[發明專利]一種基于深度學習的利用地震數據預測巖性序列模型的方法

有效

• 申請號: 201910174555.0
• 申請日: 2019-03-08
• 公開（公告）號: CN109828304B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 張雨晴;王宗俊;王暉;范廷恩;劉振坤;高云峰;田楠;郭曉;王盤根;于斌;董洪超
• 申請（專利權）人: 中國海洋石油集團有限公司;中海油研究總院有限責任公司
• 主分類號: G01V1/30
• 分類號: G01V1/30;G01V1/36;G06N3/04
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 關暢

本發明公開了一種基于深度學習的利用地震數據預測巖性序列模型的方法。它包括如下步驟：1)測定工區內井上的目的層段的巖性數據以及井旁道地震數據作為訓練數據；2)對井旁道地震數據進行歸一化處理，將其換算到?1到1的范圍；3)將步驟2)處理之后的井旁道地震數據和井上的巖性數據，采取堆棧式循環神經網絡模型和序列對序列循環神經網絡模型分別進行訓練，以井旁道地震數據為觀察數據，井上的巖性數據為目標數據，迭代計算使學習模型達到收斂；4)應用步驟3)計算之后的學習模型，輸入實際地震數據，即得到預測巖性序列。本發明能在地震數據序列的控制下生成能夠有效反映儲層分布的巖性數據體，解決井間的儲層預測問題，為勘探、開發提供依據。

技術領域

本發明涉及一種基于深度學習的利用地震數據預測巖性序列模型的方法，屬于石油勘探與開發的儲層預測領域。

背景技術

巖性預測是儲層預測的重要手段之一，合理的巖性預測結果有助于開展沉積相展布和沉積演化規律分析，進而預測有利儲層空間展布，指導勘探、開發部署。截止目前，對巖性的識別和預測方法研究主要集中于測井曲線和巖性序列關系方面的研究，而對地震波形和巖性序列的關系則研究較少。這一方面是受限于可用方法的局限，利用地震數據預測巖性數據屬于變長數據之間的處理，傳統的識別方法難以有效處理這種類型的數據；另一方面，無論是地震數據還是巖性數據均屬于與時間相關的序列數據，各數據之間非獨立存在而是相互關聯的，這種關系在巖性上體現為地質沉積規律，在地震數據則表現為波形特征及其變化。因此，利用地震數據和井上的巖性數據建立序列對應關系，建立預測模型，從而實現對巖性體的空間識別和預測，可以有效解決井間的儲層預測問題。

在實際地震資料中，由于目的層厚度是變化的，依頂底層位提取的地震數據長度也是變化的，并且常規的測井巖性記錄由于時深轉換等原因與地震數據也存在數據量不對稱的情況，地震采樣點與井上的巖性記錄點不存在準確的時間域或空間域對齊關系。在這種條件下，常規的預測方法很難處理變長序列輸入與變長序列預測的問題。

發明內容

本發明的目的是提供一種基于深度學習的利用地震數據預測巖性序列模型的方法，本發明涉及利用地震數據預測巖性序列模型，即以循環神經網絡為基礎，利用其對序列數據處理優勢的特性，建立了以地震數據為觀察數據，巖性數據為目標數據的預測模型，能在地震數據序列的控制下生成能夠有效反映儲層分布的巖性數據體，解決井間的儲層預測問題，為勘探、開發提供依據。

本發明提供的一種基于深度學習的利用地震數據預測巖性序列模型的方法，包括如下步驟：

1)測定工區內井上的目的層段的巖性數據以及井旁道地震數據作為訓練數據；

2)對所述井旁道地震數據進行歸一化處理，將其換算到-1到1的范圍；

3)將步驟2)處理之后的所述井旁道地震數據和井上的巖性數據，采取堆棧式循環神經網絡模型和序列對序列循環神經網絡模型分別進行訓練，以井旁道地震數據為觀察數據，井上的巖性數據為目標數據，迭代計算使學習模型達到收斂；

4)應用步驟3)計算之后的所述學習模型，輸入實際地震數據，即得到預測巖性序列。

本發明中，所述巖性數據以及井旁道地震數據為本領域公知的常識。

上述的方法中，所述工區內井的數量為10口以上。理論上訓練數據越多越好，越少的樣本訓練得到的模型預測越差

上述的方法中，所述堆棧式循環神經網絡模型由全連接層和LSTM層堆疊組成的混合學習模型；所述LSTM層對每個時間步的所述地震數據進行處理，轉換成內部隱含層信息，然后通過所述全連接層將所述隱含信息轉換到巖性數據域；

步驟3)中，所述堆棧式循環神經網絡模型采用RMSprop優化算法進行迭代計算；其學習率設置可為0.001～0.003。根據實際模型訓練過程中的損失函數和迭代次數的關系進行選擇，優選學習率設置為0.001～0.003。