基于深度学习的储层表征方法、装置、设备及存储介质

本发明涉及人工智能，尤其涉及一种基于深度学习的储层表征方法、装置、设备及存储介质。

背景技术：

1、储层表征与建模是油气资源开发中的一项重要技术，精确的储层模型可以反映出储层的真实结构，进而帮助相关工作者正确的评价其中赋存的油气资源。在实际的生产中，我们对储层的认识往往是通过钻探取得的，而这些数据往往是非常稀疏的。储层表征是利用工区内稀疏的钻探数据对工区内储层的整体分布进行建模，其已经在油气田的勘探与开发中发挥了作用。多点地质统计学是储层建模中的一项重要技术，其解决了传统的基于变差函数的地质统计学方法在表征各项异性结构时效果不好的问题。多点地质统计学方法直接从训练图像中提取地质结构的空间模式而非使用变差函数来描述地质结构的空间分布特征。其使用数据模板来扫描训练图像进行模式匹配并将得到的多点模式存储在树或链表式数据结构中，这导致了其提取的空间分布特征的模式有限。尽管应用多重网格可以一定程度上解决这一问题，但其提取到的模式仍然有限。然而当数据模板中包含的节点数量较多时，这也会导致巨大的计算消耗。并且在实际中，多点地质统计学方法的模拟结构往往存在着结构空间连通性不足的问题。想要通过多点地质统计学方法得到较好的模拟结果往往需要调整大量的参数。想要快速选择合适的参数需要使用者对多点统计学方法本身有足够的了解，这也降低了相关方法的应用效率。

2、现有的多点地质学方法在储层表征中在效率及实际应用的学习成本上都存在不足。并且对于储层结构，其连通性是关系到资源的赋存空间、品位和开采难度的一项重要指标。因此，传统地质统计学方法的生成储层结构结果连通性不够好，构建出的储层结构的准确性不高都是亟待解决的技术问题。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的主要目的在于提供一种基于深度学习的储层表征方法、装置、设备及存储介质，旨在解决现有技术中传统地质统计学方法的生成储层结构结果连通性不够好，构建出的储层结构的准确性不高的技术问题。

2、为实现上述目的，本发明提供一种基于深度学习的储层表征方法，所述基于深度学习的储层表征方法包括：

3、根据原有储层结构生成训练集和测试集；

4、对所述训练集中原有储层结构进行采样，得到钻孔形式的第一条件数据；

5、将所述第一条件数据按照相对位置进行排列，检测排列后数据中的空白位置，并将所述空白位置进行填充，获得与所述原有储层结构尺寸相同的第二条件数据；

6、搭建待训练的神经网络，设置所述待训练的神经网络的超参数；

7、初始化所述待训练的神经网络的权重参数，使用所述训练集及对应的所述第二条件数据对待训练的神经网络进行训练，获得训练后的神经网络；

8、使用所述测试集及对应的第三条件数据进行测试，获得测试结果；

9、若所述测试结果达到预设结果，则通过对应的目标条件数据进行储层结构的表征；

10、若所述测试结果未达到预设结果，则返回设置所述待训练的神经网络的超参数的步骤，对重新设置超参数的神经网络再次训练，直至测试结果满足所述预设结果，并通过对应的当前条件数据进行储层结构的表征。

11、优选地，所述待训练的神经网络由三个子网络构成，所述子网络包括第一编码器、第二编码器和解码器；

12、所述使用所述训练集及对应的所述第二条件数据对待训练的神经网络进行训练，获得训练后的神经网络，具体包括：

13、根据所述待训练的神经网络的超参数，确定循环次数；

14、每次循环中，所述第一编码器根据所述原有储层结构的局部特征选择性读取第一部分储层结构，将所述部分储层结构编码到第一隐空间，所述解码器对从所述第一隐空间采样得到第一隐向量进行解码，生成第二部分储层结构；

15、完成所有所述循环次数，根据每次循环获得的第二部分储层结构，生成目标储层结构；

16、使用第一损失函数来计算所述目标储层结构与所述原有储层结构之间的第一差异，通过反向传播来更新所述第一编码器和所述解码器中的权重参数；

17、再次进行所述循环次数的循环，每次循环中，所述第一编码器根据所述原有储层结构的局部特征选择性读取第一部分储层结构，将所述部分储层结构编码到第一隐空间，所述解码器对从所述第一隐空间采样得到第一隐向量进行解码，生成第二部分储层结构，同时所述第二编码器将所述第二条件数据编码到第二隐空间；

