岩石物理弹性参数正演方法、正演装置及电子设备制造方法及图纸

本发明专利技术提出了一种岩石物理弹性参数正演方法、正演装置及电子设备，岩石物理弹性参数正演方法包括：获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。本发明专利技术的方法利用深度前馈神经网络模型来替代常规的Xu

【技术实现步骤摘要】
岩石物理弹性参数正演方法、正演装置及电子设备


[0001]本专利技术属于油气地球物理勘探领域，具体涉及一种为了提高弹性参数预测精度的岩石物理正演方法、正演装置及电子设备。

技术介绍

[0002]纵波速度、横波速度和密度三个弹性参数，是连接岩石各种物理性质与地震波勘探的桥梁。利用弹性三参数可以得到反映流体性质的物理量，从而减少地震振幅解释的多解性，在地震勘探资料AVO分析、叠前反演以及储层的岩性、物性和流体识别等方面有着重要的应用。然而在实际生产中由于各种原因导致弹性三参数的缺失与不完整，严重影响了后续的勘探工作。
[0003]为了获得准确的弹性三参数，国内外诸多地球物理工作者提出了经验公式和岩石物理正演模型。其中，Xu
‑
White模型结合Gassmann方程和模型及差分等效介质理论，同时考虑了岩石基质、泥质含量、孔隙度大小、孔隙形状以及孔隙流体等因素的影响，被广泛应用于泥质砂岩弹性三参数的预测。但是该模型需要把孔隙空间分得足够小，在迭代运算时计算量很大。此外，地下介质是相当复杂的，常规岩石物理模型无法描述所有类型岩石的物理参数关系，必须对其进行简化，因此在岩石物理参数预测结果中会存在一定的不确定性因素，导致岩石物理正演精度降低。
[0004]本专利技术针对以上不足，以常规Xu
‑
White模型的岩石参数输入数据为基础，通过典型的深度学习模型——深度前馈神经网络来充分挖掘数据之间的内在联系，建立起岩石参数与弹性参数之间的非线性映射关系，得到基于深度前馈神经网络的岩石物理正演模型，从而提高弹性参数的正演精度。

