【技术实现步骤摘要】
本专利技术涉及油气资源勘探，特别是关于一种储层参数预测方法、系统、处理设备及存储介质。
技术介绍
1、储层预测是油气勘探开发的基础，是综合利用地质、地震、钻井和测井等勘探开发资料对储层的地质构造、岩性分布、物性参数和流体特征等进行评价和预测的重要手段，也是进行圈闭评价、精细油气藏描述的主要依据，其中的储层参数预测又是油气勘探开发研究的热点和难点。储层参数参数是指如孔隙度、渗透率、饱和度等用于描述储层物理性质和其中流体性质的参数，这些参数可以准确定量地刻画储层孔隙大小以及储层允许流体通过的能力及油气储层岩石中各相流体（油、气或水）所占孔隙体积的百分数，这些参数在油气勘探开发中有着重要的应用，是评价储层质量的重要依据之一。
2、目前，通过钻井岩芯测定和测井解释的方法基本能够准确得到井点处储层的参数，但是相对于整个工区而言，井点处的储层参数无法表征整个工区的储层参数变化情况。特别是是致密储层具有储层薄、横向非均质性强等特点。现有的解决此类问题时，主要通过井震联合的方法寻找地震数据和储层参数的之间的回归关系，以此来预测储层参数的空间分布。目前主要应用的方法如下：（1）基于地震反演的储层参数预测方法：该方法是利用测井数据和地震数据来推断地下储层物理特性的方法。这种方法利用地震波在地下的传播特性，通过数学模型将地震数据转换为反映地层物性（如孔隙度、渗透率等）的信息。进行地震反演之前，通常需要建立岩石物理模型，以描述地震波阻抗与储层物性之间的关系。这个过程通常涉及大量的实验室测量和理论研究。然后通过井约束的进行地震反演得到波阻抗数
3、但是，现有技术的方法也存在一些技术问题，方法（1）中，首先，该方法依赖于井点数据，因此其应用受到井点分布的影响，如果井点井点数量不足，可能会影响预测结果的准确性；其次，该方法存在多解性，由于地震反演问题的非唯一性，对于同一组地震数据可能存在多个不同的反演解。另外，地震反演是一个复杂的数学问题，需要大量的计算资源和时间，该方法的步骤繁琐，预测时间长，效率低。方法（2）中，首先，深度学习模型通常需要大量的样本数据进行训练，而样本的获得只能依靠井数据，井数据的获取代价高昂难以满足；此外，小样本的深度学习模型可能在处理复杂的非线性关系时存在过拟合等小样本导致的潜在问题，会影响到预测结果的准确性；最后，模型的复杂性和大量的计算需求可能导致训练和推断过程的时间消耗大。
4、另外，目前机器学习的成功主要依靠的是海量的标签数据，但是对于储层参数预测来说，储层参数标签只能通过测井资料获取，测井数量对整个工区来说所占比是非常小的，因此，储层参数预测也是一个小样本问题，流行的深度学习模型在应对小样本储层参数预测时，容易出现过拟合情况。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种储层参数预测方法、系统、处理设备及存储介质，能够高效、准确地进行储层参数预测。
2、为实现上述目的，本专利技术采取以下技术方案：第一方面，提供一种储层参数预测方法，包括：
3、在地球物理勘探中获取叠后地震数据；
4、将获取的叠后地震数据输入至预先构建好的储层参数预测模型中，预测得到该叠后地震数据的储层参数，其中，所述储层参数预测模型基于relationnet小样本学习网络构建，包括孔隙度预测模型、渗透率预测模型和饱和度预测模型。
5、进一步地，所述获取储层参数预测井数据并进行处理，包括：
6、获取储层参数预测井数据并进行处理，其中，储层参数预测井数据包括测井曲线数据、测井解释数据和时深关系数据；
7、对处理后的储层参数预测井数据中的测井曲线数据和测井解释数据进行时深转换。
8、进一步地，所述储层参数预测模型的构建过程为：
9、获取叠后地震数据和地震层位数据并进行处理；
10、获取储层参数预测井数据并进行处理；
11、对处理后的叠后地震数据和储层参数预测井数据进行重采样；
12、根据重采样后的叠后地震数据和测井曲线数据以及时深转换后的测井解释数据，构建学习样本集，并进行数据增强和优化；
13、基于处理后的地震层位数据和重采样后的储层参数预测井数据，构建储层参数低频模型；
14、基于构建的储层参数低频模型和优化后的学习样本集，对relationnet小样本学习网络模型进行训练，得到训练好的储层参数预测模型。
15、进一步地，所述对处理后的叠后地震数据和储层参数预测井数据进行重采样，包括：
16、对处理后的叠后地震数据的振幅和相位进行重采样；
