基于闭环网络的储层预测的模型处理方法、装置及设备

技术领域

本申请涉及地球物理技术领域，尤其涉及一种基于闭环网络的储层预测的模型处理方法、装置及设备。

背景技术

储层是可以存储和渗透流体的岩层。储层预测可以有助于识别地底油藏的分布情况，进而降低油气勘探开发的难度。

目前，可以通过地震资料得到的一维标签，进行卷积神经网络的训练，进而通过训练后的卷积神经网络对储层进行识别。例如，将地震资料的多个属性(如、蚂蚁体、纹理属性等)沿着水平方向拼接，得到一维标签，进而通过一维标签，对卷积神经网络进行训练。但是，地底的储层具有空间连续性，空间之间存在储层的概率会互相影响，通过一维标签对卷积神经网络进行训练，只使用的纵向的一维深度特征，进而导致模型对储层识别的准确度较低。

发明内容

本申请实施例提供一种基于闭环网络的储层预测的模型处理方法、装置及设备，用于解决现有技术中，模型对储层识别的准确度较低的技术问题。

第一方面，本申请实施例提供一种基于闭环网络的储层预测的模型处理方法，该方法包括：

获取样本数据，所述样本数据包括第一区域的样本图像、所述样本图像对应的第一标签图像和第二标签图像，所述第一标签图像用于指示所述第一区域中的第一部分区域存在储层的概率，所述第二标签图像用于指示所述第一区域中的第二部分区域存在储层的概率；

通过第一模型对所述样本图像进行处理，得到所述第一区域的储层概率预测图像；

根据所述第一标签图像、所述第二标签图像、所述储层概率预测图像，更新所述第一模型的模型参数。

在一种可能的实施方式中，获取所述样本图像对应的第一标签图像，包括：

通过第二模型对所述样本图像进行处理，得到第一标签子图像，所述第二模型为对多组第一样本学习得到的，每组第一样本包括第一区域的样本图像和样本标签子图像；

在所述第一标签子图像中添加第一掩膜，得到所述第一标签图像，所述第一掩膜用于遮挡所述样本图像对应的所述第二部分区域。

在一种可能的实施方式中，获取所述样本图像对应的第二标签图像，包括：

对所述样本图像进行多项式线性回归处理，得到第二标签子图像；

在所述第二标签子图像中添加第二掩膜，得到所述第二标签图像，所述第二掩膜用于遮挡所述样本图像对应的所述第一部分区域。

在一种可能的实施方式中，所述第一模型包括编码器、转化器和解码器；通过第一模型对所述样本图像进行处理，得到所述第一区域的储层概率预测图像，包括：

通过所述编码器获取所述样本图像的特征，并向所述转化器发送所述样本图像的特征；

通过所述转化器将所述样本图像的特征转化为特征向量，并向所述解码器发送所述特征向量；

通过所述解码器将所述特征向量转换为所述样本图像对应的部分特征，并根据所述部分特征生成所述储层概率预测图像。

在一种可能的实施方式中，根据所述第一标签图像、所述标签标注图像、所述储层概率预测图像，更新所述第一模型的模型参数，包括：

获取所述第一标签图像与所述储层概率预测图像之间的第一损失函数的第一权重；

获取所述第二标签图像与所述储层概率预测图像之间的第二损失函数的第二权重；

根据所述第一损失函数、所述第二损失函数、所述第一权重、所述第二权重，更新所述第一模型的模型参数。

在一种可能的实施方式中，根据所述第一标签图像、所述标签标注图像、所述储层概率预测图像，更新所述第一模型的模型参数之后，所述方法还包括：

通过第三模型对所述储层概率预测图像进行处理，得到所述储层概率预测图像对应的目标样本图像，所述第三模型为对多组第二样本学习得到的，每组第二样本包括样本储层概率预测图像和第一区域的样本图像；

根据所述样本图像和所述目标样本图像，更新所述第一模型的模型参数。

第二方面，本申请提供一种基于闭环网络的储层预测的模型处理方法，该方法包括：

获取第一区域的至少一个储层图像集合；

根据第一模型对所述至少一个储层图像集合进行处理，得到所述第一区域的储层概率预测图像，所述第一模型为第一方面任一项所述的第一模型。

第三方面，本申请提供一种基于闭环网络的储层预测的模型处理装置，包括获取模块、处理模块和更新模块，其中：

所述获取模块用于，获取样本数据，所述样本数据包括第一区域的样本图像、所述样本图像对应的第一标签图像和第二标签图像，所述第一标签图像用于指示所述第一区域中的第一部分区域存在储层的概率，所述第二标签图像用于指示所述第一区域中的第二部分区域存在储层的概率；

