本發(fā)明涉及油氣田勘探領域，尤其涉及一種礫巖流體性質的識別方法、裝置及電子設備。

背景技術：

1、儲層流體性質識別是儲層評價、油藏評價等方面的重要研究內容，準確的儲層流體性質識別結果是地質勘探和開發(fā)的有效依據(jù)。目前，儲層流體性質識別完全由具備地質知識背景的作業(yè)人員手動完成，主要采用交會圖法、統(tǒng)計學方法以及核磁測井等技術方法。隨著勘探程度的不斷提高，儲層類型越來越復雜，數(shù)據(jù)量越來越大，傳統(tǒng)的識別方法精度低、效率慢而且人為因素影響太大，已不適用于廣泛應用。

2、近兩年來，人工智能技術在測井解釋領域有所應用，但大多都是應用全連接神經(jīng)網(wǎng)絡或常規(guī)卷積神經(jīng)網(wǎng)絡對巖性的識別，識別的精度和效率有待提高，并且，都存在較大的缺點和局限性。在識別精度方面：上述方法仍然按照傳統(tǒng)測井解釋作業(yè)模式，基于測井原始曲線數(shù)據(jù)識別特征變化點，誤差相對較大。在解釋效率方面：上述方法雖使測井解釋模型具備了深度學習的能力，但在處理復雜巖性測井解釋時，其解釋效率和精度都有待提高。

技術實現(xiàn)思路

1、本申請實施例通過提供了一種礫巖流體性質的識別方法、裝置及電子設備，該方法通過文本卷積神經(jīng)網(wǎng)絡模型對待識別井進行解釋分析，得到層次更豐富的特征信息，提高了解釋模型對復雜礫巖儲層流體性質識別的效率和準確度。

2、第一方面，本發(fā)明通過本發(fā)明的一實施例提供如下技術方案：

3、一種礫巖流體性質的識別方法，包括：

4、獲取待識別井的測井曲線數(shù)據(jù)；將所述測井曲線數(shù)據(jù)輸入預設的文本卷積神經(jīng)網(wǎng)絡模型，對所述待識別井的儲層流體性質進行識別，得到所述待識別井的流體性質結果圖，所述流體性質結果圖包括所述待識別井中不同類別的巖性的概率向量。

5、優(yōu)選地，所述文本卷積神經(jīng)網(wǎng)絡模型是按照以下步驟訓練得到的：獲取樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括：多個重點井的樣本測井曲線數(shù)據(jù)以及每個樣本測井曲線數(shù)據(jù)分別對應的流體性質結果圖；基于所述樣本數(shù)據(jù)，對預先構建的初始網(wǎng)絡模型進行訓練，得到所述文本卷積神經(jīng)網(wǎng)絡模型。

6、優(yōu)選地，所述多個重點井的樣本測井曲線數(shù)據(jù)是通過以下步驟得到：獲取多個重點井的測井曲線數(shù)據(jù)；基于定量識別標準對所述多個重點井進行流體性質的二次解釋，將所述二次解釋的結果作為輸入特征標簽，其中，所述定量識別標準是基于不同巖性流體性質的測井響應特征制定得到；基于所述輸入特征標簽，將所述重點井的測井曲線數(shù)據(jù)確定為樣本測井曲線數(shù)據(jù)。

7、優(yōu)選地，所述每個樣本測井曲線數(shù)據(jù)分別對應的流體性質結果圖通過以下步驟得到：針對每個樣本測井曲線數(shù)據(jù)，對樣本測井曲線數(shù)據(jù)執(zhí)行一維離散卷積，提取出所述樣本測井曲線數(shù)據(jù)的極值以及拐點，作為所述樣本測井曲線數(shù)據(jù)的潛在分層點；基于所述潛在分層點以及預設的顯著性指標，將所述樣本測井曲線數(shù)據(jù)分割為依次排列的多個曲線段，其中，每個曲線段包括對應的曲線段數(shù)據(jù)；確定多個曲線段數(shù)據(jù)對應的詞向量；將所述多個曲線段數(shù)據(jù)映射到對應的詞向量中，得到所述多個曲線段數(shù)據(jù)的詞向量矩陣；對所述詞向量矩陣進行卷積、池化，得到所述樣本測井曲線數(shù)據(jù)對應的流體性質結果圖。

8、優(yōu)選地，所述基于所述潛在分層點以及預設的顯著性指標，將所述樣本測井曲線數(shù)據(jù)分割為依次排列的多個曲線段，包括：基于所述潛在分層點，將所述樣本測井曲線數(shù)據(jù)劃分為若干單調區(qū)間段；基于預設的顯著性指標以及所述若干單調區(qū)間段，確定出所述樣本測井曲線數(shù)據(jù)內各個潛在分層段的分層點所在的深度位置，并得到所述樣本測井曲線數(shù)據(jù)的潛在儲層段劃分結果，使得將所述樣本測井曲線數(shù)據(jù)分割為依次排列的多個曲線段。

9、優(yōu)選地，所述得到所述文本卷積神經(jīng)網(wǎng)絡模型之后，還包括：獲取測試數(shù)據(jù)，所述測試數(shù)據(jù)包括：多個測試曲線數(shù)據(jù)以及與每個測試曲線數(shù)據(jù)對應的流體性質結果圖；將所述測試曲線數(shù)據(jù)輸入所述文本卷積神經(jīng)網(wǎng)絡模型，得到流體性質估計圖；根據(jù)所述測試曲線數(shù)據(jù)、所述流體性質估計圖以及預設的損失函數(shù)，確定所述流體性質結果圖與所述流體性質估計圖之間的誤差；基于所述誤差對所述文本卷積神經(jīng)網(wǎng)絡模型中的網(wǎng)絡權值參數(shù)進行優(yōu)化。

