一种基于深度学习的致密砂岩储层流体识别方法技术

本发明专利技术提供了一种基于深度学习的致密砂岩储层流体识别方法，首先对研究区测井数据的层内各点特征进行预处理并拼接成样本；针对层内深度不同的样本进行深度统一化处理；将样本输入卷积神经网络提取高维非线性测井特征；使用双向长短期记忆神经网络进一步融合卷积神经网络输出的特征映射，进一步学习测井数据的多尺度特征；致密砂岩储层流体识别模型输出识别结果。该方案利用了储层之间的相关性，能有效提高储层识别精度。效提高储层识别精度。效提高储层识别精度。

【技术实现步骤摘要】
一种基于深度学习的致密砂岩储层流体识别方法


[0001]本专利技术涉及属于计算机智能学习领域，具体地说，涉及一种基于CNN和Bi
‑
LSTM结合的储层流体识别方法。

技术介绍

[0002]近年来深度学习被广泛应用于地质建模以及油藏描述中且已取得比传统统计学方法更为优异的效果。如CNN，Transformer，LSTM等可用于地质参数估计、地层边界确定和岩性识别等方面。
[0003]CNN具有良好的容错能力、并行处理能力和自学习能力，它可以从简单数据中提取复杂特征，并逐层抽象来建立高维度的映射关系，可用于解决复杂的非线性地质问题。Bi
‑
LSTM则可结合双向的深度信息，更好的把握地质信息中的双向关联规则，从而准确的识别储层性质。
[0004]本专利在数据特征提取的方面提出了新的样本构造方法，并且结合了地质信息之间的关联性对提取特征进行了有效的利用，从而改进算法模型，能够有效地提高识别精度。

