[发明专利]一种基于深度学习的致密砂岩储层流体识别方法

说明书

本发明提供了一种基于深度学习的致密砂岩储层流体识别方法，首先对研究区测井数据的层内各点特征进行预处理并拼接成样本；针对层内深度不同的样本进行深度统一化处理；将样本输入卷积神经网络提取高维非线性测井特征；使用双向长短期记忆神经网络进一步融合卷积神经网络输出的特征映射，进一步学习测井数据的多尺度特征；致密砂岩储层流体识别模型输出识别结果。该方案利用了储层之间的相关性，能有效提高储层识别精度。

技术领域

本发明涉及属于计算机智能学习领域，具体地说，涉及一种基于CNN和Bi-LSTM结合的储层流体识别方法。

背景技术

近年来深度学习被广泛应用于地质建模以及油藏描述中且已取得比传统统计学方法更为优异的效果。如CNN，Transformer，LSTM等可用于地质参数估计、地层边界确定和岩性识别等方面。

CNN具有良好的容错能力、并行处理能力和自学习能力，它可以从简单数据中提取复杂特征，并逐层抽象来建立高维度的映射关系，可用于解决复杂的非线性地质问题。Bi-LSTM则可结合双向的深度信息，更好的把握地质信息中的双向关联规则，从而准确的识别储层性质。

本专利在数据特征提取的方面提出了新的样本构造方法，并且结合了地质信息之间的关联性对提取特征进行了有效的利用，从而改进算法模型，能够有效地提高识别精度。

发明内容

本发明基于目前测井数据样本难以提取有效测井特征并且无法有效利用储层之间相关性等问题，提供了一种基于深度学习的致密砂岩储层流体识别方法，在对样本进行了高维特征提取后，再加入双向长短期记忆神经网络进行识别，二者相互结合，能够有效地提高识别精度。

本发明具体内容如下：一种基于深度学习的致密砂岩储层流体识别方法，包括了测井数据集建立、样本深度统一化、卷积提取高维特征和建立关联模型识别四个步骤：

步骤S1：选取研究区域的测井数据构成数据集，并对测井数据进行分层，按层内各点的特征进行拼接，合成样本；

步骤S2：由于存在样本深度不同的问题，不符合输入网络的要求，针对深度不同的样本进行深度统一化操作；

步骤S3：将样本输入卷积神经网络，提取高维非线性测井特征；

步骤S4：根据提取的高维特征以及储层数据的相关性，利用双向长短期记忆神经网络进一步学习测井数据的多尺度特征，建立储层识别模型，并输出识别结果。

为了更好的实现本发明，进一步的，所述步骤S1，具体还包括以下步骤：

步骤S1.1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点；

步骤S1.2：根据特征相关性分析以及专业知识的指导，筛选出储层识别敏感的特征，最终选取了如下12个特征：PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD；

步骤S1.3：根据井号层号的不同，将属于同一层的数据点的特征按行进行拼接，共得131个样本。

为了更好的实现本发明，进一步的，所述步骤S2，具体还包括以下步骤：

步骤S2.1：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12×12，在进行样本合成后，所得样本深度并不一致，因此在输入网络前需要对样本深度进行统一化操作；

步骤S2.2：通过双线性插值方法将样本宽高统一到12×12的大小；设P点为待求特征，Q11、Q12、Q21、Q22为四邻近特征，通过Q12，Q22线性插值得到R1，通过Q11，Q21线性插值得到R2，再通过R1，R2线性插值得到P点特征值；

为了更好的实现本发明，进一步的，所述步骤S3，具体还包括以下步骤：