所述处理模块用于，通过第一模型对所述样本图像进行处理，得到所述第一区域的储层概率预测图像；

所述更新模块用于，根据所述第一标签图像、所述第二标签图像、所述储层概率预测图像，更新所述第一模型的模型参数。

在一种可能的实施方式中，所述获取模块具体用于：

通过第二模型对所述样本图像进行处理，得到第一标签子图像，所述第二模型为对多组第一样本学习得到的，每组第一样本包括第一区域的样本图像和样本标签子图像；

在所述第一标签子图像中添加第一掩膜，得到所述第一标签图像，所述第一掩膜用于遮挡所述样本图像对应的所述第二部分区域。

在一种可能的实施方式中，所述获取模块具体用于：

对所述样本图像进行多项式线性回归处理，得到第二标签子图像；

在所述第二标签子图像中添加第二掩膜，得到所述第二标签图像，所述第二掩膜用于遮挡所述样本图像对应的所述第一部分区域。

在一种可能的实施方式中，所述处理模块具体用于：

通过所述编码器获取所述样本图像的特征，并向所述转化器发送所述样本图像的特征；

通过所述转化器将所述样本图像的特征转化为特征向量，并向所述解码器发送所述特征向量；

通过所述解码器将所述特征向量转换为所述样本图像对应的部分特征，并根据所述部分特征生成所述储层概率预测图像。

在一种可能的实施方式中，所述更新模块具体用于：

获取所述第一标签图像与所述储层概率预测图像之间的第一损失函数的第一权重；

获取所述第二标签图像与所述储层概率预测图像之间的第二损失函数的第二权重；

根据所述第一损失函数、所述第二损失函数、所述第一权重、所述第二权重，更新所述第一模型的模型参数。

在一种可能的实施方式中，所述处理模块还用于：

通过第三模型对所述储层概率预测图像进行处理，得到所述储层概率预测图像对应的目标样本图像，所述第三模型为对多组第二样本学习得到的，每组第二样本包括样本储层概率预测图像和第一区域的样本图像；

根据所述样本图像和所述目标样本图像，更新所述第一模型的模型参数。

第四方面，本申请提供一种基于闭环网络的储层预测的模型处理装置，包括获取模块和处理模块，其中：

所述获取模块用于，获取第一区域的至少一个储层图像集合；

所述处理模块用于，根据第一模型对所述至少一个储层图像集合进行处理，得到所述第一区域的储层概率预测图像，所述第一模型为权利要求1-6任一项所述的第一模型。

第五方面，本申请实施例提供一种基于闭环网络的储层预测的模型处理装置，包括：存储器、处理器和通信接口，所述存储器用于存储程序指令，所述处理器用于调用存储器中的程序指令执行如第一方面任一项所述的基于闭环网络的储层预测的模型处理方法，或者，如第二方面任一项所述的基于闭环网络的储层预测的模型处理方法。

第六方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序；所述计算机程序用于实现如第一方面任一项所述的基于闭环网络的储层预测的模型处理方法。

本申请实施例提供一种基于闭环网络的储层预测的模型处理方法、装置及设备，获取样本数据，其中，样本数据包括第一区域的样本图像、样本图像对应的第一标签图像和第二标签图像，第一标签图像用于指示第一区域中的第一部分区域存在储层的概率，第二标签图像用于指示第一区域中的第二部分区域存在储层的概率，通过第一模型对样本图像进行处理，得到第一区域的储层概率预测图像，并根据第一标签图像、第二标签图像、储层概率预测图像，更新第一模型的模型参数。在上述方法中，由于第一模型的样本数据中包括二维的标签图像，而第一标签图像和第二标签图像，可以准确的反映第一区域下不同的部分区域存在储层的概率，因此，第一模型的标签准确度较高，并且标签为二维图像标签，可以准确的反映储层之间的空间连续性，进而提高第一模型对储层识别的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种应用场景示意图；

图2为本申请实施例提供的一种基于闭环网络的储层预测的模型处理方法的流程示意图；

图3为本申请实施例提供的一种样本图像的示意图；

图4为本申请实施例提供的一种第一模型的结构示意图；

图5为本申请实施例提供的一种更新第一模型的模型参数示意图；

图6为本申请实施例提供的另一种基于闭环网络的储层预测的模型处理方法的流程示意图；

图7为本申请实施例提供的一种获取储层概率识别模型的过程示意图；

图8为本申请实施例提供的一种获取样本第一标签子图像的过程示意图；

图9为本申请实施例提供的另一种更新第一模型的模型参数的过程示意图；

图10为本申请实施例提供的一种基于闭环网络的储层预测的模型处理方法的流程示意图；

图11为本申请实施例提供的一种储层概率预测图像示意图；

图12为本申请实施例提供的一种基于闭环网络的储层预测的模型处理装置的结构示意图；

图13为本申请提供的终端设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在相关技术中，储层预测可以有助于识别地底油藏的分布情况，进而辅助油气勘探开发，降低油气勘探开发的成本和难度。目前，可以通过训练后的卷积神经网络对储层进行识别，其中，卷积神经网络的训练样本可以包括通过地震资料获取的一维标签。例如，将地震资料的多个属性沿着水平方向拼接，得到一维标签，进而将一维标签作为卷积神经网络的训练样本中的标签，对卷积神经网络进行训练。但是，通过一维标签训练得到的卷积神经网络，只能识别地震资料中的纵向一维深度特征，而地底的储层具有空间连续性，空间之间存在储层的概率会互相影响，进而导致模型对储层识别的准确度较低。

