【技术实现步骤摘要】
基于深度学习的三维智能插值方法
[0001]本专利技术涉及石油勘探
，特别是涉及到一种基于深度学习的三维智能插值方法。
技术介绍
[0002]大数据正在影响着我们的生活，对我们研究新问题，复盘旧问题有着重大的意义。大数据时代地质科学发展所涉及的关键科学技术问题，包括结构化数据与半结构化非结构化数据、大数据与小数据、混杂性数据与精确性数据、模型与数据、静态勘查模型与动态监测模型等的一体化存储管理和处理，数据挖掘与数据分析的结合、相关关系与因果关系的统一，地质科学大数据的深度挖掘和可视化。对地学大数据分析的关键在于对多元异构的地学数据进行全面多角度，多维度的综合性分析。左仁广分析了化探弱异常识别模式，应用局部RX方法进行多变量降维和提取弱缓地球化学异常，可以取得较好效果。由于地质体和地质现象时空变化的语义复杂性、过程的非线性和不确定性、变化信息的多维、多尺度和实时性。吴冲龙提出地质时空大数据的统合和利用，涉及一系列理论、方法和技术问题主要包括地质地理的一体化空间参考体系；静态结构勘查模型与动态变化监测模型的耦合；数据挖掘、...
【技术保护点】
【技术特征摘要】
1.基于深度学习的三维智能插值方法，其特征在于，该基于深度学习的三维智能插值方法包括：步骤1，进行多类型地质异构数据特征、匹配关系的定量化评价；步骤2，进行基于去类非均衡化与深度学习相结合的测井岩性智能识别；步骤3，进行基于深度学习的三维智能插值。2.根据权利要求1所述的基于深度学习的三维智能插值方法，其特征在于，步骤1包括：步骤1.1：进行输入数据的准备；步骤1.2：构建多学科数据分析及知识库；步骤1.3：进行储层岩相测井数据优选与构建；步骤1.4：建立弹性参数和储层物性参数间的岩石物理关系；步骤1.5：建立地质要素与储层岩性、物性参数的定量化评价公式。3.根据权利要求2所述的基于深度学习的三维智能插值方法，其特征在于，在步骤1.1，将收集到的多类型地质异构数据导入数据库，对其中的各种信息进行数据清洗、数据变换这些预处理；将这些地质异构数据按照三维坐标进行归纳，以便下一步的匹配工作。4.根据权利要求2所述的基于深度学习的三维智能插值方法，其特征在于，在步骤1.2，综合分析测井、钻井、物探、地质这些多学科数据特征，研究异构数据表征内涵；以储层目标地质为模型构建岩性类、储层类、储层骨架类、储层物性类的知识库。5.根据权利要求2所述的基于深度学习的三维智能插值方法，其特征在于，在步骤1.3，进行地质体储层及隔夹层测井信息分析，寻找储层与多学科间的相关性；对大量测井信息开展主组分分析和基于长短时记忆神经网络曲线优选和关联度分析，实现岩相测井数据优选与构建。6.根据权利要求2所述的基于深度学习的三维智能插值方法，其特征在于，在步骤1.4，依据有效介质理论、自适应理论、接触理论、各向异性模型，建立弹性参数和物性参数之间的岩石物理关系。7.根据权利要求2所述的基于深度学习的三维智能插值方法，其特征在于，在步骤1.5，通过大量统计分析建立各种参数量化评价公式基础上，加上对开发区的精细解剖，通过二者有机结合，建立起研究区宏观地质要素与各种储层参数之间的匹配关系，形成量化评价公式。8.根据权利要求1所述的基于深度学习的三维智能插值方法，其特征在于，步骤2包括：步骤2.1：建立学习样本；步骤2.2：进行基于MAHAKIL方法的数据去非均衡化处理；步骤2.3：进行学习样本分组，训练集用于模型训练，验证集用于模型超参数调参，验证集用于模型优选；步骤2.4：根据学习样本的数量建立合适规模的深度学习网络并进行网络训练；步骤2.5：用优选深度学习模型对未知井进行测井岩性或岩性智能识别。9.根据权利要求8所述的基于深度学习的三维智能插值方法，其特征在于，在步骤2.1中，基于测井响应曲线及井柱解释结果建立学习样本，每个样本包括声波时差、体积密度、补偿中子、自然伽马、深感应电阻率、深度以及解释结论这些测井数据。10.根据权利要求8所述的基于深度学习的三维智能插值方法，其特征在于，在步骤2.2
中，采用MAHAKIL过采样方法，通过模拟遗传学中的...
【专利技术属性】
技术研发人员：张娟，罗红梅，王长江，张志敬，张景涛，管晓燕，邵卓娜，颜世翠，韦欣法，亓雪静，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：
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。