天然气水合物饱和度声电测井联合智能反演方法及系统

技术领域

本发明属于地球物理测井技术领域，具体地说，涉及一种天然气水合物饱和度声电测井联合智能反演方法及系统。

背景技术

自然界中的天然气水合物（以下简称“水合物”）广泛存在于永久冻土带和陆缘外围的海底沉积物中，尤其后者具有分布广、资源量巨大、密度高等特点，自20世纪60年底至今一直被许多国家重点研究，被誉为清洁、高效、储量丰富的新型清洁能源。地球物理测井（以下简称为“测井”）是水合物识别的主要信息来源之一，可以揭示水合物及伴生游离气的原位性质和评价水合物储层参数，其中水合物饱和度的估算是其核心关键任务，对于水合物甜点区的优选和后续勘探有着至关重要的作用。

现有水合物饱和度评价方法普遍沿用针对压实成岩作用的油气储层模型，如阿尔奇公式（简称：Archie）或其衍生变形、威里平均时间公式（简称：Wyllie）、多相Wood方程等，对具有“弱胶结、细粒度、低孔径”未成岩特征的海底含水合物沉积物，上述饱和度计算模型估算结果往往与实际情况存在较大差异，难以满足水合物高效勘探开发需求。显然，上述模型不适用于水合物饱和度计算主要源于地质沉积特征的显著差异，给水合物饱和度评价和甜点预测带来了巨大挑战，因此，亟需发展新的、科学有效的水合物饱和度估算方法。

发明内容

本发明针对现有技术存在的等上述问题，提供一种天然气水合物饱和度声电测井联合智能反演方法及系统，能够快速、准确地预测天然气水合物饱和度，降低了解释结果的不确定性。

本发明第一方面，提供了一种天然气水合物饱和度声电测井联合智能反演方法，其具体步骤为：

S1、根据天然气水合物储层的文献调研结果，构建理论储层模型，确定储层物性参数；

S2、基于声学多尺度岩石物理模型对理论储层模型进行正演模拟，得到理论储层模型的声学参数；

S3、基于电阻率三相物理模型对理论储层模型进行正演模拟，得到理论储层模型的电阻率；

S4、以声学参数和电阻率为输入、以天然气水合物饱和度为输出构建深度残差网络模型，根据步骤S2得到的声学参数和步骤S3得到的电阻率建立训练集，将训练集输入深度残差网络模型中进行训练得到训练后的深度残差网络模型；

S5、根据目标工区储层的声学参数和电阻率构建待测试集，将待测试集输入至训练后的深度残差网络模型中进行迁移学习，得到目标工区储层的天然气水合物饱和度。

在一些实施例中，所述步骤S3中，所述电阻率三相物理模型包括孔隙填充水合物的电阻率三相物理模型和胶结水合物的电阻率三相物理模型，其中：所述孔隙填充水合物的电阻率三相物理模型表示为：

其中：

式中，

所述胶结水合物的电阻率三相物理模型表示为：

式中，

在一些实施例中，所述孔隙填充水合物的电阻率三相物理模型的构建方法为：

对于孔隙填充水合物，水合物颗粒相当于孔隙流体中的孤立颗粒，将水合物颗粒与固体颗粒等效为一种颗粒，这种颗粒的等效电阻率表示为：

则将三相介质转化为两相介质，得到孔隙填充水合物的电阻率上限

定义电流偏离比例为

结合电导率与电阻率的反比关系，将孔隙填充水合物的电阻率上限和最大几何等效电阻率的表达式代入两相介质的真实电导率的表达式，得到孔隙填充水合物沉积物的真实电阻率表示为：

