一种数据驱动岩石物理建模方法及系统技术方案

本发明专利技术提供一种数据驱动岩石物理建模方法及系统，该方法包括：基于有理式神经网络，构建岩石物理模型一般表达式，所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式；获取测井数据集，并根据所述测井数据集训练得到岩石物理模型表达式，所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求；基于所述岩石物理一般化表达式和所述岩石物理模型表达式，对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。本发明专利技术通过测井和地震剖面相结合实现储层参数的快速识别，使岩石物理模型应用系统更加快捷、方便。方便。方便。

【技术实现步骤摘要】
一种数据驱动岩石物理建模方法及系统


[0001]本专利技术涉及地质
，尤其涉及一种数据驱动岩石物理建模方法及系统。

技术介绍

[0002]利用地震数据对储层结构、岩性、物性等参数进行建模分析的研究工作是地球物理勘探的重要方向。这些工作的共同点是：通过提取地震数据中尽可能多的有效特征，包括信号振幅、频率、衰减等，通过数学、物理建模在特征和储层参数(速度、孔隙度、泥质含量等)之间建立联系，实现对储层油气藏的识别。
[0003]近年来，深度神经网络已经变得非常精确并广泛应用于许多应用领域，例如图像识别、自然语言处理和时间序列分析。其中，时间序列分析已经成为现代社会的一门特殊的学科。特别是在大数据的情况下，利用深度学习，比如循环神经网络、长短时记忆、自回归神经网络等已经得到广泛应用。尽管深度神经网络在许多领域都非常成功，但是它们在处理从地震岩石物理过程中采集的数据序列时仍然面临一些瓶颈。
[0004]在勘探石油、天然气等化石资源的过程中，通过使用测井仪器获取井下岩层的物理参数以及测井数据。测井数据主要包括井深度，纵波速度，密度，横波速度，伽马曲线(代表含泥质量)，孔隙度等物理参数组成。考察随着测井深度的增加，测井曲线物理参量也发生相应变化，反映了对应地层的岩石物理属性。
[0005]基于测井曲线数据实现数据驱动的岩石物理建模技术，其目标是要找到一个从孔隙度、流体性质、骨架材料性质出发，预测体积模量变化的模型。自然界多种多样的岩石具有各自不同的特征，遵循各有差别的岩石物理规律，对这些规律的建模形成了一个岩石物理模型空间，传统理想岩石物理模型(如Gassmann方程，Biot方程，White模型，Johnson模型和斑块饱和模型等)是该模型空间中的特定数据特征区域，具备描述该模型类别岩石的能力，但是这些传统模型并非可以完全覆盖整个模型空间，实践工作中总有些数据无法被现有模型解释。
[0006]从数据中学习岩石物理模型与传统数据回归/拟合存在重要区别。首先，数据拟合方法一般采用较为简单传统的固有模型(如线性，二次，高斯和幂律模型等)，而基于数据驱动的建模方法允许处理越来越多的通用类型的模型，甚至是现有各种模型的混合。这种新型建模方法在多个任务种取得广泛成功。因此该方法正日益适应于科学和工程数据密集型系统的应用。
[0007]其次，数据驱动建模方法被用来发现描述和预测行为的模型的物理系统。传统数据拟合方法更多的关注于对数据形态和分类，数据驱动建模方法基于物理上可解释的模型，能够解释现有发现的数据，预测以前未观察到的行为，提供有效的预测，并能够被未来的实验数据验证。
[0008]第三，深度神经网络算法往往面临着外推和高度参数化等困难，使它们的预测结果难以给出解释。许多数据驱动的建模方法已经转而寻求更一般化和可解释的模型，通过使用动力学系统理论来建立模型形式。
[0009]因此，现在亟需一种数据驱动岩石物理建模方法及系统来解决上述问题。

