基于生成对抗网络的储层地质建模方法研究进展

地下储层地质建模对油气和水资源的开发以及CO2地质封存(CCS)具有重要意义.传统基于地质统计学的建模方法(如基于变差函数或多点统计学的方法)产生的储层地质模型可在一定程度上与地质模式保持一致,但当模式特征变得复杂时,则具有明显的缺陷.深度学习中的生成对抗网络(GANs)能够抽象和再现复杂的空间模式特征,而在许多领域得...     

塔里木盆地顺北油田超深断溶体深度学习地质建模方法

断控缝洞型储层是分布在中国塔里木盆地奥陶系的一种特殊类型储层,具有埋藏深、成因复杂、非均质性强等特点,受限于井资料稀疏和地震品质低等因素,断控缝洞型储层的准确表征与精细建模面临重要挑战。综合钻测井、岩心、野外露头及三维地震信息,在断控缝洞型储层构型模式指导下,构建了断溶体深度学习训练样本;在深度学习网络综合分析基础上,提出了适用于深层断溶体的深度学习建模方法。研究结果表明：深层少井资料条件下,基于多源数据综合建立的“原位等尺度”训练样本是断溶体深度学习建模的基础;优选的地质体目标图像转换网络可以较好地实现从地震数据到断溶体储层的直接预测。在训练网络搭建基础上,建立了塔里木盆地顺北油田5号断裂带南段的断溶体储层三维模型,该模型多维度符合断控岩溶地质模式及分布规律,与基于钻井资料的储层预测符合率较高。提升断溶体深度学习地质建模的精度和条件化程度是未来的努力攻关方向之一。     

基于深度学习的地震波逆时偏移补偿方法

逆时偏移作为重要的地震偏移技术,已经成为复杂构造成像的有力工具。地下构造的强衰减体引起地震波振幅减弱和相位失真,直接影响地下有效油气储层的识别精度,而现有逆时偏移补偿技术具有计算复杂、补偿精度低等不足。为优化计算、提高补偿精度,提出一种基于TensorFlow框架的地震波逆时偏移补偿方法,将传统循环生成对抗网络(Cyc...     

数据模型与物理模拟驱动的人工智能测井

从测井技术的发展历程看,模拟电子通讯、数字电子通讯、电子计算机以及阵列探头和CPU性能的提升,促进测井技术实现跨越式发展,即从模拟测井、数字测井、数控测井发展到成像测井.以大数据、算法以及算力为核心技术的人工智能正在极大地改变石油工业,促使测井技术向智能化方向发展.从人工智能引起油气学会的关注,到人工智能在国内外测井技术上的应用现状,以及测井技术发展所面临的挑战等方面,提出人工智能测井概念,分析测井大数据的形成基础、人工智能测井的技术组成.从技术可行性角度,分析人工智能测井的三大核心:数据模型、物理模拟算法、测井人工智能生态的组成和算力支撑条件;研发出测井大数据私有云,实现人工智能算法在大数据私有云上的加载运行处理.从人工智能在测井技术上的应用场景及勘探开发市场需求,总结分析数据模型和物理模拟驱动的人工智能测井技术发展必须经历的3个阶段.     

不同沉积过程尺度下正演数值模拟研究进展及油气地质意义

沉积正演数值模拟是研究沉积过程的重要手段,由大量的数值模型支撑,但如何选择和应用数值模型仍是难点。为此,梳理了沉积数值模型的时间尺度、驱动机制、河道演化、遵循规则、沉积结果和适用对象,着重阐述了Delft3D和DIONISOS模型的运算原理、参数选择、模拟结果和局限性。不同湖平面级次控制下的层序演化和发育过程与沉积过程尺度相对应,沉积物组分特征和模拟目标是优选数值模型的基本原则,井-震数据和地质建模算法是验证和优化训练模型的必要手段,基于大数据和人工智能的深度学习和强化学习模型是沉积正演数值模拟的发展趋势。     

基于砂控地质建模和Monte Carlo模拟的储量评价方法

提出了基于砂控地质建模和Monte Carlo模拟相结合的地质储量评价方法.通过分析影响储层体积、孔隙度、流体界面、含烃饱和度以及体积系数等储量计算参数不确定性的地质成因,对各参数的不确定性进行评价并给出可能存在的变化范围;在地质建模中体现储量计算参数的不确定性变化;基于地质模型并结合Monte Carlo模拟方法进行地质储量评价.利用本文方法进行储量评价,其结果更客观.     

