致密砂岩储层孔隙度时序预测方法、装置、设备及介质与流程

本技术涉及勘探地球物理处理、解释领域和人工智能领域，具体地涉及一种过程可监控的致密砂岩储层孔隙度智能时序预测方法、装置、电子设备及存储介质。

背景技术：

1、传统的储层物性参数预测的方法主要可以分为两种：一种是基于取心、岩心岩屑分析等实验方法的直接测定法，另一种是间接解释法，结合地震、测井采集数据进行预测，如经验公式、回归分析等。地震储层预测技术主要有地震属性分析技术、地震反演技术和avo技术。

2、传统方法中，常采用简单的经验公式或提取一种或几种地震属性做交会进行直接求解，但是由于它们是一种纯数学方法，没有考虑储层参数的相关性和空间的连续性，储层性质与测井曲线之间关系并非一一对应，使预测结果存在多解性较强的问题。地震反演技术能够基于地震数据获得储层的弹性参数进而建立弹性参数与储层物性参数之间的关系。这种方法往往受限于计算机存储空间和算力限制，需要对反演方程进行简化，降低反演结果的精度。同时，基于模型的反演普遍需要满足假设条件，限制了方法的适用范围。

3、利用智能方法进行储层预测相关研究还处于起步阶段。一种思路是利用智能方法对多种地震属性进行融合。印兴耀等利用核函数将7种沿层地震属性映射到凸显属性之间差异的高维特征空间，再进行模糊c均值聚类较为准确地刻画出生物礁相碳酸盐岩含气储层的边界。李芳等基于模糊逻辑融合优选的4种对砂岩变化敏感的地震属性，提高了油气藏分布预测的精度和可靠性。zhang等融合地震属性，纹理属性和测井数据作为输入，提出一种基于随机森林的岩相流体预测流程。徐鹏程等利用多种地震属性和储层期望线性回归方法初步预测的油藏分布预训练卷积神经网络，之后利用测井解释的油藏分布信息微调模型，实现油藏分布的高分辨率预测。

4、另一种思路是利用智能方法对复杂非线性关系的强大刻画能力，直接建立井震资料与含气信息的映射。蔡煜东等运用典型的“反向传播”人工神经网络模型，综合井震多种信息进行油气预测与产油能力分类，并将其运用到四川观音场构造的碳酸盐岩储层进行实例分析，取得了良好应用效果。lee等利用som方法融合井震信息，实现聚类并自动标注样本，提出了一种基于半监督学习的地震岩相、流体分类工作流程。alfarraj和alregib循环神经网络从地震数据中预测岩石物理性质，展示了这种方法在储层刻画中的潜力。song等利用k近邻算法提取井震融合的智能属性，提出了一种原理简单，可解释性较好的致密砂岩储层含气预测方法。

5、智能方法在应用于致密砂岩储层预测问题上的一个主要限制是小样本问题。为解决储层预测的小样本问题，林年添等提出一套适用于小样本或极小样本条件下地震油气储层预测的卷积神经网络框架。ao等将传统输出岩相的分析方法和地质统计插值技术合理联合，提出一种样本收集策略。为利用随机森林等机器学习方法进行地震解释提供更多的可靠样本。并证明了这种策略在岩性和砂体含量预测中的有效性。刘力辉等采用测井曲线对井旁地震道进行岩相解释得到测井岩性曲线，并从构建的相控岩相插值模型均匀抽取伪井曲线进行数据增强，避免某些岩性地层的代表性样本没有参与网络学习而导致模型预测精度不高。gao等利用工区岩石物理参数制作数值模型生成合成样本预训练深度卷积网络，在利用实际样本迁移以实现网络的精调，在实际应用中取得良好效果。

6、综上可见，现有技术中存在难以考虑储层参数的地质意义，难以刻画地震数据和储层参数之间的复杂非线性关系，引入智能方法尚处于起步阶段，难以获得足够的训练样本等问题。

技术实现思路

1、有鉴于此，本技术提供一种过程可监控的致密砂岩储层孔隙度智能时序预测方法、装置、电子设备及存储介质，利用双向门控循环神经网络(bidirectional-gatedrecurrent units，bi-grus)建立测井解释得到的孔隙度曲线与井旁道叠前地震记录之间的关系映射，基于叠前地震数据实现致密砂岩储层孔隙度预测的方法，同时在预测过程中输出bi-grus不同深度网络的中间特征，输入k近邻(k nearest neighbors，knn)算法同步进行孔隙度预测，实现对bi-grus特征提取过程的监控。

2、本技术通过结合bi-grus网络和knn算法的优势，挖掘叠前地震记录与储层孔隙度之间的复杂非线性关系，实现基于叠前地震记录的致密砂岩储层孔隙度高精度预测。并利用knn算法实现对bi-grus网络提取储层敏感特征过程的监控，防止网络在特征提取过程中片面实现数据在标签域的“逼近”而导致信息量的过度损失，增加预测效果的物理可解释性和可靠性。一定程度上缓解了神经网络类方法“黑箱”问题。bi-grus网络和knn算法分别产生多个孔隙度预测结果，是针对同一地质目标不同角度的预测，基于集成学习的思想，使致密砂岩储层孔隙度预测结果更加精确稳定。

