[發明專利]一種基于深度學習的儲層特征預測方法及模型

在審

• 申請號: 202110694823.9
• 申請日: 2021-06-22
• 公開（公告）號: CN113359212A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 周長林;劉飛;李力;陳偉華;張華禮;付艷;曾嶸;官文婷;張丹丹;汪曉星
• 申請（專利權）人: 中國石油天然氣股份有限公司
• 主分類號: G01V11/00
• 分類號: G01V11/00;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 林菲菲

本發明公開了一種基于深度學習的儲層特征預測方法，包括：獲取測井數據訓練集；構建卷積神經網絡和加入了注意力層的前后向長短時記憶神經網絡，并結合兩者進行序列建模，生成多模Bi?LSTM模型；將所述訓練集輸入多模Bi?LSTM模型，采用聯和訓練的方式對其進行訓練，對卷積神經網絡和加入了注意力層的前后向長短時記憶神經網絡的參數進行聯合優化；將實際測井數據輸入訓練后的多模Bi?LSTM模型，并通過該模型預測得到儲層特征的預測結果。本發明利用雙向長短時記憶能高效精準地進行時間序列預測的優點，再加上注意力機制層，彌補了卷積神經網絡處理有序列相關性數據的不足，能夠精準地預測不同深度儲層的孔隙度和滲透率等儲層特征。

技術領域

本發明涉及儲層改造技術領域，具體涉及一種基于深度學習的儲層特征預測方法及模型。

背景技術

隨著人類社會對清潔能源需求不斷擴大，低滲透、特低滲透等低品位油氣儲量的開發動用以及21世紀以來美國的頁巖氣革命和致密油大突破，傳統意義上的儲層改造技術從采油過程中的一項附屬工藝，已經發展為一項和物探、鉆井同等重要的系統工程。目前常用的兩類儲層改造技術為壓裂改造技術和酸化改造技術。運用壓裂或者酸化技術進行儲層改造時，為了在保證裂縫穩定性、復雜性，以及保護儲層結構的前提下改善儲層的孔隙度和滲透率以提高產量，需要針對不同特征的儲層制定合適的改造方案，精確地預測出儲層的原始孔隙度和滲透率是儲層改造的重要前提之一。所以建立一套科學系統且合理的方法技術對儲層數據進行預測，對油氣田能進行合理高效的儲層改造和實現生產優化管理具有重要的意義。

對于目前傳統的儲層預測技術，例如套用經驗公式和簡單的地質模型來預測未知層段的儲層參數這類方法來說，由于其難以應付測井數據的復雜非線性關聯，很難滿足油氣田開發階段的需要。隨著近年來人工智能的不斷發展和應用，其領域中的各個研究熱點特別是深度學習為地質儲層參數預測方法提供了新的思路和途徑。目前已經有利用卷積神經網絡(Convolutional Neural Networks，CNN)特有的局部卷積、權值共享網絡結構特性對儲層的孔隙度進行預測的方法。

卷積神經網絡的基本結構包括兩種特殊的神經元層，其一為卷積層，每個神經元的輸入與前一層的局部相連，并提取該局部的特征；其二是池化層，用來求局部敏感性與二次特征提取的計算層。卷積神經網絡的整個網絡由輸入層、一對或多對交替相連的卷積層和池化層、全連接層以及輸出層組成。以圖像識別為例，卷積神經網絡過程：輸入層通過3個卷積核進行卷積得到卷積層C1，卷積后產生3個特征圖，然后每個特征圖中每4個像素再進行池化，得到3個池化層S1。同樣，S1層再經過特定組合的9個多層卷積核進行卷積得到9個C2層，經過池化生成9個S2層。最終，這些像素值被光柵化，連接成一個向量輸入到傳統的神經網絡，即通過一個全連接層得到輸出。在卷積層和池化層中有若干個特征圖，每個特征圖都與其前一層特征圖相連接。

目前已提出的方法分別構建了卷積神經網絡模型，將輸入和輸出數據模擬成像素點通過卷積神經網絡訓練儲層特征。卷積神經網絡模型有像素輸入層、卷積特征層和傳統神經網絡輸出層這3層結構。像素輸入層為聲波、密度、中子和自然伽馬4種測井參數組成的2*2像素點。卷積特征層中設置了4個2*2參數的卷積核k以及偏置b，激活函數選擇Sigmoid函數。卷積作用是為了提取4種輸入參數分別對最終輸出孔隙度影響度的特征，并通過4個卷積核來表現。傳統神經網絡輸出層將特征層的4個特征作為輸入，設置權值和偏置，最終得到一個輸出。最后將油井的測井數據輸入到模型中得到孔隙度的輸出結果。

該方法能夠有效的進行數據特征提取，但未把數據的本身序列相關性利用上，從而在預測同一測井不同深度段、以及不同測井的孔隙度、滲透率等儲層特征時預測精度較低。具體的，隨著測井深度的不同，儲層特征發生了改變。不同深度的測井數據可以看作一個序列相關數據，這些不同深度的儲層之間的不同特征是具有一定的序列相關性的，而卷積神經網絡實質上是對某一特定的特征進行識別，常用于靜態輸出，沒有記憶功能，所以對于一個序列的前后關聯性的處理能力并不理想，導致了在預測不同深度的儲層特征時出現預測精度較低的問題。

發明內容