基于神经网络与图象处理技术的地层自动对比

本文提出了一种基于神经网络与图象处理技术相结合的油藏地层对比方法。首先将测井曲线和地层参数转化为二值点阵图象模式 ,再经过数据编码压缩 ,提取和记忆曲线所表征的地层模式特征 ,最后利用多层神经网络训练条件属性与模式类别之间的映射关系 ,得到具有较强记忆能力和推广能力的神经网络 。

卷积神经网络在井间地层自动对比中的应用

地层对比是依据各井单砂层测井曲线的形态特征、幅度、厚度、深度及其他地质信息进行同层位对比,确定井间小层连通关系的工作,是储层描述、油藏表征中的重要内容。传统人工对比方法耗时耗力、主观性强,随着勘探数据的爆炸式增加.

基于卷积神经网络算法的自动地层对比实验

深度学习善于从原始数据输入中挖掘其内在的抽象特征,十余年来,其在语音识别、语义分析、图像分析等领域取得了巨大成功,也大大推动了人工智能的发展。本文基于深度学习中广泛应用的卷积神经网络算法,以大庆油田某区块密井网数据为对象,开展自动地层对比试验。实验中,随机选取部分井作为训练样本,对另一部分井分层进行预测,并与原始分层数据比对进行误差分析。按照训练样本的井数据比例65%、40%、20%和10%,将实验分为4组,每组实验包括油层组、砂层组和小层级3个相互独立的实验。12个实验结果表明:训练量越大,地层级别越高(厚度越厚),自动对比效果越好;20%的训练量就可以较可靠地进行砂组及以上级别地层单元(厚度不小于10 m)的自动对比。该实验表明卷积神经网络算法能有效应用于依据测井曲线进行油藏规模地层自动对比,具有良好的发展前景。

变窗重建算法和自适应SegNet网络在地层层序划分中的应用

深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合面,特别是在样本质量差、样本数量少的情况下,常规深度学习方法很难准确划分地层边界。考虑到测井数据属于小样本数据、数量有限且质量较差,不利于模型的训练和构建,因此拟采用可变窗口波形重建算法增加训练数据量,根据原始波形的特征生成重建波形,模拟不同速度下模型的波形特征,对部分原始测井数据进行人工分层重建,将重建后的数据作为训练样本输入到自适应可变卷积核尺寸的SegNet网络中,使用训练好的SegNet来解决复杂的地下结构问题。实验结果表明,采用自适应可变卷积核尺寸的SegNet网络可以在多个尺度上拟合地震数据中的断层和不整合面,达到更好的分割效果,且具有良好的识别效率和较强的鲁棒性。

地层的自动分级对比技术

地层缺失和厚度不等是基于测井数据进行井间地层自动对比中需要解决的关键问题。融合聚类分析和动态波形匹配技术进行地层自动分级对比可以解决上述问题。利用聚类分析划分不同级别的层段。在高级别层段划分结果控制下 ,计算两井任何两个次级层段的累计最小“匹配代价” ,再反向追踪找出最佳匹配路径 ,从而获得最优的地层对比结果。利用这种动态波形匹配技术进行全局地层对比 ,使地层对比的可靠性增加。

临界方程法及其对地层性质的自动化判定

从分析折射波时距曲线入手，确定地层性质突变的临界点，利用通过该点时距曲线的时距方程，建立临界方程和临界方程法．以临界方程计算出的地层临界厚度值与待判层厚度无关，二者比值决定了待判地层性质．用以上规律判定地层性质的方法，笔者定义为临界方程法，这是一种应用数学运算判定地层性质的方法．运算与判定均可在微机上实现，与先绘制时距曲线而后用肉眼判定的传统方法相比，具有定量给出地层性质突变的临界值和自动给出判定结果的优点．最后给出了模型试算结果．

测井资料智能解释方法研究

从目前测井解释面临的实际问题出发,旨在改变常规处理解释思路,实现从测井曲线深度校正→测井资料处理解释→地层参数计算的计算机自动化技术的全面开发,将储层油气评价从目前的人工解释提升为流体识别智能化,达到在提高工作效率的同时提高测井解释符合率的目的。

基于BiX-NAS的地震层序智能识别--以荷兰近海地区F3数据为例

近些年来,深度学习方法在地震数据处理和解释领域得到了广泛关注和应用,其中大多数深度学习算法采用了端到端的深度卷积神经网络以实现地质体特征的提取与识别(如地层、断裂以及盐丘等).然而,这些算法往往含有数十万甚至百万的可训练参数,导致模型存在参数冗余、训练效率低等问题.为了解决上述问题,构建了一个轻量化的双向多尺度网络结构模型用于地震层序智能识别.该模型通过两阶段神经网络体系结构搜索算法(neural architecture search,NAS)剔除了双向多尺度网络结构的冗余连接,使得网络结构大幅简化,从而减少参数冗余,进而提高训练效率.采用荷兰近海地区的F3地震数据集对基于NAS算法简化的双向多尺度网络结构地层识别模型进行训练、验证和预测.结果表明:在实际的地层识别任务中,该轻量化模型的平均识别准确率达到了95.52%,并对远离训练工区的预测集具有良好的泛化性.此外,该模型的参数量仅为U形卷积神经网络(U-Net)模型的4.4%,在训练效率、模型参数量等方面优于前人的相关研究工作;并对地震振幅中的噪声干扰具有鲁棒性.因此,这些结果展现了BiX-NAS网络模型在实际地震地层自动识别中良好的应用前景.