基于CNN-GRU神经网络的测井曲线预测方法

来源 :石油物探 | 被引量 : 0次 | 上传用户:zxy6651
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时序序列的特征向量,再利用GRU网络进行训练,最后输出测井曲线预测值.该方法综合了卷积神经网络局部特性感知和门控循环单元网络长期记忆的特性,考虑了测井曲线的深度趋势和局部形状,具有较高的预测精度.将该方法应用于四川某地区A、B两个井区3 口井的测井曲线预测,并将预测结果与其它3种人工智能预测方法的预测结果进行对比分析,结果显示,基于CNN-GRU神经网络的测井曲线预测方法应用效果显著,能有效提取数据特征,为测井曲线预测提供了一种新思路.
其他文献
提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪.根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声.为了准确高效地提取地震数据面波噪声的特征,采用残差学习和批量标准化相结合的方式来加快训练过程并提高算法的面波去噪效果,去噪卷积神经网络能够有效处理未知噪声水平的面波降噪.模型数据和单点高密度地震数据测试
回顾了油气人工智能研究进展,分析其面临的一些关键问题.将油气人工智能研究分成两个层级,即学术型油气人工智能研究和工业级油气人工智能研究,两者面临不同的问题和挑战.对于学术型油气人工智能应用场景,主要是关心算法及其相关理论应用,着重于解决智能点的局部问题;对于工业级人工智能应用场景,更多的要关心数据治理、数据集、平台、多源多尺度多模态数据融合建模、数据驱动与机理模型融合建模以及机器学习模型的可解释性等问题.针对数据驱动与机理模型融合问题,提出3种途径,即算法融合、评价方法融合、数据集融合,并给出实验验证.针
沉积微相划分是油气藏勘探的研究基础.传统沉积微相划分由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、冗长的,可能引入人为偏差.深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决沉积微相划分的深度学习方法.针对测井-沉积微相,提出了基于特征构造(DMC)和双向长短期记忆网络(BiLSTM)的沉积微相智能识别方法.首先,利用趋势分解和中值滤波对原始曲线进行多维重构,并对重构矩阵和原始曲线特征采用kmeans提取时空相关聚类特征;然后,以原始曲线特征、地质趋势特征、中值滤波
海上地震采集时采用传统的海面投放方式布放深水海底节点(OBN)时点位偏差较大,无法满足基本的勘探精度要求,因此近年来水下机器人(ROV)被引入到海上地震采集行业.结合非洲东部某近岛海域OBN采集实例,讨论了 ROV在深水地震采集应用中的主要环节,包括动态定位船和ROV系统构成及原理,ROV系统在OBN采集节点布放及回收时的质量检测、参数校准方法、深水声波定位方法、点位精度评价方法、实际布放回收效率等.利用初至波二次定位技术,对用ROV布放OBN的坐标精度进行了验证,结果表明ROV可获得较传统海面投放方式精
深度神经网络通过分析由不同地质和地球物理来源获得的数据之间的相关性确定油气储层特征,从而开展地震油气储层分布预测.经过适当的训练,深度神经网络可以通过识别与样本数据相关的复杂非线性关系来预测油气储层性质,然而目前仍缺少深度神经网络超参数的选取对地震油气藏分布预测结果影响的系统性研究.为此,在分析深度神经网络隐含层数目、隐含层节点数及激活函数的基础上,探讨了深度神经网络模型超参数选取对含油气性多波地震响应特征提取结果的影响,并利用多种评价指标对不同网络结构模型的性能进行了对比.结果表明,深度神经网络隐含层数
地震相是沉积相在地震剖面上的反映,能为地下资源尤其是油气资源的勘探开发提供有效依据.近年来随着人工智能的快速发展和油气人工智能的有力推进,国内外学者提出了多种地震相智能识别的方法.对地震相智能识别方法进行了归纳总结,将其归纳为无监督学习、监督学习和半监督学习3类,并详细介绍了这3类方法的原理、应用现状及其优缺点.无监督学习利用没有标签的地震数据进行学习聚类,从而实现地震相的自动识别,具有简单易操作的特点.监督学习主要利用标签数据反馈学习,通过学习不断接近标签,从而使得该方法在地震相识别中具有更高的精度.半
非常规油气储层矿物成分复杂,流体赋存形式多样,孔隙度、渗透率和饱和度等储层参数与测井响应呈非线性关系,难以构建理论模型或经验公式.近年发展迅速的机器学习为测井解释提供了新思路.综述了机器学习在测井解释中的应用现状,概述了集成机器学习的概念、框架和工作机制,指出机器学习包括同质集成与异质集成(委员会机器)两种,简述了两者的差异.重点介绍了委员会机器的基本原理和工作机制.委员会机器是一种结合神经网络和决策树等多种智能算法构建的集成机器学习系统,采用特定的组合策略实现多专家共同决策,对改善训练模型和预测结果具有
点扩散函数(PSF)反映了地震观测系统对地下一个成像点观测过程的模糊化.在反演理论下可以证明,偏移成像是真实反射率与PSF卷积的结果.将反演成像转化为模型空间的图像去模糊问题,其核心在于PSF算子的计算和PSF模糊化效应的消除.提出了通过散射点模型的一次正演和偏移高效求取控制点PSF,而后通过空间插值快速得到全成像空间PSF的方法.理论分析和数值实验结果表明,全成像空间的PSF是反演理论中Hessian算子的近似,将PSF与反射率模型卷积得到模糊化的图像.利用波数域反演成像的方法,对常规偏移成像结果进行解
将第一部分论述中提出的地震数据线性正演表达公式作为地震数据线性反演的正演方程,利用线性反演理论提出包括散射数据波形成像和反射数据波形成像的地震数据波形成像方法理论,给出了标量波散射数据、声波反射数据和弹性波反射数据波形成像的具体计算公式.散射数据波形成像是对散射体物性参数相对扰动的线性反演,反射数据波形成像是对反射体波阻抗相对扰动或反射体边界局部反射系数的线性反演.在波形成像中,如果将波场传播算子的伴随算子作为波场传播算子的逆,则波形成像可转化为波形偏移;如果将波场传播算子的最小二乘逆作为波场传播算子的逆
地震勘探是探测地下油气资源的重要方法之一,利用人工地震剖面数据多种特征识别储层结构、岩性、物性等是地球物理勘探的关键问题.随着数据量的增大,对地震数据进行降维和信号特征编码成为快速处理和分析地震资料的重要方向.由于手工标记拾取地震数据特征耗时费力、效率不高,而且不同人员往往会产生不同的解释结果,为此,基于地震剖面数据与人类指纹之间存在的相似性特征,提出了地震数据指纹特征点提取和自动标签化方法.该方法通过识别地震剖面数据间断、分叉等特征点,从海量地震剖面数据中提取存储量小、信息丰富的指纹特征点,并实现指纹特