基于双驱动机制的低孔低渗咸水层储层参数解释方法和系统与流程
本发明涉及二氧化碳地质封存,具体而言,涉及一种基于双驱动机制的低孔低渗咸水层储层参数解释方法和系统。
背景技术:
1、二氧化碳(co2)地质封存是实现碳中和的关键技术,深部咸水层是主要封存场地。低孔低渗咸水层(致密储层)物性差、非均质性强,准确获取孔隙度、渗透率、饱和度等参数是封存评价与安全预测的基础。
2、现有储层参数解释技术一般通过以下方法:一是岩石物理经验公式(阿尔奇公式、威利公式等),参数直观但针对高孔高渗储层,其核心假设(胶结指数、饱和度指数为常数)在低孔低渗环境下失效,导致系统性偏差;二是测井统计模型(交会图、多元回归),依赖局部样本,缺乏物理支撑,外推性差,难以跨区域通用;三是数据驱动的机器学习(神经网络、支持向量回归等),可处理非线性关系,但模型复杂、可解释性差,且难以嵌入储层演化物理机制,结果与实际情况吻合度不足。
3、因此,现有技术的共性缺陷是模型适用性差,即常规经验公式因核心参数不再为常数而产生系统性偏差;统计模型迁移泛化能力弱;纯数据驱动方法缺乏物理约束,从而导致在低孔低渗咸水层中关键参数的解释精度和模型泛化能力难以满足co2封存工程的实际需求。
技术实现思路
1、有鉴于此,本发明的目的在于提供了一种基于双驱动机制的低孔低渗咸水层储层参数解释方法和系统,以提高关键参数的解释精度和模型泛化能力,为co2地质封存提供可靠地质依据。
2、第一方面,本申请提供了一种基于双驱动机制的低孔低渗咸水层储层参数解释方法,包括:
3、获取目标区域低孔低渗储层的多源地质数据;
4、基于多源地质数据,采用分形维数与流动单元指数相结合进行储层分类,得到多个储层类别和各储层类别对应的特征数据;
5、针对每一储层类别,基于储层类别对应的特征数据构建地质注意力增强神经网络,作为解释模版;其中,根据地质先验知识设定地质注意力增强神经网络中注意力权重的初始值;
6、采用集成学习策略,对多个解释模版的预测结果进行融合,得到融合预测结果;
7、基于融合预测结果,得到目标区域低孔低渗储层的参数解释结果。
8、可选地,多源地质数据包括岩心实验数据、测井数据、地层水化学数据以及二氧化碳水岩反应实验数据中的至少两种。
9、可选地,地质先验知识包括分形维数、流动单元指数类别、沉积微相类型中的至少一种。
10、可选地,采用集成学习策略,对多个解释模版的预测结果进行融合,得到融合预测结果,包括:
11、集成学习策略为委员会机器集成学习策略,通过加权平均或投票方式融合多个解释模版的预测结果。
12、可选地,在采用分形维数与流动单元指数相结合进行储层分类之前,还包括:对多源地质数据进行标准化处理,建立统一格式的多源数据库。
13、可选地,参数解释结果包括孔隙度、渗透率和饱和度中的至少一种。
14、可选地,注意力增强神经网络为引入注意力机制的深度神经网络,注意力权重的初始值根据地质先验知识进行非随机初始化。
15、第二方面,本申请提供了一种基于双驱动机制的低孔低渗咸水层储层参数解释系统,包括:
16、数据获取模块,用于获取目标区域低孔低渗储层的多源地质数据;
17、物理约束模块,用于基于多源地质数据,采用分形维数与流动单元指数相结合进行储层分类,得到多个储层类别和各储层类别对应的特征数据;
18、模型构建模块,用于针对每一储层类别,基于储层类别对应的特征数据构建地质注意力增强神经网络,作为解释模版;其中,根据地质先验知识设定地质注意力增强神经网络中注意力权重的初始值;
19、参数解释模块,用于采用集成学习策略,对多个解释模版的预测结果进行融合,得到融合预测结果;基于融合预测结果,得到目标区域低孔低渗储层的参数解释结果。
20、第三方面,本申请提供了一种电子设备,包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述基于双驱动机制的低孔低渗咸水层储层参数解释方法。
21、第四方面吧,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现如上述基于双驱动机制的低孔低渗咸水层储层参数解释方法。
22、本发明提供了一种基于双驱动机制的低孔低渗咸水层储层参数解释方法和系统,通过获取目标区域低孔低渗储层的多源地质数据;基于多源地质数据,采用分形维数与流动单元指数相结合进行储层分类,得到多个储层类别和各储层类别对应的特征数据; 针对每一储层类别,基于储层类别对应的特征数据构建地质注意力增强神经网络,作为解释模版;采用集成学习策略,对多个解释模版的预测结果进行融合,得到融合预测结果;基于融合预测结果,得到目标区域低孔低渗储层的参数解释结果,以提高关键参数的解释精度和模型泛化能力,为co2地质封存提供可靠地质依据。
23、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
1.一种基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,包括:
2.根据权利要求1所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,所述多源地质数据包括岩心实验数据、测井数据、地层水化学数据以及二氧化碳水岩反应实验数据中的至少两种。
3.根据权利要求1所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,所述地质先验知识包括分形维数、流动单元指数类别、沉积微相类型中的至少一种。
4.根据权利要求1所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,采用集成学习策略,对多个所述解释模版的预测结果进行融合,得到融合预测结果,包括:
5.根据权利要求1所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,在采用分形维数与流动单元指数相结合进行储层分类之前,还包括:对所述多源地质数据进行标准化处理,建立统一格式的多源数据库。
6.根据权利要求1所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,所述参数解释结果包括孔隙度、渗透率和饱和度中的至少一种。
7.根据权利要求1所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法,其特征在于,所述注意力增强神经网络为引入注意力机制的深度神经网络,所述注意力权重的初始值根据地质先验知识进行非随机初始化。
8.一种基于双驱动机制的低孔低渗咸水层储层参数解释系统,其特征在于,包括:
9.一种电子设备,其特征在于,包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1至7任一项所述的基于双驱动机制的低孔低渗咸水层储层参数解释方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com