基于深度学习的相对地质时间体估计方法

常规自动解释方法难以正确追踪三维地震数据体中被断层错断的地震反射层位。为此,提出了基于深度学习的相对地质时间体估计方法。首先,针对相对地质时间体估计需求,设计一个由编码器—解码器框架组成的相对地质时间体估计网络;其次,采用结构相似性准则为损失函数,利用生成的准确标注合成训练数据集对相对地质时间体估计网络进行训练,使其具备准确地从地震数据体中估计相对地质时间体的能力;最后,通过提取多个恒定的相对地质时间体等值面实现多个地震反射层位的自动追踪。测试结果表明,该方法不仅在验证数据集上显示出优异性能,而且在实际地震数据体上也获得了较好效果;利用估计的相对地质时间体能够一次性获得多个能够表征地层空间形态的地震反射层位。     

基于深度学习的代理模型在实际气藏三维模拟中的应用

应用基于深度学习的代理模型进行油气藏模拟是油气藏仿真研究的一个新方向。针对高精度全阶油气藏模拟速度慢的问题,采用一种基于深度学习的嵌入式控制框架（E2C,Embed to Control）模型,通过“编码器+线性转化模型+解码器”的架构构建深度学习网络,将原始时刻的压力场、饱和度场数据与井控约束条件相结合来演化出新时刻的场数据。以南海东部番禺35-1气田为例,测试E2C模型与传统数值模拟器模拟结果的差别。测试结果显示E2C模型误差较小,其中饱和度场的相对误差小于5%,压力场的平均相对误差为8%;在相同的CPU条件下,E2C模型运行100次算例时间为16 s,比传统数值模拟器（运行时间为6 000 s）快375倍。实际应用结果表明E2C模型在保证模拟精度的条件下可以大幅度提升模拟速度。     

利用试井数据约束的随机地质建模方法

传统的随机模拟方法建立的地质模型由于很少考虑动态资料而不能反映压力、产量等动态特征。为此,在前人研究的基础上,提出一种利用试井动态资料约束的随机地质建模方法,即由传统的随机模拟方法建立初始模型;再利用试井资料,采用模拟退火算法优化、修正初始模型,使之与试井测试结果相匹配。在修正地质模型中,采用解析解和数值解相结合的方法计算井底压力,可节约90%以上的计算时间。实例表明,修正后的模型符合试井测试（动态）资料,提高了地质模型的精度。     

基于层序统计结构和空间地质结构的深度学习高分辨率处理方法

高分辨率地震数据在地震数据处理中扮演着关键角色,特别是当地震勘探目标变得越来越复杂时,它可以提供更准确的储层识别和描绘。近年来,随着深度学习技术的快速发展,它越来越多地被引入到高分辨率地震数据处理中。基于大量标记数据,建立了低分辨率地震数据和高分辨率地震数据之间的复杂非线性关系。然而,深度学习在高分辨率数据处理中的精度与稳定性高度依赖于训练集的准确性与多样性。深度学习技术在生产中实际应用的主要挑战之一是稀疏的井数据,这经常导致训练集受限。为了解决这个问题,本文提出了一种基于深度学习的高分辨率处理方法,通过使用大量逼真的训练集,将井数据所表示的分层结构与地震数据所表示的空间地质结构相结合。建立训练集包括三个步骤：(1)使用井数据计算波阻抗序列,并利用高斯匹配函数拟合波阻抗高频部分的振幅分布,得到一个概率密度函数,最后生成一系列符合井数据统计分布的波阻抗序列。(2)在波阻抗序列的基础上,建立二维水平分布的波阻抗模型,并逐步添加折叠变形、倾角变形和断层变形,生成包含各种地质模式的二维阻抗模型。(3)使用阻抗模型计算反射系数,然后用反射系数模型分别卷积低频和高频子波,得到训练集。通过自动生成具...