基于智能优化集成网络的储层含气性检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于智能优化集成网络的储层含气性检测方法及装置，属于地震勘探油气检测技术领域。该方法包括：获取井数据和地震数据；提取能够表征油气特征的地震属性和已钻井的储层信息，获得数据样本和对应的标签并将其划分为训练集和验证集；基于所述训练集训练深网络模型，并采用自适应粒子群优化算法对模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；利用所述验证集对模型进行验证，若验证结果满足预设条件，则利用该模型实现由有井区到无井区储层的含气性检测。本发明专利技术综合了井点数据与地震数据，可较好的挖掘原始数据中蕴含的有效信息，提高储层含气性检测的准确性。气性检测的准确性。气性检测的准确性。

【技术实现步骤摘要】
基于智能优化集成网络的储层含气性检测方法及装置


[0001]本专利技术涉及石油地球物理勘探领域，特别地，涉及一种基于智能优化集成网络的储层含气性检测方法及装置。

技术介绍

[0002]地震勘探是目前最常用的油气勘探方法之一，地震数据作为了解地下地质情况的媒介，一直占有着至关重要的地位。随着油气勘探开发的不断深入，勘探对象己由常规油气藏逐渐向裂缝油气藏和岩性油气藏转变，常规储层含气性检测方法的精度和效率己难以满足对这些油气藏的预测要求，尤其是在深层条件下。因此，有针对性的循新的思路发展新的储层含气性检测方法对油气勘探开发有着重大意义。
[0003]人工智能深度学习技术的发展为储层含气性检测提供了新的思路和方法。深度学习是利用计算机从数据中自动分析获得规律，并利用获得的规律对未知数据进行预测的算法，在许多科学领域都取得了突破性的应用成果。深度学习的本质是构建一个被称之为深网络的嵌套映射矩阵，功用和数理解析模型中的变量映射关系相当。在变量关系无法确定的复杂问题中，深度学习是现阶段构建其映射关系模型的最佳手段。我们现在面临的问题就是如此：储层信息与地震数据之间的关系相当复杂，受固体骨架弹性模量、孔隙结构、孔隙大小、孔隙连通性、孔隙流体组成等多种因素的影响，表现出强的非线性特征。在这种情况下，使用深度学习构建深网络映射模型可能是最佳选择。
[0004]为此，受集成学习思想的启发，基于储层地质沉积规律及其在地震响应上的特点，我们将深度学习中的两种特殊网络卷积神经网络(CNN)和循环神经网络(RNN)进行集成，并采用自适应粒子群优化算法(PSO
‑
ALS)对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，专利技术了一种基于超参数智能优化集成网络的储层含气性检测方法及装置，以最大程度地挖掘输入输出数据之间的内禀特征，提高储层含气性检测的准确性。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种基于智能优化集成网络的储层含气性检测方法。首先，利用井点的储层分类数据为训练标签，提取的地震属性数据为训练输入，训练集成深网络储层含气性检测深度学习模型，建立起地震属性数据与储层信息之间的复杂映射关系。同时采用自适应粒子群优化算法对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型。然后，以无井区的地震属性数据作为输入，实现由有井区到无井区储层的含气性检测。该方法以测井数据和地震数据为驱动，可较好的挖掘原始数据中蕴含的有效信息，提高储层含气性检测的准确性。
[0006]本专利技术的另一个目的是提出一种基于智能优化集成网络的储层含气性检测装置。
[0007]本专利技术为了实现上述目的，采用如下技术方案：
[0008]第一方面，本专利技术提供一种基于智能优化集成网络的储层含气性检测方法，所述含气性预测方法包括：
[0009]步骤1、获取目标地区的井数据和地震数据；
[0010]步骤2、基于所述的井数据和地震数据，提取能够表征油气特征的振幅、频率、相位等地震属性数据和已钻井的储层分类信息；
[0011]步骤3、基于所述的地震属性数据和井上的储层分类信息，以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，得到所述地震数据样本和对应的标签；
[0012]步骤4、将所述地震数据样本按要求划分为训练集和验证集；
[0013]步骤5、设计集成网络深度学习模型，基于所述训练集训练集成网络深度学习模型，并采用自适应粒子群优化算法对网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；
[0014]步骤6、基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
[0015]可选地，所述步骤2包括：在获取目标地区的井数据和地震数据的基础上，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息。
[0016]可选地，所述步骤3包括：
[0017]根据地震与钻井的对应关系，将所述地震数据样本与对应的井数据进行统一尺度处理；
