使用神经网络推断烃储层的岩石物理特性制造技术

使用图像处理去除伪影并检索与期望的目标输出相关联的信息，来增强所接收的图像数据以创建增强的图像数据。通过相对于基于特定图像的标准将增强的图像数据分区为相干区域，来对能够使用的增强的图像数据执行图像分割以创建分割的图像数据。将能够使用的分割的图像数据和辅助数据预处理为用于输入到神经网络中的预处理数据。将预处理数据划分为训练数据子集、验证数据子集和测试数据子集。确定用来处理预处理数据的神经网络架构，并使用预处理数据来运行所确定的神经网络架构。将所确定的神经网络的输出后处理为后处理数据。将后处理数据与同后处理数据相关联的已知值范围进行比较，以确定后处理数据是否满足期望的输出结果。

Using neural network to infer petrophysical properties of hydrocarbon reservoir

【技术实现步骤摘要】
【国外来华专利技术】使用神经网络推断烃储层的岩石物理特性优先权声明本申请要求于2017年9月15日递交的美国临时申请No.62/559,024的优先权，其内容通过引用并入本文中。
技术介绍
在烃的开采中，烃储层的基本岩石物理特性包括渗透率、孔隙度、饱和度和残余烃饱和度。这些岩石物理特性可以从物理井芯推断出来，并且可以根据例如方向、位置、应力条件和流体类型而非线性地改变。了解渗透率的地层和井间分布是预测烃储层性能的关键。从各种井收集的岩石物理特性可以推广到整个生产领域，并用于推断特定烃储层的特性以及预测其性能。预测成熟烃储层中的渗透率的主要困难在于缺乏足够的数据，尤其是在使用井芯分析时。在获得井芯之后，可以从用于分析的井芯中提取的信息的质量随时间而降低(例如，由于储存、运输、环境条件和处理)。在没有准确的渗透率数据的情况下，岩石物理特性预测可能会不准确，并且导致不必要的较高的烃开采成本。
技术实现思路
本公开描述了用于使用神经网络(NN)来推断烃储层的岩石物理特性的方法和系统，包括计算机实现的方法、计算机程序产品和计算机系统。在实现方式中，使用图像处理去除伪影并检索与期望的目标输出相关联的信息，来增强所接收的图像数据以创建增强的图像数据；通过相对于基于特定图像的标准将增强的图像数据分区为相干区域，来对能够使用的增强的图像数据执行图像分割以创建分割的图像数据；将能够使用的分割的图像数据和辅助数据预处理为用于输入到神经网络中的预处理数据；将预处理数据划分为训练数据子集、验证数据子集和测试数据子集；确定用来处理预处理数据的神经网络架构；使用预处理数据来运行所确定的神经网络架构；将所确定的神经网络的输出后处理为后处理数据；以及将后处理数据与同后处理数据相关联的已知值范围进行比较，以确定后处理数据是否满足期望的输出结果。先前描述的实现方式可以使用以下方式来实现：计算机实现的方法；存储用于执行计算机实现的方法的计算机可读指令的非暂时性计算机可读介质；以及包括与硬件处理器可互操作地耦接的计算机存储器的计算机实现的系统，硬件处理器被配置为执行存储在非暂时性计算机可读介质上的计算机实现的方法/指令。本说明书中所描述的主题可以在特定实现方式中实现，以便实现以下优点中的一个或多个。第一，可以在将水泥塞(plug)(或样本)从井芯物理地移除之前，推断出整个井芯的孔隙度(例如，通常节省6至12个月)。第二，可以推断出整个井芯的流体饱和度(例如，通常为计算机断层(CT)扫描之后的分析节省6至9个月的所需时间)。第三，可以先于典型处理6至12个月推断出岩芯区域的渗透率。第四，总体而言，通常可以在岩芯测井整合处理中节省一年，并且可以节省超过45％的岩芯处理成本(例如，由于减少或消除了从井芯收集目标样本的需求以及使用目标样本来确定剖面参数的相关成本)。第五，典型样本平均耗时六个月从井芯中开采。处理岩芯样本和运行测试耗时越长，测试数据质量就越低。使用较低质量的测试数据导致分析不准确。