所述孔隙填充水合物沉积物的真实电阻率的表达式即为所述孔隙填充水合物的电阻率三相物理模型。

在一些实施例中，所述胶结水合物的电阻率三相物理模型的构建方法为：

对于胶结水合物，水合物颗粒堵塞相邻孔隙之间的连接，含水合物沉积物中只存在固体颗粒和水合物颗粒两相介质，即水合物颗粒代替了孔隙流体，则两相介质的电阻率上限

其中：

式中，

定义电流偏离比例为

结合电导率与电阻率的反比关系，将两相介质的电阻率上限和两相介质的电阻率下限的表达式代入两相介质的真实电导率的表达式，得到两相介质的等效电阻率表示为：

将孔隙水随机添加到水合物与固体颗粒组成的两相介质中，电流直接流经孔隙水，即流体相完全隔离，固体相全部连接，此时，Hashin-Shtrikman电导率下边界

式中，

结合电导率与电阻率的反比关系及胶结水合物固体相电导率

所述胶结型水合物沉积物的真实电阻率的表达式即为所述胶结型水合物的电阻率三相物理模型。

在一些实施例中，所述步骤S4中，所述深度残差网络模型通过短路的连接方式，直接把输入传到输出作为初始结果，输出结果表示为：

式中，

在一些实施例中，所述步骤S4中，所述深度残差网络模型采用ResNet-18网络结构，在卷积层与激活层之间放置BN层，在卷积层的残差结构中采用ReLU函数作为激活函数。

在一些实施例中，所述步骤S2中，所述声学多尺度岩石物理模型的构建方法为：

S21、将喷射流模型加入到Kuster-Toksöz模型中，计算水合物颗粒的等效体积模量和水合物等效剪切模量；

S22、根据Wood公式计算含水合物沉积物的孔隙流体的等效体积模量和等效剪切模量分别表示为：

式中，

根据Hill平均方程计算固体相的等效体积模量和等效剪切模量表示为：

式中，

S23、将步骤S21得到的水合物颗粒的等效体积模量和等效剪切模量代入胶结砂岩模型中，得到接触胶结水合物的干岩石骨架体积模量和干岩石骨架剪切模量；将石英颗粒的体积模量和剪切模量代入胶结砂岩模型中，得到颗粒涂层水合物的干岩石骨架体积模量和干岩石骨架剪切模量；将步骤S22得到的固体相的体积模量和剪切模量代入Hashin-Shtrikman模型，得到颗粒支撑水合物的干岩石骨架体积模量和干岩石骨架剪切模量；将石英颗粒的体积模量和剪切模量代入Hashin-Shtrikman模型中，得到孔隙填充水合物的干岩石骨架体积模量和干岩石骨架剪切模量；

S24、联合步骤S22中得到的孔隙流体的体积模量和剪切模量以及步骤S23中得到的干岩石骨架的体积模量和剪切模量，根据Biot-Rayleigh双孔理论模型，得到接触胶结水合物、颗粒涂层水合物、颗粒支撑水合物、孔隙填充水合物四种不同赋存形态的含水合物沉积物的声波速度和声波衰减，即声学多尺度岩石物理模型。

在一些实施例中，在所述步骤S24中：

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的接触胶结水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到接触胶结水合物沉积物的声波速度和声波衰减；

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的颗粒涂层水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到颗粒涂层水合物沉积物的声波速度和声波衰减；

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的颗粒支撑水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到颗粒支撑水合物沉积物的声波速度和声波衰减；

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的孔隙填充水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到孔隙填充水合物沉积物的声波速度和声波衰减。

