一种井震结合裂缝分布预测方法技术

本发明专利技术涉及裂缝分布预技术领域，具体为一种井震结合裂缝分布预测方法，包括：步骤一，数据的获取；步骤二，确定输入数据以及输出数据并组成相应的训练数据；步骤三，采用卷积神经网络对所述训练数据进行迭代训练得到经过训练的卷积神经网络；步骤四，利用经过训练的卷积神经网络确定对应的裂缝参数。通过将原始地震数据作为输入数据，将井壁边界约束、边界条件、岩性、断层以及地层作为输出数据，再通过卷积神经网络对输入数据以及输出数据进行组成相应的训练数据，采用卷积神经网络对所述训练数据进行迭代训练得到经过训练的卷积神经网络，利用经过训练的卷积神经网络确定对应的裂缝参数，操作简单，缩短分析时间，加快裂缝的分析速度。析速度。析速度。

【技术实现步骤摘要】
一种井震结合裂缝分布预测方法


[0001]本专利技术涉及裂缝分布预测
，具体为一种井震结合裂缝分布预测方法。

技术介绍

[0002]裂缝型油气藏的产量占全世界石油天然气总产量的一半以上，在国内的油气勘探中，裂缝型油气藏是一个重要的勘探领域，如塔里木盆地奥陶系碳酸盐岩裂缝型油气藏，四川致密砂岩裂缝型油气藏。裂缝既是油、气、水等地下流体的运移通道，也是流体的储集空间，裂缝能极大地提升储层的渗透率。裂缝型储层描述包括预测裂缝分布特征和识别裂隙充填物，也就是探测开启并充填流体的有效裂缝。
[0003]利用数学方法从地震数据中获取更多的地质信息一直是地球物理学家的研究热点，其中一种有效的方法便是利用神经网络从地震数据中提取地质目标或是岩石属性，神经网络是一种良好的地震解释强化分析方法。地震的单一属性在刻画地质目标时往往不具备唯一性和完备性，也就是说，几乎没有一种完美的属性能够准确的反映某个地质目标，所以，通过属性的重组来准确刻画地质目标就变得尤为重要，重组的属性，通常称之为“元属性”，元属性的来源常常有很多种，例如交会图方法、线型回归法、非线性回归法、神经网络法、支持向量机、模糊逻辑法等等，其中神经网络是获得元属性的一种较为复杂的方式，这种方法能够构建精确的元属性，易于扩展，且不需要太多的人为因素干涉。对于那些需要组合多种属性去精确预测一种地质目标的情况，神经网络方法是不二之选。
[0004]但是现有技术的井震结合裂缝分布预测方法操作复杂麻烦，需要耗费大量的时间进行数据的分析对比，从而才可以得到裂缝的分布位置数据，针对这个问题，提供了一种井震结合裂缝分布预测方法。

