一种使用深度学习算法计算裂缝强度分布的方法和系统技术方案

本发明专利技术公开了一种使用深度学习算法计算裂缝强度分布的方法和系统，方法如下：获取学习样本中输入层的参数和学习样本中输出层的参数；建立输入层的参数与输出层的参数关联的网络学习框架；在网络学习框架下对网络进行训练得网络学习模型；获取待计算区域的输入层的参数；根据待计算区域的输入层的参数以及网络学习模型，计算得到待计算区域的裂缝强度和裂缝开度。本发明专利技术采用深度学习方法，可以层次化地将输入层的参数进行非线性结合，从而可以综合各种测井数据源(对数变换后的深电阻率、对数变换后的浅电阻率、对数变换后的深浅电阻率之差以及声波时差中的一种或多种)进行综合评价裂缝强度，对于裂缝型油气田的勘探开发具有重要意义。重要意义。重要意义。

【技术实现步骤摘要】
一种使用深度学习算法计算裂缝强度分布的方法和系统


[0001]本专利技术属于石油天然气开发
，具体涉及一种使用深度学习算法计算裂缝强度分布的方法和系统。

技术介绍

[0002]裂缝强度是描述裂缝分布的重要参数，该参数在裂缝建模中具有重要作用。然而，由于裂缝属于储层的非连续性属性，因此，使用常规的储层参数研究方法无法完成裂缝的单井描述。
[0003]裂缝强度在单井剖面中的定义是单位长度上裂缝的条数。这一概念显然没有区分裂缝的级别与裂缝的开度，这对于后续渗透率的计算将造成重要影响。使用图像测井数据进行裂缝识别是传统的裂缝强度计算方法，如果成像测井或核磁扫描图像的质量与数量能够支撑裂缝描述，该方法通常是最优的，也是最有效。但是，事实上钻井岩心与成像测井资料通常都非常有限，使用直接的手段所能获取的数据无法完成对模型的约束。
[0004]常规测井对裂缝的响应一般都比较模糊，单一测井手段所描述的裂缝强度具有非常大的不确定性，往往与钻井岩心以及成像测井具有非常大的差异。使用多种常规测井进行裂缝研究是今年来的一个重要发展方向。电阻率测井与声波测井是最常用的单独解释数据源，最初周波跳跃现象被认为是裂缝的指示，然而，由于井径的影响，这种解释具有非常大的局限性。电阻率测井则以泥浆侵入的程度来判定地层是否存在裂缝。两种解释方案都具有各自的理论基础，在没有机器学习算法的帮助下，很难将二者结合起来进行综合裂缝强度分析。使用地震资料进行预测具有采样精度问题，需要使用钻井数据进行验证。因此使用测井数据建立裂缝强度是一项重要的具有探索意义的研究方向。因此，提供一种使用深度学习算法计算裂缝强度分布的方法和系统是十分重要的。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于：提供一种使用深度学习算法计算裂缝强度分布的方法和系统。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种使用深度学习算法计算裂缝强度分布的方法，包括以下步骤：
[0008]获取学习样本中输入层的参数，其中，输入层的参数包括对数变换后的深电阻率、对数变换后的浅电阻率、对数变换后的深浅电阻率之差以及声波时差中的一种或多种；
[0009]获取学习样本中输出层的参数，其中，输出层的参数包括裂缝强度和裂缝开度；
[0010]建立输入层的参数与输出层的参数关联的网络学习框架；
[0011]在所述网络学习框架下对网络进行训练，得到网络学习模型；
[0012]获取待计算区域的输入层的参数；
[0013]根据待计算区域的输入层的参数以及网络学习模型，计算得到待计算区域的裂缝强度和裂缝开度。
[0014]优选地，所述的网络学习框架包括输入层、隐层和输出层，所述的隐层设置在输入层和输出层之间，所述的隐层设置多个。
[0015]优选地，所述的隐层的个数大于等于5。
[0016]优选地，所述的隐层设有编码器和解码器；所述的编码器用于对输入数据进行编码，滤除噪音大的输入数据；所述的解码器用于对编码后的输入数据进行解码，还原成原始输入数据。
[0017]优选地，在所述网络学习框架下对网络进行训练，得到网络学习模型的具体过程如下：将学习样本中输入层的参数输入到网络学习框架，依次经过网络学习框架的输入层、隐层和输出层，计算得到输出结果，将计算得到的输出结果与学习样本中相对应的输出层的参数进行对比，若不满足误差要求，根据误差大小反向调整网络学习模型，直至误差满足要求时结束训练。
[0018]本专利技术还公开了一种使用深度学习算法计算裂缝强度分布的系统，具体包括：
[0019]第一获取单元：用于获取学习样本中输入层的参数，其中，输入层的参数包括对数变换后的深电阻率、对数变换后的浅电阻率、对数变换后的深浅电阻率之差以及声波时差中的一种或多种；