在一些实施例中，所述Biot-Rayleigh双孔理论模型的波动方程为：

式中，

根据平面波分析法求解上式，带入平面纵波的解析解，得到：

其中，

则声波速度和声波衰减的计算公式表示为：

其中，

本发明第二方面，提供了一种天然气水合物饱和度声电测井联合智能反演系统，用于实现本发明第一方面所述天然气水合物饱和度声电测井联合智能反演方法，所述系统包括：

数据获取模块，用于获取天然气水合物储层的文献调研结果以及目标工区储层的声学参数和电阻率；

储层模型生成模块，用于根据天然气水合物储层的文献调研结果生成理论储层模型；

参数确定模块，用于确定储层物性参数；

声学参数计算模块，基于声学多尺度岩石物理模型对理论储层模型进行正演模拟，得到理论储层模型的声学参数；

电阻率计算模块，基于电阻率三相物理模型对理论储层模型进行正演模拟，得到理论储层模型的电阻率；

数据集生成模块，根据声学参数计算模块得到的声学参数和电阻率计算模块得到的电阻率生成训练集，并将目标工区储层的声学参数和电阻率进行迁移学习得到待测试集；

模型生成及训练模块，用于以声学参数和电阻率为输入、以天然气水合物饱和度为输出生成深度残差网络模型，并根据训练集训练深度残差网络模型得到训练后深度残差网络模型；

饱和度计算模块，通过训练后深度残差网络模型对待测试集进行迁移学习，得到目标工区储层的天然气水合物饱和度。

与现有技术相比，本发明的优点和积极效果在于：

（1）本发明天然气水合物饱和度声电测井联合智能反演方法及系统，联合声学与电学两种属性的测井参数构建深度残差网络模型，通过深度残差网络模型反演计算天然气水合物饱和度，相较于现有基于固结成岩的传统油气储层饱和度模型，即可以利用声波和电阻率测井数据相互约束，还可以提高反演计算天然气水合物饱和度的精度及方法的鲁棒性，降低了解释结果的不确定性。

（2）本发明天然气水合物饱和度声电测井联合智能反演方法及系统，提供的声学多尺度岩石物理模型考虑了四种不同的水合物赋存形态，整合了喷射流模型和Biot-Rayleigh双孔理论模型，与实际含天然气水合物沉积物储层赋存形态一致，能够精确描述不同赋存形态的含天然气水合物沉积物的水合物饱和度的声学相应规律，为深度残差网络模型提供声学响应的训练集数据。

（3）本发明提供的天然气水合物饱和度声电测井联合智能反演方法及系统，避免了通过水合物原位岩石物理实验构建饱和度解释模型的困难，且随着水合物的勘探开发深入，测量数据的增加，本发明天然气水合物饱和度声电测井联合智能反演方法及系统构建的深度残差网络模型预测水合物饱和度更加准确。

附图说明

图1为本发明实施例所述天然气水合物饱和度声电测井联合智能反演方法的流程图；

图2为本发明实施例构建的10层层状天然气水合物理论储层模型示意图；

图3为本发明实施例所述天然气水合物饱和度声电测井联合智能反演系统的结构框图；

图4为本发明实施例计算得到的声波速度随天然气水合物饱和度的变化曲线图；

图5为本发明实施例计算得到的声波衰减随天然气水合物饱和度的变化曲线图；

图6为本发明实施例电阻率三相物理模型的理论模拟结果与实验结果对比图；

图7为本发明实施例本发明构建的深度残差网络模型结构示意图；

图8为本发明实施例ReLU函数及其导数图像示意图；

图9为本发明实施例采用本发明构建的深度残差网络模型对孔隙填充型的理论水合物储层的天然气水合物饱和度反演结果示意图；

图10为本发明实施例采用本发明构建的深度残差网络模型对颗粒支撑型的理论水合物储层的天然气水合物饱和度反演结果示意图；

图11为本发明实施例采用本发明构建的深度残差网络模型对接触胶结型的理论水合物储层的天然气水合物饱和度反演结果示意图；

图12为本发明实施例采用本发明构建的深度残差网络模型对颗粒涂层型的理论水合物储层的天然气水合物饱和度反演结果示意图；

图13为本发明实施例采用本发明构建的深度残差网络模型、单一声波和单一电阻率预测A井的天然水合物饱和度结果示意图；

图14为本发明实施例采用本发明构建的深度残差网络模型与现有人工神经网络（ANN）和卷积神经网络（CNN）预测A井的天然水合物饱和度结果示意图。

图中，1、数据获取模块，2、储层模型生成模块，3、参数确定模块，4、声学参数计算模块，5、电阻率计算模块，6、数据集生成模块，7、模型生成及训练模块，8、饱和度计算模块，9、最大池化层，10、全局平均池化层，11、全连接层。

