一种页岩储层“甜点”信息人工智能预测方法技术

本发明专利技术公开了一种页岩储层“甜点”信息人工智能预测方法，包括以下步骤：步骤1、数据的预处理：对测井数据和地震数据进行清洗、归一化与均衡化处理；步骤2、构建卷积神经网络：根据输入特征及输出结果的形式确定网络结构；步骤3、基于测井数据训练“甜点”参数预测模型；步骤4、基于地震数据的“甜点”参数三维预测，生成数据体，利用专业地震数据可视化软件分析结果，评价页岩“甜点”分布情况。本发明专利技术利用一维卷积神经网络实现储层“甜点”参数TOC、PHI和GAS的预测，充分利用CNN非线性表征能力强、不易陷入局部最优解的优势，大大提高了“甜点”参数预测精度，能够为页岩气“甜点”的预测评价提供依据。供依据。供依据。

【技术实现步骤摘要】
一种页岩储层“甜点”信息人工智能预测方法


[0001]本专利技术属于地球科学领域与机器学习领域，具体涉及一种页岩储层“甜点”信息人工智能预测方法。

技术介绍

[0002]页岩气是储藏于页岩储层中的天然气资源，以游离、吸附等形式存在于天然裂缝和孔隙中。中国的页岩气储量居于世界各国前列，且国内对于能源需求量大，页岩气这一新兴能源具有良好的发展前景。但国内对页岩气勘探及开发的研究起步晚，且我国页岩气分布具有储层埋藏深、丰度低、地质结构复杂多样的特点，勘探与开发难度大、成本高，因此页岩气大规模开发任重道远。
[0003]所谓页岩气“甜点”是指页岩气相对富集且易于开发的区域或层位，具有较高的经济效益，精确预测和识别页岩甜点尤为重要。揭示页岩气地质甜点的关键参数包括总有机质含量(TOC)、含气量(GAS)、孔隙度(PHI)等，获取准确的参数值对页岩气甜点的识别预测有重要意义。直接获取此类参数值的方法有岩心样品分析，其具有采样成本高、周期长的限制，数据通常很少且不连续，在每一次采样以及分析过程中样品的不稳定性可能会引入误差。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种利用CNN实现TOC、PHI和GAS参数的预测，生成地震数据体以评价研究区域内的页岩气甜点分布情况的页岩储层“甜点”信息人工智能预测方法。
[0005]本专利技术的目的是通过以下技术方案来实现的：一种页岩储层“甜点”信息人工智能预测方法，包括以下步骤：
[0006]步骤1、数据的预处理：对测井数据和地震数据进行清洗、归一化与均衡化处理；
[0007]步骤2、构建卷积神经网络：根据输入特征及输出结果的形式确定网络结构；
[0008]步骤3、基于测井数据训练“甜点”参数预测模型；
[0009]步骤4、基于地震数据的“甜点”参数三维预测，生成数据体，输入步骤3训练的预测模型进行预测。
[0010]进一步地，所述步骤1具体实现方法为：
[0011]步骤11、对测井数据与地震数据进行数据清洗，去除空值与异常值，并且选择与地震数据相同地层范围的测井数据作为样本；测井数据用于预测模型的训练与验证，地震数据为待预测数据；
[0012]步骤12、根据已有测井参数计算岩石力学参数：
[0013][0014][0015][0016]式中，V、K、E分别为泊松比、体积模量、杨氏模量，ρ、Vp、Vs分别为密度、纵波速度、横波速度；
[0017]步骤13、数据归一化：当样本包含多口测井数据时，采用先对单口测井数据做标准化，再对所有测井数据共同做最值归一化的方法：
[0018][0019][0020]式中，x
std
为标准化后的数值，x
scaled
为最值归一化后的数值，x、σ、x
max
和x
min
分别为原始数值、样本均值、样本标准差、样本最小值和样本最大值；
[0021]步骤14、对样本数据做均衡化处理，使储层数据占比不少于20％。
[0022]进一步地，所述步骤2具体实现方法为：
[0023]步骤21、构建网络前向传播基本框架：采用具有4个输入特征的一维卷积神经网络，4个输入特征首先经过两个一维卷积层，分别包含64个和32个长度为2的一维卷积核，得到32个长度为2的高层次特征图；然后经过一个最大池化层，使特征长度减小一半，此时特征长度为1；再经过展平层与含有15个单元的全连接层，最终达到输出层；
[0024]一维卷积层与全连接层均采用ReLU激活函数，输出层使用Sigmoid激活函数；
[0025]步骤22、确定网络损失函数以及反向传播算法，损失函数使用平均绝对值误差：
[0026][0027]式中，MAE表示平均绝对值误差，n为样本数量，y
i
表示第i个样本实际值，表示第i个样本预测值；权值更新算法选用Adam优化器；
[0028]步骤23、网络输出精度的评价：利用R2指标评价回归任务的准确度：
[0029][0030]式中，表示样本均值；若R2指标达到预设要求，则表示模型预测精度达到要求，结束训练，否则调整参数重新进行训练。
