一种基于深度卷积神经网络的储层划分方法技术

本发明专利技术公开了一种基于深度卷积神经网络的储层划分方法,该储层划分方法包括以下步骤：选取测井数据集；对测井数据集进行预处理；构建深度卷积神经网络并对预处理的测井数据集进行训练；预处理的测井数据集经过深度卷积神经网络训练得到储层预测结果，完成储层初步划分；对储层初步划分的分类结果后处理，完成储层最终划分。该储层划分方法通过大量的测井曲线数据分析，自主挖掘出其中内在的特征，并利用这些特征来解决复杂的储层划分问题，经过后处理预测准确率更高，调用训练好的深度卷积神经网络模型预测时间更短，提高了储层划分的准确率和效率。准确率和效率。准确率和效率。

【技术实现步骤摘要】
一种基于深度卷积神经网络的储层划分方法


[0001]本专利技术属于石油天然气勘探开发
，具体涉及一种基于深度卷积神经网络的储层划分方法。

技术介绍

[0002]随着社会和经济的快速发展，各国对石油的消耗日益增加，但是石油作为一种不可再生资源，储量只会越来越少，甚至枯竭。相比开发新油田来缓解石油资源紧张的问题，对现有已开发油田的剩余油气资源进行深度开发和促进现有油田高产稳产，这样成本和风险更低，而且更切实可行。但是这种方法需要做好地质分层及储层划分的工作，尤其是储层划分。准确对储层进行划分不仅可以正确认识储层性质，而且方便后续对现有油田的深度开发。
[0003]长期以来，储层划分主要采用人工处理方法，主要是测井解释人员根据测井曲线的形态变换特征以及储层与非储层之间的差异，加上自己的经验进行主观判断。人工处理的储层划分方法不仅浪费人力和物力、效率低下，同时储层划分的结果受人主观因素的影响，也受到测井解释人员技术水平限制，尤其对于地质情况不是很熟悉、缺乏经验的解释人员来说，划分结果差异较大，出错率较高。进入21世纪，随着计算机技术的发展，如何利用计算机技术解决现有储层划分方法的准确率低、人为因素限制和效率低下等问题，实现储层划分的自动化，避免人为误差，减少劳动力消耗，提高储层划分的质量和效率，为后续进一步开发油田提供准确可靠的理论依据，这些问题成为了测井解释中储层划分需要改善的难题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度卷积神经网络的储层划分方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于深度卷积神经网络的储层划分方法，所述储层划分方法包括以下步骤：选取测井数据集；对测井数据集进行预处理；构建深度卷积神经网络并对预处理的测井数据集进行训练；预处理的测井数据集经过深度卷积神经网络训练得到储层预测结果，完成储层初步划分；对储层初步划分的分类结果后处理，完成储层最终划分。
[0006]进一步，所述选取测井数据集选取地理位置相近、特征相近的井作为训练井，再选取所述训练井的多条测井曲线数据作为特征的数据来源，所述测井曲线数据以单个深度点的离散数据形式呈现，每个深度点对应一个储层或非储层标签。
[0007]进一步，所述对测井数据集进行预处理包括以下步骤：对训练井测井曲线数据中异常值进行剔除；对每口井中选定地层层位内的测井曲线数据标准化处理；取一个窗口，以某深度点为间隔顺着选定地质层内的测井曲线数据方向滑动窗口，每个窗口停留的位置得到一个二维数组；将每口井中该地质层内离散数据形式的多条测井曲线数据全部转换为的
二维数组形式数据；将每个二维数组对应的标签设置为窗口选中的多个深度点中出现次数最多的标签；对所有标签矢量化。
[0008]进一步，所述构建深度卷积神经网络为构建包含多层卷积层、多层全连接层和softmax分类器的深度卷积神经网络。
[0009]进一步，所述对预处理的测井数据集进行训练将经过预处理测井数据集得到的二维数组输入深度卷积神经网络中，并根据二维数组对应的标签更新网格参数，最后训练得到网格模型并保存。
[0010]进一步，所述储层初步划分具体为：将需要进行储层划分的多条所述测井曲线数据进行预处理，将所述预处理的测井曲线数据转换为二维数组，再将所述二维数据输入深度卷积神经网络中训练，最终得到每个深度点对应的储层预测结果，完成储层初步划分。
[0011]进一步，所述对储层初步划分的分类结果后处理具体为：遍历每个深度点对应的预测标签s，如果检测到标签变化，则从该深度点向下取一个阀值w，选出阀值出现次数最多的标签m，如果标签s和m相同则该深度点标签预测正确，如果不相同则该深度点标签预测错误，并将该深度点的标签转换为m,完成储层最终划分，所述标签代表储层类型，所述储层类型分为储层和非储层。
[0012]进一步，所述多条测井曲线数据分别采集深度、自然伽马、自然电位、声波时差和阵列感应电阻率。
[0013]进一步，所述对测井曲线数据标准化处理为Z
‑
Score标准化，公式为：
[0014][0015]其中μ为数据均值，σ为数据标准差，x为测井曲线数据，x
′
为标准化的测井曲线数据，所述Z
‑
Score标准化为标准差标准化。
