一种基于HR-Net算法的地震图像解释储层岩性的预测方法

技术领域

本发明涉及油气藏勘探开发领域，更具体的说，是涉及一种基于HR-Net算法的储层岩相预测方法。

背景技术

岩相是一定沉积环境中形成的岩石或岩石组合，它是沉积相的主要组成部分，它指的是具有明显不同岩石物理特征和地震特性的沉积体。本发明的岩相是按岩性与孔隙流体集合来分类。这样对于储层类型来说，将把含水砂岩和含油砂岩作为两种不同的岩相进行分类。岩相对岩石的弹性性质起着决定作用，因此岩相识别对于预测储层的孔隙度、渗透率等物性参数具有指导意义。错误的岩相判别结果，可能导致储层物性预测的准确性降低，并增加预测结果的不确定性，因此岩相的准确判别和分析，对于储层物性参数的预测起着关键作用，在地层对比、沉积相分析等研究来讲，判别岩相是一项非常重要的先导性工作。

目前在油气勘探开发行业中，常用的储层岩相预测方法，包括基于地震信息的储层岩相反演、沉积相模式约束等预测方法。本发明是基于生产资料、测井资料和地震资料的储层岩相预测方法，是以上各个领域中测量方法的综合运用。

由于地震响应的影响因素众多，不同岩相的地震响应常常很相似，为利用地震资料进行岩相识别，带来了较大的困难。本发明对于岩相的识别和储层物性参数的预测方面，加入了多元统计和机器学习的方法，来作为优化模块，常用的机器学习算法包括K近邻距离判别、决策树、K-means和贝叶斯判别等常用的几种算法。运用这些算法的基本思想为：统计训练数据的分类特征，建立判别准则，对新的数据样品进行比较判别。不同的判别方法具有不同的判别准则，每一种判别方法都有不同的假设前提、判别依据和处理手法，因而各自都具有一定的应用条件。

基于地震信息的储层岩相预测，是目前业内常用、并且有效的方法，但也存在问题，主要表现为地震资料一般受分辨率限制，对薄储层岩相预测很难实现，本发明就是针对这些情况，提出了高分辨率(HR-Net)算法模型，并发明了新的核函数，较好地解决了上述问题。

在常规的分类算法中，岩相的距离判别法，是将数据总体都假设为正态分布进行分析，该方法是简单地考虑数据的均值和方差，对各个不同样本出现的先验概率的大小，以及各岩相类别间内的协方差矩阵，没有进行系统分析，因此就不能对判别结果的准确程度给出合理的评价。本发明发现当输入属性之间的相关性较强时，岩相判别结果准确度较低，并且在判别过程中，各个属性是不等权相加，权系数未与判别效率联系起来。在本发明提出的改进判别方法中，针对上述问题和条件概率密度函数估计困难这一情况，在保留了其假设符合高斯分布形式的同时，引入了改进后的贝叶斯判别，该方法不用经过自变量的筛选和组合变换，就可以直接对原状态的岩相进行判别。本发明的方法能够将权重系数和判别效率有机的结合起来，并全面考虑各个样本的数据特征，对数据特征的统计分析能力进行加强，并对判别结果的后验概率和错判率进行估计。

基于生产资料的储层岩相预测，很大程度依赖于生产资料的丰富程度，大多数油田很难取得系统、丰富的生产资料。单纯依赖沉积相模式约束，进行储层岩相预测，存在岩相模式的多样性的问题，为了降低井间储层岩相预测的多解性，本发明应用旁井属性约束条件、地震资料与HR-Net算法模型的有机结合也相互验证，成功地降低了地震图像储层岩相预测存在的多解性的问题。

除了测井资料、生成资料和地震数据等信息之外，物探解释专家的经验往往起决定性作用，因此本发明在模型训练的时候，专门设计了专家参数，记录和存储专家的解释经验，使训练出来的模型更具鲁棒性。很好地实现了模型高效、高精度进行储层岩相预测的目标。