3、第一方面，本技术实施例提供了一种过程可监控的致密砂岩储层孔隙度智能时序预测方法，包括：

4、获取数据：获取叠前地震记录；

5、生成训练集和待预测数据：对所述叠前地震记录进行数据处理，生成训练集和待预测数据；

6、训练模型：基于所述训练集分别对bi-grus网络和knn算法进行训练，得到训练bi-grus网络和训练knn算法；

7、bi-grus预测：将所述待预测数据输入训练bi-grus网络得到bi-grus预测结果，同时得到不同深度网络中间特征；

8、knn预测与监控：将所述不同深度网络中间特征输入到训练knn算法中,得到多个中间特征预测结果，并对所述多个中间特征预测结果中基于不同深度中间特征的预测结果进行横向比较，实现对bi-grus特征提取过程的监控；

9、结果集成：集成所述bi-grus预测结果和所述多个中间特征预测结果，综合分析得到孔隙度预测最终结果。

10、在一种可能的实现方式中，生成训练集的步骤包括：

11、数据预处理：对所述叠前地震数据进行精细化预处理；

12、测井数据处理：利用声波测井曲线和密度测井曲线进行井震匹配，将测井数据由深度域转换到时间域，并按地震资料采样间隔进行重采样，得到地下采样点对应的测井孔隙度曲线值；

13、得到训练集，以地下采样点对应的测井孔隙度曲线值作为采样点的标签，利用以采样点为中心的时窗分割井旁道地震记录得到训练集。

14、在一种可能的实现方式中，所述时窗的高为一个地震子波长度，所述时窗的宽为单个共深度点道集中包含的角度道集数。

15、在一种可能的实现方式中，对bi-grus网络进行训练时，所述训练集输入时要保持样本的时序特征。

16、在一种可能的实现方式中，对knn算法进行训练时，将所述训练集中的训练数据和所述标签成对储存起来作为训练样本库。

17、在一种可能的实现方式中，生成待预测数据时，利用所述时窗在所述叠前地震记录上滑动生成待预测数据。

18、在一种可能的实现方式中，所述bi-grus预测过程中，将所述待预测数据顺序输入所述训练bi-grus网络中，得到所述bi-grus预测结果；所述bi-grus预测结果与所述时窗的高等长。

19、第二方面，本技术实施例提供了一种过程可监控的致密砂岩储层孔隙度智能时序预测装置，其特征在于，包括：

20、数据获取模块：用于获取叠前地震记录；

21、训练集和待预测数据生成模块：用于对所述叠前地震记录进行数据处理，生成训练集和待预测数据；

22、模型训练模块：用于基于所述训练集分别对bi-grus网络和knn算法进行训练，得到训练bi-grus网络和训练knn算法；

23、bi-grus预测模块：用于将所述待预测数据输入训练bi-grus网络得到bi-grus预测结果，同时得到不同深度网络中间特征；

24、knn预测与监控模块：用于将所述不同深度网络中间特征输入到训练knn算法中,得到多个中间特征预测结果，并对所述多个中间特征预测结果中基于不同深度中间特征的预测结果进行横向比较，实现对bi-grus特征提取过程的监控；

25、结果集成模块：用于集成所述bi-grus预测结果和所述多个中间特征预测结果，综合分析得到孔隙度预测最终结果。

26、第三方面，本技术实施例提供了一种电子设备，其特征在于，包括：

27、处理器；

28、存储器；

29、以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述处理器执行时，使得所述电子设备执行第一方面中任意一项所述的方法。

30、第四方面，本技术实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面中任意一项所述的方法。

31、本技术给出了利用bi-grus网络考虑序列特征基于叠前地震数据进行致密砂岩储层孔隙度预测的思路，其中还包含将叠前地震数据处理为局部波形属性作为训练样本和待预测样本的思路。

32、本技术利用knn算法实现监控bi-grus网络特征提取过程的一系列思路。一是在bi-grus网络预测过程中输出不同深度网络中间特征输入knn算法，横向比较这些基于中间特征得到的预测结果，以保证bi-grus网络提取孔隙度敏感属性的同时，减少有效信息的损失的思路。二是本技术集成在实施过程中产生的多个孔隙度预测结果，并最终得到高精度孔隙度预测结果的思路。

33、本技术通过结合bi-grus网络和knn算法的优势，挖掘叠前地震记录与储层孔隙度之间的复杂非线性关系同时保持地震数据和孔隙度曲线的序列特征，实现基于叠前地震记录的致密砂岩储层孔隙度高精度预测。

34、本技术利用knn算法实现对bi-grus网络提取储层敏感特征过程的监控，防止网络在特征提取过程中片面实现数据在标签域的“逼近”而导致信息量的过度损失，增加预测效果的物理可解释性和可靠性。一定程度上缓解了神经网络类方法“黑箱”问题。