为了解决相关技术中模型对储层识别的准确度较低的技术问题，本申请实施例提供一种基于闭环网络的储层预测的模型处理方法，获取样本数据，样本数据包括第一区域的样本图像、样本图像对应的第一标签图像和第二标签图像，第一标签图像用于指示第一区域中的第一部分区域存在储层的概率，第二标签图像用于指示第一区域中的第二部分区域存在储层的概率，通过第一模型的编码器获取所述样本图像的特征，并向第一模型的转化器发送样本图像的特征，通过转化器接收样本图像的特征，并将样本图像的特征转化为特征向量，向第一模型的解码器发送所述特征向量，通过解码器接收特征向量，将特征向量转换为样本图像对应的部分特征，并根据部分特征生成储层概率预测图像，根据第一标签图像、第二标签图像、储层概率预测图像，更新第一模型的模型参数。这样，由于第一模型的训练样本数据中包括二维的标签图像，而第一标签图像和第二标签图像，可以准确的反映第一区域下不同的部分区域存在储层的概率，因此，第一模型的标签准确度较高，并且标签为二维图像标签，可以准确的反映储层之间的空间连续性，进而提高第一模型对储层识别的准确度。

下面，结合图1，对本申请的应用场景进行说明。

图1为本申请实施例提供的一种应用场景示意图。请参见图1，包括：第一模型。其中，向第一模型输入样本图像、第一标签图像和第二标签图像，第一模型可以对样本图像进行处理，得到储层概率预测图像，进而通过储层概率预测图像、第一标签图像和第二标签图像，对第一模型的模型参数进行更新。由于第一模型的训练样本数据中包括二维的标签图像，而第一标签图像和第二标签图像，可以准确的反映第一区域下不同的部分区域存在储层的概率，因此，第一模型的标签准确度较高，并且标签为二维图像标签，可以准确的反映储层之间的空间连续性，进而提高第一模型对储层识别的准确度。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图2为本申请实施例提供的一种基于闭环网络的储层预测的模型处理方法的流程示意图。请参见图2，该方法可以包括：

S201、获取样本数据。

本申请实施例的执行主体可以为服务器，也可以为设置在服务器中的基于闭环网络的储层预测的模型处理装置。其中，基于闭环网络的储层预测的模型处理装置可以通过软件实现，基于闭环网络的储层预测的模型处理装置也可以通过软件和硬件的结合实现。

可选的，样本数据包括第一区域的样本图像、样本图像对应的第一标签图像和第二标签图像。其中，第一区域可以为待进行储层预测的区域。例如，若需要对区域A进行储层预测，则第一区域可以为区域A，若需要对区域B进行储层预测，则第一区域可以为区域B。可选的，第一区域可以为测井所在的区域。例如，测井为开采天然气的井道，可以预先确定测井所在的位置，进而将测井所在的地质的纵深区域确定为第一区域。例如，在实际应用过程中，可以构建包括多个测井三维地质模型，可以将测井的横截面确定为第一区域。

可选的，样本图像可以为第一区域的地震资料。其中，地震资料可以包括如下至少一种：地震数据、纹理属性、倾角导数属性、衰减属性、吸收属性和蚂蚁体。可选的，地震数据可以为第一区域的地震的强度等信息。例如，地震数据可以为二维图像，第一区域的地震数据可以通过地震强度图像来显示。可选的，纹理属性、倾角导数属性、衰减属性、吸收属性和蚂蚁体都为与储层相关程度较高的地质属性。例如，纹理属性、倾角导数属性、衰减属性、吸收属性和蚂蚁体都可以通过二维图像表示。

可选的，可以在数据库中获取第一区域的地震数据。例如，在服务器获取到第一区域的地震强度图像时，可以将该图像存储至数据库中，在需要预测第一区域的储层概率时，服务器可以在数据库中获取该地震强度图像。

可选的，可以根据地震数据获取第一区域的纹理属性、倾角导数属性、衰减属性、吸收属性和蚂蚁体。例如，通过预设算法(如，地质分析算法)对地震数据(二维图像)进行处理，进而得到第一区域的纹理属性图像、倾角导数属性图像、衰减属性图像、吸收属性图像和蚂蚁体图像。

下面，结合图3，对样本图像进行说明。

图3为本申请实施例提供的一种样本图像的示意图。请参见图3，包括地震数据图像。其中，地震数据图像为测井的横截地质面的图像，地震数据图像中包括测井。通过预设算法对地震数据图像进行处理，得到该横截地质面的纹理属性图像、倾角导数属性图像、衰减属性图像、吸收属性图像和蚂蚁体图像。