发明内容

本发明用高分辨率网络HR-Net模型，对地震图像进行储层的识别解释，这种方法在国内外是首次提出，参见附图1。其方法首先从分析HR-Net算法数据输入出发，对地震图像的数据属性进行权重处理，着重解决数据集的标注不平衡问题，这使得后续HR-Net算法处理结果更加准确；然后提出了一套解决模型结果较低精确度的问题，发现并改进了模型的不足之处；接着用HR-Net模型对其系统运行参数进行改进，使其更加适合三维空间地震数据的分析处理。接下来使用公认的、可进行结果比较的地震图像样本，进行有监督模型训练，得到识别模型，并对未知区域进行解释预测，取得了比其它网络模型更好的解释结果。最后对所有算法网络模型，用Python代码进行编程、集成和封装，同时添加I/O和UI组件，形成了工业化产品，便于现场应用。

本发明的目的是通过以下技术方案实现的，本发明基于HR-Net算法的储层岩相预测方法，包括以下过程：

步骤一：通过仪器采集叠前数据和岩相标注数据；

步骤二：加载叠前地震波数据到内存中，以遍历的方法组合形成三维数组，便于数据处理和运算；

步骤三：数据划分及数据预处理；

步骤四：根据数据大小和结构，构建并生成HR-Net算法模型，先采用随机张量试验，如果按预想输出，构建到整个训练过程中；

步骤五：按不同权重定义交叉熵和BCE混合损失函数，定义学习率优化方案，这里采用余炫退火算法，定义自适应梯度下降优化器；

步骤六：训练和调优，参见附图2；

步骤七：导入新的区块进行岩相预测，参见附图3。

本发明的算法模型已经形成软件，软件界面功能模块参见附图4；其软件界面菜单截图参见附图5.

具体实施方式的说明：

在步骤三“数据划分及数据预处理”中，为提高模型泛化能力和训练速度，对求出均值和标准差，对原始地震资料进行标准化，然后对地震资料的三维数组格式数据按比例，分批次划分，形成生成式的可迭代对象的训练集和验证集，训练集的真实结果会进入运算，监督指导模型内神经网络参数调优，验证集的真实结果不进入运算，只用于评价模型每轮训练后的效果。

在步骤四构建整个训练过程中，该模型的优势是特征融合，并行地连接high-to-low分辨率，使处理叠前反演这个课题上，集成了多维性，局部连接，权值共享，下采样和特征融合等特点，使得基于该深度学习的方法，处理物探叠前反演岩相预测这种空间问题更有说服力，该算法的设计细节如下:HR-Net共有三个stage，每个stage相对于前一个stage，扩展一个分支，该分支输出特征降采样2倍，channel扩充2倍。

Transition：用于进入下一个stage生成低分辨率特征，同时扩展分支，通过卷积(kernal＝3，stride＝2)实现；

fuse：用于多尺度分辨率特征融合；stage1不存在；其中：

上采样：通过卷积(kernal＝1)将channel对齐，upsampling层最近邻实现上采样；下采样：通过卷积(kernal＝3，stride＝2)实现。比如降采样4倍时，通过卷积(kernal＝3，stride＝2)，channel不改变，降采样2倍，再通过(kernal＝3，stride＝2)，channel对齐，实现降采样4倍。

stage1中每个block使用Bottleneck，其余stage使用basicblock；

在步骤六“训练和调优”中，训练细节为：

由训练集生成器按批次生成相应的地震三维张量陆续进入模型运算；

对产生的预测结果与生成器迭代的真实结果进入混合损失函数中运算，求得相应损失；

通过梯度下降算法，反向传播优化HR-Net算法模型中各神经网络的参数。这就是一轮一批次得训练过程，经过5轮训练后；

由验证集生成器生成响应的测试数据进入HR-Net模型进行预测；

对得到的结果做softmax与真实结果比对运算；

求出准确率，精确率，召回率，F1评价模型效果，如果效果提升则保存；

采用EarlyStopping算法对过程进行评估，如果损失趋于稳态，下降速度趋于0，便停止运行训练；

人工对各项超参进行调优，如混合损失函数的权重，批次分配量，优化器的动量，参数dropout等，直到各项指标趋于稳态，整个训练过程结束。

附图说明

图1是HR-Net算法框架流程图；

图2是在步骤六中的某坡面的验证效果图；

图3是在步骤七中新区块预测效果图；

图4是智能地震解释软件界面功能模块截图；

图5是智能地震解释软件界面菜单截图。