[0016]进一步，所述对标签矢量化具体为：将储层、非储层标签分别编号为1、0，再把两种标签的编号矢量化为二维的向量，其中向量中的一个索引为1，另一个索引为0。
[0017]进一步，所述深度卷积神经网络中多层卷积层的卷积核数分别为64、128和256，卷积核大小为3
×
3，步长为1，填充方式为same，所述深度卷积神经网络中多层全连接层的节点数为512，所述深度卷积神经网络中softmax分类器的节点数为2，所述节点数代表储层和非储层。
[0018]进一步，所述卷积层和全连接层的激活函数为ReLU,所述更新网格参数的算法为Adam算法；所述激活函数ReLU的函数表达式为ReLU(x)＝max(x,0),当x>0时，函数导数为1，不存在梯度衰减问题，当x<0时，函数导数为0，神经元不会更新权重；所述Adam算法通过结合梯度下降和动量更新完成网格参数的更新。
[0019]进一步，所述深度卷积神经网络的全连接层之间添加dropout层，在所述网格模型训练过程中每一层随机丢弃50％的神经元。
[0020]本专利技术的技术效果和优点：该基于深度卷积神经网络的储层划分方法通过大量的测井曲线数据分析，自主挖掘出其中内在的特征，并利用这些特征来解决复杂的储层划分问题，经过后处理预测准确率更高，调用训练好的深度卷积神经网络模型预测时间更短，提高了储层划分的准确率和效率。
附图说明
[0021]图1为本专利技术的基于深度卷积神经网络的储层划分方法流程图；
[0022]图2为本专利技术的某油田中某一区块内所有井的地理位置坐标图；
[0023]图3为本专利技术的区块内随机89口井的地理位置坐标图；
[0024]图4为本专利技术的测井曲线数据转换为二维数组形成数据的过程示意图；
[0025]图5为本专利技术的构建的深度卷积神经网络结构图；
[0026]图6为本专利技术的储层划分分类结果后处理示例图。
具体实施方式
[0027]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、完整地描述，显然，所描述的实施例仅仅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。
[0028]本专利技术提供了如图1所示的一种基于深度卷积神经网络的储层划分方法。
[0029]所述储层划分方法包括以下步骤：选取测井数据集；对测井数据集进行预处理；构建深度卷积神经网络并对预处理的测井数据集进行训练；预处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的储层划分方法，其特征在于：所述储层划分方法包括以下步骤：选取测井数据集；对测井数据集进行预处理；构建深度卷积神经网络并对预处理的测井数据集进行训练；预处理的测井数据集经过深度卷积神经网络训练得到储层预测结果，完成储层初步划分；对储层初步划分的分类结果后处理，完成储层最终划分。2.根据权利要求1所述的一种基于深度卷积神经网络的储层划分方法，其特征在于：所述选取测井数据集选取地理位置相近、特征相近的井作为训练井，再选取所述训练井的多条测井曲线数据作为特征的数据来源，所述测井曲线数据以单个深度点的离散数据形式呈现，每个深度点对应一个储层或非储层标签。3.根据权利要求1所述的一种基于深度卷积神经网络的储层划分方法，其特征在于：所述对测井数据集进行预处理包括以下步骤：对训练井测井曲线数据中异常值进行剔除；对每口井中选定地层层位内的测井曲线数据标准化处理；取一个窗口，以某个深度点为间隔顺着选定地质层内的测井曲线数据方向滑动窗口，每个窗口停留的位置得到一个二维数组；将每口井中该地质层内离散数据形式的多条测井曲线数据全部转换为二维数组形式数据；将每个二维数组对应的标签设置为窗口选中的多个深度点中出现次数最多的标签；对所有标签矢量化。4.根据权利要求1所述的一种基于深度卷积神经网络的储层划分方法，其特征在于：所述构建深度卷积神经网络为构建包含多层卷积层、多层全连接层和softmax分类器的深度卷积神经网络。5.根据权利要求1、3或4所述的一种基于深度卷积神经网络的储层划分方法，其特征在于：所述对预处理的测井数据集进行训练将经过预处理测井数据集得到的二维数组输入深度卷积神经网络中，并根据二维数组对应的标签更新网格参数，最后训练得到网格模型并保存。6.根据权利要求5所述的一种基于深度卷积神经网络的储层划分方法，其特征在于：所述储层初步划分具体为：将需要进行储层划分的多条所述测井曲线数据进行预处理，将所述预处理的测井曲线数据转换为二维数组，再将所述二维数据输入深度卷积神经网络中训练，最终得到每个深度点对应的储层预测结果，完成储层初步划分。7.根据权利要求1所述的一种基于深度卷积神经网络的储层划分方法，其特征在于：所述对储层初步划分的分类结果后处理具体为：遍历每个深度点对应的预测标签s，如果检测到标签变化...

【专利技术属性】
技术研发人员：周军，张冠文，张娟，王嘉政，曹先军，张静亚，陈小磊，段先斐，马修刚，孙佩，王雷，
申请(专利权)人：中国石油集团测井有限公司西北工业大学，
类型：发明
国别省市：