基于残差网络与贝叶斯算法的随钻电磁波测井反演方法

摘要: 本发明涉及石油天然气勘探开发,尤其涉及一种基于残差网络与贝叶斯算法的随钻电磁波测井反演方法。背景技术:1、随钻电磁波测井反演为随钻探边和地质导向技术提供决策依据...
基于残差网络与贝叶斯算法的随钻电磁波测井反演方法

本发明涉及石油天然气勘探开发,尤其涉及一种基于残差网络与贝叶斯算法的随钻电磁波测井反演方法。

背景技术:

1、随钻电磁波测井反演为随钻探边和地质导向技术提供决策依据,是随钻测井的重要研究内容。现有反演方法包括深度学习反演、levenberg-marquardt迭代反演和贝叶斯概率反演等。

2、(1)基于深度学习的反演方法。该方法利用大量正演模拟,得到神经网络训练集,结合不确定性估计剔除低质量反演结果。该方法能够识别异常边界。

3、(2)基于levenberg-marquardt(lm)算法的反演方法。该方法从初始模型出发,通过lm迭代更新模型参数,得到反演结果。该方法计算效率较高,在初始模型较可靠条件下得到较准确的反演结果。

4、(3)基于马尔科夫链蒙特卡洛采样(mcmc)的贝叶斯概率反演方法。该方法根据模型先验概率和响应似然函数建立后验概率,通过随机采样搜索模型空间,获得地层参数的后验分布,筛选得到最佳反演结果。该方法适用于多参数条件下的反演结果不确定性分析。

5、现有技术存在的缺点有:

6、(1)基于深度学习的反演方法依赖训练样本集的数据量,实际地层及仪器响应不在训练样本集时,地层边界反演结果不准,与正演的拟合差较大。

7、(2)基于levenberg-marquardt反演方法对初始模型依赖较强,采用单一初始模型作为反演起点容易陷入局部极小值,影响反演结果的稳定性。

8、(3)基于马尔科夫链蒙特卡洛采样(mcmc)需要大量随机采样,计算量过大,效率低,不能满足随钻电磁波测井的实时反演需求。

技术实现思路

1、为解决上述技术问题,本发明公开了一种基于残差网络与贝叶斯算法的随钻电磁波测井反演方法,该方法降低了levenberg-marquardt反演算法对单一初始模型的依赖,解决了反演结果陷入局部极小值的问题,提高反演结果精度,实现了随钻电磁波测井探边及地质导向。在反演时采用多个初始模型,有效地消除了单一初始模型对反演结果的影响,提高了多界面地层反演的准确性和可靠性,为随钻探边及地质导向提供了重要依据。

2、为实现上述目的,本发明采用下述技术方案:

3、基于残差网络与贝叶斯算法的随钻电磁波测井反演方法,包括以下步骤:

4、s1,根据目标区地质及地震资料,得到地层界面位置和各层电阻率取值范围,构建多个目标地层模型,对目标地层模型的界面位置和电阻率施加扰动,得到扰动地层模型,计算目标地层模型和扰动地层模型的正演响应,形成残差网络训练样本集,训练残差网络;

5、s2,将扰动地层模型及残差作为网络输入,将目标地层模型与扰动地层模型之间的参数差值作为输出,差值包括界面位置修正量和各层电阻率修正量,对残差网络进行训练,得到用于预测模型修正量的最优残差网络;

6、s3,输入实际测井数据。根据邻井资料建立多个地层模型,通过正演分别计算各个模型的测井响应;计算测井数据与正演响应之间的残差;将各个模型及其残差输入到训练完成的最优残差网络,得到地层模型修正量,将模型修正量加到当前模型参数上,更新当前地层模型,从而得到地层界面位置及各层电阻率,形成候选模型集;根据先验概率筛选得到优质模型集;

7、s4,将优质模型集作为levenberg-marquardt反演的多组初始模型,对实际随钻电磁波测井数据进行迭代反演;针对每一组初始模型,当拟合误差满足设定精度时,终止反演,得到多组反演结果;

