本说明书实施例方案属于机器学习新领域及地学中勘探地球物理处理、解释领域，尤其涉及一种致密砂岩储层含气性的预测方法、装置、设备及系统。
技术介绍
我国拥有丰富的致密砂岩气资源和巨大的勘探潜力，是我国现阶段石油工业保持稳产或提高产量的主要勘探开发目标之一，但探明率却相对较低。相比于美国致密砂岩气和我国常规砂岩气，我国致密砂岩气储层具有孔隙度低、渗透率低、孔隙结构复杂、分布稳定性差和非均质性强等特点。由于致密砂岩气储层的复杂性，基于现有岩石物理理论和波动理论认识的致密砂岩气储层地震响应规律存在较大争议，导致致密砂岩储层预测的物理依据不够充分。虽然开展野外致密砂岩气储层的地质调查研究最为直接真实，但由于钻井成本限制，不可能大范围开展野外实际工作。地球物理勘探领域现阶段除地震勘探外，还有多种地球物理方法(例如重、磁、电和测井)对致密储层进行勘探，此外近年来对致密砂岩储层的沉积演化过程(致密砂岩储层的地质信息)研究也取得一定进展。这些信息虽然获取方式不同但都是对同一地下目标不同侧面的描述，是针对同一地下勘探目标的多源信息，且具有不同的尺度性。然而现阶段研究中普遍的做法仍然是选取多源信息中的一种或两种对地下储层进行描述，不能快速实现多源信息的综合利用，所以地震有效信息的不足是制约地震勘探精度的主要原因。近几十年来，进行含油气预测最常用的技术手段之一是采用线性或简单非线性操作直接从地震数据中提取一种或几种敏感属性。但是，由于致密砂岩气储层地震响应影响因素众多，如储层的厚度、岩相、流体分布、孔隙结构、孔隙度和流体类型都会影响地震响应特征。因此，从地震数据提取的地震属性与致密砂岩储层含气性之间的关系并非一一对应。除地震属性外，采用叠前反演获得弹性参数或进一步转换得到流体指示因子来预测地下含气分布是当前地震含气检测的主流技术。但是，叠前反演结果的精确程度取决于波动方程模型的简化程度。使用的波动方程越复杂，模拟实际数据精度越高，但反演的参数会越多，参数耦合串扰会越严重，反演过程会越不稳定。因此，叠前反演技术一直在“稳定性”与“精度”之间寻求平衡。为了实现技术工业化，目前普遍采用Zoeppritz方程的线性化简洁表达来表征弹性参数和地震数据之间的关系，并发展了系列实用化的AVO反演技术。但是，这些实用技术普遍要求“实际观测数据满足平面波叠加原理，实际地下介质是完全弹性各向同性的，且相邻地层的弹性参数差异小”等条件，限制了含气预测的应用范围。而且从信息量角度来说，线性化丢失了对含气性较为敏感的大偏移距非线性地震信息成分。此外，在反演过程中很少考虑到与地震同源但异构的测井、地质或电磁场信息的约束。地震有效信息不足是制约现有叠前反演结果精度的根本原因。因此，如何充分挖掘并利用更丰富的地震信息和融合更多的地球物理场信息，实现多地球物理场多维地震信息融合模型的含气预测技术，用更复杂的非线性关系和更多的有效信息达到“稳定性”和“精度”的双重提升，具有重要的科学意义和实际价值。
技术实现思路
本说明书实施例在于提供一种致密砂岩储层含气性的预测方法、装置、设备及系统，可以有效提高致密砂岩储层的预测精度，减少网络复杂度和储存空间，提升计算效率。本说明书提供的致密砂岩储层含气性的预测方法、装置、设备及系统是包括以下方式实现的：一种致密砂岩储层含气性的预测方法，包括：获取待预测的致密砂岩储层的叠前地震角道集数据；将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。一种致密砂岩储层含气性的预测装置，包括：待预测数据获取模块，用于获取待预测的致密砂岩储层的叠前地震角道集数据；输入模块，用于将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；融合信息获得模块，用于基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；预测结果获得模块，用于将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。一种致密砂岩储层含气性的预测设备，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：获取待预测的致密砂岩储层的叠前地震角道集数据；将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。一种致密砂岩储层含气性的预测系统，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例方法的步骤。本说明书提供的一种致密砂岩储层含气性的预测方法、装置、设备及系统。一些实施例中通过采用致密砂岩储层的多源信息融合方式，充分利用多地球物理场多源信息数据，可以弥补地震数据有效信息不足以及数据驱动测井标签不够的问题，提高卷积神经网络基于叠前地震角道集数据预测致密砂岩储层的精度。通过采用共享部分网络结构的方式使网络同时可以进行多个任务、预测多种属性，突破“一个网络解决一个地球物理问题完成一个任务”的思维限制，可以有效减少网络复杂度和储存空间，提升了计算效率。采用本说明书提供的实施方案，可以有效提高致密砂岩储层含气性的预测精度，减少网络复杂度和储存空间，提升计算效率。附图说明为了更清楚地说明本说明书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，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本说明书提供的致密砂岩储层含气性的预测方法的一个实施例的流程示意图；图2是本说明书提供的一种在多源信息相互促进和约束下实现致密储层和流体分布同时预测的实施例的示意图；图3是本说明书提供的一种致密砂岩储层含气性的预测方法的一个实施例的示意图；图4(a)是利用常规卷积神经网络学习方法预测得到的岩相分布剖面示意图；图4(b)是利用本方案预测得到的岩相分布剖面示意图；图4(c)是数值模型的真实岩相分布剖面示意图；图5(本文档来自技高网...

