一种基于膨胀卷积神经网络的储层不连续界线识别方法与流程

1.本发明涉及油气田勘探与开发技术领域，特别涉及一种基于膨胀卷积神经网络的储层内部不连续界线的识别方法。


背景技术：

2.地下储层内部的不连续性(也称为非均质性)研究贯穿了油气田的整个勘探开发历程，众所周知，储层中一般存在有很多不同类型的不连续界线，如断层、裂缝，以及岩性或岩相的变化带等，其存在会直接影响地下流体的流动，进而会影响剩余油分布和注采关系，最终影响油气开发的效果。随着计算机和人工智能领域的发展，减少勘探开发成本，提高储层不连续界线的识别精度成为了当下油气勘探开发过程中的主要研究任务之一。
3.目前，针对海上油气田钻井少的特点，为了充分应用地震资料，迫切需要解决地震信息识别、储层隐蔽信息的拾取和刻画，以及表征储层内部不连续性界线的空间分布等生产上面临的实际问题。
[0004]“不连续界线”是指由于沉积作用、成岩改造，以及构造运动等因素，在储层中形成的岩性尖灭、砂体叠置、物性变化，以及断层与裂缝等对流体流动产生影响的各类界线。一般情况下，储层不连续界线类型主要包括两大级别，即构造级别和沉积岩性级别。构造级别不连续界线常见有断层、裂缝等，常规地震资料及其技术方法主要是在解决该类界线，如相干体、曲率、局部结构熵等算法对构造级别的界线具有很好的应用效果；而开发阶段，更多关注沉积、成岩等成因的小尺度岩性级别的不连续界线，尤其是针对低于地震分辨率情况下的储层不连续性界线预测方法成为了一个难点。
[0005]
传统的不连续性界线识别方法需要研究人员根据地震同相轴的不连续性来手动解释不连续界线，这样的识别结果会带有很强的人为主观性。后来人们提出了通过计算一些地震属性(如相干和曲率属性)，来突出显示地震剖面中地震反射波形变化的不连续性特征，但是这种方法无法很好地区分不连续界线及其他不连续特征。而基于人工智能的方法，通过自主深度学习不连续性特征，从而达到进一步精确、高效地识别这些不连续性界线的目的，是现阶段人们一个重要的研究方向。
[0006]
目前国内东部油田以陆源碎屑岩储层为主，陆相沉积作用特有的地质条件使得储集体分布复杂、物性变化大、非均质性强，加之后期经历了成岩和构造改造作用，储层非均质特征明显，且多数油田现已步入开发中后期，油田高含水，且剩余油高度分散，面临改善开发效果和提高最终采收率的难题。储层非均质性是指在沉积作用、构造作用、后期成岩作用的影响下，储层在空间分布及内部各种属性上都存在差异，是决定注水开发后期的驱油效率、微观剩余油的分布及提高采收率的重要因素。
[0007]
储层非均质性刻画是储层表征和油藏描述的主要内容，20世纪七八十年代开始了这项研究，国内以裘亦楠
[11]
等的分类为代表，即根据非均质性的规模和开发生产实际，将碎屑岩储层非均质性由大到小分为层间、平面、层内和微观非均质性等4类，该分类沿用至今。
[0008]
20世纪90年代初，reservoir architecture的概念引入国内，译为“储层建筑结构”或“储层构型”，是指不同级次储集单元与隔夹层的形态、规模、方向及其空间叠置关系
[1]
。如果将储层“连续
‑
不连续”与储层非均质性关联起来，那么可以认为一个构型单元内部近似为相对均质，而不同构型单元之间则存在突变界面。对于这些突变的不连续界面，从界面的传导性可以分为连通、半连通和不连通三类
[2]
，这种突变界面是指由于沉积作用、成岩改造及构造运动等因素，在储层中形成的岩性尖灭、物性变化、砂体叠置，以及小断层等对流体流动产生影响的各类界面，即不连续性界限
[3]
。
[0009]
为了精细表征小尺度地质体及其之间的构型界面，准确刻画砂体几何形态和叠置关系，即不连续性界线的精确拾取是关键。
[0010]
与本发明相关的现有技术一：
[0011]
刘宗杰,贺锡雷,张祖豪,周云秋,张舜.基于3d u
‑
net全卷积神经网络的低序级断层识别技术[j/ol].地球物理学进展:1
‑
11[2021
‑
03
‑
18].
