数据与物理模型联合驱动的测井储层评价方法及装置制造方法及图纸

本申请提供的一种数据与物理模型联合驱动的测井储层评价方法及装置，包括：获取神经网络模型构建请求，包括输入数据和输出数据，并根据输入数据和输出数据，构建对应的神经网络模型；利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到神经网络模型中的岩石物理约束；根据岩石物理约束和初始配置的数据损失函数，获取总损失函数，利用总损失函数对神经网络模型进行迭代训练，获取储层分析模型；获取储层分析请求，根据储层分析请求，采用储层分析模型对待分析的测井数据进行分析处理，以获取测井解释结果。解决了现有数据驱动储层分析方法预测结果不准确的问题。方法预测结果不准确的问题。方法预测结果不准确的问题。

【技术实现步骤摘要】
数据与物理模型联合驱动的测井储层评价方法及装置


[0001]本申请涉及机器学习以及地球物理应用技术，尤其涉及一种数据与物理模型联合驱动的测井储层评价方法及装置。

技术介绍

[0002]当今社会对石油、天然气能源的勘探开发越来越重视，地球物理油气综合预测技术的发展备受关注。其中，地球物理油气综合预测是岩石物理领域的重要研究方向之一，而对地层进行储层参数预测是油气勘探的重要环节。近些年机器学习特别是深度学习的发展为地球物理油气综合预测提供了新的技术手段。
[0003]目前基于机器学习的储层参数预测方法主要依靠纯数据驱动机器学习。纯数据驱动机器学习通过使用统计学领域知识对测井数据进行建模和分析，比如利用概率论和凸优化知识，得到油气综合预测的相关信息，应用于油气勘探。
[0004]但是，纯数据驱动机器学习由于利用机器学习统计学领域知识进行建模和分析，该建模和分析不仅对输入数据质量要求较高，还由于仅利用机器学习统计学领域知识进行建模和分析，从而导致储层参数的预测效果可靠性存疑，甚至得到与现有认知相悖的结果。

