System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能油气勘探,特别涉及一种基于对抗神经网络的含水饱和度预测方法和系统。
技术介绍
1、含水饱和度(sw)是油藏描述和评价的重要参数之一,怎样通过测井数据来可靠的估计这个重要参数是人们当前想要解决的问题,常用的估计含水饱和度的方法是利用经验公式或者是使用回归算法等技术来估计含水饱和度,但是含水饱和度的估计精度和可靠性难以满足实际需要,目前对含水饱和度预测使用最多的是阿奇定理,含水饱和度具有非均质性和各向异性的特点,但是阿奇定理,没有将地下复杂的各向异性情况考虑进去,估计的含水饱和度存在误差,与实际的含水饱和度相差较大。
2、现有技术一
3、随着人工智能算法的飞速发展,越来越多的学者将神经网络应用到地球物理勘探领域,现有技术[曾宪华,耿新宇,黄小燕.基于模糊神经网络的储集层含水饱和度预测[j].系统仿真学报,2003,(5):735-736,741]提出了使用模糊神经网络来对含水饱和度进行预测,可以通过动态调整步长的方法,避免较大震荡现象的出现,同时也可以减少迭代的时间。
4、现有技术一的缺点
5、不适用于数据量很少的情况,且面对复杂的地下情况,尤其是在测井数据有限的情况下,很难对含水饱和度进行有效的估计。
6、现有技术二
7、[杨斌,匡立春,等.基于遗传规划的储层含水饱和度预测方法[j].成都理工大学学报(自然科学版),2006,(2):209-213]提出了使用遗传算法来对含水饱和度进行预测的方法,通过遗传算法进行建模,为各种储层参数的预测
8、现有技术二的缺点
9、不适用于数据量很少的情况,且面对复杂的地下情况,尤其是在测井数据有限的情况下,很难对含水饱和度进行有效的估计。
技术实现思路
1、本专利技术针对现有技术中实际测井数据量有限导致的神经网络使用效果差的缺陷,提供了一种基于对抗神经网络的含水饱和度预测方法。通过使用实际地震数据和测井数据进行叠前反演,获取叠前反演信息再使用对抗神经网络利用叠前反演信息进行含水饱和度预测。
2、为了实现以上专利技术目的,本专利技术采取的技术方案如下:
3、一种基于对抗神经网络的含水饱和度预测方法,所述方法包括:
4、s1:通过avo三参数反演方法得到地下介质参数:纵波速度vp、横波速度vs和密度ρ;
5、s2:使用aki-richards对地下介质参数进行近似;得到弹性参数:纵波速度vp、横波速度vs和密度ρ;
6、s3:根据弹性参数构建xu-white模型,预测纵波速度vp、横波速度vs和密度ρ;
7、s4:输入含水饱和度,利用对抗神经网络对所述目标函数进行迭代优化,得到满足精度的含水饱和度sw计算结果。
8、进一步地,s1的子步骤如下:
9、s11、数据获取:采集地震数据,包括地震勘探中记录的地震波数据。
10、s12、数据处理:对采集到的地震数据进行预处理。
11、s13、观测得到avo属性:利用地震数据计算得到avo属性。
12、s14、avo三参数反演:利用已经观测得到的avo属性,通过地球物理模型和地震波理论,对地下介质的纵波速度vp、横波速度vs和密度ρ进行反演估计。
13、进一步地,s2的子步骤如下:
14、s21、计算反射系数:首先,根据avo反演得到的地下介质参数,计算反射系数r0,即零偏移角下的反射系数。
15、s22、使用aki-richards近似公式计算弹性参数:利用aki-richards近似公式将反射系数r0转换为地下介质的弹性参数:纵波速度vp、横波速度vs和密度ρ。
16、进一步地,所述对抗神经网络的激活函数为leaky relu函数和sigmoid函数。
17、进一步地,所述对抗神经网络的的损失函数是二分类交叉熵损失函数(bceloss)。
18、进一步地,所述对抗神经网络通过adam优化器更新参数。
19、本专利技术公开了一种基于对抗神经网络的含水饱和度预测系统,该系统能够用于实施上述的基于对抗神经网络的含水饱和度预测方法,具体的,包括:
20、数据采集模块:用于采集地震资料和地层岩性地质参数数据。
21、avo三参数反演模块:将地质参数数据经过avo三参数反演方法,得到地下介质参数,包括纵波速度vp、横波速度vs和密度ρ。
22、aki-richards近似模块:利用aki-richards方程对地下介质参数进行近似计算,得到弹性参数:纵波速度vp、横波速度vs和密度ρ。
23、xu-white模型模块:根据弹性参数构建xu-white模型,用于预测地下介质的纵波速度vp、横波速度vs和密度ρ。
24、对抗神经网络模块:输入预测得到的纵波速度vp、横波速度vs和密度ρ,同时输入含水饱和度数据,利用对抗神经网络对目标函数进行迭代优化,得到满足精度要求的含水饱和度sw计算结果。
25、结果输出模块:将预测得到的含水饱和度sw计算结果进行输出,并进一步与实际地层测井数据进行比对和分析。
26、本专利技术还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述基于对抗神经网络的含水饱和度预测方法。
27、与现有技术相比,本专利技术的优点在于:
28、1.提高预测精度:本专利技术结合卷积神经网络和对抗神经网络,可以有效提升含水饱和度的预测精度,在相关系数、可决系数和均方根误差等指标上,对抗神经网络相比其他神经网络表现更优秀,预测效果更精确。
29、2.适用于小样本数据:本专利技术通过自身的两个神经网络相互对抗和博弈,生成大量逼真的训练数据,有利于特征提取,适用于小样本测井数据的情况,能够更好地适应实际场景中数据量较少的情况。
30、3.提高预测效率:本专利技术可以有效提高神经网络预测的效率,通过对抗学习的方式生成更真实的训练数据,使得神经网络更快地收敛并提高预测效率。
31、4.综合利用不同神经网络的优势:本专利技术能够综合利用不同类型神经网络的优势,从而获得更准确的含水饱和度预测结果。
本文档来自技高网...【技术保护点】
1.一种基于对抗神经网络的含水饱和度预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:S1的子步骤如下:
3.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:S2的子步骤如下:
4.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:所述对抗神经网络的激活函数为Leaky ReLu函数和Sigmoid函数。
5.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:所述对抗神经网络的的损失函数是二分类交叉熵损失函数。
6.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:所述对抗神经网络通过Adam优化器更新参数。
7.一种基于对抗神经网络的含水饱和度预测系统,其特征在于:该系统能够用于实施权利要求1至6其中一项所述的基于对抗神经网络的含水饱和度预测方法,具体的,包括:
8.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,该程序被处
...【技术特征摘要】
1.一种基于对抗神经网络的含水饱和度预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:s1的子步骤如下:
3.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:s2的子步骤如下:
4.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,其特征在于:所述对抗神经网络的激活函数为leaky relu函数和sigmoid函数。
5.根据权利要求1所述的一种基于对抗神经网络的含水饱和度预测方法,...
【专利技术属性】
技术研发人员:吴艺婷,黄旭日,陈康,李鹏,唐静,杜立兵,姜泽磊,杨圣,杨剑,张蓉,杨冉冉,张宏宇,王明强,
申请(专利权)人:西南石油大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。