[发明专利]基于智能优化集成网络的储层含气性检测方法及装置

说明书

本发明提供了一种基于智能优化集成网络的储层含气性检测方法及装置，属于地震勘探油气检测技术领域。该方法包括：获取井数据和地震数据；提取能够表征油气特征的地震属性和已钻井的储层信息，获得数据样本和对应的标签并将其划分为训练集和验证集；基于所述训练集训练深网络模型，并采用自适应粒子群优化算法对模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型；利用所述验证集对模型进行验证，若验证结果满足预设条件，则利用该模型实现由有井区到无井区储层的含气性检测。本发明综合了井点数据与地震数据，可较好的挖掘原始数据中蕴含的有效信息，提高储层含气性检测的准确性。

技术领域

本发明涉及石油地球物理勘探领域，特别地，涉及一种基于智能优化集成网络的储层含气性检测方法及装置。

背景技术

地震勘探是目前最常用的油气勘探方法之一，地震数据作为了解地下地质情况的媒介，一直占有着至关重要的地位。随着油气勘探开发的不断深入，勘探对象己由常规油气藏逐渐向裂缝油气藏和岩性油气藏转变，常规储层含气性检测方法的精度和效率己难以满足对这些油气藏的预测要求，尤其是在深层条件下。因此，有针对性的循新的思路发展新的储层含气性检测方法对油气勘探开发有着重大意义。

人工智能深度学习技术的发展为储层含气性检测提供了新的思路和方法。深度学习是利用计算机从数据中自动分析获得规律，并利用获得的规律对未知数据进行预测的算法，在许多科学领域都取得了突破性的应用成果。深度学习的本质是构建一个被称之为深网络的嵌套映射矩阵，功用和数理解析模型中的变量映射关系相当。在变量关系无法确定的复杂问题中，深度学习是现阶段构建其映射关系模型的最佳手段。我们现在面临的问题就是如此：储层信息与地震数据之间的关系相当复杂，受固体骨架弹性模量、孔隙结构、孔隙大小、孔隙连通性、孔隙流体组成等多种因素的影响，表现出强的非线性特征。在这种情况下，使用深度学习构建深网络映射模型可能是最佳选择。

为此，受集成学习思想的启发，基于储层地质沉积规律及其在地震响应上的特点，我们将深度学习中的两种特殊网络卷积神经网络(CNN)和循环神经网络(RNN)进行集成，并采用自适应粒子群优化算法(PSO-ALS)对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，发明了一种基于超参数智能优化集成网络的储层含气性检测方法及装置，以最大程度地挖掘输入输出数据之间的内禀特征，提高储层含气性检测的准确性。

发明内容

有鉴于此，本发明的目的在于提出一种基于智能优化集成网络的储层含气性检测方法。首先，利用井点的储层分类数据为训练标签，提取的地震属性数据为训练输入，训练集成深网络储层含气性检测深度学习模型，建立起地震属性数据与储层信息之间的复杂映射关系。同时采用自适应粒子群优化算法对集成网络模型的关键超参数进行自动寻优，使数据特征和网络结构自适应匹配，减少人为因素的影响，获得最佳的含气性检测模型。然后，以无井区的地震属性数据作为输入，实现由有井区到无井区储层的含气性检测。该方法以测井数据和地震数据为驱动，可较好的挖掘原始数据中蕴含的有效信息，提高储层含气性检测的准确性。

本发明的另一个目的是提出一种基于智能优化集成网络的储层含气性检测装置。

本发明为了实现上述目的，采用如下技术方案：

第一方面，本发明提供一种基于智能优化集成网络的储层含气性检测方法，所述含气性预测方法包括：

步骤1、获取目标地区的井数据和地震数据；

步骤2、基于所述的井数据和地震数据，提取能够表征油气特征的振幅、频率、相位等地震属性数据和已钻井的储层分类信息；

步骤3、基于所述的地震属性数据和井上的储层分类信息，以提取的振幅、频率、相位等井旁地震属性数据为观察数据，井上的储层分类信息为目标数据，得到所述地震数据样本和对应的标签；

步骤4、将所述地震数据样本按要求划分为训练集和验证集；