[0012]
提出了一种基于3d u
‑
net全卷积神经网络的方法进行断层自动识别。首先制作合成断层体模型用于训练集以及数据集，其次构建了3d u
‑
net全卷积神经网络模型，然后使用正演断层模型进行测试并判断识别效果；未达到识别效果时，进行模型优化，最终完成3d u
‑
net模型训练。
[0013]
模型中利用3d卷积层提取不同特征，使用relu激活函数，然后经过最大池化层进行下采样，增加感受野提高泛化能力；再经过两个3d卷积层后接最大池化层，后面再重复一次；采用反卷积运算后接入全连接结构。这样的模型结构让网络自己去学习不同层次的断层特征，使低序级断层识别更加精确。
[0014]
方法中使用了adam算法和二分类交叉熵损失函数进行网络优化，将断层识别问题转化为了二分类问题，简言之即确认是否为断层。
[0015]
现有技术一的缺点
[0016]
(1)现有技术一的断层识别属于单一不连续界线类型识别，断层这类不连续界线属于构造级界线，未做到识别多种类型的界线；对比本发明为多类型不连续界线识别方法，并使用多分类交叉熵损失函数来优化网络全连接层的参数，并且能够识别低于地震分辨率情况下的不连续界线；
[0017]
(2)现有技术一在模型构建时，虽然使用了多层网络叠加，卷积层后加池化层是先减小再增大尺寸的过程，这样虽然可以增加感受野，但空间分辨率降低了，进而导致信息丢失，准确率不高；对比本发明构建cnn dcnn的并行模型，可以捕捉到多尺度信息，并且在不丢失分辨率的情况下仍然可以扩大感受野，获取非连续性特征，做到精确定位界线；
[0018]
与本发明相关的现有技术二：
[0019]
中国发明专利，名称：油藏地质模型中储层构型界面自动识别方法，公开号：cn111401451a；
[0020]
提出一种油藏地质模型中储层构型界面自动识别方法。首先初始化基本参数，多次遍历网格，生成构型几何体及构型几何体边界网格集合；将生成的构型几何体添加入构型体集合中，再遍历网格，直到将所有网格遍历一次为止；其中构型类型作为标识，统一组织管理分属不同构型类型下的多个构型几何体。在最后遍历的过程中网格分类收纳，判断当前选中的网格有没有被收纳，如果收纳就下移一个网格，否则就确定当前网格类别并标
记为已收纳。
[0021]
该方法能够描述不同构型单元之间的连通性，统计构型单元的几何属性、物性参数，为基于构型单元的剩余油分析和方案优化提供依据。
[0022]
现有技术二的缺点：
[0023]
现有技术二所提到的自动识别是基于区域的图像分割方法，属于数学方法，其内容将用于二维图像分割处理的区域生长算法延伸到三维网格，再将扩展后的算法应用到油藏网格模型。该技术的缺点是容易造成图像的过度分割。
[0024]
本发明所涉及的缩略语和关键术语定义
[0025]
卷积神经网络(convolutional neural networks,cnn)：是一类包含卷积计算且具有深度结构的前馈神经网络，其具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
[0026]
卷积计算：卷积过程是在图像每个位置进行线性变换映射成新值的过程。
[0027]
卷积核(kernel)：就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。以图像为例，cnn中的卷积核依次与输入不同位置的图像块做卷积，得到输出。
[0028]
膨胀卷积(dilated convolutions)：与普通卷积相比，除了卷积核的大小以外，还有一个膨胀率参数，主要用来表示扩张的大小。膨胀卷积具有更大的感受野。
[0029]
感受野：是卷积核在图像上看到的大小。
[0030]