8、s5,计算多组反演结果的贝叶斯后验概率,将后验概率最大者确定为最终反演结果,得到地层界面位置及各层电阻率。

9、进一步地,步骤s1中,对地层模型的随钻电磁波测井正演响应表示为:

10、;

11、式中,为正演得到响应矢量,f为随钻电磁波测井正演算子,为地层模型,为井眼与地层几何参数,为仪器工作参数;

12、定义目标模型响应与扰动模型响应之间的差值为残差,目标模型参数与扰动模型参数之间的差值为模型修正量。

13、进一步地,步骤s2中,残差网络的映射关系表示为:

14、;

15、式中,为网络预测的模型修正量,为训练完成的残差网络,为扰动模型,为残差;

16、将残差网络预测的模型修正量与扰动模型参数相加,得到预测地层模型。

17、进一步地,步骤s3中,残差网络更新过程为:

18、;

19、式中,为第个地层模型参数,为实测随钻电磁波测井数据,为第个地层模型的正演响应,为训练完成的残差网络,为残差网络修正后的候选地层模型参数;

20、对多个地层模型分别执行该更新过程,形成候选模型集:

21、;

22、根据邻井模型确定地层模型参数的先验概率分布,各候选模型的先验概率为:

23、;

24、式中,为模型参数协方差矩阵,为归一化系数;

25、按照先验概率由大到小对候选模型进行排序,选取先验概率较大的模型组成优质模型集:

26、;

27、其中,m为先验概率函数筛选之后的优选地层模型。

28、进一步地,步骤s4中,将先验概率筛选得到的优质模型集作为lm反演的初始模型,各个初始模型分别进行迭代反演;

29、于第个初始模型,第t次迭代的反演参数更新为:

30、;

31、;

32、式中,为第t次迭代时正演响应对模型参数的雅可比矩阵,为的转置,为数据权重矩阵,为第t次迭代的阻尼因子,为单位矩阵,为第t次迭代的模型参数更新量;为观测响应向量,为模型参数在井眼与地层几何参数g、仪器工作参数a条件下的正演响应,为第t次迭代的模型参数,为更新后的模型参数;

33、当拟合误差满足设定精度时,停止反演;

34、针对多个初始模型,并行计算得到多组反演结果:

35、;

36、式中,为多初值lm反演得到的反演结果集合,为第j组lm反演得到的模型参数结果,m为反演结果组数;每组反演结果均包含多界面位置和多层电阻率。

37、进一步地,步骤s5中,根据贝叶斯算法计算各组反演结果的后验概率,模型参数的后验概率计算方法为:

38、;

39、式中,为先验概率,为似然函数,表示反演模型正演响应与观测数据的拟合程度;为后验概率,为归一化项;

40、对于第j组反演结果,似然函数可写为:

41、;

42、式中,为第j组lm反演结果,为第j组反演结果对应的响应残差向量,=,为的转置,为数据权重矩阵;

43、选取最大的后验概率作为最佳反演模型:

44、;

45、式中,为后验概率最大的模型,即最终反演结果;表示在反演结果集合中选取使后验概率最大的模型。

46、本发明的有益效果是,与现有技术相比,具有以下优势:

47、一、将邻井地层模型和实际随钻电磁波测井数据作为约束信息,利用最优残差网络对地层模型进行更新,生成多个候选模型,通过先验概率筛选得到优质模型集,为后续lm反演提供了多个初始模型。

48、二、采用贝叶斯后验概率方法,综合模型先验概率和正演响应与实测响应的拟合差,从多组反演结果中筛选和确定最终反演结果。

49、三、本发明前半部分是利用残差网络的数据驱动,后边部分是基于lm算法与贝叶斯算法的机理驱动,形成数据驱动生成候选模型、机理驱动优选最终反演结果的数据处理流程,这充分体现了数据驱动和机理模型的“双轮”驱动,反演结果具有更好的可解释性。

50、在反演过程中,输入多个初始模型及相应的迭代反演,根据贝叶斯后验概率确定最终反演模型,降低了传统lm反演中对单一初始模型的依赖,提高反演结果的准确性。