技术实现思路

[0010]针对现有技术存在的问题，本专利技术提供一种数据驱动岩石物理建模方法及系统。
[0011]本专利技术提供一种数据驱动岩石物理建模方法，包括：
[0012]基于有理式神经网络，构建岩石物理模型一般表达式，所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式；
[0013]获取测井数据集，并根据所述测井数据集训练得到岩石物理模型表达式，所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求；
[0014]基于所述岩石物理一般化表达式和所述岩石物理模型表达式，对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
[0015]根据本专利技术提供的一种数据驱动岩石物理建模方法，所述基于有理式神经网络，构建岩石物理模型一般表达式，包括：
[0016]计算固体骨架体积模量、孔隙流体体积模和孔隙度满足的通用表达式；
[0017]基于有理式函数神经网络，构造关于所述有理式函数神经网络的训练和学习算法，并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式。
[0018]根据本专利技术提供的一种数据驱动岩石物理建模方法，所述通用表达式为：
[0019][0020]其中，是自变量，含流体孔隙介质体积模量是的函数，c和d是多项式和的系数，是误差函数，p和q表示分子和分母多项式的阶数。
[0021]根据本专利技术提供的一种数据驱动岩石物理建模方法，所述基于有理式函数神经网络，构造关于所述有理式函数神经网络的训练和学习算法，并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式，包括：
[0022]生成有理式函数神经网络输入层数据，并初始化所述有理式神经网络的权系数；
[0023]对所述有理式函数神经网络的参数进行训练，构建岩石物理模型一般表达式。
[0024]根据本专利技术提供的一种数据驱动岩石物理建模方法，所述获取测井数据集，并根据所述测井数据集训练得到岩石物理模型表达式，包括：
[0025]获取测井数据集，并根据所述测井数据集确定待拟合的函数项；
[0026]根据所述待拟合的函数项进行参数估计，以得到岩石物理模型对应测井数据集的最优化表达形式。
[0027]根据本专利技术提供的一种数据驱动岩石物理建模方法，所述基于所述岩石物理一般化表达式和所述岩石物理模型表达式，对剖面数据的直接孔隙度、孔隙流体体积模量识别预测，包括：
[0028]基于建立的神经网络岩石物理模型，建立弹性参数与储层参数之间的非线性关系；
[0029]加载剖面数据，利用迭代算法得到剖面数据对应储层孔隙度和流体体积模量。
[0030]根据本专利技术提供的一种数据驱动岩石物理建模方法，所述剖面数据包括：纵波阻抗数据、纵横波速度比数据、密度数据以及横波阻抗数据。
[0031]本专利技术还提供一种数据驱动岩石物理建模系统，包括：
[0032]一般表达式模型建立模块，用于基于有理式神经网络，构建岩石物理模型一般表达式，所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式；
[0033]岩石物理模型表达式建立模块，用于获取测井数据集，并根据所述测井数据集训练得到岩石物理模型表达式，所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求；
[0034]识别预测模块，用于基于所述岩石物理一般化表达式和所述岩石物理模型表达式，对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。
[0035]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述数据驱动岩石物理建模方法的步骤。
[0036]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述数据驱动岩石物理建模方法的步骤。
[0037]本专利技术提供的数据驱动岩石物理建模方法及系统，可以开发基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动岩石物理建模方法，其特征在于，包括：基于有理式神经网络，构建岩石物理模型一般表达式，所述岩石物理模型一般表达式为具有有理式函数形式的岩石物理一般化表达式；获取测井数据集，并根据所述测井数据集训练得到岩石物理模型表达式，所述岩石物理模型表达式用于反映对应地区的地质特征和岩性要求；基于所述岩石物理一般化表达式和所述岩石物理模型表达式，对剖面数据的直接孔隙度、孔隙流体体积模量识别预测。2.根据权利要求1所述的数据驱动岩石物理建模方法，其特征在于，所述基于有理式神经网络，构建岩石物理模型一般表达式，包括：计算固体骨架体积模量、孔隙流体体积模和孔隙度满足的通用表达式；基于有理式函数神经网络，构造关于所述有理式函数神经网络的训练和学习算法，并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式。3.根据权利要求2所述的数据驱动岩石物理建模方法，其特征在于，所述通用表达式为：其中，是自变量，含流体孔隙介质体积模量是的函数，c和d是多项式和的系数，是误差函数，p和q表示分子和分母多项式的阶数。4.根据权利要求2所述的数据驱动岩石物理建模方法，其特征在于，所述基于有理式函数神经网络，构造关于所述有理式函数神经网络的训练和学习算法，并按照所述有理式函数神经网络的训练和学习算法构建岩石物理模型一般表达式，包括：生成有理式函数神经网络输入层数据，并初始化所述有理式神经网络的权系数；对所述有理式函数神经网络的参数进行训练，构建岩石物理模型一般表达式。5.根据权利要求1所述的数据驱动岩石物理建模方法，其特征在于，所述获取测井数据集，并根据所述测井数据集训练得到岩石物理模型表达式，包括：获取测井数据集，并根据...

【专利技术属性】
技术研发人员：孙卫涛，
申请(专利权)人：清华大学，
类型：发明
国别省市：