17、对时深转换后的测井曲线数据中的孔隙度、渗透率、饱和度曲线进行重采样，采样率与叠后地震数据的采样率相同。
18、进一步地，所述根据重采样后的叠后地震数据和测井曲线数据以及时深转换后的测井解释数据，构建学习样本集，并进行数据增强和优化，包括：
19、根据井点坐标和井斜数据获取预测井上每一采样点的空间位置；
20、根据空间位置抽取最近的地震道数据和地震属性道数据，形成井旁地震道数据；
21、根据重采样后的叠后地震数据和测井曲线数据以及时深转换后的测井解释数据，构建学习样本集；
22、对学习样本集进行数据增强；
23、对数据增强后的学习样本集进行优化；
24、将优化后的学习样本集加载到叠后地震数据中，并提取井旁地震道与得到的井旁地震道数据进行对比检查。
25、进一步地，所述基于处理后的地震层位数据和重采样后的储层参数预测井数据，构建储层参数低频模型，包括：
26、对地震层位数据进行插值处理，按照由深到浅的顺序进行空间排列，得到时间域三维地层格架数据；
27、基于处理后的储层参数预测井数据中的测井曲线数据，在时间域三维地层格架控制下进行空间插值，形成储层参数低频模型。
28、进一步地，所述基于构建的储层参数低频模型和优化后的学习样本集，对relationnet小样本学习网络模型进行训练，得到训练好的储层参数预测模型，包括：
29、将地震属性与储层参数低频模型拼接为多通道样本；
30、将多通道样本中的已标注数据和待预测数据分别输入至深度学习神经网络模型中，输出特征向量；
31、将输出的特征向量进行拼接，得到合并后的特征向量；
32、将得到的特征向量输入至关系网络，输出相似度度量；
33、重复上述步骤，直至完成对所有的已标注数据和待预测数据进行处理，输出最终的储层参数预测结果，得到训练好的储层参数预测模型，包括孔隙度预测模型、渗透率预测模型和饱和度预测模型。
34、第二方本文档来自技高网...
【技术保护点】
1.一种储层参数预测方法，其特征在于，包括：
2.如权利要求1所述的一种储层参数预测方法，其特征在于，所述获取储层参数预测井数据并进行处理，包括：
3.如权利要求2所述的一种储层参数预测方法，其特征在于，所述储层参数预测模型的构建过程为：
4.如权利要求3所述的一种储层参数预测方法，其特征在于，所述对处理后的叠后地震数据和储层参数预测井数据进行重采样，包括：
5.如权利要求3所述的一种储层参数预测方法，其特征在于，所述根据重采样后的叠后地震数据和测井曲线数据以及时深转换后的测井解释数据，构建学习样本集，并进行数据增强和优化，包括：
6.如权利要求2所述的一种储层参数预测方法，其特征在于，所述基于处理后的地震层位数据和重采样后的储层参数预测井数据，构建储层参数低频模型，包括：
7.如权利要求2所述的一种储层参数预测方法，其特征在于，所述基于构建的储层参数低频模型和优化后的学习样本集，对RelationNet小样本学习网络模型进行训练，得到训练好的储层参数预测模型，包括：
8.一种储层参数预测系统，其
9.一种处理设备，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的储层参数预测方法对应的步骤。
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上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的储层参数预测方法对应的步骤。
...【技术特征摘要】
1.一种储层参数预测方法，其特征在于，包括：
2.如权利要求1所述的一种储层参数预测方法，其特征在于，所述获取储层参数预测井数据并进行处理，包括：
3.如权利要求2所述的一种储层参数预测方法，其特征在于，所述储层参数预测模型的构建过程为：
4.如权利要求3所述的一种储层参数预测方法，其特征在于，所述对处理后的叠后地震数据和储层参数预测井数据进行重采样，包括：
5.如权利要求3所述的一种储层参数预测方法，其特征在于，所述根据重采样后的叠后地震数据和测井曲线数据以及时深转换后的测井解释数据，构建学习样本集，并进行数据增强和优化，包括：
6.如权利要求2所述的一种储层参数预测方法，其特征在于，所述基于处理后的地震层位数据和重采样后...
【专利技术属性】
技术研发人员：丁继才，王建花，叶云飞，孙文博，朱振宇，薛东川，黄小刚，郑颖，
申请(专利权)人：中海石油中国有限公司，
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。