具体实施方式

下面，结合附图通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。

现有天然气水合物饱和度评价解释技术存在两个难题：一、基于传统固结岩石的油气评价模型，与水合物实际地址特征不符，导致估算水合物饱和度与实际情况存在明显偏差；二、利用单一声波或单一电阻率测井数据，容易出现水合物饱和度解释的不确定性。为此，本发明提供了一种天然气水合物饱和度声电测井联合智能反演方法及系统，联合声学与电学两种属性的测井参数构建深度残差网络模型，通过深度残差网络模型反演计算天然气水合物饱和度，能够快速、准确地预测天然气水合物饱和度，降低了解释结果的不确定性。以下结合附图对本发明上述天然气水合物饱和度声电测井联合智能反演方法及系统进行详细说明。

参见图1，本发明第一方面实施例实施例提供了一种天然气水合物饱和度声电测井联合智能反演方法，其具体步骤为：

S1、根据天然气水合物储层的文献调研结果，构建理论储层模型，确定储层物性参数，所述储层物性参数包括孔隙度、渗透率、水合物饱和度。

具体地，通过对重点海域的调研，总结出了储层深度、储层厚度以及储层物性参数的主要变化范围。需要说明的是，调研的天然气水合物重点不限于上述三个海域，可根据实际需求进行选择。

根据文献调研结果，本发明一些实施例中，给定了10层的层状天然气水合物储层模型（参见图2），其中储层深度变化范围设置为200~300 mbsf（中文：海底以下深度，英文：meter below seafloor），厚度变化范围设置为5~15 m，储层中含水合物沉积物的矿物成分为石英，渗透率设置为100 mD，孔隙度变化范围设置为0.3~0.6，天然气水合物饱和度变化范围设置为30%~60%，具体各层的参数取值如表1所示。

表1

S2、基于声学多尺度岩石物理模型对理论储层模型进行正演模拟，得到理论储层模型的声学参数，所述声学参数包括理论储层模型的声波速度和声波衰减。

具体地，所述声学多尺度岩石物理模型的构建方法为：

S21、将喷射流模型加入到Kuster-Toksöz模型中，计算水合物颗粒的等效体积模量和水合物等效剪切模量。

具体地，所述喷射流模型表示为：

式中，

将喷射流模型加入到Kuster-Toksöz模型中，计算得到水合物颗粒的等效体积模量和等效剪切模量表示为：

其中：

式中，

S22、根据wood公式计算含水合物沉积物的孔隙流体的等效体积模量和等效剪切模量分别表示为：

式中，

根据Hill平均方程计算固体相的等效体积模量和等效剪切模量表示为：

式中，

S23、将步骤S21得到的水合物颗粒的等效体积模量和等效剪切模量代入胶结砂岩模型中，得到接触胶结水合物的干岩石骨架体积模量和干岩石骨架剪切模量；将石英颗粒的体积模量和剪切模量代入胶结砂岩模型中，得到颗粒涂层水合物的干岩石骨架体积模量和干岩石骨架剪切模量；将步骤S22得到的固体相的体积模量和剪切模量代入Hashin-Shtrikman模型，得到颗粒支撑水合物的干岩石骨架体积模量和干岩石骨架剪切模量；将石英颗粒的体积模量和剪切模量代入Hashin-Shtrikman模型中，得到孔隙填充水合物的干岩石骨架体积模量和干岩石骨架剪切模量。

具体地，基于胶结砂岩模型得到干岩石骨架的体积模量和干岩石骨架的剪切模量表示为：

式中，

当孔隙度小于临界孔隙度时，所述Hashin-Shtrikman模型表示为：

当孔隙度大于等于临界孔隙度时，所述Hashin-Shtrikman模型表示为：

其中：

式中，

S24、联合步骤S22中得到的孔隙流体的体积模量和剪切模量以及步骤S23中得到的干岩石骨架的体积模量和剪切模量，根据Biot-Rayleigh双孔理论模型，得到接触胶结水合物、颗粒涂层水合物、颗粒支撑水合物、孔隙填充水合物四种不同赋存形态的含水合物沉积物的声波速度和声波衰减，即声学多尺度岩石物理模型。