可选的，第一标签图像用于指示第一区域中的第一部分区域存在储层的概率。例如，第一标签图像可以为第一部分区域的储层概率的分布图像，通过第一标签图像可以得到第一部分区域中各个位置存在储层的概率。可选的，第一部分区域可以为测井预设范围内的区域。例如，第一区域可以为包括测井的横截地质面，第一区域中的第一部分区域可以为测井周围5米范围内的区域。

可选的，可以通过如下可行的实现方式，获取样本图像对应的第一标签图像：通过第二模型对样本图像进行处理，得到第一标签子图像。其中，第二模型为对多组第一样本学习得到的，每组第一样本包括第一区域的样本图像和样本第一标签子图像。多组第一样本可以为预先标记的样本。例如，对于样本图像1，获取样本图像1对应的样本第一标签子图像1，得到一组样本，该组样本包括样本图像1和样本第一标签子图像1。采用该种方式可以得到多组第一样本。例如，多组第一样本可以如表1所示：

表1

需要说明的是，表1只是以示例的形式示意多组第一样本，并非对多组第一样本的限定。

例如，若输入第二模型的地震资料为样本图像1，则第二模型输出该地震资料对应的第一标签子图像为样本第一标签子图像1；若输入第二模型的地震资料为样本图像2，则第二模型输出该地震资料对应的第一标签子图像为样本第一标签子图像2；若输入第二模型的地震资料为样本图像3，则第二模型输出该地震资料对应的第一标签子图像为样本第一标签子图像3。

可选的，在第一标签子图像中添加第一掩膜，得到第一标签图像。其中，第一掩模用于遮挡样本图像对应的第二部分区域。例如，第一标签子图像可以准确的反映第一区域的第一部分区域存在储层的概率，因此，在对第一模型进行训练时，可以通过第一掩模将第二部分区域遮挡，以提高第一模型对储层识别的准确度。

可选的，第二标签图像用于指示第一区域中的第二部分区域存在储层的概率。例如，第二标签图像可以为第二部分区域的储层概率的分布图像，通过第二标签图像可以得到第二部分区域中各个位置存在储层的概率。可选的，第二部分区域可以为测井预设范围之外的区域。例如，第一区域可以为包括测井的横截地质面，第一区域中的第二部分区域可以为测井周围5米范围之外的区域。可选的，第一区域包括第一部分区域和第二部分区域。例如，第一部分区域可以为第一区域中测井周围预设范围内的区域，第二部分区域可以为第一区域中测井周围预设范围之外的区域。

可选的，可以根据如下可行的实现方式，获取样本图像对应的第二标签图像：对样本图像进行多项式线性回归处理，得到第二标签子图像。例如，在得到第一区域的地震资料时，可以通过回归分析方法(如，最小二乘法等)拟合地震资料与储层概率分布的关系，进而得到第一区域的储层概率分布图，即，第二标签子图像。

在第二标签子图像中添加第二掩膜，得到第二标签图像。其中，第二掩膜用于遮挡样本图像对应的第一部分区域。例如，通过多项式线性回归的方法也可以得到的第二标签子图像的准确度是未知的，即第二标签子图像是伪标签，但是，由于第一标签图像可以准确的反映第一部分区域存在储层的概率，因此，需要对第二标签子图像的第一部分区域中添加掩模，得到第二标签图像，进而使得第一模型可以学习第二标签图像中的第二部分区域的储层概率。

S202、通过第一模型对样本图像进行处理，得到第一区域的储层概率预测图像。

可选的，储层概率预测图像用于指示第一区域中各个部分存在储层的概率。例如，通过储层概率预测图像，可以准确的确定第一区域中存在储层的部分，进而有助于油气的勘探。

可选的，第一模型包括编码器、转化器和解码器，可以通过如下可行的实现方式，得到第一区域的储层概率预测图像：通过编码器获取样本图像的特征，并向转化器发送样本图像的特征。例如，编码器可以包括3个卷积层，通过3个卷积层可以对输入的样本图像进行下采样，进而得到样本图像的特征。

通过转化器将样本图像的特征转化为特征向量，并向解码器发送特征向量。例如，转化器部分可以包括9个残差神经网络ResNets结构，每个ResNets结构包括2个卷积层，通过ResNets结构可以将样本图像的特征转化为特征向量，并保留样本图像的原始特征。

通过解码器将特征向量转换为样本图像对应的部分特征，并根据部分特征生成储层概率预测图像。其中，部分特征可以为样本图像中的低级特征。例如，解码器包括3个反卷积层，通过3个反卷积层可以对特征向量进行上采样，进而在特征向量中还原出样本图像的低级特征，并根据低级特征获取储层概率预测图像。