不连续界线：指由于沉积作用、成岩改造及构造运动等因素，在储层中形成的岩性尖灭线、砂体叠置区域的界线、物性变化的边界线及小断层的分界线等对流体流动产生影响的各类界线。
[0031]
界线识别：在识别物体边界时，先对其轮廓点进行粗略检测，然后通过链接规则把原来检测到的轮廓点连接起来，同时也检测和连接遗漏的边界点及去除虚假的边界。界线识别的目的是去发现图像中关于形状的边缘信息，以及图形与图形之间的空隙信息。
[0032]
储层构型：指不同级次储层构成单元的形态、规模、方向及其叠置关系。本质是储层建筑结构的研究，而储层的建筑结构又主要包括不同级次储层界面及由这些界面所分割的不同地质时期形成的地质体。


技术实现要素：

[0033]
本发明针对现有技术的缺陷，提供了一种基于膨胀卷积神经网络的储层不连续界线识别方法，解决了现有技术中存在的缺陷。
[0034]
为了实现以上发明目的，本发明采取的技术方案如下：
[0035]
一种基于膨胀卷积神经网络的储层不连续界线识别方法，包括以下步骤：
[0036]
s1：从地震数据中获取地震属性图x，x∈r
a
×
b
×
c
；
[0037]
s2：采用多层融合技术，将融合后的属性数据映射到低维向量空间；
[0038]
s3：通过对实际地质数据、测井数据，以及地震数据分析得出不连续界线类别，根据所划分的不连续界线类型得到标签y，y∈r
m
，m代表划分的不同界线类型总数；
[0039]
s4：采用卷积神经网络cnn从输入的地震属性中学习到深层次的特征s4：采用卷积神经网络cnn从输入的地震属性中学习到深层次的特征利用膨胀卷积dcnn从输入的地震属性中学习到非连续性特征利用膨胀卷积dcnn从输入的地震属性中学习到非连续性特征
[0040]
s5：采用拼接技术，将s4学习到的多个特征进行拼接，计算公式为：
[0041][0042]
代表拼接符号；
[0043]
拼接二者的结果得到其中c3＝c2 c1。
[0044]
s6：将拼接结果送入池化层，进行平均池化后送至全连接层，然后利用softmax函数计算得到输出结果数计算得到输出结果根据大小判断得到不连续性界线的识别类型。
[0045]
进一步地，所述步骤s1的具体方法为：从地震数据中获取属性图x，x∈r
a
×
b
×
c
，其中a是属性图像的宽度，b是属性图像的高度，c是属性的个数；对每一张属性图随机初始化n维向量，得到属性图像张量x：
[0046][0047]
进一步地，所述步骤s2的具体方法为：采用多层融合技术对属性数据进行融合处理，计算方式如下：
[0048][0049]
其中α,β,γ代表权重；
[0050]
将融合后的属性数据转换成低维实值向量l∈r
a
×
b
×
n
，获得输入向量，获得输入向量n
′
是融合后的特征个数。
[0051]
进一步地，所述步骤s4的具体方法为：cnn网络通过卷积层提取界线深层次特征，计算公式为：
[0052][0053]
其中w
*
表示权重参数(与输入数据同维数)，same表示运算类型，使得提取的深层次特征大小不变，b表示偏置向量；
[0054]
dcnn通过膨胀卷积层提取非连续性特征，计算公式如下：
[0055][0056]
其中dr表示膨胀率。
[0057]
进一步地，所述步骤s6的具体方法为：利用多分类交叉熵损失函数优化神经网络训练过程中的参数，计算方法如下：
[0058][0059]
其中，i和j表示定位像素点，y表示真实值，表示预测值；当像素点i,j的类别是k，则否则等于0。
[0060]
与现有技术相比，本发明的优点在于：
[0061]
(1)本发明能够自动学习特征，不依赖手动解释不连续性特征，减少识别错误，更加快速准确的区分不连续性界线类型；
[0062]