第六，所描述的方法使用NN来分析辅助数据(例如，实验室、现场或其他数据，这些数据通常在收集之后由于明显缺乏对任何定理、物理/工程定律、计算或已建立的方程/关系的适用性而被丢弃。所述辅助数据可以包括例如在岩石物理分析或医学中使用的数据。与本公开一致的任何其他辅助数据都被认为在本公开的范围内。例如，由于下列原因，用于非稳态相对渗透率测试的数据可能包括增量式产品(incrementalproduction)：1)流体注入速率的改变；2)应力的改变；3)温度的改变；4)流体之间的反应；以及5)岩石与流体之间的反应。可以以所描述的方法将该数据输入到NN(例如，在NN输入的数据预处理阶段)。其它优点对于本领域普通技术人员将是显而易见的。在具体实施方式、权利要求书和附图中阐述本说明书的主题的一个或多个实现方式的细节。通过具体实施方式、权利要求书和附图，主题的其他特征、方面和优点将变得显而易见。附图说明本专利或申请文件包含至少一个彩色附图。含有彩色附图的本专利或专利申请公开的副本将在提出请求并支付必要的费用后由专利商标局提供。图1A至图1D示出了根据本公开的实现方式的示例方法或使用神经网络(NN)来推导烃储层的岩石物理特性的流程图。图2是根据本公开的实现方式的表示NN的基本结构的框图。图3A至图3C示出了根据本公开的实现方式的表示图像增强和图像分割之后的可用数据(用于所选NN的输入数据)的表格。图4A至图4C示出了根据本公开的实现方式的表示每个处理后的图像的孔隙度的已知值(用于所选NN的目标数据)的表格。图5A至图5B是表示根据本公开的实现方式的训练和测试所选NN但收敛失败的第一迭代结果的绘图。图6A至图6B是表示根据本公开的实现方式的训练和测试所选NN其中收敛令人满意的第二迭代结果的绘图。图7是根据本公开的实现方式的示例性计算机系统的框图，所述示例性计算机系统用于提供与本公开中所描述的算法、方法、功能、工艺、流程和程序相关联的计算功能。在各个附图中，相似的附图标记和标号指示相似的要素。具体实施方式以下具体实施方式描述了使用神经网络(NN)推断烃储层的岩石物理特性，并且被呈现为使本领域任何技术人员能够在一个或多个特定实现方式的上下文中做出和使用所公开的主题。在不背离本公开的范围的情况下，可以对所公开的实现方式做出各种修改、改动和置换，并且这些修改、改动和置换对本领域普通技术人员而言将是显而易见的，并且所定义的一般原理可以适用于其他实现方式和应用。在一些实例中，可以省略对获得所描述的主题的理解不必要的细节，从而不会因不必要的细节而混淆一个或多个所描述的实现方式，并且只要这样的细节在本领域普通技术人员的技术范围内即可。本公开并非意在限于所描述的或所示出的实现方式，而应赋予与所描述的原理和特征一致的最宽范围。对烃开采作业人员而言，提取的物理井芯最重要的价值在于提供对烃储层岩石物理特性的估计。估计的岩石物理特性可以用于估计烃存在量、烃流动容易程度、可以常规提取的烃量、使用常规提取手段后将剩余的烃量，以及剩余的烃将残留在什么位置。烃储层的基本岩石物理特性包括渗透率、孔隙度、饱和度、润湿性和残余烃饱和度。这些岩石物理特性可以从物理井芯推断出来，并且可以根据例如方向、位置、应力条件和流体类型而非线性地改变。了解渗透率的地层和井间分布是预测烃储层性能的关键。从各种井收集的岩石物理特性可以推广到整个生产领域，并用于推断特定烃储层的特性以及预测其性能。例如在成熟的储层中，预测渗透率的主要困难在于缺乏足够的数据，尤其是在使用井芯分析时。在获得井芯之后，可以从井芯中提取的信息的质量随时间而降低(例如，由于储存、运输、环境条件和处理)。在没有准确的渗透率数据的情况下，岩石物理特性预测可能会不准确，并且导致不必要的较高的烃开采成本。所需的是使用井芯图像进行如下操作的能力：·渗透率估计(例如，水平的、垂直的和定向的)，·孔隙度估计(例如，水平的、垂直的和定向的)，·泥浆本文档来自技高网...

