复杂岩性识别方法、识别系统、电子设备及存储介质与流程

    专利查询2025-01-14  23



    1.本发明涉及油气地质研究领域,属于油气勘探中的测井评价技术领域。更具体地,涉及一种基于测井曲线的复杂岩性识别方法、识别系统、电子设备及存储介质。


    背景技术:

    2.目前利用测井数据进行岩性解释的方法主要分为:蛛网图、交会图版、多分辨率图聚类以及决策树、随机森林等机器学习方法。
    3.蛛网图为一种定性方法,主要根据不同岩性测井响应特征差异来定性划分岩性(张涛等,2016)。交会图版法在划分某种岩性只能利用部分测井信息,对于复杂储层,精度不够高(匡立春等,2013)。多分辨率图聚类方法为一种无监督/半监督方法,在岩性合并时需要依据处理人员经验(毛永强等,2019)。机器学习方法具有数据高度自动化、智能化的特征,能自动提取测井数据隐含的岩石物理特征,能较好的用于岩性识别。
    4.但是,目前常用的基于机器学习的岩性识别方法(如决策树(李洪奇等,2010)、支持向量机(李洪奇等,2009)、随机森林、神经网络、一维卷积神经网络等)只用到单深度点的测井曲线信息,且没有考虑到不同测井曲线分辨率的问题,对复杂薄互层岩性识别仍存在一定问题。
    5.因此,有必要开发一种基于测井曲线的复杂岩性识别方法、识别系统、电子设备以及存储介质。
    6.公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。


    技术实现要素:

