[發明專利]基于近鄰神經網絡的油藏地質建模靜態參數分布預測方法

有效

• 申請號: 202011279852.0
• 申請日: 2020-11-16
• 公開（公告）號: CN112396230B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 王宇赫;毛強強;王九龍;孫鑫;楊瀟;余夢琪;劉帥辰
• 申請（專利權）人: 中國石油大學（華東）;青島東坤蔚華數智能源科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/04
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 孔玲瓏

本發明涉及一種基于近鄰神經網絡的油藏地質建模靜態參數分布預測方法，包括如下步驟：S100選定油藏地質預測范圍，調取該油藏地質預測范圍內的所有井已知的空間坐標和對應的靜態參數值；S200采用近鄰算法找到每口井的鄰近井；S300建立神經網絡模型并訓練神經網絡模型；S400利用訓練得到的最優神經網絡模型預測選定油藏地質預測范圍內未知空間點的靜態參數分布。該方法充分利用神經網絡逼近復雜非線性函數的卓越能力，能深入挖掘靜態參數在空間中的非線性分布關系，符合油藏地質的復雜特性，能提高空間插值的精度，也可以通過多重隨機實現，量化空間插值的不確定性，提高靜態參數分布預測的精度。

技術領域

本發明涉及油藏地質建模空間插值技術領域，具體涉及一種基于近鄰神經網絡的油藏地質建模靜態參數分布預測方法。

背景技術

油藏地質建模是認識、開發地下儲層的必要環節，是對油藏規模大小、儲層參數及孔隙度、滲透率等靜態參數空間分布的高度概括。油藏地質建模充分利用鉆井資料、測井解釋等數據，以研究各種地質變量在空間中的相關性為核心，精確描述儲層性質或預測靜態參數的空間分布，為后續油藏數值模擬及開發方案制定提供基礎。通過油藏地質模型認識油藏靜態參數的空間分布，特別是孔隙度、滲透率的空間三維展布，是油田開發不可或缺的一步。

空間插值是一種基于離散的觀測數據，預測整個空間數據分布的算法，廣泛應用于許多物理場景，包括地理信息、海流、區域降水量、氣溫、土壤養分、大氣污染及地質統計。油藏地質建模基于地質統計方法，利用測井數據、鉆井數據等離散的已知數據點，基于空間插值技術預測未知的數據。隨著工程應用及研究的不斷深入，許多空間插值算法被提出并得到廣泛應用。

針對不規則間距數據點的插值問題，反距離加權算法最初被提出作為該問題的二維插值函數，用于生成連續的插值曲面。盡管反距離加權最初針對二維平面數據點插值，后逐漸被發展用于三維空間插值。反距離加權算法將空間分布關系僅僅表征為距離的函數，算法原理過于單一。克里金算法普遍認為更適用于區域化變量存在明顯空間相關性的問題，被視為線性無偏估計。克里金預測是一種源于觀測點數據的加權平均算法，權重由空間協方差或隨機過程的變異系數決定，且默認該協方差函數是靜態分布，即整個空間區域協方差函數相同。但實際物理過程往往不可能是靜態的，空間關系也不可能完全服從線性分布。克里金是高斯過程的一個特例，高斯過程亦是普遍用于空間插值的隨機過程方法，需要服從線性分布、高斯分布、靜態分布等假設。然而實際操作過程中，很難驗證這些假設的正確性，難以證明離散的數據點服從高斯分布。更重要的是，以上這些方法難以挖掘數據空間分布復雜的非線性關系，單純依靠線性加權難以表征數據在空間分布上復雜的依賴關系。

近年來，深度學習或深度神經網絡憑借高性能計算技術的發展，已在眾多領域引起了廣泛關注，并展現了神經網絡在逼近復雜非線性函數上的卓越能力。針對空間插值挖掘數據間空間復雜非線性依賴關系的問題，很多學者已經基于神經網絡展開了大量的研究，并已經在地理高程空間地形預測、地下水質量預測、地區氣溫插值、區域降水量預測等領域，證明了神經網絡在空間插值運用上的可行性。

盡管神經網絡已被廣泛應用于多個領域的空間插值問題，但針對油藏地質建模或油藏靜態參數插值的研究還沒有引起廣泛關注。一方面可能是因為油藏已知的數據點數量較少。一般都是通過鉆井、測井獲得離散的數據點，而油藏井數有限、測井位置點有限，進而導致整個油藏區域已知的測量點有限。另一方面可能是因為數據的維度有限。一般孔隙度、滲透率空間插值僅能考慮空間坐標及已知的孔滲值等有限的特征。

因此，針對傳統油藏地質建模空間插值精度低及不確定性大的問題，亟需提出一種適用于低維度特征、小數據樣本，且能深入挖掘靜態參數復雜非線性的空間依賴關系，量化地質統計空間插值不確定性的靜態參數分布預測方法。

發明內容

針對以上技術問題，本發明旨在基于近鄰神經網路，充分利用待測點鄰近的觀測點數據特征，彌補低維度的不足，提出一種油藏地質建模靜態參數分布預測的新方法。