具体地，将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的接触胶结水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到接触胶结水合物沉积物的声波速度和声波衰减。

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的颗粒涂层水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到颗粒涂层水合物沉积物的声波速度和声波衰减。

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的颗粒支撑水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到颗粒支撑水合物沉积物的声波速度和声波衰减。

将步骤S22得到的孔隙流体的体积模量和剪切模量以及步骤S23得到的孔隙填充水合物的干岩石骨架体积模量和干岩石骨架剪切模量代入Biot-Rayleigh双孔理论模型，得到孔隙填充水合物沉积物的声波速度和声波衰减。

具体地，所述Biot-Rayleigh双孔理论模型的波动方程为：

式中，

根据平面波分析法求解上式，带入平面纵波的解析解，得到：

其中，

则声波速度和声波衰减的计算公式表示为：

其中，

需要说明的是，天然气水合物在沉积物中以不同的赋存形态存在。当水合物是孔隙流体的一部分时，它被添加到流体相中，形成孔隙填充水合物。当水合物是固体颗粒时，它被添加到固体基质中，形成颗粒支撑水合物。另外，水合物被当作胶结物，通过胶结砂岩理论中两种不同的胶结方式来计算干岩石骨架的弹性模量，形成接触胶结水合物或颗粒涂层水合物。

为了验证上述方法构建的声学多尺度岩石物理模型对于含天然气水合物沉积物的水合物不同赋存形态的预测能力，利用本发明实施例提供的上述声学多尺度岩石物理模型，选取了表2所示的声学多尺度岩石物理模型输入参数和表3所示的含水合物沉积物各组分弹性参数，计算得到声波速度随水合物饱和度的变化曲线（参见图4）和声波衰减随水合物饱和度的变化曲线（参见图5）。

表2

表3

图4、图5中的实验数据使用了“过量水”和“过量气”两种方法生成固体水合物，在砂岩岩样中测量了等效压力为500 KPa、频率为200 Hz下的声波速度和声波衰减。在“过量水”条件下，连续注入的水与一定量的甲烷气发生反应，生成少量不与颗粒接触的水合物，即孔隙填充水合物。在“过量气”条件下，注入大量的气与水反应，在颗粒接触处或颗粒表面形成气体水合物。通过对实验数据和模拟数据的比较，发现孔隙填充型的声波速度与实验数据的变化趋势吻合很好，准确率为97%，相对误差为2.3%，能够大致预测声波衰减峰值，如图4、图5所示。而颗粒涂层型的声波速度与实验数据吻合度很好，准确率为92%，相对误差为4.2%，但声波衰减峰值匹配较差。这是因为“过量气”方法生成的水合物是颗粒涂层、接触胶结和颗粒支撑的混合形态。此外，该声波多尺度岩石物理模型能捕捉测量到的声波速度和声波衰减随水合物饱和度的变化趋势，特别是在水合物饱和度为0%-40%的范围内。总之，基于本发明建立的声学多尺度岩石物理的数值模拟结果与实验数据的对比分析显示了两种结果良好的一致性，也说明本发明建立的声学多尺度岩石物理模型可以表征孔隙填充、颗粒支撑、接触胶结及颗粒涂层四种水合物赋存形态下的声学响应特征，为之后所需声学响应训练集提供了基础。