【技术保护点】
1.一种致密砂岩储层含气性的预测方法，其特征在于，包括：/n获取待预测的致密砂岩储层的叠前地震角道集数据；/n将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；/n基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；/n将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。/n

【技术特征摘要】
1.一种致密砂岩储层含气性的预测方法，其特征在于，包括：
获取待预测的致密砂岩储层的叠前地震角道集数据；
将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
基于所述共享子网络，获得所述待预测的致密砂岩储层的多源融合信息；
将所述多源融合信息分别输入到所述多个任务的分支网络，获得致密砂岩储层含气性的预测结果。


2.如权利要求1所述的方法，其特征在于，所述预先构建的多属性同时预测混合卷积神经网络包括采用下述方式得到：
获取叠前地震角道集数据，所述叠前地震角道集数据包括致密砂岩储层的不同参数表征信息，所述不同参数表征信息间存在关联；
将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络，基于所述预设卷积神经网络中包括的任务分支网络和测井数据计算得到的标签数据获得多任务的训练结果，所述标签数据与所述叠前地震角道集数据在时空分布上对应；
基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络。


3.如权利要求2所述的方法，其特征在于，所述基于所述训练结果，对所述预设卷积神经网络进行调整，获得多属性同时预测混合卷积神经网络，包括：
基于损失函数计算所述训练结果与实际结果之间的误差，获得所述预设卷积神经网络的损失值；
基于所述损失值和反向传播机制更新所述预设卷积神经网络的参数信息，直至所述训练结果与实际结果之间的误差满足预设误差条件，获得多属性同时预测混合卷积神经网络。


4.如权利要求2所述的方法，其特征在于，所述将所述叠前地震角道集数据输入预设卷积神经网络中包括的共享子网络前，包括：
对所述叠前地震角道集数据进行预处理，获得训练样本；
基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据。


5.如权利要求4所述的方法，其特征在于，所述对所述叠前地震角道集数据进行预处理，获得训练样本，包括：
对所述叠前地震角道集数据进行归一化处理，获得处理后的叠前地震数据；
从所述处理后的叠前地震数据中提取同一深度的叠前剖面；
对所述叠前剖面进行开窗滑动取样，获得训练样本，其中，每个训练样本表示一个时间域、角度域的二维矩阵，所述时间域长度等于一个子波长度，所述角度域表示从第一角度到第二角度的角道集，所述第一角度小于所述第二角度。


6.如权利要求4所述的方法，其特征在于，所述基于测井数据和训练样本在叠前剖面的空间位置为训练样本生成对应的标签数据，包括：
基于井震标定，将所述训练样本和所述测井数据统一到具有相同采样间隔的时间域中；
采用滑动时窗将所述训练样本分割成预设个地震数据块，根据每个地震数据块中心位置对应的时刻确定与训练样本对应的测井标签数据。


7.一种致密砂岩储层含气性的预测装置，其特征在于，包括：
待预测数据获取模块，用于获取待预测的致密砂岩储层的叠前地震角道集数据；
输入模块，用于将所述叠前地震角道集数据输入预先构建的多属性同时预测混合卷积神经网络，所述预先构建的多属性同时预测混合卷积神经网络基于多源信息融合训练获得，所述多属性同时预测混合卷积神经网络包括共享子网络和多个任务的分支网络；
融合信息获得模块，用于基于所述共享子网络，获得所述待预测的致密...

【专利技术属性】
技术研发人员：袁三一，宋朝辉，桑文镜，焦新奇，王尚旭，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：北京;11