技术实现思路

[0005]本申请提供一种数据与物理模型联合驱动的测井储层评价方法及装置，用以解决纯数据驱动机器学习模型对数据质量要求较高、模型预测效果与岩石物理机理相悖的问题。
[0006]第一方面，本申请提供一种数据与物理模型联合驱动的测井储层评价方法，包括：
[0007]获取神经网络模型构建请求，所述构建请求包括：输入数据和输出数据，所述输入数据为待分析的测井数据，所述输出数据为所述待分析的测井数据对应的解释结果；
[0008]根据所述输入数据和输出数据，构建对应的神经网络模型；
[0009]利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到所述神经网络模型中的岩石物理约束；
[0010]根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于所述总损失函数，对所述神经网络模型进行迭代训练，以获取储层分析模型；
[0011]获取储层分析请求，并根据所述储层分析请求，采用所述储层分析模型，对所述待分析的测井数据进行分析处理，以获取测井解释结果。
[0012]在一种具体的实施方式中，根据所述待测井数据和所述解释结果的属性信息，以所述测井数据作为输入数据，以所述解释结果作为输出数据，构建对应的神经网络模型，包括：
[0013]分别根据所述输入数据属性信息中的维度，和所述输出数据的属性信息中的维度，构建所述神经网络模型中的输入层单元数和输出层单元数；
[0014]根据所述输入数据属性信息中的任务类型和数据类型，以及所述输出数据的属性
信息中的任务类型和数据类型，构建所述神经网络模型的模型结构、输出层激活函数和数据损失函数。
[0015]在一种具体实施方式中，若所述输入数据为k个样本点，且每个样本对应有n个测井数据以及p个储层参数，所述输入数据为所述测井数据，所述输出数据为所述储层参数；
[0016]所述神经网络模型中的输入层单元数为n个，所述输出层单元数为p个；
[0017]所述输出数据的属性信息中的任务类型为回归任务类型，所述输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数；
[0018]其中，k、n和p均为正整数，且均大于或等于1。
[0019]在一种具体实施方式中，若所述待训练的输入数据为k个样本点，且每个样本点对应有n个测井数据以及m类岩性和/或油气水层，所述输入数据为所述测井数据，输出数据为所述岩性和/或油气水层；
[0020]则所述神经网络模型包括第一神经网络模型和第二神经网络模型；
[0021]其中，所述第一神经网络模型的输入层单元数为n个，输出层单元数为p个；所述第二神经网络模型的输入层单元数为p个，输出层单元数为m个；
[0022]所述第一神经网络模型与所述第二神经网络模型相连接；
[0023]所述输出数据的属性信息中的任务类型为分类任务类型，所述第一神经网络模型用于添加岩石物理知识约束，输出层激活函数为线性激活函数；所述第二神经网络模型用于添加数据损失函数，所述输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，所述输出层激活函数选用非线性激活函数。
[0024]其中，k、n、p和m均为正整数，且均大于或等于1。
[0025]在一种具体的实施方式中，若所述输入数据为k个样本点，且每个样本点对应有n个测井数据、p个储层参数、以及m类岩性和/或油气水层，所述输入数据为所述测井数据，所述输出数据包括所述储层参数、以及所述岩性和/或油气水层。
[0026]则所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；
[0027]其中，所述第一神经网络模型的输入层单元数为n个，所述输出层单元数为c个；所述第二神经网络模型的输入层单元数为c个，所述输出层单元数为p个；所述第三神经网络模型的输入层单元数为c个，所述输出层单元数为m个；
[0028]所述第一神经网络模型分别与所述第二神经网络模型和第三神经网络模型相连接；
[0029]所述输出数据的属性信息中的任务类型包括回归任务类型和分类任务类型，所述第二神经网络模型中的输出层激活函数为线性激活函数，所述输出层数据损失函数为回归问题的损失函数；第三神经网络模型中的输出层激活函数为非线性激活函数，所述输出层数据损失函数为交叉熵损失函数或者多分类任务的损失函数；
[0030]其中，k、n、m、c和p均为正整数，且均大于或等于1。
[0031]在一种具体实施方式中，所述构建地层模型与井筒模型，包括：
[0032]根据所述输入数据，以及获取的所述输入数据所在区域的地质信息，构建对应的地层模型；
[0033]根据获取的钻头直径、录井信息、钻井液信息和地层水电阻率，以及所述测井数据
对应的深中浅电阻率，构建对应的井筒模型；
[0034]其中，所述地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。
[0035]在一种具体实施方式中，所述根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，包括：
[0036]总损失函数L采用如下公式获取：
[0037][0038]其中，λ
data
是初始配置的数据损失函数的权重；L
data
()是初始配置的数据损失函数；Y是样本标签值，即测井解释结果；是神经网络输出值；λ
PI
是岩石物理约束函数的权重；L
PI
()是岩石物理约束函数；X是样本输入的特征值。
[0039]第二方面，本申请提供一种数据与物理模型联合驱动的测井储层评价装置，包括：
[0040]获取模块，用于获取神经网络模型构建请求，所述构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据与物理模型联合驱动的测井储层评价方法，其特征在于，包括：获取神经网络模型构建请求，所述构建请求包括：输入数据和输出数据，所述输入数据为待分析的测井数据，所述输出数据为与所述待分析的测井数据对应的解释结果；根据所述输入数据和输出数据，构建对应的神经网络模型；利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到所述神经网络模型中的岩石物理约束；根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于所述总损失函数，对所述神经网络模型进行迭代训练，以获取储层分析模型；获取储层分析请求，并根据所述储层分析请求，采用所述储层分析模型，对所述待分析的测井数据进行分析处理，以获取测井解释结果。2.根据权利要求1所述的数据与物理模型联合驱动的测井储层评价方法，其特征在于，所述根据所述输入数据和输出数据，构建对应的神经网络模型，包括：分别根据所述输入数据属性信息中的数据维度，和所述输出数据的属性信息中的数据维度，构建所述神经网络模型中的输入层单元数和输出层单元数；根据所述输入数据属性信息中的任务类型和数据类型，以及所述输出数据的属性信息中的任务类型和数据类型，构建所述神经网络模型的模型结构、输出层激活函数和数据损失函数。3.根据权利要求2所述的数据与物理模型联合驱动的测井储层评价方法，其特征在于，若有k个样本点，且每个样本对应有n维测井数据以及p维储层参数，所述输入数据为所述测井数据，所述输出数据为所述储层参数；则所述神经网络模型中的输入层单元数为n个，所述输出层单元数为p个；所述输出数据的属性信息中的任务类型为回归任务类型，所述输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数；其中，k、n和p均为正整数，且均大于或等于1；或者，若有k个样本点，且每个样本对应有n维测井数据以及m类岩性和/或油气水层，所述输入数据为所述测井数据，所述输出数据为所述岩性和/或油气水层；则所述神经网络模型包括第一神经网络模型和第二神经网络模型；其中，所述第一神经网络模型的输入层单元数为n个，输出层单元数为p个；所述第二神经网络模型的输入层单元数为p个，输出层单元数为m个；所述第一神经网络模型与所述第二神经网络模型相连接；所述输出数据的属性信息中的任务类型为分类任务类型，所述第一神经网络模型用于添加岩石物理知识约束，所述输出层激活函数为线性激活函数；所述第二神经网络模型用于添加数据损失函数，所述输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，所述输出层激活函数选用非线性激活函数；其中，k、n、p和m均为正整数，且均大于或等于1；或者，若有k个样本点，且每个样本对应有n维测井数据以及p为储层参数和m类岩性和/或油气水层，所述输入数据为测井数据，所述输出数据包括储层参数、以及岩性和/或油气水层；
则所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；其中，所述第一神经网络模型的输入层单元数为n个，所述输出层单元数为c个；所述第二神经网络模型的输入层单元数为c个，所述输出层单元数为p个；所述第三神经网络模型的输入层单元数为c个，所述输出层单元数为m个；所述第一神经网络模型分别与所述第二神经网络模型和第三神经网络模型相连接；所述输出数据的属性信息中的任务类型包括回归任务类型和分类任务类型，所述第二神经网络模型中的输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数...

【专利技术属性】
技术研发人员：邵蓉波，肖立志，廖广志，罗刚，陈文辉，周军，李国军，侯学理，
申请(专利权)人：中国石油集团测井有限公司，
类型：发明
国别省市：