技术实现思路

[0005]本专利技术针对常规Xu
‑
White岩石物理模型的不足，不能满足当前高精度地震解释需求的问题，提出一种基于深度学习的岩石物理弹性参数正演方法。本专利技术在常规Xu
‑
White模型的岩石参数输入数据的基础上，通过深度前馈神经网络来充分挖掘岩石物理参数之间的内在联系，建立起岩石参数与弹性参数之间的非线性映射关系，得到基于深度前馈神经网络的岩石物理正演模型，从而提高弹性参数的正演精度。
[0006]根据本专利技术的一个方面，提供一种基于深度学习的岩石物理弹性参数正演方法，包括：
[0007]获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；
[0008]构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；
[0009]基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。
[0010]进一步地，其中通过实钻测井以及测井解释得到研究区的深度域测井数据，对所述深度域测井数据进行单位转换及线性归一化预处理，组成深度前馈神经网络的训练样本
集，其中岩石参数和弹性参数分别作为深度前馈神经网络的输入和输出。
[0011]进一步地，所述深度域测井数据Well(z)包含如下测井曲线：
[0012]从常规测井和全波列测井中获得的弹性参数Elastic(z)，包括纵波速度VP(z)、横波速度VS(z)和密度DEN(z)，作为深度前馈神经网络的输出数据y(z)；
[0013]对测井资料进行处理解释后得到的岩石参数Rock(z)，包括总孔隙度POR、泥质含量VCL、石英含量VQUA、含水饱和度SW，作为深度前馈神经网络的输入数据x(z)；
[0014]由线性归一化处理之后的输入数据x(z)，以及单位转换后的输出数据y(z)，组成训练样本集Set(z)。
[0015]进一步地，对深度域测井数据Well(z)中的异常值进行剔除，并将输出数据的单位进行转换。
[0016]进一步地，按照以下公式对输入数据进行线性归一化处理：
[0017][0018]式中，b(z)和a(z)分别为归一化前、后的测井值；b(z)max和b(z)min分别为该参数的最大、最小值。
[0019]进一步地，所述深度前馈神经网络的拓扑结构为：多隐含层、全连接且有向无环，其中前馈神经网络的每一隐含层间的各神经元互不相连，相隔隐含层间的各神经元互不相连，且相邻层间的神经元相互全连接。
[0020]进一步地，所述深度前馈神经网络的输入与输出关系为：
[0021][0022]其中，深度前馈神经网络隐含层的输出为：
[0023][0024]除去输入层h
(0)
与输出层h
(L)
，深度前馈神经网络隐含层的个数为L
‑
1层，对应的超参数：网络层数、每层神经元个数、激活函数为：
[0025][0026]其中n0＝m，n
L
＝s，输入层的激活函数选择ReLU函数，其余各层的激活函数选择Sigmoid函数，深度前馈神经网络待学习的参数为：
[0027][0028]进一步地，对目标井段进行弹性参数的岩石物理正演包括：
[0029]选取目标井段深度域的岩石参数作为深度前馈神经网络的输入数据x(z)，对所述输入数据x(z)进行线性归一化预处理，组成深度前馈神经网络的预测样本集；
[0030]利用训练得到的基于深度前馈神经网络的所述岩石物理正演模型，对所述预测样本集进行处理，得到对应的纵波速度VP、横波速度VS以及密度DEN三个弹性参数。
[0031]根据本专利技术的另一个方面，提供一种基于深度学习的岩石物理弹性参数正演装置，包括：
[0032]获取单元，获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；
[0033]训练单元，构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；
[0034]正演单元，基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。
[0035]根据本专利技术的另一个方面，提供一种电子设备，所述电子设备包括：
[0036]存储器，存储有可执行指令；
[0037]处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的基于深度学习的岩石物理弹性参数正演方法。
[0038]本专利技术的基于深度前馈神经网络的岩石物理正演方法，具有以下特点：
[0039]利用深度前馈神经网络模型来替代常规的Xu
‑
White岩石物理正演模型，可以充分挖掘岩石参数与弹性参数之间的内在联系，从而建立起岩石参数与弹性参数之间的非线性映射关系，提高弹性参数的正演精度。深度神经网络模型只需训练一次，就可以对研究区其他目标井段进行岩石物理正演，得到高精度的弹性参数。
附图说明
[0040]通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
[0041]图1为本专利技术的基于深度学习的岩石物理弹性参数正演方法流程图。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岩石物理弹性参数正演方法，其特征在于，包括：获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。2.根据权利要求1所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，其中通过实钻测井以及测井解释得到研究区的深度域测井数据，对所述深度域测井数据进行单位转换及线性归一化预处理，组成深度前馈神经网络的训练样本集，其中岩石参数和弹性参数分别作为深度前馈神经网络的输入和输出。3.根据权利要求2所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，所述深度域测井数据Well(z)包含如下测井曲线：从常规测井和全波列测井中获得的弹性参数Elastic(z)，包括纵波速度VP(z)、横波速度VS(z)和密度DEN(z)，作为深度前馈神经网络的输出数据y(z)；对测井资料进行处理解释后得到的岩石参数Rock(z)，包括总孔隙度POR、泥质含量VCL、石英含量VQUA、含水饱和度SW，作为深度前馈神经网络的输入数据x(z)；由线性归一化处理之后的输入数据x(z)，以及单位转换后的输出数据y(z)，组成训练样本集Set(z)。4.根据权利要求3所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，对深度域测井数据Well(z)中的异常值进行剔除，并将输出数据的单位进行转换。5.根据权利要求3或4所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，按照以下公式对输入数据进行线性归一化处理：式中，b(z)和a(z)分别为归一化前、后的测井值；b(z)max和b(z)min分别为该参数的最大、最小值。6.根据权利要求1所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，所述深度前馈神经网络的拓扑结构为：多隐含层、全连接且...

【专利技术属性】
技术研发人员：谢玮，胡华锋，马灵伟，姚铭，钟晗，雷朝阳，
申请(专利权)人：中国石油化工股份有限公司石油物探技术研究院，
类型：发明
国别省市：