【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;
[00 ...
【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:
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。