S3、基于电阻率三相物理模型对理论储层模型进行正演模拟，得到理论储层模型的电阻率。

具体地，所述电阻率三相物理模型包括孔隙填充水合物的电阻率三相物理模型和胶结水合物的电阻率三相物理模型，其中：

所述孔隙填充水合物的电阻率三相物理模型表示为：

其中：

式中，

所述胶结水合物的电阻率三相物理模型表示为：

式中，

在一些实施例中，所述孔隙填充水合物的电阻率三相物理模型的构建方法为：

对于孔隙填充水合物，水合物颗粒相当于孔隙流体中的孤立颗粒，将水合物颗粒与固体颗粒等效为一种颗粒，这种颗粒的等效电阻率表示为：

则将三相介质转化为两相介质，得到孔隙填充水合物的电阻率上限

定义电流偏离比例为F，F=(1-ϕ)，根据电流偏离比例F、Hashin-Shtrikman电导率上边界

需要说明的是，上述两相介质的真实电导率的表达式中，在流体相占比100%的情况下，真实电导率

结合电导率与电阻率的反比关系，将孔隙填充水合物的电阻率上限和最大几何等效电阻率的表达式代入两相介质的真实电导率的表达式，得到孔隙填充水合物沉积物的真实电阻率表示为：

所述孔隙填充水合物沉积物的真实电阻率的表达式即为所述孔隙填充水合物的电阻率三相物理模型。

在一些实施例中，所述胶结水合物的电阻率三相物理模型的构建方法为：

对于胶结水合物，水合物颗粒堵塞相邻孔隙之间的连接，含水合物沉积物中只存在固体颗粒和水合物颗粒两相介质，因水合物颗粒的电阻率远远小于固体颗粒的电阻率，电流会优先流经水合物，即水合物颗粒代替了孔隙流体，则两相介质的电阻率上限和电阻率下限分别表示为：

其中：

式中，

定义电流偏离比例为

结合电导率与电阻率的反比关系，将两相介质的电阻率上限和两相介质的电阻率下限的表达式代入两相介质的真实电导率的表达式，得到两相介质的等效电阻率表示为：

将孔隙水随机添加到水合物与固体颗粒组成的两相介质中，电流直接流经孔隙水，而不是绕过，即流体相完全隔离，固体相全部连接，此时，Hashin-Shtrikman电导率下边界

式中，

结合电导率与电阻率的反比关系及胶结水合物固体相电导率

所述胶结型水合物沉积物的真实电阻率的表达式即为所述胶结型水合物的电阻率三相物理模型。

为了验证本发明提供的电阻率三相岩石物理模型的表现和性能，对比了电阻率三相岩石物理模型的数值模拟结果与含水合物沉积物的电阻率实验数据以及常规的阿尔奇公式的效果（参见图6所示）。在计算中使用表4所示的模型输入参数，模型中孔隙水电阻率设置为0.1Ω·m，沉积物矿物组分为石英颗粒，电阻率为1×106Ω·m，水合物颗粒的电阻率为5000Ω·m，孔隙水的电阻率初始值设置为0.1Ω·m，其在0.02~20.1Ω·m的范围内变化。

表4

从图6中可以看出，电阻率三相岩石物理模型在孔隙填充模型方面的表现相对较好，与孔隙填充水合物的数字岩心实验数据拟合度较高，准确率达到98%。这表明本发明建立的电阻率三相岩石物理模型能够准确地模拟孔隙填充水合物的电阻率响应规律。此外，胶结模型相对于颗粒包裹水合物的数字岩心实验数据拟合度较好，准确率达到96%，提供了一个更加准确地描述胶结水合物电学特性的模型。然而，阿尔奇公式的经验参数需要进行校正，尽管其在孔隙填充水合物方面的拟合效果较好，但其在胶结水合物方面的变化规律并不符合阿尔齐现象，这也进一步论证了适用于固结纯岩石的阿尔奇公式饱和度模型无法适用于“弱胶结、细粒度、低孔径”未成岩特征的海底含水合物沉积物的含水合物饱和度计算。