(2)通过多层融合技术能够突出界线之间的特征差异；
[0063]
(3)采用cnn模型提取界线局部有用信息，结合dcnn模型提高分辨率，同时还能获取非连续性特征，能够减少地震数据中假界线的干扰；
附图说明
[0064]
图1是本发明实施例的储层不连续界线识别方法流程图；
[0065]
图2是本发明实施例的深度学习网络模型图。
具体实施方式
[0066]
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
[0067]
如图1所示，一种基于膨胀卷积神经网络的储层不连续界线识别方法，包括以下步骤：
[0068]
s1：从地震数据中获取属性图x，x∈r
a
×
b
×
c
；
[0069]
所述步骤s1的具体方法为：从地震数据中获取属性图x，x∈r
a
×
b
×
c
，其中a是地震图像宽度，b是地震图像高度，c是属性个数；对每一张属性图随机初始化n维向量，得到属性图像张量x：
[0070][0071]
s2：采用多层融合技术，将融合后的属性数据映射到低维向量空间；
[0072]
所述步骤s2的具体方法为：采用多层融合技术对数据进行融合处理，计算方式如下：
[0073][0074]
其中α,β,γ代表权重；
[0075]
将融合后的属性数据转换成低维实值向量l∈r
a
×
b
×
n
，获得输入向量，获得输入向量n
′
是融合后的特征个数；
[0076]
s3：根据不连续界线属性划分不连续界线类型y；
[0077]
所述步骤s3的具体方法为：通过对地质数据、测井数据以及地震数据分析得出不连续界线类别，根据所划分的不连续界线类型得到标签y，y∈r
m
，m代表划分的不同界线类型总数；
[0078]
s4：采用卷积神经网络cnn从输入属性学习到深层次的特征利用膨胀卷积dcnn从输入属性学习到非连续性特征
[0079]
所述步骤s4的具体方法为：cnn网络通过卷积层提取界线深层次特征，计算公式为：
[0080][0081]
其中w
*
表示权重参数(与输入数据同维数)，same表示运算类型，使得提取的深层次特征大小不变，b表示偏置向量；
[0082]
dcnn网络通过膨胀卷积层提取非连续性特征，计算公式如下：
[0083][0084]
其中dr表示膨胀率；
[0085]
本发明中的深度学习网络模型(如图2)为卷积层、池化层、膨胀卷积重复运算，即将一次卷积层和最大池化层视为一个block，以及并行的一次膨胀卷积层和最大池化层视为另一个block，分别执行4次，即进行深层次的特征提取，每一次block执行后使用relu函数激活神经元的同时减少过拟合。
[0086]
s5：采用拼接技术，将两种方法学习到的特征拼接起来；
[0087]
所述步骤s5的具体方法为：将s4学习到的特征进行拼接，计算公式为：
[0088][0089]
代表拼接符号；
[0090]
拼接二者的结果得到其中c3＝c2 c1。
[0091]
s6：将拼接结果送入池化层，平均池化后送至全连接层(图2中的fc
‑
256)，再利用softmax函数输出结果softmax函数输出结果得到识别类型。
[0092]
所述步骤s6的具体方法为：利用多分类交叉熵损失函数作为优化训练过程的目标函数j，计算方法如下：
[0093][0094]
其中，i和j表示定位像素点，y表示真实值，表示预测值；当像素点i,j的类别是k，则否则等于0。
[0095]
如图2所示，针对地下储层内部不连续性界线的类型识别，本发明中最核心的创新是特征学习网络模型为卷积层
‑
池化层和并行的膨胀卷积层
‑
池化层的重复叠加提取过程。
[0096]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。