下面，结合图4，对第一模型的结构进行说明。

图4为本申请实施例提供的一种第一模型的结构示意图。请参见图4，包括：第一模型。其中，第一模型包括编码器、转换器和解码器。编码器中包括卷积层A、卷积层B和卷积层C，转换器中包括9个残差神经网络，每个残差神经网络中包括2个卷积层，转换器中包括18个卷积层。解码器中包括反卷积层A、反卷积层B和反卷积层C。

请参见图4，在第一模型接收到样本图像时，第一模型中的编码器可以对样本图像进行下采样，进而提取样本图像中的特征，转换器可以将样本图像中的特征转换为特征向量，解码器可以对特征向量进行上采样，进而还原样本图像中的低级特征，并根据低级特征得到储层概率预测图像。

S203、根据第一标签图像、第二标签图像、储层概率预测图像，更新第一模型的模型参数。

可选的，可以根据如下可行的实现方式，更新第一模型的模型参数：获取第一标签图像与储层概率预测图像之间的第一损失函数的第一权重。其中，第一损失函数用于调整第一模型的模型参数。可选的，第一权重为第一损失函数在调整模型参数时所占的比重。可选的，第一损失函数可以通过如下公式得到：

其中，

可选的，mask

其中，j为测井的深度，测井的深度范围为0至α，k为测井位置对应的列号，其范围为r-β至r+β，井旁道的总数量为2β，可选的，β可以为20。

获取第二标签图像与储层概率预测图像之间的第二损失函数的第二权重。其中，第二损失函数用于调整第一模型的模型参数。可选的，第二权重为第二损失函数在调整模型参数时所占的比重。可选的，第二损失函数可以通过如下公式得到：

其中，

可选的，mask

其中，j为测井的深度，测井的深度范围为0至α，k为测井位置对应的列号，其范围为r-β至r+β，井旁道的总数量为2β，可选的，β可以为20。

根据第一损失函数、第二损失函数、第一权重、第二权重，更新第一模型的模型参数。例如，通过第一权重、第二权重、第一损失函数和第二损失函数，得到第一模型整体的损失函数，进而通过整体的损失函数，更新第一模型的模型参数。例如，获取第一权重和第一损失函数的第一乘积，获取第二权重与第二损失函数的第二乘积，将第一乘积与第二乘积的和确定为第一模型整体的损失函数。

下面，结合图5，对更新第一模型的模型参数的过程进行说明。

图5为本申请实施例提供的一种更新第一模型的模型参数示意图。请参见图5，包括第一模型。向第一模型中输入样本图像，第一模型得到样本图像对应的储层概率预测图像。第一模型通过第一标签图像和储层概率预测图像得到第一损失函数，第一模型通过第二标签图像和储层概率预测图像得到第二损失函数。第一模型通过第一损失函数和第二损失函数，对第一模型的模型参数进行更新，在进行模型参数更新时，可以通过第一损失函数对应的第一权重和第二损失函数对应的第二权重，得到第一模型的完整的损失函数，进而更新模型参数。

本申请实施例提供一种基于闭环网络的储层预测的模型处理方法，获取样本数据，样本数据包括第一区域的样本图像、样本图像对应的第一标签图像和第二标签图像，第一标签图像用于指示第一区域中的第一部分区域存在储层的概率，第二标签图像用于指示第一区域中的第二部分区域存在储层的概率，通过第一模型的编码器获取所述样本图像的特征，并向第一模型的转化器发送样本图像的特征，通过转化器接收样本图像的特征，并将样本图像的特征转化为特征向量，向第一模型的解码器发送所述特征向量，通过解码器接收特征向量，将特征向量转换为样本图像对应的部分特征，并根据部分特征生成储层概率预测图像，根据第一标签图像、第二标签图像、储层概率预测图像，更新第一模型的模型参数。这样，由于第一模型的训练样本数据中包括二维的标签图像，而第一标签图像和第二标签图像，可以准确的反映第一区域下不同的部分区域存在储层的概率，因此，第一模型的标签准确度较高，并且标签为二维图像标签，可以准确的反映储层之间的空间连续性，进而提高第一模型对储层识别的准确度。

在图2所示的实施例的基础上，下面，结合图6，对上述基于闭环网络的储层预测的模型处理方法进行进一步的说明。

图6为本申请实施例提供的另一种基于闭环网络的储层预测的模型处理方法的流程示意图。请参见图6，该方法流程包括：

S601、获取样本数据。

可选的，样本数据包括第一区域的样本图像、样本图像对应的第一标签图像和第二标签图像，第一标签图像用于指示第一区域中的第一部分区域存在储层的概率，第二标签图像用于指示第一区域中的第二部分区域存在储层的概率。

