[发明专利]一种结合深度学习的储层物性参数预测方法

说明书

本发明公开一种结合深度学习的储层物性参数预测方法，步骤为：引入MIC定量测度物性参数与测井曲线的非线性相关性，选取对物性参数响应明显的测井曲线；引入CEEMDAN对物性参数数据序列分解，获得本征模态函数IMF分量和剩余RES分量，对物性参数数据序列平稳化处理；引入SE对各IMF分量和RES余量的复杂度评价，将熵值相近的分量序列重组得到新本征模态分量；对新本征模态分量数据归一化处理后划分为训练集和测试集；引入LSTM循环神经网络对重构的新分量建立预测模型，获得各新本征模态分量的预测值；将各新本征模态分量的预测值反归一化并进行叠加重构得到物性参数预测结果。本发明的方法减少了冗余信息与预测分量建模数，提高预测精度和预测速度。

技术领域

本发明涉及一种结合深度学习的储层物性参数预测方法，属于深度学习方法和石油地球物理勘技术领域。

背景技术

孔隙度、渗透率是反映储层油气储集能力的重要参数，表征了不同地质时期的沉积特征。储层岩石渗透率和孔隙度分布的不均匀性直接影响油气分布、运移和开采。在油气勘探中，储层岩性参数是地质工作者估计储层含油气含量、确定井位的主要根据。开采井位确定的好坏直接影响着油气的开采层本。因此，预测岩石渗透率和孔隙度的分布是储层描述的重要内容，对油田勘探和开发具有重要的意义。

地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征，由于储层分布的多相性和非均匀性，因而测井参数与孔渗饱参数之间有很强非线性映射关系，并具有时序性特征。因此无论是直接或间接的测量孔隙度和渗透率都是一个非常困难和代价昂贵的工作。孔隙度和渗透率与测井属性参数如声波时差、自然伽玛、岩石密度、电阻率、自然电位、中子密度等有关，但并非都存在着明确的一一对应关系，因此，在估计孔隙度和渗透率的过程中，很难用精确的算法来描述。

目前在油气田的勘探开发中储层参数(孔隙度、渗透率)的测定方法，分为直接和间接测定法。间接测定法中利用测井资料进行储层参数预测已成为不可或缺的方法之一，研究人员提出使用经验公式或物理模型推算储层参数，然而在许多情况下里通过经验公式来预测未知层段的储层参数有较大局限性，模型在构建时简化了地质条件与地层的真实情况。由于不同类型测井参数的响应不一，以及地震信息与测井参数的复杂非线性关联，应用传统的储层参数预测方法效果并不理想。

由于地层的沉积作用是时序渐变的，而孔隙度、渗透率是地层沉积特征的响应，具有一定的时序特征。面对复杂的非线性和动态关系，传统建模预测方法存在预测范围有限、预测精度不高、对样本数据拟合程度低等局限性，已难以满足日益精细化的储层描述需求。

综上所述，国内外已有大量对物性参数进行预测的研究，但是上述模型都未充分利用物性参数与测井曲线数据的时序性、非平稳性及强非线性特征，这对提高物性参数预测的精度及鲁棒性具有十分重要的意义。

近年来，深度学习的蓬勃发展，为研究者提供了解决这一问题的新方法。长短时记忆网络(long short-term memory，LSTM)是一种典型的深度学习算法，是对常规循环神经网络(RNN)的一种改进完善，其内部各隐藏层单元之间并不相互独立，各个隐藏层之间不仅相互联系，还与此隐藏层单元所接受时刻之前的时序输入有关，这个特性对于处理与时序相关的非线性数据具有独特的优势，符合地质学研究思想和实际地质分析经验。而且通过对网络循环体的精细设计，解决了常规RNN中的梯度消失等问题，是目前应用最成功的深度学习方法之一。

尽管在一定程度上，孔渗参数与所提供的所有样本都有着一定的相关关系，但测试数据中往往有多种从不同角度反应地层不同信息的参数。从实际角度出发，如果直接利用所有样本数据建立起测井曲线与孔隙度、渗透率值之间的映射关系模型，不但增加了模型的复杂度和算法在时间、空间上的浪费，也可能丢失部分有用信息，或包含一些无用的冗余信息，导致预测的准确性降低。因此，本发明提出利用最大信息系数定量测度物性参数与测井曲线之间的非线性相关性。