基于深度学习的多参数融合非常规油气资源甜点评价方法

摘要

本发明提供基于深度学习的多参数融合非常规油气资源甜点评价方法，包括以下步骤：在射孔段内布设非常规油气资源采样点，采集采样点的甜点属性数据，得到非常规油气资源数据集；根据非常规油气资源数据集得到甜点属性分布，根据甜点属性分布得到评价指标参数；构建深度学习模型，并采用评价指标参数对模型进行训练；构建储层多参数属性模型，将储层多参数属性模型各空间位置的评价指标参数输入训练好的深度学习模型，得到各空间位置上的甜点分布情况。本发明通过深度学习方法改进多参数融合甜点评价方法不同参数权重确定的主观性，并通过将参数转换为学习样本中衡量甜点发育程度的标签，使得评价结果更有实际意义。

权利要求

1.基于深度学习的多参数融合非常规油气资源甜点评价方法，其特征在于，包括以下步骤：

S1、在射孔段内布设非常规油气资源采样点，采集采样点的甜点属性数据，得到非常规油气资源数据集；

S2、根据所述非常规油气资源数据集得到甜点属性分布，根据所述甜点属性分布得到评价指标参数；

S3、构建深度学习模型，并采用所述评价指标参数对模型进行训练；

S4、构建储层多参数属性模型，将所述储层多参数属性模型各空间位置的评价指标参数输入训练好的深度学习模型，得到各空间位置上的甜点分布；

所述储层多参数属性模型包括井上一维、平面二维、空间三维多参数属性模型；

所述井上一维模型通过岩芯标定测井解释建立；

所述平面二维模型通过目的层井点解释数据结合地震沿目的层切面数据建立；

所述空间三维多参数属性模型通过沿井轨迹解释数据结合三维地震体建立。

2.根据权利要求1所述的基于深度学习的多参数融合非常规油气资源甜点评价方法，其特征在于，所述甜点属性包括地质甜点参数及工程甜点参数；

所述地质甜点参数至少包括孔隙度、渗透率、含油饱和度及地层压力系数；所述工程甜点参数至少包括水平地应力差及脆性指数。

3.根据权利要求1所述的基于深度学习的多参数融合非常规油气资源甜点评价方法，其特征在于，所述采样点的甜点属性的标签为基于射孔段单位长度上试油或生产的日均产量划分的综合甜点分级。

4.根据权利要求1所述的基于深度学习的多参数融合非常规油气资源甜点评价方法，其特征在于，所述深度学习模型采用多层的深度前馈网络，激活函数采用Leaky‑ReLU，并使用RMSProp进行学习率调整。

5.根据权利要求1所述的基于深度学习的多参数融合非常规油气资源甜点评价方法，其特征在于，所述甜点分布情况的获取过程为：对所述储层多参数属性模型的待预测空间位置的评价指标参数进行归一化处理；根据训练过程中各评价指标参数输入网络所对应节点的顺序，对归一化处理后的待预测空间位置的评价指标参数进行排序；将排序后的待预测空间位置的评价指标参数输入到所述深度学习模型，得到待预测空间位置评价结果；遍历所有待预测空间位置，得到空间位置上的甜点分布情况。

说明书

基于深度学习的多参数融合非常规油气资源甜点评价方法

技术领域

[0001] 本发明涉及油田非常规油气勘探技术领域，特别涉及一种基于深度学习的多参数融合非常规油气资源甜点评价方法。

背景技术

[0002] 致密油是我国非常规石油中最现实的领域之一，对我国石油增储上产具有重要意义。甜点评价是致密油勘探的核心问题，进行有效的甜点评价，对圈定勘探有利区、设计开
发方案、提高钻遇率、降低生产成本有重要指导意义。然而，当前的甜点评价方法以基于经
验的多参数融合评价方法为主，不同参数的权重主要依赖专家经验设置，主观性较强；此
外，这种多参数融合评价的结果缺少明确的意义，使评价结果难以直接应用于指导生产实
践。

[0003] 基于经验的多参数融合甜点评价方法：综合考虑评价指标体系中多种评价参数对甜点的不同贡献，通过数学方法融入专家经验，利用计算机进行定性与定量评价，如层次分
析法等。

