买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国地质调查局油气资源调查中心

摘要：本发明涉及地质勘测技术领域，具体涉及一种兼顾多元驱动预测的油气储存量化方法，包括以下步骤：通过地震反演模型得到用于获得油气储存状态预测结果的模型化驱动勘测模型；通过神经网络模型得到用于获得油气储存状态预测结果的数据化驱动勘测模型；通过联合学习机制得到用于获得油气储存状态预测结果的多元驱动勘测模型；通过多元驱动勘测模型预测出目标地块的油气储存状态。本发明通过地质知识引导，得到用于预测油气储存状态的量化特征参数，使得勘测出油气储存现状结果符合地质合理性，从数据层面提升预测精度，通过联合学习机制联合学习多个驱动模型，提升勘测效果，减少局限性，增强鲁棒性。

主权项：1.一种兼顾多元驱动预测的油气储存量化方法，其特征在于，包括以下步骤：选取一组已知油气储存状态的样本地块，并测量各个样本地块的地震数据、钻井数据和测井数据；通过地质知识分别基于所述地震数据、钻井数据和测井数据，引导样本地块的地震属性分析，以及引导样本地块的储层敏感分析，得到用于预测油气储存状态的量化特征参数；通过地震反演模型基于所述量化特征参数进行油气储存状态的模型化驱动勘测，得到用于获得油气储存状态预测结果的模型化驱动勘测模型；通过神经网络模型基于所述量化特征参数进行油气储存状态的数据化驱动勘测，得到用于获得油气储存状态预测结果的数据化驱动勘测模型；通过联合学习机制将模型化驱动勘测模型和数据化驱动勘测模型进行联合学习，得到用于获得油气储存状态预测结果的多元驱动勘测模型；通过多元驱动勘测模型预测出目标地块的油气储存状态；所述量化特征参数的确定，包括：利用样本地块的钻井数据和测井数据确定样本地块井点位置的储层参数和储层性质，将所述储层参数数值相同的点连成一条环线直接投影到样本地块油气储层所在平面形成水平曲线，得到表示不同储层参数值的环线组合的储层平面特征变化趋势图；以储层平面特征变化趋势图作为地质知识，引导从样本地块的多种地震属性中筛选出与储层平面特征变化趋势图所反映的地质规律基本一致的地震属性，剔除不能反映地质规律的其他地震属性；对样本地块的不同测井数据进行二维或三维交汇图的绘制，获得对储层油气储存状态敏感的测井曲线；通过对所述测井曲线进行测井岩石物理交汇分析，在样本地块筛选出对储层油气储存状态敏感度最高的测井参数；将样本地块筛选出的地震属性、测井参数作为所述量化特征参数；井震联合反演技术由预测的油气储存状态与储层平面特征变化趋势图之间的相似性进行筛选确定，包括：利用多种反演方法基于量化特征参数对样本地块进行反演测试，选取出与样本地块储层平面特征变化趋势图之间的相似性最高的油气储存状态对应的反演方法作井震联合反演技术；所述模型化驱动勘测模型的建立，包括：获取样本地块的量化特征参数；利用井震联合反演技术基于样本地块的量化特征参数进行反演，得到用于所述模型化驱动勘测模型；所述模型化驱动勘测模型为：HReverse=Reverse_modeS；式中，HReverse为模型化驱动勘测模型预测出的油气储存状态，S为量化特征参数，Reverse_mode为井震联合反演函数体；所述模型化驱动勘测模型的学习目标为：LossReverse=L1HReverse,Ho；式中，LossReverse为模型化驱动勘测模型的学习目标，HReverse为模型化驱动勘测模型预测出的油气储存状态，Ho为样本地块已知的油气储存状态，L1为L1范数运算符，L1HReverse,Ho为HReverse和Ho的L1范数运算；所述数据化驱动勘测模型的建立，包括：获取样本地块的量化特征参数；利用CNN神经网络基于样本地块的量化特征参数和样本地块已知的油气储存状态进行学习训练，得到所述数据化驱动勘测模型；所述数据化驱动勘测模型为：HCNN=CNN_modeS；式中，HCNN为数据化驱动勘测模型预测出的油气储存状态，S为量化特征参数，CNN_mode为CNN神经网络结构体；所述数据化驱动勘测模型的学习目标为：LossCNN=L1HCNN,Ho；式中，LossCNN为数据化驱动勘测模型的学习目标，HCNN为数据化驱动勘测模型预测出的油气储存状态，Ho为样本地块的真实油气储存状态，L1为L1范数运算符，L1HCNN,Ho为HCNN和Ho的L1范数运算；所述多元驱动勘测模型的建立，包括：对数据化驱动勘测模型和模型化驱动勘测模型的学习目标进行联合，得到用于数据化驱动勘测模型和模型化驱动勘测模型联合学习的共享学习目标，所述共享学习目标为： ； ； ；式中，Lossshare为共享学习目标，wCNNk为第k个联合学习阶段处数据化驱动勘测模型的学习目标权重，LossCNNk为第k个联合学习阶段处数据化驱动勘测模型的学习目标，wReversek为第k个联合学习阶段处模型化驱动勘测模型的学习目标权重，LossReversek为第k个联合学习阶段处模型化驱动勘测模型的学习目标，MCNNk为第k个联合学习阶段处数据化驱动勘测模型的模型评价指标，MReversek为第k个联合学习阶段处模型化驱动勘测模型的模型评价指标，rCNN为第k个联合学习阶段处wCNNk的外部调控参数，rReverse为第k个联合学习阶段处wReversek的外部调控参数；利用联合学习机制对数据化驱动勘测模型和模型化驱动勘测模型进行输入层、输出层和共享学习目标的共享，通过共享后的输入层、输出层和共享学习目标对数据化驱动勘测模型和模型化驱动勘测模型进行联合学习，得到所述多元驱动勘测模型；所述多元驱动勘测模型为： ；式中，Hshare为多元驱动勘测模型预测出的油气储存状态，Sshare为量化特征参数，CNN_mode为CNN神经网络结构体，Reverse_mode为井震联合反演函数体。

全文数据：

权利要求：

百度查询： 中国地质调查局油气资源调查中心 一种兼顾多元驱动预测的油气储存量化方法