[0018]以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签。
[0019]可选地，所述步骤4包括：
[0020]根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库；
[0021]将目标地区内的各个测井按需求划分为训练井和验证井；
[0022]根据所述训练井对应的地震数据样本和对应的标签生成训练集；
[0023]在此基础上，根据所述验证井对应的地震数据样本和对应的标签生成验证集。
[0024]可选地，所述步骤5包括：设计集成网络深度学习模型，基于所述训练集，基于反向传播算法，利用批量随机梯度下降算法求解所述多层集成网络的储层检测深度学习模型，并采用自适应粒子群优化算法对储层检测集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，从而建立储层检测集成深网络模型。其中，所述关键超参数包括模型每层神经元节点数、时间步长及批量大小。
[0025]可选地，所述基于所述训练集对预设的集成网络进行数据训练，得到储层含气性预测模型，包括：基于所述训练集，使得所述关键参数智能优化集成深网络自动提取所述地震数据样本与储层含气性之间的关联特征，建立起用于表示所述地震数据样本与所述储层含气性之间的数学物理关系的储层的最佳含气性检测模型。
[0026]可选地，所述步骤6包括：
[0027]基于所述验证集对所述的储层含气性检测模型进行验证，若验证结果满足预设条件，则保存该含气性检测模型；
[0028]在此基础上，以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。
[0029]本专利技术中，所述储层信息以及地震属性数据为本领域公知的常识。
[0030]第二方面，本专利技术基于智能优化集成网络的储层含气性检测装置，该装置用于实现权利要求上述基于智能优化集成网络的储层含气性检测方法，该含气性检测装置包括：
[0031]资料获取模块，用于获取目标区域的井数据和地震数据；
[0032]数据处理模块，用于以获取的原始地震数据和井数据为基础，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层信息；
[0033]样本及标签获取模块，用于根据地震与钻井的对应关系，建立地震属性与储层分类对应关系，得到所述地震数据样本和对应的标签；
[0034]数据集构建模块，根据井点坐标提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能优化集成网络的储层含气性检测方法，其特征在于，所述含气性检测方法包括以下步骤：1)获取井数据和地震数据；2)基于所述的井数据和地震数据，提取能够表征油气特征的地震属性和已钻井的储层分类信息；3)基于所述的地震属性数据和井上储层分类信息，以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，得到地震数据样本和对应的标签；4)将所述地震数据样本和对应的标签划分为训练集和验证集；5)设计集成网络深度学习模型，基于所述训练集训练集成网络深度学习模型，迭代计算使其达到收敛，并采用自适应粒子群优化算法对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；6)基于所述验证集对所述的含气性检测模型进行验证，若验证结果满足预设条件，则以无井区的地震属性数据作为输入，利用该含气性检测模型实现由有井区到无井区储层的含气性检测。2.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于：在获取目标地区的井数据和地震数据的基础上，利用地震解释的层位进行约束，提取能够表征油气特征的振幅、频率、相位等地震属性和已钻井的储层分类信息；根据地震与钻井的对应关系，建立地震属性与储层分类对应关系；根据井点坐标提取井位点的各种地震属性的数据，建立井点位置储层分类与各种地震属性的数据库。3.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于：所述集成网络深度学习模型由卷积神经网络和循环神经网络两种特殊组成，充分利用这两种网络的优势最大程度地挖掘地震属性数据和储层信息之间的内禀特征；所述卷积神经网络作为地震数据信息提取的特征提取器，将卷积神经网络提取的特征信息作为所述循环神经网络的输入，以考虑地层沉积的时序关系，将其转换成内部隐含层信息，然后通过全连接层将所述隐含信息转换到储层类型数据。4.根据权利要求1所述的一种基于智能优化集成网络的储层含气性检测方法，其特征在于，该方法以测井数据和地震数据为驱动，以地震属性数据作为输入，预测储层信息作为输出，具体包括三个阶段，一是提取能够表征油气特征的地震属性和已钻井的储层分类信息，构建训练集和验证集；二是利用训练集对关键超参数智能优化集成深网络进行监督学习；三是反演预测，以无井区的地震属性数据作为输入，实现由有井区到无井区储层的含气性检测。5.根据权利要求...

【专利技术属性】
技术研发人员：王俊，曹俊兴，尤加春，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：