[发明专利]一种基于序贯神经网络的储层相建模方法

说明书

本发明公开了一种基于序贯神经网络的储层相建模方法，包括序贯神经网络的相模式数据量版建立、序贯神经网络相建模技术方法以及序贯神经网络相建模结果可视化的步骤；所述序贯神经网络的相模式数据量版建立还包括多类型相模式数据量版建立和各量版统计特征分析及预处理的子步骤；所述序贯神经网络相建模技术方法还包括序贯神经网络样本链建立、序贯神经网络结构建立以及序贯神经网络并行训练与组合推断子步骤；本发明实现了快速、可靠、智能地建立复杂相体系建模。

技术领域

本发明涉及储层随机建模中基于像元算法领域，具体涉及一种基于序贯神经网络的储层相建模方法。

背景技术

储层建模是指利用已有地质数据包括测井、地震、岩心分析化验等数据，遵循储层的空间相关性、非均质性等性质特征，运用相关算法建立井间的属性模型，包括孔隙度模型、渗透率模型、沉积相模型等，最终形成完整表征储层空间内属性分布特征的三维模型。相建模则是对其中的离散属性如沉积相、岩相、流体相等进行建模。整个储层建模研究领域可以分为三部分：①储层建模输入数据的研究。②具体的建模算法研究。③建模结果后处理算法研究。

第一部分主要研究如何从储层建模输入数据(测井、地震、岩心分析等)提取地质特征，进行基本地质信息解释，包括岩性岩相沉积相解释、岩石力学参数解释、储层物性参数及层位解释等。第二部分则是研究建模算法，现有的储层建模算法可分为确定性建模和随机建模，其中随机建模能等可能产生多个模型，对储层非均质性和开发风险性的评估具有重要意义，因而广泛用于生产实践中。第三部分的后处理是指解决通过建模算法得到的模型中存在问题的这一过程。建模算法直接得到的模型通常存在界面或边界不光滑、属性分布不连续、“噪点”问题等。后处理的主要方法为采取一些基于概率统计学的算法对经过建模算法得到的模型进行二次运算从而得到分布连续性较好、界面较光滑的模型。

这三部分现已经融入了一定的人工智能算法，但相关技术方法还尚未成熟。在建模算法领域，目前主流人工智能方法为通过生成对抗式网络(GAN)来进行预测，该方法需要大量的储层模型数据，同时还需要较长的训练时间，其推断速度也较慢。在遇到需要快速建模且已知数据量相对较少的场景时，更多还是用两点地质统计学的随机建模算法。

实际工程当中，建立空间相分布模型前通常能收集到或直接建立的数据资料有：1)单井的相分布模型，数据结构为一维形式；2)地质学家提供的平面上相分布模式，数据结构为二维形式。两点地质统计学的算法能充分利用各维度数据，同时还具有计算快的特点；多点地质统计学的算法通常能很好地利用平面数据，较好的模拟复杂相分布模型，但计算较慢；而常规单一模型的深度学习算法通常需要大量数据，并且同时难以利用多维度数据。本发明提出了一种基于序贯神经网络的相建模技术方法，该方法能综合了上述三类算法的优点，实现了快速、可靠、智能地建立复杂相体系建模。

发明内容

本发明解决的技术问题是：克服了现有建模技术的缺点，提供了一种基于序贯神经网络的储层相建模方法。

本发明的目的是通过以下技术方案来实现的：

一种基于序贯神经网络的储层相建模方法，基于油气储层的岩相数据及其对应的测井曲线，实现复杂油气藏相体系的快速、可靠、智能化相建模，包括以下步骤：

序贯神经网络相建模技术方法；

所述序贯神经网络相建模技术方法包含序贯神经网络样本链建立子步骤、序贯神经网络结构建立子步骤和序贯神经网路相建模的并行训练与组合推断子步骤。具体的，设数据量版为F＝{f_j|j＝1,2,…,M；f_j＝1,2,…,c}，有M个位置共c种相类型，则f_j表示量版空间中第j个位置的相类型离散值，所述序贯神经网络样本链建立子步骤还包括：