【技术实现步骤摘要】
本专利技术涉及油气储层评价，尤其涉及一种基于人工智能图像识别的储层沉积微相刻画方法。
技术介绍
1、沉积微相是描述储层沉积环境和特征的重要参数，对于油气储层的开发具有重要意义。传统的沉积微相分析主要依赖于岩心观察、薄片分析等方法，基于地质先验知识和经验人工完成沉积微相划分和勾画。这些方法不仅费工、耗时、成本高，而且结果受人为因素影响较大，难以实现大规模和高效的储层沉积刻画评价。
2、目前，人工智能方法在单井沉积微相智能化表征方面获得一些应用和成果，但是尚未见基于沉积模式约束的深度学习图像识别刻画沉积微相空间展布方面的研究和应用。
技术实现思路
1、有鉴于此，本专利技术旨在提出一种基于人工智能图像识别的储层沉积微相刻画方法，能够自动、高效、准确地进行储层沉积微相的识别和刻画。
2、为达到上述目的，本专利技术的技术方案是这样实现的：基于人工智能图像识别的储层沉积微相刻画方法，包括以下步骤：
3、步骤1，基于已有的沉积模式地质先验知识，收集整理不同类型沉积微相模式图，包括沉积微相平面图和连井相剖面图，构建出沉积微相模式图库；
4、步骤2，获取沉积微相模式图库中的图像数据，对图像进行预处理，预处理包括去噪、平滑、变换、增强和标准化；
5、步骤3，从预处理后的图像中提取关键特征参数，包括但不限于形态、规模、组合关系、叠置关系、展布方向、变化规律；
6、步骤4，利用深度学习算法，对提取的图像特征进行训练，获得识别规则及决策
7、步骤5，将训练好的模型进行评估和验证，将专家分析和现有数据对比，评估图像识别结果的准确性，并根据反馈调整和优化模型，确保模型的准确性和可靠性；
8、步骤6，将有限的约束数据输入沉积微相图识别模型，基于相关匹配算法及修正规则，模型智能优化匹配微相模式，计算绘制出完全匹配数据、契合沉积模式规律的沉积微相平面图和剖面图。
9、进一步的，步骤1包括：
10、将收集到的沉积微相模式图进行整理和分类，包括沉积微相平面图和连井相剖面图；
11、按照不同的沉积环境、沉积体系和地质时期因素对沉积微相模式图进行归类，综合运用地质学、地质统计学、地质信息技术多个学科知识和方法，系统性建立沉积微相模式图库，确保沉积微相模式图库的质量和应用效果；
12、定期更新沉积微相模式图库，吸收新的研究成果和实践经验。
13、进一步的，在步骤2中，对进行图像预处理时，需要根据具体情况选择合适的方法和参数，对图像进行去噪、平滑、变换、增强和标准化这些预处理，诸如，中值滤波或高斯滤波去噪、均值滤波或高斯滤波平滑、图像几何变换、直方图均衡化或对比度拉伸增强、灰度标准化、边缘检测，并对预处理效果进行评估和调整，确保后续图像识别准确度。
14、进一步的，在步骤3中，提取关键特征参数时，需要结合沉积微相的实际特点和分析目的选择合适的方法和指标，同时，对于复杂的图像和特征，需要结合多种方法进行综合分析和提取，包括，使用边缘检测、形态学操作这些方法对沉积体形状、大小、轮廓这些形态特征进行提取；通过像素计数、轮廓面积计算这些方法提取沉积体长度、宽度、厚度的规模特征；利用图像分割和连通性分析这些方法提取沉积微相之间的组合关系特征；通过纹理分析、边缘检测和形态学操作这些方法提取沉积微相之间的叠置关系特征；利用方向滤波、hough变换这些方法提取沉积微相的展布方向和趋势特征；采用统计分析、空间分析和图像特征描述这些方法提取沉积微相的变化规律和空间分布特征。
15、进一步的，步骤4包括：
16、设计并构建适用于沉积微相图像识别的模型架构，根据任务的需求对模型架构进行设计和调整，基于预处理并提取特征的沉积微相图像进行训练；
17、通过反向传播算法更新模型参数，在训练过程中，采用常见的优化器和损失函数来最小化模型的预测误差，基于训练获得识别规则及决策规则，从而构建出沉积微相图识别模型。
18、进一步的，步骤5包括：
19、使用独立的测试集对训练好的模型进行评估，测试集应包含模型之前未见过的数据；
20、将模型的预测结果与专家分析进行比较，确定模型的误差模式和犯错类型，根据模型的评估指标和专家分析，确定模型的强项和改进点，记录模型在不同类别和不同条件下的表现情况；
21、根据评估结果和专家反馈，优化模型的超参数；
22、使用数据增强技术增加数据的多样性，提高模型的泛化能力；
23、开展模型结构优化，改变模型的架构，以进一步提高模型性能；
24、重复验证和调整，直至模型达到满意的性能水平，定期进行模型的验证和重新评估，确保模型在长期运行中的稳定性和可靠性，以应对不同的沉积微相图像自动识别和分析任务。
25、进一步的，步骤6包括：
26、收集并准备单井微相剖面图、地震属性平面图、地震属性剖面图这些约束数据，对数据进行预处理，包括去除噪声、填补缺失值、标准化，以确保数据的质量和一致性；