[0031]进一步地，所述步骤3具体实现方法为：
[0032]步骤31、根据所获取测井数据进行“甜点”参数敏感性特征分析，绘制TOC、PHI和GAS参数关于密度、波速、泊松比、体积模量、杨氏模量的交会图，确定特征集；特征集与目标预测参数组成样本；
[0033]步骤32、将样本划分训练集与验证集，每一个迭代次数中，80％的训练集样本用于
训练，其余20％用于验证；模型的训练在Tensorflow平台完成，在训练中设置早停止点，在损失函数趋于稳定且验证精度达到要求时终止训练；
[0034]步骤33、重新划分训练集与验证集，重复训练模型以验证稳定性；在达到精度和稳定性要求后保存预测模型。
[0035]进一步地，所述步骤4具体实现方法为：
[0036]步骤41、地震数据的预处理：根据步骤31所确定的特征组合，对每一个地震道计算相应的地震数据岩石力学参数；对地震数据先进行标准化，再进行最值归一化，与测井数据保持一致；
[0037]步骤42、将预处理后的地震数据特征集输入预测模型进行预测，输出结果先进行反归一化，再进行反标准化得到最终预测结果；
[0038]步骤43、将预测结果写入sgy格式地震数据对应地震道，生成“甜点”参数的三维数据体，利用专业地震数据可视化软件分析结果。
[0039]本专利技术的有益效果是：本专利技术利用一维卷积神经网络(1D
‑
CNN)实现储层“甜点”参数TOC、PHI和GAS的预测，充分利用CNN非线性表征能力强、不易陷入局部最优解的优势。模型兼容深度域测井数据和时间域地震数据的预测，避免因测井数据深度
‑
时间重采样造成特征信息损失。模型可使用不同特征组合实现多种参数的预测，模型稳定性好、泛化能力强。同时针对测井数据特点提出不同的预处理方法，先对单口测井数据做标准化，再对多口测井数据做最值归一化，大大提高“甜点”参数预测精度。对于不同输入特征组合，三个参数的预测均有较好的效果，因此本专利技术的预测方法具有一定普适性与鲁棒性。在基于地震数据的“甜点”参数三维预测中同样取得较好效果，高TOC、PHI、GAS值区域(层位)与已知相符，能够为未知页岩气地质“甜点”的识别预测提供依据。
附图说明
[0040]图1为本专利技术基于卷积神经网络的页岩储层“甜点”参数预测流程图；
[0041]图2为具有4个输入特征的“甜点”参数预测模型；
[0042]图3为GAS参数与密度、纵波速度、横波速度的交会图；
[0043]图4为GAS参数与泊松比、体积模量、杨氏模量的交会图；
[0044]图5为PHI参数预测模型训练过程的损失函数下降曲线和R
‑
Square变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种页岩储层“甜点”信息人工智能预测方法，其特征在于，包括以下步骤：步骤1、数据的预处理：对测井数据和地震数据进行清洗、归一化与均衡化处理；步骤2、构建卷积神经网络：根据输入特征及输出结果的形式确定网络结构；步骤3、基于测井数据训练“甜点”参数预测模型；步骤4、基于地震数据的“甜点”参数三维预测，生成数据体，输入步骤3训练的预测模型进行预测。2.根据权利要求1所述的一种页岩储层“甜点”信息人工智能预测方法，其特征在于，所述步骤1具体实现方法为：步骤11、对测井数据与地震数据进行数据清洗，去除空值与异常值，并且选择与地震数据相同地层范围的测井数据作为样本；测井数据用于预测模型的训练与验证，地震数据为待预测数据；步骤12、根据已有测井参数计算岩石力学参数：步骤12、根据已有测井参数计算岩石力学参数：步骤12、根据已有测井参数计算岩石力学参数：式中，V、K、E分别为泊松比、体积模量、杨氏模量，ρ、Vp、Vs分别为密度、纵波速度、横波速度；步骤13、数据归一化：当样本包含多口测井数据时，采用先对单口测井数据做标准化，再对所有测井数据共同做最值归一化的方法：再对所有测井数据共同做最值归一化的方法：式中，x
std
为标准化后的数值，x
scaled
为最值归一化后的数值，x、σ、x
max
和x
min
分别为原始数值、样本均值、样本标准差、样本最小值和样本最大值；步骤14、对样本数据做均衡化处理，使储层数据占比不少于20％。3.根据权利要求1所述的一种页岩储层“甜点”信息人工智能预测方法，其特征在于，所述步骤2具体实现方法为：步骤21、构建网络前向传播基本框架：采用具有4个输入特征的一维卷积神经网络，4个输入特征首先经过两个一维卷积层，分别包含64个和32个长度为2的一维卷积核，得到32个长度为2的高层次特征图；然后经过一个最大池化层，使特征长度减小一半，此时...

【专利技术属性】
技术研发人员：徐天吉，秦正晔，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：