S4、构建深度残差网络模型，根据步骤S2得到的声学参数和步骤S3得到的电阻率建立训练集，将训练集输入深度残差网络模型中进行训练得到训练后深度残差网络模型。

在一些实施例中，所述深度残差网络模型采用ResNet-18网络结构（参见图7），所述ResNet-18网络结构包括三个主要部分：输入部分、输出部分和中间卷积部分。整个运算流程分为以下几个步骤：（1）数据进入深度残差网络后先进入输入部分，包括1个卷积层、1个BN层、ReLU激活函数以及最大池化层，实现数据的特征提取和降维；（2）随后进入中间的卷积部分，包括4个卷积层，每个卷积层由2个残差结构构成，通过多次特征提取和深层次学习，实现对数据更加复杂的特征提取和表示；（3）最后数据经过一个全局平均池化层和全连接层输出得到结果。其中，全局平均池化层能够有效地减少过拟合的风险，保证网络的稳定性和泛化性能。深度残差网络和其他卷积神经网络的差异主要在4个卷积层中的残差结构，这种结构通过短路的连接方式，直接把输入

其中，

ResNet-18网络结构将学习目标从一个完整的输出变成了残差

在一些实施例中，在卷积层的残差结构中采用ReLU函数作为激活函数。ReLU函数是一种非线性激活函数，能够有效拟合复杂的函数关系，相较于Sigmoid函数，其计算量相对较小。如图8所示，ReLU函数在负半区的导数为0，使得神经网络具有良好的稀疏性，计算速度快，缓解了过拟合问题的发生。

在一些实施例中，在卷积层与激活层之间放置BN层，即“批归一化”，公式如下：

其中，

S5、根据目标工区储层的声学参数和电阻率构建待测试集，将待测试集输入至训练后深度残差网络模型进行迁移学习，得到目标工区储层的天然气水合物饱和度。

需要说明的是，所述迁移学习解决由于训练集数据与目标储层数据（即待测试集数据）的特征空间不同而带来的问题。具体来说，利用迁移学习将训练集中的知识应用于目标储层数据，并尽可能减小两者之间的距离。在此过程中，将训练集称为源域，目标储层数据称为目标域。为了实现这一目标，采用迁移成分分析（简称：TCA）方法，TCA方法是一种最常见的迁移学习方法。通过使用矩阵变换，TCA方法能够在源域和目标域之间进行知识转移，并最小化它们之间的距离，以确保在目标域中获得最佳性能。

本发明上述天然气水合物饱和度声电测井联合智能反演方法，考虑了四种不同的赋存形态，联合了声-电两种储层测井参数构建深度残差网络模型，通过深度残差网络进行反演得到天然气水合物饱和度。相比现有反演方法，声-电联合反演结合了声学数据和电学两种物理性质的测井数据，能够同时反映岩性变化和流体状态，避免了单一属性数据反演计算多解性强的问题，提高了水合物饱和度的计算精度。