    7.本发明提出了一种基于测井曲线的复杂岩性识别方法、识别系统、电子设备及存储介质。本发明通过提取测井曲线的多重信息,并采用机器学习的方法建立岩性识别模型,利用岩性识别模型识别复杂岩性。
    8.根据本发明的第一方面,公开了一种复杂岩性识别方法,包括:
    9.构建二维卷积神经网络;
    10.利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;
    11.利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。
    12.进一步地,根据测井曲线的纵向分辨率及测井仪器采样间隔,选取窗长w使得窗长包含所选测井曲线的最小纵向分辨率,对每个深度点建立特征矩阵a:
    13.a=w*(l+2)
    14.其中,w代表窗长,l代表分解尺度。
    15.进一步地,根据不同测井曲线的纵向分辨率,建立相应的权重函数,并对特征矩阵的信号进行滤波,得到该深度点的特征矩阵a*。
    16.进一步地,选择合适的小波函数和分解尺度l,对所有岩性识别曲线进行小波包分解,提取不同分解层的小波近似系数,并用小波近似系数重构得到不同分辨率的特征曲线。
    17.进一步地,根据测井响应特征及岩石物理原理,对敏感测井曲线进行组合及计算曲线梯度建立所述岩性识别曲线。
    18.进一步地,通过分析研究区测井曲线的测井响应特征,确定所述敏感测井曲线。
    19.进一步低,该方法还包括通过对高频信号增强后重建信号,提高特征曲线的纵向分辨率。
    20.根据本发明的第二方面,公开一种复杂岩性识别系统,包括:
    21.构建模块,用于构建二维卷积神经网络;
    22.训练模块,利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;
    23.识别模块,利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。
    24.根据本发明的第三方面,公开一种电子设备,所述电子设备包括:
    25.存储器,存储有可执行指令;
    26.处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的复杂岩性识别方法。
    27.根据本发明的第四方面,公开一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的复杂岩性识别方法。
    28.本发明通过提取测井曲线的多重信息,考虑到测井资料的纵向分辨率差异,建立深度窗内的测井信息矩阵作为特征矩阵,采用2维卷积神经网络建立岩性识别模型,该方法能较准确的识别复杂岩性储层的岩性,比其他方法如交会图、多分辨率图聚类、支持向量机、神经网络等精度更高。
    附图说明
    29.通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
    30.图1为本发明的复杂岩性识别方法的流程图。
    31.图2为本发明实施例的基于测井曲线的复杂岩性识别方法的示意图。
    32.图3为本发明实施例的测井曲线小波包分解的示意图。
    33.图4为本发明实施例的某一储层段声波时差测井曲线及通过小波分解、重构、标准化后的曲线。
    34.图5为本发明实施例的权重函数示意图。
    35.图6为本发明实施例的一个深度窗长内标准化后的声波时差和补偿中子曲线及权重函数滤波后的曲线。
    36.图7为本发明实施例的cnn结构示意图。
    37.图8为本发明实施例的岩性识别成果图。
    具体实施方式
    38.下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
    39.岩性识别是石油地质研究、储层分类评价的重要基础。对于薄互层复杂岩性储层,岩性识别难。本发明提供一种基于测井曲线的复杂岩性识别方法,通过构建2维卷积神经网络,训练网络参数,得到岩性自动识别网络模型。
    40.如图1所示,本发明的复杂岩性识别方法,包括:
    41.构建二维卷积神经网络;
    42.利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;
    43.利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。
    44.本发明的复杂岩性识别方法,通过构建2维卷积神经网络,利用深度窗内的测井信息矩阵作为特征矩阵来训练网络参数,从而获得岩性自动识别网络模型,最后利用岩性自动识别网络模型对测井数据进行岩性预测,获得多井复杂岩性识别结果。
    45.进一步地,本发明的方法中,可以首先分析岩性测井响应特征,确定敏感测井曲线;对敏感测井曲线进行组合及计算曲线梯度,建立新的岩性识别曲线。进一步地,可以选择合适的参数进行小波包分解,对近似系数和处理后的细节系数重建,得到不同分辨率的岩性识别曲线。进一步地,还可以通过对高频信号增强后重建信号,提高特征曲线的纵向分辨率。
    46.进一步地,在本发明的复杂岩性识别方法中,可以根据测井曲线的纵向分辨率及测井仪器采样间隔,选取窗长w使得窗长包含所选测井曲线的最小纵向分辨率,对每个深度点建立特征矩阵a:
    47.a=w*(l+2)
    48.其中,w代表窗长,l代表分解尺度。
    49.更优选地,可以根据不同测井曲线的纵向分辨率,建立相应的权重函数,并对特征矩阵的信号进行滤波,得到该深度点的特征矩阵a*。利用特征矩阵a*来训练网络参数,进一步考虑了测井资料的纵向分辨率差异,因此识别精度更高。
    50.本发明还提供一种复杂岩性识别系统,包括:
    51.构建模块,用于构建二维卷积神经网络;
    52.训练模块,利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;
    53.识别模块,利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。
    54.本发明还提供一种电子设备,电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述的复杂岩性识别方法。
    55.本发明还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程
    序,该计算机程序被处理器执行时实现上述的复杂岩性识别方法。
    56.为便于理解本发明实施例的方案及其效果,以下给出四个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
    57.实施例1
    58.如图2所示,本实施例提供一种基于测井曲线的复杂岩性识别方法,该方法包括:
    59.s101:对研究区测井曲线预处理,例如常进行环境校正,分析岩性测井响应特征,确定敏感测井曲线。具体地,可以通过岩石物理原理(测井曲线的地质含义)、交会图、不同岩性的测井响应的统计特征等确定敏感测井曲线。
    60.s102:根据测井响应特征及岩石物理原理,对确定的敏感测井曲线进行组合(例如,可以通过作差、作商、相乘、取对数等数学变换组合)及计算曲线梯度,建立新的岩性识别曲线。在本实施例中,把每一种敏感曲线随深度点的差分值作为曲线的梯度。
    61.s103:选择合适的小波函数和分解尺度l,对所有新的岩性识别曲线进行小波包分解,提取不同分解层的小波近似系数,并用这些近似系数重构得到不同分辨率的特征曲线。在本实施例中,每一种敏感测井曲线可以视为一个特征向量。图3示出了测井曲线小波包分解示意图。图4示出了本实施例中某一储层段声波时差测井曲线及通过小波分解、重构、标准化后的曲线。
    62.优选地,本实施例通过对高频信号增强后重建信号,提高曲线的纵向分辨率。
    63.s104:根据选取的测井曲线的纵向分辨率及测井仪器采样间隔,选取合适的窗长w(例如,使得窗长包含所选曲线的最小纵向分辨率),对每个深度点建立特征矩阵a=w*(l+2),其中w代表窗长,l代表分解尺度。
    64.s105:根据不同测井曲线的纵向分辨率,建立相应的权重函数p,并对特征矩阵的信号进行滤波,得到该深度点的特征矩阵a*。图5给出了本实施例的权重函数,图6示出了本实施例中一个深度窗长内标准化后的声波时差和补偿中子曲线及权重函数滤波后的曲线。图6中对应的w=7,数据的采样间隔为0.1米,对应的最小纵向分辨率为0.7米,本实施例中采用的分解尺度l=8。
    65.s106:构建2维卷积神经网络,以每一个深度点的特征矩阵a*为输入,以每一个深度点的岩性编码结果b为输出,训练网络参数,得到岩性自动识别网络模型。图7示出了本实施例的cnn结构示意图,是本实施例中构建的2维卷积网络,对应的是一个深度点的网络模型。在图7中,n表示n个岩性识别曲线,即n个输入特征,c列是输出b,可以理解为b矩阵为1~c这c种岩性类别的编码结果,如b=[1,0,