[0020]第二获取单元：用于获取学习样本中输出层的参数，其中，输出层的参数包括裂缝强度和裂缝开度；
[0021]建模单元：建立输入层的参数与输出层的参数关联的网络学习框架；
[0022]训练单元：在所述网络学习框架下对网络进行训练，得到网络学习模型；
[0023]第三获取单元：用于获取待计算区域的输入层的参数；
[0024]计算单元：用于根据待计算区域的输入层的参数以及网络学习模型，计算得到待计算区域的裂缝强度和裂缝开度。
[0025]优选地，建模单元中，所述的网络学习框架包括输入层、隐层和输出层，所述的隐层设置在输入层和输出层之间，所述的隐层设置多个。
[0026]优选地，所述的隐层的个数大于等于5。
[0027]优选地，所述的隐层设有编码器和解码器；所述的编码器用于对输入数据进行编码，滤除噪音大的输入数据；所述的解码器用于对编码后的输入数据进行解码，还原成原始输入数据。
[0028]优选地，所述的训练单元具体用于：将学习样本中输入层的参数输入到网络学习框架，依次经过网络学习框架的输入层、隐层和输出层，计算得到输出结果，将计算得到的输出结果与学习样本中相对应的输出层的参数进行对比，若不满足误差要求，根据误差大小反向调整网络学习模型，直至误差满足要求时结束训练。
[0029]本专利技术的有益效果在于：
[0030]本专利技术采用深度学习方法，可以层次化地将输入层的参数进行非线性结合，从而可以综合各种测井数据源(对数变换后的深电阻率、对数变换后的浅电阻率、对数变换后的深浅电阻率之差以及声波时差中的一种或多种)进行综合评价裂缝强度，对于裂缝型油气田的勘探开发具有重要意义。
[0031]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利
要求书以及附图中所指出的结构来实现和获得。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1示出了本专利技术网络学习模型的框架图；
[0034]图2示出了带编码器的隐层网络框架图；
[0035]图3示出了网络学习模型进行训练的流程图；
[0036]图4示出了训练结果图；
[0037]图5示出了使用本专利技术算法得到的网络学习模型计算得到的非取心井结果图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]一种使用深度学习算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用深度学习算法计算裂缝强度分布的方法，其特征在于：包括以下步骤：获取学习样本中输入层的参数，其中，输入层的参数包括对数变换后的深电阻率、对数变换后的浅电阻率、对数变换后的深浅电阻率之差以及声波时差中的一种或多种；获取学习样本中输出层的参数，其中，输出层的参数包括裂缝强度和裂缝开度；建立输入层的参数与输出层的参数关联的网络学习框架；在所述网络学习框架下对网络进行训练，得到网络学习模型；获取待计算区域的输入层的参数；根据待计算区域的输入层的参数以及网络学习模型，计算得到待计算区域的裂缝强度和裂缝开度。2.根据权利要求1所述的一种使用深度学习算法计算裂缝强度分布的方法，其特征在于：所述的网络学习框架包括输入层、隐层和输出层，所述的隐层设置在输入层和输出层之间，所述的隐层设置多个。3.根据权利要求2所述的一种使用深度学习算法计算裂缝强度分布的方法，其特征在于：所述的隐层的个数大于等于5。4.根据权利要求2所述的一种使用深度学习算法计算裂缝强度分布的方法，其特征在于：所述的隐层设有编码器和解码器；所述的编码器用于对输入数据进行编码，滤除噪音大的输入数据；所述的解码器用于对编码后的输入数据进行解码，还原成原始输入数据。5.根据权利要求2所述的一种使用深度学习算法计算裂缝强度分布的方法，其特征在于：在所述网络学习框架下对网络进行训练，得到网络学习模型的具体过程如下：将学习样本中输入层的参数输入到网络学习框架，依次经过网络学习框架的输入层、隐层和输出层，计算得到输出结果，将计算得到的输出结果与学习样本中相对应的输出层的参数进行对比，若不满足误差要求，根据误差大小反向调整网络学习模型，直至误差满足要求时结束训练。6.一种使用深度学习算法计算裂缝强度分布...

【专利技术属性】
技术研发人员：徐芳，黄继新，齐梅，张克鑫，郭松伟，孟征，张超前，王玉生，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：