27、将约束数据输入沉积微相图识别模型，利用相关匹配算法在微相模式库中进行匹配，算法包括传统的模式匹配方法，或者包括深度学习中的特征提取和匹配算法；
28、模型根据匹配结果进行智能优化和修正规则的应用，以确保匹配结果符合沉积模式的规律和约束条件，修正规则基于专家知识和经验，或者基于数据驱动的方法；
29、根据优化后的匹配结果，生成沉积微相平面图和剖面图；
30、结果经过地质专家比对和讨论，验证模型的准确性和可靠性，根据评估和验证结果，对模型进行优化和调整，提高其性能和适用性。
31、相对于现有技术，本专利技术所述的基于人工智能图像识别的储层沉积微相刻画方法具有以下优势：本专利技术通过引入先进的人工智能技术，实现了一种新型的储层沉积微相刻画方法，该方法改变了传统的沉积相研究方式，提供了一种高效、准确的储层评价技术解决方案，具体包括：
32、(1)技术流程起点从构建沉积微相模式图库入手，具备充分利用先验知识和知识整合优势；
33、(2)图像预处理操作和评估调整更具针对性和灵活性，有效提升了图像质量；
34、(3)深度学习模型架构设计及训练过程关键要素阐述详细，模型构建和训练过程更贴合沉积微相图像识别任务，有效提高了模型性能，模型自学习能力强大，复杂图像数据处理能力强，识别准确性和效率高；
35、(4)模型通过全面评估和持续优化，保证模型性能不断提升且适应不同任务，使模型更可靠；
36、(5)相较于仅综合砂体相关数据刻画平面沉积微相，本专利技术增加了模型优化和专家深度参与环节；
37、(6)利用卷积神经网络(cnn)强大的特征提取能力，卷积层能够自动提取图像中的局部特征，如沉积微相模式图中的形态特征。对于沉积微相模式图中复杂的地质结构和沉积特征，cnn可本文档来自技高网...
【技术保护点】
1.基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，步骤1包括：
3.根据权利要求1所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于：在步骤2中，对进行图像预处理时，需要根据具体情况选择合适的方法和参数，对图像进行去噪、平滑、变换、增强和标准化这些预处理，诸如，中值滤波或高斯滤波去噪、均值滤波或高斯滤波平滑、图像几何变换、直方图均衡化或对比度拉伸增强、灰度标准化、边缘检测，并对预处理效果进行评估和调整，确保后续图像识别准确度。
4.根据权利要求3所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于：在步骤3中，提取关键特征参数时，需要结合沉积微相的实际特点和分析目的选择合适的方法和指标，同时，对于复杂的图像和特征，需要结合多种方法进行综合分析和提取，包括，使用边缘检测、形态学操作这些方法对沉积体形状、大小、轮廓这些形态特征进行提取；通过像素计数、轮廓面积计算这些方法提取沉积体长度、宽度、厚度的规模特征；利用图像分割和连通性
5.根据权利要求4所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，步骤4包括：
6.根据权利要求5所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，步骤5包括：
7.根据权利要求1所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，步骤6包括：
...【技术特征摘要】
1.基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于，步骤1包括：
3.根据权利要求1所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于：在步骤2中，对进行图像预处理时，需要根据具体情况选择合适的方法和参数，对图像进行去噪、平滑、变换、增强和标准化这些预处理，诸如，中值滤波或高斯滤波去噪、均值滤波或高斯滤波平滑、图像几何变换、直方图均衡化或对比度拉伸增强、灰度标准化、边缘检测，并对预处理效果进行评估和调整，确保后续图像识别准确度。
4.根据权利要求3所述的基于人工智能图像识别的储层沉积微相刻画方法，其特征在于：在步骤3中，提取关键特征参数时，需要结合沉积微相的实际特点和分析目的选择合适的方法和指标，同时，对于复杂的图像和特征，需要结合多...
【专利技术属性】
技术研发人员：万欢，张学敏，魏莉，胡云亭，郝明慧，姚振河，杨丽娜，李辉，许胜利，秦欣，
申请(专利权)人：中海油能源发展股份有限公司，
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。