技术实现思路

[0005]本专利技术基于目前测井数据样本难以提取有效测井特征并且无法有效利用储层之间相关性等问题，提供了一种基于深度学习的致密砂岩储层流体识别方法，在对样本进行了高维特征提取后，再加入双向长短期记忆神经网络进行识别，二者相互结合，能够有效地提高识别精度。
[0006]本专利技术具体内容如下：一种基于深度学习的致密砂岩储层流体识别方法，包括了测井数据集建立、样本深度统一化、卷积提取高维特征和建立关联模型识别四个步骤：
[0007]步骤S1：选取研究区域的测井数据构成数据集，并对测井数据进行分层，按层内各点的特征进行拼接，合成样本；
[0008]步骤S2：由于存在样本深度不同的问题，不符合输入网络的要求，针对深度不同的样本进行深度统一化操作；
[0009]步骤S3：将样本输入卷积神经网络，提取高维非线性测井特征；
[0010]步骤S4：根据提取的高维特征以及储层数据的相关性，利用双向长短期记忆神经网络进一步学习测井数据的多尺度特征，建立储层识别模型，并输出识别结果。
[0011]为了更好的实现本专利技术，进一步的，所述步骤S1，具体还包括以下步骤：
[0012]步骤S1.1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点；
[0013]步骤S1.2：根据特征相关性分析以及专业知识的指导，筛选出储层识别敏感的特征，最终选取了如下12个特征：PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD；
[0014]步骤S1.3：根据井号层号的不同，将属于同一层的数据点的特征按行进行拼接，共得131个样本。
[0015]为了更好的实现本专利技术，进一步的，所述步骤S2，具体还包括以下步骤：
[0016]步骤S2.1：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12
×
12，在进行样本合成后，所得样本深度并不一致，因此在输入网络前需要对样本深度进行统一化操作；
[0017]步骤S2.2：通过双线性插值方法将样本宽高统一到12
×
12的大小；设P点为待求特征，Q11、Q12、Q21、Q22为四邻近特征，通过Q12，Q22线性插值得到R1，通过Q11，Q21线性插值得到R2，再通过R1，R2线性插值得到P点特征值；
[0018]为了更好的实现本专利技术，进一步的，所述步骤S3，具体还包括以下步骤：
[0019]步骤S3.1：根据步骤S2得到的样本，使用了两对卷积层和池化层进行特征提取，第1个卷积层上使用较大的卷积核以获取更多视野，卷积核大小设置为5，步长为1，使用了32个卷积核；池化层对第1个卷积进行池化，尺寸为3
×
3，步长为2；
[0020]步骤S3.2：进行第2次卷积池化，卷积核大小设置为3，步长为1，使用了64个卷积核；池化层对第2个卷积进行池化，尺寸为3
×
3，步长为2；通过两次卷积池化得到测井数据的高维非线性特征；
[0021]为了更好的实现本专利技术，进一步的，所述步骤S4，具体还包括以下步骤：
[0022]步骤S4.1：测井数据中的各层并不相互独立，在深度关系上存在着一定的相互依存关系，为对各层之间在不同深度下的关联度进行分析，找出内在联系，采用自相关分析方法进行分析；设有序列X
t
,t＝1,2,3,...，则在时刻t和滞后n阶t+n之间的相关即为n阶自相关，其定义为：
[0023]步骤S4.2：通过分析得到测井数据在深度上存在着向前以及向后的相关性，根据提取的高维特征建立双向长短期记忆神经网络；
[0024]步骤S4.3：卷积层与双向长短期记忆神经网络层之间采取全连接层来调整提取的特征向量大小，设全连接层有256个节点，双向长短期记忆神经网络有128个节点，模型输出大小为6，分别对应各个储层类别的概率；学习率设置为0.001，同时为避免过拟合，在全连接层设置了0.5的dropout；
[0025]本专利技术与现有技术相比有以下优点和有益效果：
[0026]1)：可有效提取测井数据的高维特征；
[0027]2)：着重考虑了储层间的深度关系。
[0028]3)：识别精度相对一般储层识别模型有所提高。
附图说明
[0029]图1为本专利技术的识别方法整体流程图。
具体实施方式：
[0030]为了更清楚地说明本专利技术实施例的技术方案,下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本专利技术的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基
于本专利技术中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。
[0031]实施例1：(以识别李25井38号为例)
[0032]一种基于机器学习的致密砂岩储层流体识别方法，结合图1所示，包括了测井数据预处理并选取合适特征、平衡样本数量、数据分析和建模识别四个步骤：
[0033]步骤S1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点。选取合适的特征，确定特征数据，选取PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD作为特征。
[0034]步骤S2：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12
×
12。通过双线性插值方法将样本宽高统一到12
×
12的大小。
[0035]步骤S3：使用了两对卷积层和池化层进行特征提取，第1个卷积层卷积核大小设置为5，步长为1，使用了32个卷积核。池化层对第1个卷积进行池化，尺寸为3
×
3，步长为2。进行第2次卷积池化，卷积核大小设置为3，步长为1，使用了6本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的致密砂岩储层流体识别方法，包括以下步骤：步骤S1：选取研究区域的测井数据构成数据集，并对测井数据进行分层，按层内各点的特征进行拼接，合成样本；步骤S2：由于存在样本深度不同的问题，不符合输入网络的要求，针对深度不同的样本进行深度统一化操作；步骤S3：将样本输入卷积神经网络，提取高维非线性测井特征；步骤S4：根据提取的高维特征以及储层数据的相关性，利用双向长短期记忆神经网络进一步学习测井数据的多尺度特征，建立储层识别模型，并输出识别结果。2.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其主要特征在于：所述步骤S1包括以下步骤：步骤S1.1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点；步骤S1.2：根据特征相关性分析以及专业知识的指导，筛选出储层识别敏感的特征，最终选取了如下12个特征：PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD；步骤S1.3：根据井号层号的不同，将属于同一层的数据点的特征按行进行拼接，共得131个样本。3.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其主要特征在于：所述步骤S2包括以下步骤：步骤S2.1：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12
×
12，在进行样本合成后，所得样本深度并不一致，因此在输入网络前需要对样本深度进行统一化操作；步骤S2.2：通过双线性插值方法将样本宽高统一到12
×
12的大小；设P点为待求特征，Q11、Q12、Q21、Q22为四邻近特征，通过Q12，Q22线性插值得到R1，通过Q11...

【专利技术属性】
技术研发人员：易军，郑滋觉，文宏川，蔡昆，陈凯，漆仲黎，周伟，赖富强，黄兆辉，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：