[0004] 随着计算机信息技术的发展，深度学习方法基于其强大的学习能力，将有助于挖掘评价参数与评价目标之间的关系。一方面通过深度学习建立各储层属性与甜点的关系，
从数据出发寻找数据间存在的内在联系，具有较强的客观性；另一方面深度学习模型训练
所使用的甜点评价学习样本具有明确的目标参数，例如以实际生产情况划分的甜点等级，
使评价结果具有明确意义。

[0005] 目前的甜点评价方法主要包括基于层次分析法的甜点评价方法及基于神经网络的甜点评价方法，但是基于层次分析法评价参数权重设置具有较强主观性，评价结果受评
价者的经验等因素影响较大；而基于神经网络的甜点评价方法评价指标选择主观性较强，
缺少便捷的辅助开展评价指标参数选择的方法，且方法所构建的数据集数量小，较难满足
神经网络模型的训练需求。

发明内容

[0006] 本发明的目的在于提供一种基于深度学习的多参数融合非常规油气资源甜点评价方法，通过深度学习方法改进基于经验的多参数融合甜点评价方法不同参数权重确定的
主观性，并通过将具有实际地质、工程或生产意义的参数转换为学习样本中衡量甜点发育
程度的标签，使得这一方法的评价结果更有实际意义。

[0007] 为实现上述目的，本发明提供了如下方案：本发明提供基于深度学习的多参数融合非常规油气资源甜点评价方法，包括以下步骤：

[0008] S1、在射孔段内布设非常规油气资源采样点，采集采样点的甜点属性数据，得到非常规油气资源数据集；

[0009] S2、根据所述非常规油气资源数据集得到甜点属性分布，根据所述甜点属性分布得到评价指标参数；

[0010] S3、构建深度学习模型，并采用所述评价指标参数对模型进行训练；

[0011] S4、构建储层多参数属性模型，将所述储层多参数属性模型各空间位置的评价指标参数输入训练好的深度学习模型，得到各空间位置上的甜点分布。

[0012] 优选地，所述甜点属性包括地质甜点参数及工程甜点参数；

[0013] 所述地质甜点参数至少包括孔隙度、渗透率、含油饱和度及地层压力系数；

[0014] 所述工程甜点参数至少包括水平地应力差及脆性指数。

[0015] 优选地，所述采样点的甜点属性的标签为基于射孔段单位长度上试油或生产的日均产量划分的综合甜点分级。

[0016] 优选地，所述深度学习模型采用多层的深度前馈网络，激活函数采用Leaky‑ReLU，并使用RMSProp进行学习率调整。

[0017] 优选地，所述储层多参数属性模型包括井上一维、平面二维、空间三维多参数属性模型；

[0018] 所述井上一维模型通过岩芯标定测井解释建立；

[0019] 所述平面二维模型通过目的层井点解释数据结合地震沿目的层切面数据建立；

[0020] 所述空间三维多参数属性模型通过沿井轨迹解释数据结合三维地震体建立。

[0021] 优选地，所述甜点分布情况的获取过程为：对所述储层多参数属性模型的待预测空间位置的评价指标参数进行归一化处理；根据训练过程中各评价指标参数输入网络所对
应节点的顺序，对归一化处理后的待预测空间位置的评价指标参数进行排序；将排序后的
待预测空间位置的评价指标参数输入到所述深度学习模型，得到待预测空间位置评价结
果；遍历所有待预测空间位置，得到空间位置上的甜点分布情况。

[0022] 本发明公开了以下技术效果：

[0023] 本发明通过深度学习方法改进基于经验的多参数融合甜点评价方法不同参数权重确定的主观性，并通过将具有实际地质、工程或生产意义的参数转换为学习样本中衡量
甜点发育程度的标签，使得本发明方法的评价结果更有实际意义。

附图说明

[0024] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。

[0025] 图1为本发明一种基于深度学习的多参数融合非常规油气资源甜点评价方法流程示意图；

[0026] 图2为本发明实施例学习样本中不同级别甜点对应的属性示意图，其中图2(a)为甜点与非甜点属性A频数分布图，图2(b)为甜点与非甜点属性B频数分布图，图2(c)为甜点
与非甜点属性C频数分布图。

