一种基于深度学习的三维地质模型相控属性建模方法技术

本发明专利技术提供一种基于深度学习的三维地质模型相控属性建模方法，构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中；构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预测神经网络，根据相预测神经网络得到待模拟点的相数据；将三维储层网格模型根据相数据分成若干个相区块；构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；将各个相区块组合成整体的网格；通过对不同的相单独学习与预测，预测结果更加符合地质模型实际规律认识。际规律认识。际规律认识。

【技术实现步骤摘要】
一种基于深度学习的三维地质模型相控属性建模方法


[0001]本专利技术涉及油气储层地质建模
，特别涉及一种基于深度学习的三维地质模型相控属性建模方法。

技术介绍

[0002]石油领域的地质特征主要包括储层的构造特征、裂缝发育情况、隔夹层的岩性厚度、油藏储量以及储层的各种属性分布。资料获取主要来源包括井数据、地震数据、测井数据等。伴随勘探开发的不断深入，目前低孔、低渗、超低渗的储层开发的需求使得对储层的评价与预测提出更高要求。因此，为精细表征储层的属性分布情况，更为直观、准确地为地质工程师、石油工程师提供合理预测分析的技术支撑，需建立符合客观实际的三维地质属性模型。
[0003]地质属性建模，即地质实体内部属性参数的建模，其关键在于根据有限的已知样品数据通过内插或者外推等手段对地质体内部物性参数、岩石力学参数等属性参数进行合理估值。换言之，在对地质变量的空间变化规律综合分析的基础上，选取合适的方法进行估值，得到属性参数的变化规律，从而实现对地质变量空间变化的合理定量描述。
[0004]建立精细的储层属性模型，有助于深入了解储层宏观展布、内部结构和属性参数特征及变换规律，对油气田勘探开发具有十分重要的意义。一般根据实现个数，可以将属性建模分为确定性建模和随机建模：确定性建模是从具有确定性资料的控制点出发，推测出已知点间确定的、唯一的储层参数，包括储层地震学方法、数理统计插值方法、克里金方法等；随机建模是指以已知的信息为基础，应用随机模拟方法产生可选的、等可能的储层模型的方法，主要分为基于目标的模拟方法和基于像元的随机模拟方法，包括序贯高斯模拟、截断高斯模拟、序贯指示模拟、分形模拟、多点地质统计学模拟等。其中基于变差函数的两点地质统计学方法和基于训练图像的多点地质统计学方法被最为普遍地应用于储层属性建模之中。但是，确定建模方法难于表征复杂的空间结构和再现复杂目标的几何形态，随机建模方法难以解决训练图像平稳性问题和模拟目标体连续性问题，这两种方法都有一定的缺陷。

