[发明专利]基于GAN的试井解释代理模型生成方法

说明书

本发明公开了一种基于GAN的试井解释代理模型生成方法，包括：根据已有压力数据绘制试井曲线；调整试井曲线的图像尺寸；对试井曲线的图像上所有像素点进行采样，将小于给定阈值的像素点设定为白色，大于给定阈值的像素点设定为黑色，从而将试井曲线从图像上凸显出来；在图像上设两条边长度均为1单位长度，每个像素都离散为一个[0,1]区间内的坐标，记录坐标作为下一步模型训练的输入数据。配置GAN生成式对抗网络；将记录数据输入模型进行训练，得到试井解释代理模型。本发明的优点是：为神经网络模型的应用提供了数据准备，使小样本数据具备了训练神经网络模型的可行性，能够生成更加真实的代理模型数据。

技术领域

本发明涉及试油试井油藏解释技术领域，特别涉及基于生成式对抗网络(GAN,Generative Adversarial Networks)的试井解释代理模型生成方法。

背景技术

试井解释是一种通过渗流理论分析生产井测试资料，从而评价地层或生产井参数的技术手段，是油气渗流理论在油气田开发中的实际应用。因试井评价所采用的资料来自流动状态下的生产井或注水井，其分析结果可以较好地描述油藏动态特性。

早在1989年，Robert Hecht-Nielson就证明了对于任何一个闭区间的连续函数都可以用一个隐层的BP神经网络来逼近，这一特性为早期的模式识别技术提供了理论基础。基于这一理论，当时各行各业的的研究者纷纷致力于将这一当时较为先进的算法引入自己的专业领域，也正是基于这一理论，许多学者就致力于搭建一种基于神经网络的用于识别试井解释模型的技术。

在实际科研攻关过程中，研究人员经常苦于现场数据样本量不够、样本质量不高、可信度差等问题，在将神经网络技术应用在油气开采领域时尤甚，这就要求科研人员使用各种方法构建一些理论模型来对网络模型训练使用的数据集进行扩充，来满足神经网络需要大规模数据进行训练的特点。目前较为常用的技术通常是使用简单的平移、翻转或者添加应用理想模型添加随机噪音等方式构建人工数据以扩充数据集。但这些方法实际上并不能很好地应对试井解释图像的数据，试井解释理论在对图像进行处理时，重点关注的是两条曲线的相对位置关系，简单的平移并不能很好地将生成的新图形与原本的数据区分开来，而建立理想模型一方面较为复杂且运算量大，另一方面理想模型也并不能很好地解释实际地层情况。

发明内容

本发明针对现有技术的缺陷，提供了一种基于GAN的试井解释代理模型生成方法。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于GAN的试井解释代理模型生成方法，包括以下步骤：

(1)根据已有压力数据绘制试井曲线，即绘制在双对数坐标系下压力和压力导数随着时间变化的曲线，并对曲线进行反褶积处理。

(2)调整试井曲线的图像尺寸，为便于后续模型训练，通常将图像尺寸调整为128像素×128像素。

(3)二值化图像，对试井曲线的图像上所有像素点进行采样，将小于给定阈值的像素点设定为白色，大于给定阈值的像素点设定为黑色，从而将试井曲线从图像上凸显出来。

(4)离散虚拟坐标，在128×128像素大小的图像上以左侧和下方两条边作为x和y坐标轴，设两条边长度均为1单位长度，则图像上的每个像素都可以离散为一个[0,1]区间内的坐标，记录这些点的坐标作为下一步模型训练的输入数据。

(5)配置GAN生成式对抗网络。GAN生成式对抗网络主要由生成器和判别器两部分组成，生成器由一个具有四层结构的神经网络构成，通过对输入数据添加一个随机噪声来生成与输入数据具有类似特征的模拟数据；判别器由一个三层结构的神经网络构成，最后一层使用Sigmod函数作为激活函数进行输出，用以判断生成器生成的模拟数据与原始数据是否具有足够的相似度。GAN生成式对抗网络通过生成器和判别器两个模块相互博弈，不断优化两个组件以产生较好的输出结果。