【技术实现步骤摘要】
一种基于序贯神经网络的储层相建模方法
[0001]本专利技术涉及储层随机建模中基于像元算法领域，具体涉及一种基于序贯神经网络的储层相建模方法。
技术介绍
[0002]储层建模是指利用已有地质数据包括测井、地震、岩心分析化验等数据，遵循储层的空间相关性、非均质性等性质特征，运用相关算法建立井间的属性模型，包括孔隙度模型、渗透率模型、沉积相模型等，最终形成完整表征储层空间内属性分布特征的三维模型。相建模则是对其中的离散属性如沉积相、岩相、流体相等进行建模。整个储层建模研究领域可以分为三部分：
①
储层建模输入数据的研究。
②
具体的建模算法研究。
③
建模结果后处理算法研究。
[0003]第一部分主要研究如何从储层建模输入数据(测井、地震、岩心分析等)提取地质特征，进行基本地质信息解释，包括岩性岩相沉积相解释、岩石力学参数解释、储层物性参数及层位解释等。第二部分则是研究建模算法，现有的储层建模算法可分为确定性建模和随机建模，其中随机建模能等可能产生多个模型，对储层非均质性和...
【技术保护点】
【技术特征摘要】
1.一种基于序贯神经网络的储层相建模方法，基于油气储层的岩相数据及其对应的测井曲线，实现复杂油气藏相体系的快速、可靠、智能化相建模，其特征在于，包括以下步骤：序贯神经网络相建模技术方法；所述序贯神经网络相建模技术方法包含序贯神经网络样本链建立子步骤、序贯神经网络结构建立子步骤和序贯神经网路相建模的并行训练与组合推断子步骤。2.根据权利要求1所述的一种基于序贯神经网络的储层相建模方法，其特征在于，设数据量版为F＝{f
j
|j＝1,2,
…
,M；f
j
＝1,2,
…
,c}，有M个位置共c种相类型，则f
j
表示量版空间中第j个位置的相类型离散值，所述序贯神经网络样本链建立子步骤还包括：生成样本链的随机路径：利用预设定的种子数生成一系列随机数，每个随机数代表了空间中的一个位置，根据初始已知数据所在的位置，从该随机数集合中剔除这些位置所对应的随机数，之后对集合中的随机数排序即可得到一条随机路径p＝{p
i
|i＝1,2,
…
,N；p
i
＝1,2,
…
,M}(N<M)其中p
i
表示路径上第i个节点代表的位置；初始化样本链并确定样本链上的第一个样本：初始化样本链D＝{D
i
|i＝1,2,
…
,N}其中，表示随机路径上第i个节点代表的样本，表示随机路径上第i个节点代表的样本中第j个位置的相类型值；根据初始已知数据生成初始样本D1，设初始已知位置集为K，则将数据量版所表示的空间中所有位置的相类型值赋为0，初始已知位置则赋为对应相类型离散值，即迭代计算得到样本链所有样本：基于初始样本D1序贯地生成整个样本链，第i+1个节点代表的样本为将第i个节点所代表的样本空间中第p
i
个位置的相类型赋值为后生成的样本，即3.根据权利要求1所述的一种基于序贯神经网络的储层相建模方法，其特征在于，所述序贯神经网络结构建立子步骤包括：一维数据样本链的学习采用深度神经网络来进行训练，二维或三维数据样本链的学习分别采用二维卷积或三维卷积神经网络进行训练，所使用的卷积核均为非规则形状卷积核。4.根据权利要求1所述的一种基于序贯神经网络的储层相建模方法，其特征在于，所述序贯神经网络结构建立子步骤还包括：确定规则卷积核结构形状：对于平面样本链而言需要确定规则卷积核的结构形状，设定一定角度为间隔选取几个方向计算这些方向的实验变差函数，选择其中变程最大的方向作为主变程的方向，主变程方向变程的两倍再加一像元的距离作为所述卷积核的长度，垂直该方向为次变程方向，次变程方向变程的两倍再加一个像元的距离为卷积核的宽度；通过规则卷积核以距离最近原则确定非规则卷积核结构形状：将确定规则卷积核结构形状步骤中得到的规则卷积核中心与样本的像元重叠，分别计算其余卷积核单元与样本中
像元的距离，选择最近的像元作为该卷积核单元的对应像元；重复计算以上步骤即可找到每一个卷积核单元的对应像元，部分卷积核单元可能会对应同一个像元，重复完毕后即可得到非规则卷积核的实际结构形状。5.根据权利要求1所述的一种基于序贯神经网络的储层相建模方法，其特征在于，所述序贯神经网络并行训练与组合推断子步骤的所用样本从样本链上提取，则总的样本数量为样本链的长度N，随机路径上第i个节点位置所代表的样本D
i
为训练的输入数据，该节点样本的标签值则为6....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。