一种小样本条件下的储层物性参数智能预测方法及系统技术方案

本发明专利技术涉及一种小样本条件下的储层物性参数智能预测方法及系统，其特征在于，包括：获取实际测井数据并进行预处理；采用条件生成对抗网络，对预处理后的测井数据进行数据增强；根据数据增强后的测井数据合成叠后地震数据；将合成叠后地震数据输入至预先构建的基于深层卷积神经网络的映射关系模型中计算合成叠后地震数据的弹性物性参数剖面，得到实际地震数据的储层物性参数预测值，本发明专利技术能够为少井地区的样本扩充提供可行的途径，可以广泛应用于储层参数预测领域中。于储层参数预测领域中。于储层参数预测领域中。

【技术实现步骤摘要】
一种小样本条件下的储层物性参数智能预测方法及系统


[0001]本专利技术涉及储层参数预测领域，特别是关于一种小样本条件下的储层物性参数智能预测方法及系统。

技术介绍

[0002]以潜山油气藏为代表的隐蔽油气藏构造原因复杂，一般具有埋藏深、压力大的特点，勘探过程中难以识别，是一类特殊的油气藏。隐蔽油气藏储层复杂、非均质性强，导致常规的反演方法难以获取精确的储层参数。
[0003]近年来，随着工业智能化的发展，基于卷积神经网络的智能反演方法能够有效地应用于复杂地质条件下的储层参数预测，通过网络的迭代训练后直接得到地震响应和物性参数之间复杂的映射关系，使得整个过程完全由数据驱动进行，具有广阔的应用前景。
[0004]但是，由于隐蔽油气藏钻井测井难度大且成本高昂，测井样本数量不足或特征单一、测井数据大范围缺失、失真等问题十分普遍，常规小样本条件下的训练网络泛化性弱，过拟合效应严重制约着最终的预测结果。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种小样本条件下的储层物性参数智能预测方法及系统，能够解决样本集数量不足、难以满足训练泛化性的问题。
[0006]为实现上述目的，本专利技术采取以下技术方案：一方面，提供一种小样本条件下的储层物性参数智能预测方法，包括：
[0007]获取实际测井数据并进行预处理；
[0008]采用条件生成对抗网络，对预处理后的测井数据进行数据增强；
[0009]根据数据增强后的测井数据合成叠后地震数据；
[0010]将合成叠后地震数据输入至预先构建的基于深层卷积神经网络的映射关系模型中计算合成叠后地震数据的弹性物性参数剖面，得到实际地震数据的储层物性参数预测值。
[0011]进一步地，所述基于深层卷积神经网络的映射关系模型的构建过程为：
[0012]获取测井数据并进行预处理；
[0013]采用条件生成对抗网络，对预处理后的测井数据进行数据增强；
[0014]根据数据增强后的测井数据合成叠后地震数据；
[0015]将合成叠后地震数据作为训练输入，构建基于深层卷积神经网络的映射关系模型，基于深层卷积神经网络的映射关系模型的输出为弹性物性参数剖面。
[0016]进一步地，所述预处理包括剔除异常值和标准化处理。
[0017]进一步地，所述条件生成对抗网络的目标函数为：
[0018][0019]其中，为该框架下的目标函数；D为判别器模型，G为生成器模型；为真实测井数据分布的数学期望；为假想测井数据分布的数学期望；P(d
fake
)被定义为如标准正态分布的简单分布；D(d
well
)为判别器函数；G(d
fake
)为生成器函数；D(d
well
|
reservoir
)和G(d
fake
|
reservoir
)分别为标签条件下的判别器函数D(d
well
)和生成器函数G(d
fake
)的后验概率分布。
[0020]进一步地，所述根据数据增强后的测井数据合成叠后地震数据，包括：
[0021]基于Zoeppritz方程，根据数据增强后的测井数据中的纵波速度、横波速度和密度测井曲线求解地层反射系数；
[0022]对地层反射系数与地震子波褶积进行正演，合成地震道集，地震道集全叠加后得到合成叠后地震数据；
[0023]将合成叠后地震数据分为训练集和测试集，以数据增强后的测井数据作为约束，构建反演初始模型，并进行物性参数反演，输出合成叠后地震数据的弹性物性参数剖面。
[0024]进一步地，所述地层反射系数的反演矩阵方程为：
[0025][0026]其中，上述公式中各项的左下标为共成像点道集的角度；nR
pp
为第n个角度的纵波反射系数；为纵波反射系数在第n个角度对纵波速度V
p
的一阶偏导；nR
pp,
为纵波反射系数在第n个角度对横波速度V
p
的一阶偏导；nR
pp,
为纵波反射系数在第n个角度对密度ρ的一阶偏导；nR
ps
为第n个角度的横波反射系数；nR
ps,p
为横波反射系数在第n个角度对纵波速度V
p
的一阶偏导；nR
ps,
为横波反射系数在第n个角度对横波速度V
s
的一阶偏导；nR
ps,
为横波反射系数在第n个角度对密度ρ的一阶偏导，由此求解地层反射系数。