可选的，可以通过样本图像和样本第一标签子图像，对第二模型进行训练，得到第二模型，还可以通过模型的迭代训练，得到第二模型。可选的，可以通过如下可行的实现方式获取第二模型：对储层概率识别模型进行进一步的训练，进而得到第二模型。其中，储层概率识别模型为通过样本图像和样本储层概率预测图像训练得到的模型。例如，储层概率识别模型的训练样本为样本图像和人工标注的储层概率预测图像，由于人工标注的储层概率预测图像的准确度较低，因此，可以通过对储层概率识别模型进行进一步的训练，以提高对储层识别的准确度。可选的，在对储层概率识别模型进行进一步的训练，得到第二模型时，可以获取横截地质面的一维测井标签，其中，一维测井标签可以通过现有的地震资料确定，因此，一维测井标签可以准确的反映测井周围预设区域内存在储层的概率，由于储层概率识别模型为二维训练模型，因此，可以在一维测井标签表面添加一层掩膜，得到二维测井标签，其中，二维测井标签中只有测井周围预设区域内的储层概率是准确的(一维标签是准确的)，进而通过样本图像和二维测井标签(添加掩膜的一维测井标签)，对储层概率识别模型进行进一步的训练，在训练完成之后，得到第二模型。下面，结合图7，对获取储层概率识别模型的过程进行说明。

图7为本申请实施例提供的一种获取储层概率识别模型的过程示意图。请参见图7，包括储层概率识别模型。向储层概率识别模型中输入样本图像，储层概率识别模型可以输出储层概率预测图像，而该储层概率预测图像的准确度较低，通过伪标签和储层概率预测图像，确定储层概率识别模型的损失函数，进而通过损失函数对储层概率识别模型的模型参数进行更新，虽然伪标签的准确度也较低，但是，通过上述训练方法，可以使得储层概率识别模型对二维图像进行处理。可选的，该储层概率识别模型的损失函数可以通过如下公式确定：

其中，L

下面，结合图8，对第二模型训练的过程进行说明。

图8为本申请实施例提供的一种第二模型训练的过程示意图。请参见图8，包括：第二模型。其中，第二模型为训练好的储层概率识别模型。向第二模型中输入样本图像，第二模型输出第一标签子图像(储层识别模型输出的储层概率预测图像)。在一维测井标签表面添加一层掩膜得到二维测井标签，并通过第一标签子图像和二维测井标签确定损失函数，通过损失函数对第二模型中的模型参数进行更新，以使第二模型可以输出准确的第一标签子图像。

可选的，该第二模型的损失函数可以通过如下公式确定：

其中，L

掩膜的公式可以为:

其中，mask

可选的，在获取样本第一标签子图像时，每一组地震资料可以训练一个储层概率识别模型，进而可以通过多模型处理的方式，得到多个地震资料对应的多个样本第一标签子图像。例如，若通过地震资料确定79个一维测井标签，则分别训练79个第二模型。

S602、通过第一模型对样本图像进行处理，得到第一区域的储层概率预测图像。

需要说明的是，步骤S602的执行过程可以参照步骤S202，本申请实施例对此不再进行赘述。

S603、根据第一标签图像、第二标签图像、储层概率预测图像，更新第一模型的模型参数。

需要说明的是，步骤S603的执行过程可以参照步骤S203，本申请实施例对此不再进行赘述。

S604、通过第三模型对储层概率预测图像进行处理，得到储层概率预测图像对应的目标样本图像。

可选的，第三模型为对多组第二样本学习得到的。其中，每组第二样本包括样本储层概率预测图像和第一区域的样本图像。多组第二样本可以为预先标记的样本。例如，对于样本储层概率预测图像1，获取样本储层概率预测图像1对应的样本图像1，得到一组样本，该组样本包括样本储层概率预测图像1和样本图像。采用该种方式可以得到多组第二样本。例如，多组第二样本可以如表2所示：

表2

需要说明的是，表2只是以示例的形式示意多组第二样本，并非对多组第一样本的限定。

例如，若输入第三模型的图像为样本储层概率预测图像1，则第三模型输出该样本储层概率预测图像1对应的样本图像1；若输入第三模型的图像为样本储层概率预测图像2，则第三模型输出该样本储层概率预测图像1对应的样本图像2；若输入第三模型的图像为样本储层概率预测图像3，则第三模型输出该样本储层概率预测图像1对应的样本图像3。

S605、根据样本图像和目标样本图像，更新第一模型的模型参数。

可选的，将储层概率图像输入至第三模型中，第三模型可以生成该储层概率图像对应的目标样本图像。可选的，目标样本图像可以为储层概率图像对应的地震资料。例如，目标样本图像可以包括储层概率图像对应的地震数据图像、纹理属性图像、倾角导数属性图像、衰减属性图像、吸收属性图像和蚂蚁体图像。

通过样本图像和目标样本图像，可以确定第三损失函数，进而通过第三损失函数更新第一模型的模型参数。例如，通过样本图像和目标样本图像，可以得到第一模型对应的第三损失函数，进而根据第三损失函数在调整模型参数中所占的第三权重，更新第一模型完整的损失函数，进而通过更新后的完整的损失函数，对第一模型的模型参数进行更新。这样，循环一致性越好，则说明第一模型输出的储层概率预测图像的准确度越高。