【技术保护点】
1.一种计算机实现的方法，包括：/n使用图像处理去除伪影并检索与期望的目标输出相关联的信息，来增强所接收的图像数据以创建增强的图像数据；/n通过相对于基于特定图像的标准将所述增强的图像数据分区为相干区域，来对能够使用的增强的图像数据执行图像分割以创建分割的图像数据；/n将能够使用的分割的图像数据和辅助数据预处理为用于输入到神经网络中的预处理数据；/n将所述预处理数据划分为训练数据子集、验证数据子集和测试数据子集；/n确定用来处理所述预处理数据的神经网络架构；/n使用所述预处理数据来运行所确定的神经网络架构；/n将所确定的神经网络的输出后处理为后处理数据；以及/n将所述后处理数据与同所述后处理数据相关联的已知值范围进行比较，以确定所述后处理数据是否满足期望的输出结果。/n

【技术特征摘要】
【国外来华专利技术】20170915 US 62/559,0241.一种计算机实现的方法，包括：
使用图像处理去除伪影并检索与期望的目标输出相关联的信息，来增强所接收的图像数据以创建增强的图像数据；
通过相对于基于特定图像的标准将所述增强的图像数据分区为相干区域，来对能够使用的增强的图像数据执行图像分割以创建分割的图像数据；
将能够使用的分割的图像数据和辅助数据预处理为用于输入到神经网络中的预处理数据；
将所述预处理数据划分为训练数据子集、验证数据子集和测试数据子集；
确定用来处理所述预处理数据的神经网络架构；
使用所述预处理数据来运行所确定的神经网络架构；
将所确定的神经网络的输出后处理为后处理数据；以及
将所述后处理数据与同所述后处理数据相关联的已知值范围进行比较，以确定所述后处理数据是否满足期望的输出结果。


2.根据权利要求1所述的计算机实现的方法，其中：
图像增强基于与储层、井址或井芯条件相关联的一个或多个岩石物理特性和参数，并且对所述图像数据执行的图像增强技术的数量和顺序基于图像格式或图像尺寸而变化；并且
对所述增强的图像数据执行的图像分割技术的数量和顺序基于图像格式、图像尺寸或期望的结果而变化。


3.根据权利要求1所述的计算机实现的方法，还包括确定所述增强的图像数据和所述分割的图像数据的可用性。


4.根据权利要求1所述的计算机实现的方法，其中，根据基于从能够使用的分割的图像数据导出的数据集的数量和类型的百分比来将所接收的能够使用的分割的图像数据划分为训练子集、验证子集和测试子集以进行放置。


5.根据权利要求1所述的计算机实现的方法，还包括确定所述训练数据子集、验证数据子集和测试数据子集中能够使用的分割的图像数据是来自连续数据源还是离散数据源。


6.根据权利要求1所述的计算机实现的方法，其中，所述神经网络架构是有监督的或无监督的，其中有监督的神经网络架构包括递归或前馈神经网络类型，并且其中无监督的神经网络架构包括估计器或提取器神经网络类型。


7.根据权利要求1所述的计算机实现的方法，还包括对所述后处理数据执行附加处理，以导出其他岩石物理特性或生成新的数据关系。


8.一种存储一个或多个指令的非暂时性计算机可读介质，所述一个或多个指令能够由计算机系统运行以执行操作，所述操作包括：
使用图像处理去除伪影并检索与期望的目标输出相关联的信息，来增强所接收的图像数据以创建增强的图像数据；
通过相对于基于特定图像的标准将所述增强的图像数据分区为相干区域，来对能够使用的增强的图像数据执行图像分割以创建分割的图像数据；
将能够使用的分割的图像数据和辅助数据预处理为用于输入到神经网络中的预处理数据；
将所述预处理数据划分为训练数据子集、验证数据子集和测试数据子集；
确定用来处理所述预处理数据的神经网络架构；
使用所述预处理数据来运行所确定的神经网络架构；
将所确定的神经网络的输出后处理为后处理数据；以及
将所述后处理数据与同所述后处理数据相关联的已知值范围进行比较，以确定所述后处理数据是否满足期望的输出结果。


9.根据权利要求8所述的非暂时性计算机可读介质，其中：
图像增强基于与储层、井址或井芯条件相关联的一个或多个岩石物理特性和参数，并且对所述图像数据执行的图像增强技术的数量和顺序基于图像格式或图像尺寸而变化；并且
对所述增强的图像数据执行的图像分割技术的数量和顺序基于图像格式、图像尺寸或期望的结果而变化。


10.根据权利要求8所述的非暂时性计算机可读介质，还包括一个或多个指令，...

【专利技术属性】
技术研发人员：穆斯塔法·哈基穆丁，
申请(专利权)人：沙特阿拉伯石油公司，
类型：发明
国别省市：沙特阿拉伯;SA