【技术实现步骤摘要】
本专利技术属于地球物理与人工智能，具体涉及一种基于深度学习的地层渗透率人工智能预测方法。
技术介绍
1、渗透率是评价石油天然气地层品质的重要指标之一。地层评估过程中，渗透率是十分重要的参数。通过测量地层的渗透率，可以评价岩石的渗透性，分析岩石孔隙和裂缝发育特征，预期孔隙与裂缝的连通性。渗透率高的地层通常具有更好的油气储集能力和流动性，是潜在的石油天然气生产目标。并且通过评估渗透率，可以对已发现的石油天然气地层进行分类，通过评估渗透率范围，可以确定地层的储集容量和可采储量，为地层的开发潜力提供评估，并为不同类型的地层制定开发方案。因此，准确地评估和确定渗透率是十分重要的任务。
2、渗透率虽然十分重要，却是难以准确计算的地层参数。地层通常具有复杂的地质结构和介质特征，如孔隙和裂缝的存在以及岩石的非均质性等。这些复杂性导致了渗透率的空间和时间上的变化。评价地层的渗透率需要考虑这些复杂性，以确定适当的数学模型和方法。传统渗透率计算方法通常是根据岩心、试油、常规测井系列曲线等资料，通过实验分析、经验取值、数理统计、岩石体积模型等方法建立测井解释模型，再根据地质特征来选取合适的参数完成并剖面处理，得到渗透率等地层参数及流体性质；其核心是测井数据分析和模型驱动方法的数学建模问题。对孔隙结构简单、均质性好的砂岩岩心，渗透率与孔隙度之间的关系简单，易于确定；但是，对复杂孔隙结构的非砂岩地层，准确孔渗关系的建立面临很大挑战。
3、随着油气勘探开发的不断深入，传统的基于线性假设的地层渗透率预测方法已经不能满足地层特征精细描述的
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种只使用三种地震属性，并且结果与地震数据变化趋势相符合，能反映地下渗透率分布情况的基于深度学习的地层渗透率预测方法。
2、本专利技术的目的是通过以下技术方案来实现的：一种基于深度学习的地层渗透率人工智能预测方法，包括以下步骤：
3、步骤1、计算地层表观渗透率；详细过程如下：
4、步骤11、读取测井得到的地震属性数据，并进行单位换算；
5、步骤12、根据地层经验假设缺失的参数数据；
6、步骤13、将所有参数数据带入公式逐步计算，最后得到地层表观渗透率，公式如下：
7、
8、
9、
10、
11、
12、式中，d为颗粒尺度；为多孔介质的孔隙度；μ为气体黏度；p为孔隙压力；rg为普适气体常数；t为绝对温度；mg为气体摩尔质量；τh为多孔介质的迂曲度；k∞为地层固有渗透率；kn为knudsen数；ka为地层表观渗透率；α为稀薄系数；
13、步骤2、提取出适合进行渗透率预测的地震属性参数，并对地震属性数据进行处理得到用于神经网络训练的样本；详细过程如下：
14、步骤21、选择纵波速度、孔隙度和孔隙压力作为用于预测的地震属性参数；
15、步骤22、使用测井数据作为训练集和验证集，分别训练集和验证集的数据进行标准化和归一化处理；
16、步骤3、搭建卷积神经网络模型，并确定网络模型参数，然后使用训练集进行迭代训练，利用网络的前后传播更新参数，迭代更新参数得到最优的模型参数；详细过程如下：
17、步骤31、搭建卷积神经网络模型，网络模型包括一维卷积层、批标准化层、全连接层和dropout层；
18、步骤32、设置训练参数；
19、步骤33、进行神经网络模型的训练，直到达到预定的停止条件；
20、步骤34、通过计算模型在训练集数据上的预测值和样本值的均方差不断优化模型；分别画出模型训练过程中，训练集和验证集均方差的数值大小和变化趋势，找到在训练集和测试集上都表现优越的最优模型；
21、步骤4、将训练得到的最优模型应用到三维地震数据上，得到渗透率数据。
22、本专利技术的有益效果是：本专利技术基于神经网络构建渗透率预测模型。首先，处理测井数据得到传统渗透率计算方法所需的参数数据，并利用公式计算出地层表观渗透率。其次，结合传统预测渗透率的方法和地层表观渗透率的计算方法，从中选择结果较好的纵波速度、孔隙度和孔隙压力作为用于预测的地震属性参数；以此为训练数据进行神经网络的训练，实现了使用纵波速度、孔隙度和孔隙压力三种地震属性的渗透率预测。使用传统方法时，由于颗粒尺度数据、温度数据都是假设的，因此会使得结果存在误差。神经网络只使用了三种地震属性，并且结果与地震数据变化趋势相符合，能反映地下渗透率分布情况。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的地层渗透率人工智能预测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于深度学习的地层渗透率人工智...
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。