[發明專利]一種數據驅動巖石物理建模方法及系統

在審

• 申請號: 202011480969.5
• 申請日: 2020-12-15
• 公開（公告）號: CN112651171A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 孫衛濤
• 申請（專利權）人: 清華大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06F113/08;G06F119/14
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

本發明提供一種數據驅動巖石物理建模方法及系統，該方法包括：基于有理式神經網絡，構建巖石物理模型一般表達式，所述巖石物理模型一般表達式為具有有理式函數形式的巖石物理一般化表達式；獲取測井數據集，并根據所述測井數據集訓練得到巖石物理模型表達式，所述巖石物理模型表達式用于反映對應地區的地質特征和巖性要求；基于所述巖石物理一般化表達式和所述巖石物理模型表達式，對剖面數據的直接孔隙度、孔隙流體體積模量識別預測。本發明通過測井和地震剖面相結合實現儲層參數的快速識別，使巖石物理模型應用系統更加快捷、方便。

技術領域

本發明涉及地質技術領域，尤其涉及一種數據驅動巖石物理建模方法及系統。

背景技術

利用地震數據對儲層結構、巖性、物性等參數進行建模分析的研究工作是地球物理勘探的重要方向。這些工作的共同點是：通過提取地震數據中盡可能多的有效特征，包括信號振幅、頻率、衰減等，通過數學、物理建模在特征和儲層參數(速度、孔隙度、泥質含量等)之間建立聯系，實現對儲層油氣藏的識別。

近年來，深度神經網絡已經變得非常精確并廣泛應用于許多應用領域，例如圖像識別、自然語言處理和時間序列分析。其中，時間序列分析已經成為現代社會的一門特殊的學科。特別是在大數據的情況下，利用深度學習，比如循環神經網絡、長短時記憶、自回歸神經網絡等已經得到廣泛應用。盡管深度神經網絡在許多領域都非常成功，但是它們在處理從地震巖石物理過程中采集的數據序列時仍然面臨一些瓶頸。

在勘探石油、天然氣等化石資源的過程中，通過使用測井儀器獲取井下巖層的物理參數以及測井數據。測井數據主要包括井深度，縱波速度，密度，橫波速度，伽馬曲線(代表含泥質量)，孔隙度等物理參數組成。考察隨著測井深度的增加，測井曲線物理參量也發生相應變化，反映了對應地層的巖石物理屬性。

基于測井曲線數據實現數據驅動的巖石物理建模技術，其目標是要找到一個從孔隙度、流體性質、骨架材料性質出發，預測體積模量變化的模型。自然界多種多樣的巖石具有各自不同的特征，遵循各有差別的巖石物理規律，對這些規律的建模形成了一個巖石物理模型空間，傳統理想巖石物理模型(如Gassmann方程，Biot方程，White模型，Johnson模型和斑塊飽和模型等)是該模型空間中的特定數據特征區域，具備描述該模型類別巖石的能力，但是這些傳統模型并非可以完全覆蓋整個模型空間，實踐工作中總有些數據無法被現有模型解釋。

從數據中學習巖石物理模型與傳統數據回歸/擬合存在重要區別。首先，數據擬合方法一般采用較為簡單傳統的固有模型(如線性，二次，高斯和冪律模型等)，而基于數據驅動的建模方法允許處理越來越多的通用類型的模型，甚至是現有各種模型的混合。這種新型建模方法在多個任務種取得廣泛成功。因此該方法正日益適應于科學和工程數據密集型系統的應用。

其次，數據驅動建模方法被用來發現描述和預測行為的模型的物理系統。傳統數據擬合方法更多的關注于對數據形態和分類，數據驅動建模方法基于物理上可解釋的模型，能夠解釋現有發現的數據，預測以前未觀察到的行為，提供有效的預測，并能夠被未來的實驗數據驗證。

第三，深度神經網絡算法往往面臨著外推和高度參數化等困難，使它們的預測結果難以給出解釋。許多數據驅動的建模方法已經轉而尋求更一般化和可解釋的模型，通過使用動力學系統理論來建立模型形式。

因此，現在亟需一種數據驅動巖石物理建模方法及系統來解決上述問題。

發明內容

針對現有技術存在的問題，本發明提供一種數據驅動巖石物理建模方法及系統。

本發明提供一種數據驅動巖石物理建模方法，包括：

基于有理式神經網絡，構建巖石物理模型一般表達式，所述巖石物理模型一般表達式為具有有理式函數形式的巖石物理一般化表達式；

獲取測井數據集，并根據所述測井數據集訓練得到巖石物理模型表達式，所述巖石物理模型表達式用于反映對應地區的地質特征和巖性要求；