本发明第二方面实施例，提供了一种天然气水合物饱和度声电测井联合智能反演系统，用于实现本发明第一方面实施例所述天然气水合物饱和度声电测井联合智能反演方法，包括：

数据获取模块1，用于获取天然气水合物储层的文献调研结果以及目标工区储层的声学参数和电阻率；

储层模型生成模块2，用于根据天然气水合物储层的文献调研结果生成理论储层模型；

参数确定模块3，用于确定储层物性参数；所述储层物性参数包括孔隙度、水合物饱和度、渗透率；

声学参数计算模块4，基于声学多尺度岩石物理模型对理论储层模型进行正演模拟，得到理论储层模型的声学参数；所述声学参数包括声波速度和声波衰减；

电阻率计算模块5，基于电阻率三相物理模型对理论储层模型进行正演模拟，得到理论储层模型的电阻率；

数据集生成模块6，根据声学参数计算模块得到的声学参数和电阻率计算模块得到的电阻率生成训练集，并将目标工区储层的声学参数和电阻率进行迁移学习得到待测试集；

模型生成及训练模块7，用于以声学参数和电阻率为输入、以天然气水合物饱和度为输出生成深度残差网络模型，并根据训练集训练深度残差网络模型得到训练后深度残差网络模型；

饱和度计算模块8，通过训练后深度残差网络模型预测待测试集得到目标工区储层的，得到目标工区储层的天然气水合物饱和度。

其中，声学多尺度岩石物理模型、电阻率三相物理模型的构建方法同本发明第一方面实施例所述天然气水合物饱和度声电测井联合智能反演方法，此处不再赘述。

本发明上述天然气水合物饱和度声电测井联合智能反演系统，考虑了四种不同的赋存形态，联合了声-电两种储层测井参数构建深度残差网络模型，通过深度残差网络进行反演得到天然气水合物饱和度。相比现有反演方法，声-电联合反演结合了声学数据和电学两种物理性质的测井数据，能够同时反映岩性变化和流体状态，避免了单一属性数据反演计算多解性强的问题，提高了水合物饱和度的计算精度。

以下结合具体实施例对本发明上述天然气水合物饱和度声电测井联合智能反演的有效性进行说明。

图9至图12显示了孔隙填充型、颗粒支撑型、接触胶结型、颗粒涂层型的理论水合物储层的天然气水合物饱和度反演结果。对比分析不同水合物赋存形态的反演结果，得出以下结论：（1）本发明上述方法和系统（以下简称：声电联合）反演天然气水合物饱和度结合了声学数据和电学数据的优势，能够同时反映岩性变化和流体状态，克服了单一属性数据反演的不足，提高了天然气水合物饱和度的反演精度。（2）不同水合物赋存形态的模拟结果显示声电联合反演天然气水合物饱和度的精确性也受到水合物赋存形态的影响。在孔隙填充型水合物赋存形态中，声电联合反演的天然气水合物饱和度的精度相对较高，能够准确地反演水合物饱和度。但在颗粒支撑型和接触胶结型水合物赋存形态中，声波在颗粒和基质之间发生反射和透射，容易出现波形变形和模拟不准确的情况，因此反演的天然气水合物饱和度精度相对较低。在颗粒涂层型水合物赋存形态中声电联合反演的天然气水合物饱和度的精度与孔隙填充型相当，但要比颗粒支撑型和接触胶结型略高一些。

表5

表6

表7

根据表5可以看出，孔隙填充水合物的单一声学数据反演精度可以达到92.9%，但其他三种赋存形态的反演精度不到81%。表6显示，孔隙填充水合物和胶结水合物的单一电阻率反演精度分别为83.2%和85.6%。在表7中，对于孔隙填充水合物，声-电联合的反演精度相较于单一声学数据反演提高了0.3%，相较于单一电阻率反演提高了10%。对于颗粒支撑水合物，声-电联合的反演精度相较于单一声学数据反演提高了10.5%；对于接触胶结水合物，声-电联合的反演精度相较于单一声学数据反演提高了7.4%；对于颗粒涂层水合物，声-电联合的反演精度相较于单一声学数据反演提高了6.8%。与单一电阻率反演结果相比，声-电联合反演精度也有所提升。

图8展示了A井的天然气水合物饱和度反演效果。可以看出，本发明上述天然气水合物饱和度声电测井联合智能反演方法及系统得到的天然气水合物饱和度与实际岩心测量结果数据相吻合，进一步验证了本发明提供的天然气水合物饱和度声电测井联合智能反演方法及系统可靠且适用于“弱胶结、细粒度、低孔径”的未成岩特征的海底含天然气水合物沉积物饱和度。

同时，为了证明本发明建立的深度残差网络模型（以下称为：ResNet-18）的优越性，分别选用人工神经网络（以下称为：ANN）和卷积神经网络（以下称为：CNN）分别对A井的天然气水合物饱和度进行计算，从图9中可以看出，本发明建立的深度残差网络模型在天然气水合物饱和度峰值的预测效果更好。表8展示了ANN、CNN以及ResNet-18对A井天然气水合物饱和度的反演精度和误差，由表8可以看出，ResNet-18的精度更高，误差更小。

表8

上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。