Petrel 人工神经网络技术的应用.pdf

Petrel 训练和估计模块(Train Estimation) 第一部分 （井数据的利用） Yang Shucai 2015 年九月，Petrel 2015 版本 多年来人工神经网络技术在储层预测，油气藏描述中起着重要的作用。其基本算法概念是模 拟人类大脑对朴捉到的多现象，多信号进行快速识别（训练的过程）以实现模糊分类和估计，比 如对多种物体相似颜色，相似形状的区分等。单一的地震属性对储层岩性和物性的反映往往有偏 差，多属性参数分析能减少这种偏差。PETREL 软件中的训练和估计（Train Estimation）模块就 是应用人工神经网络技术分别对以测井曲线，层面地震属性，地震体为输入的系统进行模糊聚类 和预测估算，为地学人员提供方便的解释工具。下面我以测井曲线为输入数据分别介绍一下估计 和分类的主要应用。 （一）某井缺失某测井曲线，但邻井具备该曲线 看下面例子，Agate-H6 井有声波DT，密度RHOB 和孔隙度曲线PHIT，但Copper-6 井只有DT 和 RHOB 没有PHIT 曲线。我们可以利用Agate-H6 井的三条曲线找出DT, RHOB 和PHIT 的关系，然后 把该关系作用于Copper-6 井来估算出PHIT 曲线。这个问题要用Estimation 来求取。 1. 在Petrel 主窗口顶部的STRATIGRAPHY 选项中，点Neural net 图标， 得到以下界面，依次按红线位置设置选项 按APPLY 后，Petrel INPUT 版面下会产生以下内容 2. 点Make Logs from Neural net 选项 将上一步生成的Neural net 1 通过蓝箭头放入，见下图 点Wells 选项，勾Copper-6 井，按APPLY ，新曲线名PHIT [Neural net 1]既生成。见下图。 将其显示到WELL Section 窗口中进行观察质控。注意该方法也可以计算多井的缺失曲线。 （二）利用多条或单条测井曲线进行岩相分类 有很多方法用单条或多条测井曲线进行地层岩相的划分，比如简单的门槛截值法（CUTOFF ）， 基于模型的复杂反演算法等。Petrel 除了使用简单的截值法外，还可应用模糊聚类选 （Classification）来实现快速的岩相分类 1. 点Neural net 选项，按下图设置，注意要用Classification 选项。利用GR 和PHIT 两条曲线 进行分类以划分岩相。因为是分类，算法自动将其设为非监控方式(unsupervised), 至于分 几类由解释员自己定。此列我们设定分3 类岩相。 按APPLY 计算后得到以下神经网络模型 可以看到结果有三个类别生成，Code0，Code1，和Code2 分别代表不同岩相。 2. 点Make Logs from Neural net 图标，并按下图设置。 APPLY 后将生成离散曲线，你可以认为它是岩相曲线，见下图的中间轨道。 利用该技术计算的岩相曲线要比常用的在Log Calculator 设置门槛值（CUTOFF ）在方法上科学， 在实现上操作简单，尤其是涉及多曲线时。另外，也可以选多井计算。 Petrel 训练和估计模块(Train Estimation) 第二部分 （地震数据的利用） Yang Shucai 2015 年九月，Petrel 2015 版本 多年来人工神经网络技术在储层预测，油气藏描述中起着重要的作用。其基本算法概念是模 拟人类大脑对朴捉到的多现象，多信号进行快速识别（训练的过程）以实现模糊分类和估计，比 如对多种物体相似颜色，相似形状的区分等。单一的地震属性对储层岩性和物性的反映往往有偏 差，多属性参数分析能减少这种偏差。PETREL 软件中的训练和估计（Train Estimation ）模块就 是应用人工神经网络技术分别对以测井曲线，层面地震属性，地震体为输入的系统进行模糊聚类 和预测估算，为地学人员提供方便的解释工具。下面我以地震层面属性和属性体为输入数据分别 介绍模糊聚类。 对于地震属性，我们主要以分类为主，分类从方式上又分为监督(supervised)和非监督 (unsupervised) 两种。前者需要给出训练的样点位置，比如穿透厚砂层井点，薄砂层段井点或者无 砂层的井点，一般在详探或滚动勘探开发阶段；而后者无需已知井点，只要告诉系统分几类即可， 一般在勘探阶段使用。 （一）地震反射层面地震属性的平面分类方法 （监督方法）