基于地质特征约束的储层参数预测方法、装置和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114152977A(43)申请公布日2022.03.08(21)申请号202010928912.0G06N3/04(2006.01)(22)申请日2020.09.07G06N3/08(2006.01)(71)申请人中国石油化工股份有限公司地址100728北京市朝阳区朝阳门北大街22号申请人中国石油化工股份有限公司石油物探技术研究院(72)发明人许凯孙振涛王世星唐金良曹慧兰张如一郑笑雪姚铭(74)专利代理机构北京聿宏知识产权代理有限公司11372代理人吴大建金淼(51)Int.Cl.G01V1/28(2006.01)G01V1/30(2006.01)权利要求书2页说明书11页附图8页(54)发明名称基于地质特征约束的储层参数预测方法、装置和存储介质(57)摘要本发明提出了一种基于地质特征约束的储层参数预测方法、装置和计算机存储介质以及计算机设备。该方法根据目标层段的不同类型的地震属性与储层参数之间的相关度选出优势地震属性；基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征进行分类，获得波形分类结果；以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；利用空变多网络训练模型对目标层段的储层参数进行预测。本发明能够实现对尤其是深度域储层参数的直接预测，提高储层参数预测精度及空间稳定性。CN114152977ACN114152977A权利要求书1/2页1.一种基于地质特征约束的储层参数预测方法，其特征在于，包括以下步骤：S100、根据目标层段的不同类型的地震属性与储层参数之间的相关度，从不同类型的地震属性中选出优势地震属性；S200、基于优势地震属性，利用预设的波形分类网络模型将目标层段的波形按照波形特征分类，获得波形分类结果；S300、以地震属性为输入，以储层参数为输出，以波形分类结果为约束，构建不同的地质特征所对应的不同的深度神经网络模型；S400、利用目标层段的地震数据和测井数据对不同的深度神经网络模型进行训练，以优化每个深度神经网络模型的模型参数；S500、将训练好的不同的深度神经网络模型融合成空变多神经网络预测模型；S600、利用空变多网络训练模型对目标层段的储层参数进行预测。2.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S100包括以下步骤：利用目标层段的地震数据和测井数据，通过交汇分析确定目标层段的不同类型的地震属性与储层参数之间的相关度，根据所述相关度的大小从不同类型的地震属性中选出相关度超过预设相关度阈值的地震属性，作为优势地震属性；对于每一个优势地震属性，通过奇异谱分析对该地震属性的数据进行分解和重构，其中，在重构后的序列中按照对该地震属性的贡献度的大小保留贡献度高于预设贡献度阈值的序列分量，作为该优势地震属性的优势分量。3.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S200中，所述波形分类网络模型为基于SOM无监督聚类算法设计的SOM无监督网络模型，该网络模型包括地震属性输入层和分类结果输出层。4.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S300中，每个所述深度神经网络模型为LSTM-RNN循环神经网络模型，该网络模型包括地震属性输入层和储层参数输出层以及位于地震属性输入层与储层参数输出层之间的隐藏层；其中，所述隐藏层包括：LSTM单元，用于保留地震数据和测井数据的时序特征；full-connected层，用作训练网络模型的分类器dropout层，用于缓解网络模型训练过程中的过拟合现象；regression层，用作训练网络模型的输出。5.根据权利要求1所述的储层参数预测方法，其特征在于，所述步骤S600中，所述空变多网络训练模型为：其中：Vp代表储层参数，fk(x1,x2,…xN)代表第k种地质特征所对应的神经网络预测模型，wk,i,j代表第k种地质特征所对应的神经网络预测模型的空变系数，x1,x2,…xN代表不同2CN114152977A权利要求书2/2页类型的地震属性。6.根据权利要求5所述的储层参数预测方法，其特征在于，按照下式确定每个训练好的深度神经网络模型在空变多神经网络预测模型中的空变系数：w＝λwc+(1-λ)wd2wc＝exp(-αcc12)2wd＝exp(-αdd12)式中：w为空变系数，v1为已构建神经网络模型的地震道，v2为待构建神经网络模型的地震道，wc表示已构建神经网络模型地震道与待构建神经网络模型地震道波形相似性的插值系数，wd表示已构建神经网络模型地震道与待构建神经网络模型地震道距离的插值系数，c12表示v1和v2之间的相关性，d12表示表示v1和v2之