10、優(yōu)選地，所述獲取多個重點井的測井曲線數(shù)據(jù)之后，還包括：基于獲取到的所述測井曲線數(shù)據(jù)的外在影響因素，對所述測井曲線數(shù)據(jù)進行分類；對分類后的測井曲線數(shù)據(jù)進行曲線校正與歸一化處理。

11、優(yōu)選地，所述外在影響因素包括年代以及采集儀器類型。

12、第二方面，本發(fā)明通過本發(fā)明的一實施例，提供如下技術方案：

13、一種礫巖流體性質的識別裝置，包括：

14、獲取模塊，用于獲取待識別井的測井曲線數(shù)據(jù)；

15、識別模塊，用于將所述測井曲線數(shù)據(jù)輸入預設的文本卷積神經(jīng)網(wǎng)絡模型，對所述待識別井的儲層流體性質進行識別，得到所述待識別井的流體性質結果圖，所述流體性質結果圖包括所述待識別井中不同類別的巖性的概率向量。

16、第三方面，本發(fā)明通過本發(fā)明的一實施例，提供如下技術方案：

17、一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)前述第一方面中任一項所述方法的步驟。

18、本申請實施例中提供的一個或多個技術方案，至少具有如下技術效果或優(yōu)點：

19、本發(fā)明實施例提供的礫巖流體性質的識別方法，通過采集測井曲線數(shù)據(jù)，將測井曲線數(shù)據(jù)輸入進預設的文本卷積神經(jīng)網(wǎng)絡模型，將自動得到與該測井曲線數(shù)據(jù)對應的流體性質結果圖，流體性質結果圖包括待識別井中不同類別的巖性的概率向量。由于測井曲線數(shù)據(jù)的一維順序排列方式與文本類似，且根據(jù)曲線數(shù)據(jù)獲取流體性質的過程與文本語義分析過程類似，在卷積神經(jīng)網(wǎng)絡基礎上，采用文本處理所用的網(wǎng)絡結構進行測井解釋分析，能夠得到層次更豐富的特征信息。在識別精度方面，文本卷積神經(jīng)網(wǎng)絡模型能基于測井曲線數(shù)據(jù)識別特征變化點，相比于按照傳統(tǒng)測井解釋作業(yè)模式，提高了測井曲線變化特征點的識別準確度；在測井曲線數(shù)據(jù)解釋方面，解釋效率相比于一般深度學習的能力，文本卷積神經(jīng)網(wǎng)絡模型在處理復雜巖性測井解釋時，能有效地提取出測井曲線數(shù)據(jù)特征屬性，具有較高的解釋效率和精度。由此，該方法提高了解釋模型對復雜礫巖儲層流體性質識別的效率和準確度，具有準確性高、適用性強以及過程簡單等特點。

技術特征：

1.一種礫巖流體性質的識別方法，其特征在于，包括：

2.如權利要求1所述的識別方法，其特征在于，所述文本卷積神經(jīng)網(wǎng)絡模型是按照以下步驟訓練得到的：

3.如權利要求2所述的識別方法，其特征在于，所述多個重點井的樣本測井曲線數(shù)據(jù)是通過以下步驟得到：

4.如權利要求2所述的識別方法，其特征在于，所述每個樣本測井曲線數(shù)據(jù)分別對應的流體性質結果圖通過以下步驟得到：

5.如權利要求4所述的識別方法，其特征在于，所述基于所述潛在分層點以及預設的顯著性指標，將所述樣本測井曲線數(shù)據(jù)分割為依次排列的多個曲線段，包括：

6.如權利要求2所述的識別方法，其特征在于，所述得到所述文本卷積神經(jīng)網(wǎng)絡模型之后，還包括：

7.如權利要求3所述的識別方法，其特征在于，所述獲取多個重點井的測井曲線數(shù)據(jù)之后，還包括：

8.如權利要求7所述的識別方法，其特征在于，所述外在影響因素包括年代以及采集儀器類型。

9.一種礫巖流體性質的識別裝置，其特征在于，包括：

10.一種電子設備，其特征在于，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)權利要求1-8中任一項所述方法的步驟。

技術總結
本發(fā)明公開了一種礫巖流體性質的識別方法、裝置及電子設備，所述方法包括：獲取待識別井的測井曲線數(shù)據(jù)；將測井曲線數(shù)據(jù)輸入預設的文本卷積神經(jīng)網(wǎng)絡模型，對待識別井的儲層流體性質進行識別，得到待識別井的流體性質結果圖，流體性質結果圖包括待識別井中不同類別的巖性的概率向量。該方法通過文本卷積神經(jīng)網(wǎng)絡模型對待識別井進行解釋分析，得到層次更豐富的特征信息，提高了解釋模型對復雜礫巖儲層流體性質識別的效率和準確度。

技術研發(fā)人員：陳昌,周曉龍,高榮錦,李金鵬,李子敬,雷文文,郭美伶,李英菊,陳洋,于海波,祁飛,鐘亞男,張斌
受保護的技術使用者：中國石油天然氣股份有限公司
技術研發(fā)日：
技術公布日：2024/12/30