技术实现思路

[0005]本专利技术的目的在于提供一种井震结合裂缝分布预测方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种井震结合裂缝分布预测方法，包括：
[0006]步骤一，数据的获取；
[0007]步骤二，确定输入数据以及输出数据并组成相应的训练数据；
[0008]步骤三，采用卷积神经网络对所述训练数据进行迭代训练得到经过训练的卷积神经网络；
[0009]步骤四，利用经过训练的卷积神经网络确定对应的裂缝参数。
[0010]优选的，所述数据的获取方法还包括：
[0011]步骤一，分析地质模型所涉及的地层；
[0012]步骤二，分析地质模型所涉及的断层；
[0013]步骤三，分析地质模型所涉及的岩性；
[0014]步骤四，分析地质模型边界条件；
[0015]步骤五，获取地质模型的原始地震数据；
[0016]步骤六，分析井壁边界约束。
[0017]优选的，所述分析地质模型所涉及的地层内容包括层面结构几何形状、岩石物理与力学参数、地层厚度及历次构造运动所发生的演变。
[0018]优选的，所述分析地质模型所涉及的断层包括控制盆地的边缘构造、基底断裂到储层内的几十米长的小断层，还要对断层进行分级和分期以及活动性质的分析。
[0019]优选的，所述分析地质模型所涉及的岩性包括地质模型内各个地层的岩石成分和断裂带内的介质性质均需进行研究，主要给出岩石的物理参数和力学参数。
[0020]优选的，所述分析地质模型边界条件包括区域构造运动施加给地质体的构造力以及断层运动施加在局部构造部位的力，前者称为地质模型的外边界条件，后者称为内边界条件。
[0021]优选的，所述分析井壁边界约束包括利用井壁成像测井以及常规测井确定储层裂缝产状及组合，ARI和DSI研究裂缝的径向延伸和连通性，可以用测井解释的井壁裂缝参数作为井壁上的边界条件。
[0022]优选的，所述输入数据为原始地震数据。
[0023]优选的，所述输出数据为井壁边界约束、边界条件、岩性、断层以及地层。
[0024]优选的，所述迭代训练的方法包括：
[0025]步骤一，选定势函数；
[0026]步骤二，确定合适数据结构，以便分别完成势函数和判别函数的正确表示；
[0027]步骤三，建立判别函数,使其满足分类要求
[0028]步骤四，记录并输出训练轮次；
[0029]步骤五，对所有样本的类别用分类器加以判断,比较与实际类别的差异；
[0030]步骤六，对待分类样本进行判断，得到其类别；
[0031]步骤七，输出判别函数的表达形式。
[0032]与现有技术相比，本专利技术的有益效果：
[0033]通过将原始地震数据作为输入数据，将井壁边界约束、边界条件、岩性、断层以及地层作为输出数据，再通过卷积神经网络对输入数据以及输出数据进行组成相应的训练数据，采用卷积神经网络对所述训练数据进行迭代训练得到经过训练的卷积神经网络，利用经过训练的卷积神经网络确定对应的裂缝参数，操作简单，缩短分析时间，加快裂缝的分析速度，卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程，通过简单的非线性模型从原始图像中提取出更加抽象的特征，并且在整个过程中只需少量的人工参与，卷积神经网络具有局部感知和参数共享两个特点，局部感知即卷积神经网络提出每个神经元不需要感知图像中的全部像素，只对图像的局部像素进行感知，然后在更高层将这些局部的信息进行合并，从而得到图像的全部表征信息，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。
附图说明
[0034]图1为本专利技术井中3521.5
‑
3517.2m裂缝特征图。
具体实施方式
[0035]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，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。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。
[0036]请参阅图1所示，本专利技术提供一种技术方案：一种井震结合裂缝分布预测方法，包括：
[0037]步骤一，数据的获取，通过数据获取得到地质模型的原始地震数据、井壁边界约束、边界条件、岩性、断层以及地层，便于对数据进行分析从而预测裂缝分布的位置以及其特征；
[0038]步骤二，确定输入数据以及输出数据并组成相应的训练数据，输入数据为原始地震数据，输出数据为井壁边界约束、边界条件、岩性、断层以及地层；
[0039]步骤三，采用卷积神经网络对所述训练数据进行迭代训练得到经过训练的卷积神经网络，迭代训练迭代法也称辗转法，是一种不断用变量的旧值推出新值的过程，它是解决问题的一种基本方法，通过让计算机对一组指令(或一定步骤)进行重复执行，在每次执行这组指令(或这些步骤)时，都从变量的原值推出它的一个新值，迭代算法的基本思想是：为求一个问题的解x，可由给定的一个初值x0，根据某一迭代公式得到一个新的值x1，这个新值x1比初值x0更接近要求的值x；再以新值作为初值，即：x1
→
x0，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种井震结合裂缝分布预测方法，其特征在于，包括：步骤一，数据的获取；步骤二，确定输入数据以及输出数据并组成相应的训练数据；步骤三，采用卷积神经网络对所述训练数据进行迭代训练得到经过训练的卷积神经网络；步骤四，利用经过训练的卷积神经网络确定对应的裂缝参数。2.根据权利要求1所述的一种井震结合裂缝分布预测方法，其特征在于：所述数据的获取方法还包括：步骤一，分析地质模型所涉及的地层；步骤二，分析地质模型所涉及的断层；步骤三，分析地质模型所涉及的岩性；步骤四，分析地质模型边界条件；步骤五，获取地质模型的原始地震数据；步骤六，分析井壁边界约束。3.根据权利要求2所述的一种井震结合裂缝分布预测方法，其特征在于：所述分析地质模型所涉及的地层内容包括层面结构几何形状、岩石物理与力学参数、地层厚度及历次构造运动所发生的演变。4.根据权利要求2所述的一种井震结合裂缝分布预测方法，其特征在于：所述分析地质模型所涉及的断层包括控制盆地的边缘构造、基底断裂到储层内的几十米长的小断层，还要对断层进行分级和分期以及活动性质的分析。5.根据权利要求2所述的一种井震结合裂缝分布预测方法，其特征在于：所述分析地质模型所涉及的岩性包括地质模型内各个地层的岩石成分和断裂带内的介质性质均需进行研究，主要给出岩石的...

【专利技术属性】
技术研发人员：宗廷博，王瑞飞，田玉霞，马耑月，郑森，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：