技术实现思路

[0005]鉴于此，本专利技术提出一种基于深度学习的三维地质模型相控属性建模方法，通过深度学习方法代替传统插值与模拟方法，能够提高参数预测精度，通过相控方法，对不同的相单独学习与预测，预测结果更加符合地质模型实际规律认识。
[0006]本专利技术的技术方案是这样实现的：
[0007]一种基于深度学习的三维地质模型相控属性建模方法，包括以下步骤：
[0008]步骤S1、构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中；
[0009]步骤S2、构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预
测神经网络，根据相预测神经网络得到待模拟点的相数据；
[0010]步骤S3、将三维储层网格模型根据相数据分成若干个相区块；
[0011]步骤S4、构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；
[0012]步骤S5、将各个相区块组合成整体的网格；
[0013]优选的，所述步骤S1构建三维储层网格模型的具体步骤为：根据工区范围、测井解释数据、地震解释数据进行地质构造建模，建立断层模型和底层模型，再进行剖分后得到三维储层网格模型。
[0014]优选的，所述步骤S1将测井解释数据和属性参数数据粗化至三维储层网格模型中的具体步骤为：所述测井解释数据和属性参数都是测井曲线，将测井曲线穿过网格的线段计算出来，再将线段上的属性点求平均值赋给三维储层网格模型。
[0015]优选的，所述步骤S1将地震属性重采样到三维储层网格模型中的具体步骤为：将时间域地震属性数据按照地层约束和网格分布重采样到三维储层网格模型中。
[0016]优选的，所述步骤S2的相数据训练集包括条件数据点的网格坐标、地震属性以及测井粗化相数据，所述相预测神经网络的输入为条件数据点的网格坐标以及地震属性，输出为测井粗化相数据，将待模拟点的网格坐标和地震属性输入到相预测神经网络中，得到待模拟点的相数据。
[0017]优选的，所述步骤S4的储层参数训练集包括条件数据点的网格坐标、相数据、地震属性以及储层参数数据，所述储层参数预测神经网络的输入为条件数据点的网格坐标、相数据以及地震属性，输出为储层参数数据，将待模拟点的网格坐标、相数据以及地震属性输入到储层参数预测神经网络中，得到待模拟点的储层参数数据。
[0018]优选的，所述步骤S5的具体步骤为：在所有的相区块都模拟好储层参数后，利用相数据和网格索引将各个相区块组合成整体的网格。
[0019]优选的，所述步骤S2和步骤S4的深度前馈网络在进行学习前，会对其激活函数和损失函数进行分析与选择。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]本专利技术提供了一种基于深度学习的三维地质模型相控属性建模方法，事先构建三维储层网格模型，然后将实际的数据例如测井解释数据、属性数据以及地震属性等加载到储层网格模型中，接着构建第一个神经网络，用于获取待模拟点的相数据，根据相数据将储层网格模型分成若干相区块，在单个相区块中，构建第二个神经网络，用于获取待模拟点的储层参数数据，在获得所有相区块的储层参数数据后，将相区块合并成整体的网格，通过对不同的相进行单独学习以及预测，使预测结果更加符合地质模型设计规律认识。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术的一种基于深度学习的三维地质模型相控属性建模方法的流程图；
[0024]图2为本专利技术的一种基于深度学习的三维地质模型相控属性建模方法的相预测神经网络的训练过程流程图；
[0025]图3为本专利技术的一种基于深度学习的三维地质模型相控属性建模方法的相预测神经网络的相预测过程流程图；
[0026]图4为本专利技术的一种基于深度学习的三维地质模型相控属性建模方法的储层参数预测神经网络的训练过程流程图；
[0027]图5为本专利技术的一种基于深度学习的三维地质模型相控属性建模方法的储层参数预测神经网络的储层参数预测过程流程图；
具体实施方式
[0028]为了更好理解本专利技术
技术实现思路
，下面提供一具体实施例，并结合附图对本专利技术做进一步的说明。
[0029]参见图1，本专利技术提供的一种基于深度学习的三维地质模型相控属性建模方法，包括以下步骤：
[0030]步骤S1、构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中。
[0031]所述步骤S1构建三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，包括以下步骤：步骤S1、构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中；步骤S2、构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预测神经网络，根据相预测神经网络得到待模拟点的相数据；步骤S3、将三维储层网格模型根据相数据分成若干个相区块；步骤S4、构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；步骤S5、将各个相区块组合成整体的网格。2.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S1构建三维储层网格模型的具体步骤为：根据工区范围、测井解释数据、地震解释数据进行地质构造建模，建立断层模型和底层模型，再进行剖分后得到三维储层网格模型。3.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S1将测井解释数据和属性参数数据粗化至三维储层网格模型中的具体步骤为：所述测井解释数据和属性参数都是测井曲线，将测井曲线穿过网格的线段计算出来，再将线段上的属性点求平均值赋给三维储层网格模型。4.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在...

【专利技术属性】
技术研发人员：赖志斌，樊友丽，李魁星，张列军，魏晓亚，宋国玺，马林，欧阳亮，刘福财，王雄泼，马明震，
申请(专利权)人：北京超维创想信息技术有限公司，
类型：发明
国别省市：