可选的，在对第一模型的模型参数进行更新时，还可以通过第一标签图像和第二标签图像对第一模型的模型参数进行更新。例如，将第一标签图像和第二标签图像输入至第三模型中，第三模型输出对应的第一样本图像，进而根据样本图像和第一样本图像确定第五损失函数和第六损失函数，以及第五损失函数的第五权重和第六损失函数的第六权重，进而根据第五权重和第五损失函数，更新第一模型完整的损失函数，并对第一模型的模型参数进行更新。

可选的，在通过第三模型得到第一样本图像之后，还可以通过第一模型对第一样本图像进行处理，得到目标储层概率预测图像，进而根据目标储层概率图像、第一标签图像和第二标签图像，对第一模型参数进行更新。例如，通过第一模型对第一样本图像进行处理之后，可以得到目标储层概率预测图像，通过目标储层概率预测图像与第一标签图像，可以得到第七损失函数和第七损失函数对应的第七权重，通过目标储层概率预测图像与第二标签图像，可以得到第八损失函数和第八权重，进而通过第七损失函数、第七权重、第八损失函数和第八权重，更新第一模型的完整的损失函数，进而更新第一模型的模型参数。

下面，结合图9，对更新第一模型的模型参数的过程进行说明。

图9为本申请实施例提供的另一种更新第一模型的模型参数的过程示意图。请参见图9，包括第一模型和第三模型。其中，X为样本图像，X

第一模型通过第一标签子图像与第一掩膜合成得到第一标签图像，以及通过第二标签子图像与第二掩膜合成得到第二标签图像，第一模型通过第一标签图像和储层概率预测图像确定第一损失函数，第一模型通过第二标签图像和储层概率预测图像确定第二损失函数。

请参见图9，将储层概率预测图像、第一标签图像、第二标签图像的合成图像输入至第三模型，第三模型可以输出目标样本图像，将储层概率预测图像和第二标签图像的合成图像输入至第三模型，第三模型可以输出另一张目标样本图像。通过两张目标样本图像和样本图像可以确定第一模型的第三损失函数和第四损失函数。

请参见图9，将带有掩膜的第一标签图像和第二标签图像同时输入至第三模型中，得到对应的两张目标样本图像

可选的，第三损失函数的公式如下所示：

其中，

第四损失函数的公式如下所示：

其中，

第五损失函数的公式如下所示：

其中，

第六损失函数的公式如下所示：

其中，

第七损失函数的公式如下所示：

其中，

第八损失函数的公式如下所示：

其中，

可选的，第一模型的总体损失函数可以如下公式所示：

其中，L

本申请实施例提供一种基于闭环网络的储层预测的模型处理方法，获取样本数据，通过第一模型对样本图像进行处理，得到第一区域的储层概率预测图像，根据第一标签图像、第二标签图像、储层概率预测图像，更新第一模型的模型参数，通过第三模型对储层概率预测图像进行处理，得到储层概率预测图像对应的目标样本图像，根据样本图像和目标样本图像，更新第一模型的模型参数。这样，由于第一模型的训练样本数据中包括二维的标签图像，而第一标签图像和第二标签图像，可以准确的反映第一区域下不同的部分区域存在储层的概率，因此，第一模型的标签准确度较高，并且标签为二维图像标签，可以准确的反映储层之间的空间连续性，并且可以通过闭环网络对第一模型的模型参数进行更新，进而提高第一模型对储层识别的准确度。

在上述任意一个实施例的基础上，下面，结合图10，对第一模型进行模型处理的过程进行说明。

图10为本申请实施例提供的一种基于闭环网络的储层预测的模型处理方法的流程示意图。请参见图10，该方法流程包括：

S1001、获取第一区域的至少一个储层图像集合。

可选的，储层图像集合为图2所示的实施例中的样本图像。例如，储层图像集合中可以包括第一区域的地震数据图像、纹理属性图像、倾角导数属性图像、衰减属性图像、吸收属性图像和蚂蚁体图像。

S1002、根据第一模型对至少一个储层图像集合进行处理，得到第一区域的储层概率预测图像。

可选的，第一模型为上述任意一个实施例中的第一模型。向第一模型中输入第一区域的储层图像集合，第一模型可以输出第一区域对应的储层概率预测图像。

下面，结合图11，对储层概率预测图像进行说明。

图11为本申请实施例提供的一种储层概率预测图像示意图。请参见图11，包括第一图像和第二图像。其中，第一图像为根据现有技术得到的储层概率预测图像，第二图像为根据本申请中的第一模型得到的储层概率预测图像。箭头所指的位置为测井所在的位置。第一图像中由于采用一维标签作为模型的训练样本，得到的储层之间的空间连续性较差，进而导致储层预测的准确度较低。通过本申请的第一模型得到的第二图像中储层之间的空间连续性较好，且储层预测的准确度较高。