[0027]进一步地，所述将合成叠后地震数据作为训练输入，构建基于深层卷积神经网络的映射关系模型，包括：
[0028]将合成叠后地震数据作为训练输入，将反演得到的弹性物性参数剖面作为训练输出，采用深层卷积神经网络对训练输入和训练输出的编码与解码进行迭代训练，得到合成叠后地震数据与弹性物性参数剖面之间的映射关系模型：
[0029]m
k
＝
‑1(
‑
(F
‑
I)m
k
‑1)
[0030]其中，m
k
为第k次迭代训练的模型矩阵；D为观测数据；F为正演算子；F
‑1为反演算子；I为输入总数。
[0031]第二方面，提供一种小样本条件下的储层物性参数智能预测系统，包括：
[0032]数据获取模块，用于获取实际测井数据并进行预处理；
[0033]数据增强模块，用于采用条件生成对抗网络，对预处理后的测井数据进行数据增强；
[0034]数据合成模块，用于根据数据增强后的测井数据合成叠后地震数据；
[0035]预测模块，用于将合成叠后地震数据输入至预先构建的基于深层卷积神经网络的映射关系模型中计算合成叠后地震数据的弹性物性参数剖面，得到实际地震数据的储层物性参数预测值。
[0036]第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述小样本条件下的储层物性参数智能预测方法对应的步骤。
[0037]第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述小样本条件下的储层物性参数智能预测方法对应的步骤。
[0038]本专利技术由于采取以上技术方案，其具有以下优点：
[0039]1、本专利技术的数据增强过程中采用条件对抗生成网络，能够为少井地区的样本扩充提供可行的途径。
[0040]2、本专利技术构建的基于深层卷积神经网络的映射关系模型能够实现地震
‑
储层物性参数关系的直接映射，跳过常规弹性参数转换流程，一定程度上避免累计误差。
[0041]3、本专利技术的整套流程不需要太多人为干预，过程高效、客观。
[0042]综上所述，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本条件下的储层物性参数智能预测方法，其特征在于，包括：获取实际测井数据并进行预处理；采用条件生成对抗网络，对预处理后的测井数据进行数据增强；根据数据增强后的测井数据合成叠后地震数据；将合成叠后地震数据输入至预先构建的基于深层卷积神经网络的映射关系模型中计算合成叠后地震数据的弹性物性参数剖面，得到实际地震数据的储层物性参数预测值。2.如权利要求1所述的一种小样本条件下的储层物性参数智能预测方法，其特征在于，所述基于深层卷积神经网络的映射关系模型的构建过程为：获取测井数据并进行预处理；采用条件生成对抗网络，对预处理后的测井数据进行数据增强；根据数据增强后的测井数据合成叠后地震数据；将合成叠后地震数据作为训练输入，构建基于深层卷积神经网络的映射关系模型，基于深层卷积神经网络的映射关系模型的输出为弹性物性参数剖面。3.如权利要求2所述的一种小样本条件下的储层物性参数智能预测方法，其特征在于，所述预处理包括剔除异常值和标准化处理。4.如权利要求2所述的一种小样本条件下的储层物性参数智能预测方法，其特征在于，所述条件生成对抗网络的目标函数为：其中，为该框架下的目标函数；D为判别器模型，G为生成器模型；为真实测井数据分布的数学期望；为假想测井数据分布的数学期望；P(d
fake
)被定义为如标准正态分布的简单分布；D(d
well
)为判别器函数；G(d
fake
)为生成器函数；D(d
well
|
reservoir
)和G(d
fake
|
reservoir
)分别为标签条件下的判别器函数D(d
well
)和生成器函数G(d
fake
)的后验概率分布。5.如权利要求2所述的一种小样本条件下的储层物性参数智能预测方法，其特征在于，所述根据数据增强后的测井数据合成叠后地震数据，包括：基于Zoeppritz方程，根据数据增强后的测井数据中的纵波速度、横波速度和密度测井曲线求解地层反射系数；对地层反射系数与地震子波褶积进行正演，合成地震道集，地震道集全叠加后得到合成叠后地震数据；将合成叠后地震数据分为训练集和测试集，以数据增强后的测井数据作为约束，构建反演初始模型，并进行物性参数反演，输出合成叠后地震数据的弹性物性参数剖面。6.如权利要求5所述的一种小样本条件下的储层物性参数智能预测方法，其特征在于，所述地层反射系数的反演矩阵方程为：
其中，上述公式中各项的左下标为共成像点道集的...

【专利技术属性】
技术研发人员：王建花，牛聪，王清振，王艳冬，凌云，糜芳，叶云飞，王迪，孙文博，郑颖，
申请(专利权)人：中海石油中国有限公司北京研究中心，
类型：发明
国别省市：