具体实施方式

[0027] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。

[0028] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0029] 如图1所示，本发明提供基于深度学习的多参数融合非常规油气资源甜点评价方法，包括以下步骤：

[0030] S1、采集非常规油气资源数据，得到非常规油气资源数据集，并得到非常规油气资源数据的综合甜点分级。

[0031] 布设非常规油气资源采样点，采集每个采样点的孔隙度、渗透率及脆性指数，以每个属性采样点作为一个学习样本，得到非常规油气资源数据集，甜点对应的属性包括地质
甜点参数及工程甜点参数；地质甜点参数包括孔隙度、渗透率、含油饱和度及地层压力系
数；工程甜点参数包括水平地应力差及脆性指数。

[0032] 依据单位井段日均产量对射孔段进行分级以表征综合甜点，将这一分级视为射孔段内不同级别甜点对应的各属性产生的综合效应；射孔段内每个属性采样点作为一条数
据，其标签均为基于该射孔段单位长度上试油或生产的日均产量划分的综合甜点分级。

[0033] 本实施例得到的非常规油气资源数据集及采样点综合甜点分类结果如表1所示。

[0034] 表1

[0035]

[0036] S2、根据非常规油气资源数据集得到甜点属性分布，根据甜点属性分布得到评价指标参数。

[0037] 将学习样本中不同级别甜点对应的属性分别绘制分布图，具体如图2所示，不同级别甜点的属性分布在统计上呈现不同趋势：属性A 值在甜点上总体大于非甜点，且分布与
峰值具有较明显的差异性；属性B在甜点上总体大于非甜点，二者峰值接近，分布重叠部分
较多；甜点的属性C与非甜点的属性C分布重合。分布差异更大的属性可以提供更丰富的甜
点级别信息，据此选择对区分不同级别甜点具有较明显贡献(即不同级别甜点的属性其分
布频数峰值能够根据地区属性分布特征进行区分，第一和第三分位数点的相对大小与频数
峰值位置的相对大小一致)的属性，再由深度学习模型进一步确定这一贡献的大小。

[0038] S3、构建深度学习模型，并采用评价指标参数对模型进行训练。

[0039] (1)模型基本形式：SS＝F(X)；F——深度学习模型，X——评价参数，SS——甜点评价结果。在有试油或生产数据的情况下，SS为试油或生产产量分级，X是各评价指标参数的
组合，评价结果级别越高则说明某一空间位置的甜点越优质。

[0040] (2)评价结果的意义：①分级评价结果代表反映产能的甜点级别；②也可以计算甜度表征甜点发育情况，由不同级别甜点的概率的加权平均计算，SSI代表甜度，N代表甜点分
级数量，P i代表分级评价结果为(N‑i+1)级甜点的概率。

[0041] (3)网络结构：多层的深度前馈网络，激活函数选用Leaky‑ReLU，使用RMSProp作为学习率调整方法。

[0042] (4)模型训练：在模型训练中，以X为输入参数，以其对应的已知的评价结果为学习目标，至训练过程收敛。

[0043] S4、构建储层多参数属性模型，并将模型各空间位置的评价指标参数输入训练好的深度学习模型，得到各空间位置上的甜点分布情况。

[0044] 储层多参数属性模型包括井上一维、平面二维、空间三维多参数属性模型。井上一维模型通过岩芯标定测井解释建立，沿井轨迹具有较高的分辨率；平面二维模型是通过目
的层井点解释数据结合地震沿目的层切面数据建立的网格模型，反映了目的层储层属性的
平面分布情况；空间三维多参数属性模型是通过沿井轨迹解释数据结合三维地震体建立的
三维网格模型，反映了储层属性在空间内的分布情况。

[0045] 对储层多参数属性模型的待预测空间位置的评价指标参数进行归一化处理；根据训练过程中各评价指标参数输入网络所对应节点的顺序，对归一化处理后的待预测空间位
置的评价指标参数进行排序；将排序后的待预测空间位置的评价指标参数输入到所述深度
学习模型，得到待预测空间位置评价结果；遍历所有待预测空间位置，得到空间位置上的甜
点分布情况。

[0046] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出
的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。