    ,0]或b=[0,1,

    ,0]等。conv1采用p1个r1*r1的卷积核与初始数据体做卷积,并对得到的数据体做充填,使得数据维度和原始数据一致,即w*(l+2),进一步,采用relu函数作为激活函数,得到p1*w*(l+2)数据体。类似地,conv2采用p2个r2*r2的卷积核与p1*w*(l+2)数据体做卷积,并充填及采用relu激活函数处理,得到p2*w*(l+2)数据体。对数据体采用dropout、标准化及拉平,得到w*(l+2)*p2的一维矩阵。采用一个全连接层(标准化后采用sigmoid作为激活函数)对数据体处理得到p3一维矩阵,进一步采用softmax作为激活函数得到最终分类结果。
    [0066]
    s107:用训练好的模型对待测数据库中的数据进行岩性预测,如图8所示:第一道为原始自然伽马曲线及不同分辨率自然伽马曲线,第二道为中子、密度和声波时差曲线,第
    三道为电阻率曲线,第四道为中子和密度曲线重叠结果,第五道为声波和电阻率曲线重叠结果,第六道为中子和电阻率曲线重叠结果,第七道为岩心描述的岩性类别,第八道flag(实线)为岩心描述岩性类别,flag_cnn(虚线)为采用本专利提出的方法预测的岩性类别。由图可看出岩心描述的岩性类别和预测岩性类别一致性较好。
    [0067]
    实施例2
    [0068]
    本实施例提供一种复杂岩性识别系统,包括:
    [0069]
    构建模块,用于构建二维卷积神经网络;
    [0070]
    训练模块,利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;
    [0071]
    识别模块,利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。
    [0072]
    实施例3
    [0073]
    本实施例提供一种电子设备,电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述的复杂岩性识别方法。
    [0074]
    根据本公开实施例的电子设备包括存储器和处理器。
    [0075]
    该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
    [0076]
    该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
    [0077]
    本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
    [0078]
    有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
    [0079]
    实施例4
    [0080]
    本实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的复杂岩性识别方法。
    [0081]
    根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
    [0082]
    上述计算机可读存储介质包括但不限于:光存储介质(例如:cd-rom和dvd)、磁光存储介质(例如:mo)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置rom的媒体(例如:rom盒)。
    [0083]
    本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
    [0084]
    以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也
    不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

    技术特征:
    1.一种复杂岩性识别方法,其特征在于,包括:构建二维卷积神经网络;利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。2.根据权利要求1所述的复杂岩性识别方法,其特征在于,根据测井曲线的纵向分辨率及测井仪器采样间隔,选取窗长w使得窗长包含所选测井曲线的最小纵向分辨率,对每个深度点建立特征矩阵a:a=w*(l+2)其中,w代表窗长,l代表分解尺度。3.根据权利要求2所述的复杂岩性识别方法,其特征在于,进一步地根据不同测井曲线的纵向分辨率,建立相应的权重函数,并对特征矩阵的信号进行滤波,得到该深度点的特征矩阵a*。4.根据权利要求2所述的复杂岩性识别方法,其特征在于,选择合适的小波函数和分解尺度l,对所有岩性识别曲线进行小波包分解,提取不同分解层的小波近似系数,并用小波近似系数重构得到不同分辨率的特征曲线。5.根据权利要求4所述的复杂岩性识别方法,其特征在于,根据测井响应特征及岩石物理原理,对敏感测井曲线进行组合及计算曲线梯度建立所述岩性识别曲线。6.根据权利要求5所述的复杂岩性识别方法,其特征在于,通过分析研究区测井曲线的测井响应特征,确定所述敏感测井曲线。7.根据权利要求4所述的复杂岩性识别方法,其特征在于,进一步包括通过对高频信号增强后重建信号,提高特征曲线的纵向分辨率。8.一种复杂岩性识别系统,其特征在于,包括:构建模块,用于构建二维卷积神经网络;训练模块,利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;识别模块,利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。9.一种电子设备,其特征在于,所述电子设备包括:存储器,存储有可执行指令;处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-7中任一项所述的复杂岩性识别方法。10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的复杂岩性识别方法。

    技术总结
    公开了一种复杂岩性识别方法、识别系统、电子设备及存储介质。复杂岩性识别方法包括:构建二维卷积神经网络;利用测井曲线的每一个深度点的特征矩阵作为输入,以每一个深度点的岩性编码结果作为输出,训练网络参数,得到岩性自动识别网络模型;利用所述岩性自动识别网络模型,对测井数据进行岩性预测,获得多井复杂岩性识别结果。本发明通过提取测井曲线的多重信息,考虑到测井资料的纵向分辨率差异,建立深度窗内的测井信息矩阵作为特征矩阵,采用2维卷积神经网络建立岩性识别模型,该方法能较准确的识别复杂岩性储层的岩性,比其他方法如交会图、多分辨率图聚类、支持向量机、神经网络等精度更高。络等精度更高。络等精度更高。


    技术研发人员:刘秘 李军 胡松 李浩 邹友龙 张军 路菁 南泽宇 刘坤
    受保护的技术使用者:中国石油化工股份有限公司石油勘探开发研究院
    技术研发日:2020.11.04
    技术公布日:2022/5/25
    转载请注明原文地址:https://tc.8miu.com/read-25870.html

    最新回复(0)