本申请实施例提供一种基于闭环网络的储层预测的模型处理方法，获取第一区域的至少一个储层图像集合，根据第一模型对至少一个储层图像集合进行处理，得到第一区域的储层概率预测图像。其中，第一模型为上述任意一个实施例中的第一模型。由于第一模型可以准确的确定第一区域中存在储层的概率，因此，通过第一模型可以提高储层预测的准确度。

图12为本申请实施例提供的一种基于闭环网络的储层预测的模型处理装置的结构示意图。请参见图12，该基于闭环网络的储层预测的模型处理装置10包括获取模块11、处理模块12和更新模块13，其中：

所述获取模块11用于，获取样本数据，所述样本数据包括第一区域的样本图像、所述样本图像对应的第一标签图像和第二标签图像，所述第一标签图像用于指示所述第一区域中的第一部分区域存在储层的概率，所述第二标签图像用于指示所述第一区域中的第二部分区域存在储层的概率；

所述处理模块12用于，通过第一模型对所述样本图像进行处理，得到所述第一区域的储层概率预测图像；

所述更新模块13用于，根据所述第一标签图像、所述第二标签图像、所述储层概率预测图像，更新所述第一模型的模型参数。

在一种可能的实施方式中，所述获取模块11具体用于：

通过第二模型对所述样本图像进行处理，得到第一标签子图像，所述第二模型为对多组第一样本学习得到的，每组第一样本包括第一区域的样本图像和样本标签子图像；

在所述第一标签子图像中添加第一掩膜，得到所述第一标签图像，所述第一掩膜用于遮挡所述样本图像对应的所述第二部分区域。

在一种可能的实施方式中，所述获取模块11具体用于：

对所述样本图像进行多项式线性回归处理，得到第二标签子图像；

在所述第二标签子图像中添加第二掩膜，得到所述第二标签图像，所述第二掩膜用于遮挡所述样本图像对应的所述第一部分区域。

在一种可能的实施方式中，所述处理模块12具体用于：

通过所述编码器获取所述样本图像的特征，并向所述转化器发送所述样本图像的特征；

通过所述转化器将所述样本图像的特征转化为特征向量，并向所述解码器发送所述特征向量；

通过所述解码器将所述特征向量转换为所述样本图像对应的部分特征，并根据所述部分特征生成所述储层概率预测图像。

在一种可能的实施方式中，所述更新模块13具体用于：

获取所述第一标签图像与所述储层概率预测图像之间的第一损失函数的第一权重；

获取所述第二标签图像与所述储层概率预测图像之间的第二损失函数的第二权重；

根据所述第一损失函数、所述第二损失函数、所述第一权重、所述第二权重，更新所述第一模型的模型参数。

在一种可能的实施方式中，所述处理模块12还用于：

通过第三模型对所述储层概率预测图像进行处理，得到所述储层概率预测图像对应的目标样本图像，所述第三模型为对多组第二样本学习得到的，每组第二样本包括样本储层概率预测图像和第一区域的样本图像；

根据所述样本图像和所述目标样本图像，更新所述第一模型的模型参数。

本申请实施例提供的基于闭环网络的储层预测的模型处理装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。

本申请还包括另一种基于闭环网络的储层预测的模型处理装置的结构，该基于闭环网络的储层预测的模型处理装置包括获取模块和处理模块，其中：

所述获取模块用于，获取第一区域的至少一个储层图像集合；

所述处理模块用于，根据第一模型对所述至少一个储层图像集合进行处理，得到所述第一区域的储层概率预测图像，所述第一模型为权利要求1-6任一项所述的第一模型。

图13为本申请提供的终端设备的结构示意图。请参见图13，该终端设备20可以包括：处理器21和存储器22，其中，处理器21和存储器22可以通信；示例性的，处理器21和存储器22通过通信总线23通信，所述存储器22用于存储程序指令，所述处理器21用于调用存储器中的程序指令执行上述任意方法实施例所示的基于闭环网络的储层预测的模型处理方法。

可选的，终端设备20还可以包括通信接口，通信接口可以包括发送器和/或接收器。

可选的，上述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本申请提供一种可读存储介质，所述可读存储介质上存储有计算机程序；所述计算机程序用于实现如上述任意实施例所述的基于闭环网络的储层预测的模型处理方法。

本申请实施例提供一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，使得计算机执行上述基于闭环网络的储层预测的模型处理方法。

实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(英文：read-only memory，缩写：ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetic tape)、软盘(英文：floppydisk)、光盘(英文：optical disc)及其任意组合。

本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理单元以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理单元执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

在本申请中，术语“包括”及其变形可以指非限制性的包括；术语“或”及其变形可以指“和/或”。本本申请中术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本申请中，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。