18、再次完成所有所述循环次数，根据每次循环获得的第二部分储层结构，生成目标储层结构；

19、使用第二损失函数计算所述第一隐空间和所述第二隐空间分布之间的第二差异，通过反向传播算法更新所述第一编码器和所述第二编码器中的权重参数，使所述第二隐空间趋近所述第一隐空间，获得训练后的神经网络。

20、优选地，所述第一编码器根据所述原有储层结构的局部特征选择性读取第一部分储层结构，将所述部分储层结构编码到第一隐空间，所述解码器对从所述第一隐空间采样得到第一隐向量进行解码，生成第二部分储层结构，包括：

21、所述第一编码器使用选择性注意力机制，根据所述原有储层结构的局部特征选择性读取第一部分储层结构，将所述部分储层结构编码到第一隐空间，所述解码器使用选择性注意力机制，对从所述第一隐空间采样得到第一隐向量进行解码，生成第二部分储层结构。

22、优选地，所述第一损失函数为重构损失，输入的所述目标储层结构用x表示，所述神经网络输出的所述目标储层结构用y表示，对于给定的x，y，网络的所述重构损失可以用以下公式表示：

23、lrecon＝-xlogy-(1-x)log(1-y)。

24、优选地，所述第二损失函数为kl损失或条件损失，所述第二损失函数用来衡量所述第一隐空间和所述第二隐空间分布之间的第二差异；

25、假设有两个正态分布和则所述第一隐空间和所述第二隐空间分布的kl损失为：

26、

27、优选地，所述使用所述测试集及对应的第三条件数据进行测试，获得测试结果，包括：

28、使用所述测试集中储层结构与对应的采样得到的第三条件数据进行测试，获得测试结果，并使用变差函数与连通函数分析所述测试结果。

29、优选地，所述根据原有储层结构生成训练集和测试集，包括：

30、将原有储层结构使用滑动窗口方法进行裁剪，根据剪裁获得的数据构建完整数据集；

31、将所述完整数据集中预设比例的数据作为训练集，将所述完整数据集中剩余的数据作为测试集。

32、此外，为实现上述目的，本发明还提出一种基于深度学习的储层表征装置，所述基于深度学习的储层表征装置包括：

33、生成模块，用于根据原有储层结构生成训练集和测试集；

34、采样模块，用于对所述训练集中原有储层结构进行采样，得到钻孔形式的第一条件数据；

35、排列模块，用于将所述第一条件数据按照相对位置进行排列，检测排列后数据中的空白位置，并将所述空白位置进行填充，获得与所述原有储层结构尺寸相同的第二条件数据；

36、搭建模块，用于搭建待训练的神经网络，设置所述待训练的神经网络的超参数；

37、训练模块，用于初始化所述待训练的神经网络的权重参数，使用所述训练集及对应的所述第二条件数据对待训练的神经网络进行训练，获得训练后的神经网络；

38、测试模块，用于使用所述测试集及对应的第三条件数据进行测试，获得测试结果；

39、表征模块，用于若所述测试结果达到预设结果，则通过对应的目标条件数据进行储层结构的表征。

40、表征模块，还用于若所述测试结果未达到预设结果，则返回设置所述待训练的神经网络的超参数的步骤，对重新设置超参数的神经网络再次训练，直至测试结果满足所述预设结果，并通过对应的当前条件数据进行储层结构的表征。

41、此外，为实现上述目的，本发明还提出一种基于深度学习的储层表征设备，所述基于深度学习的储层表征设备上存储有基于深度学习的储层表征程序，所述基于深度学习的储层表征程序被处理器执行时实现如上文所述的基于深度学习的储层表征方法的步骤。

42、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于深度学习的储层表征程序，所述基于深度学习的储层表征程序被处理器执行时实现如上文所述的基于深度学习的储层表征方法的步骤。

43、本发明的上述方法所具有的有益效果在于：

44、(1)本发明提供的基于选择性注意力机制和变分自编码器的储层表征方法，使用注意力机制来学习储层结构的连通性并基于连通性分步完成储层结构的构建，避免了传统地质统计学方法的生成结果连通性不够好的问题。深度学习方法的使用还可以极大缩短储层结构的模拟时间，提高了实际应用中的模拟效率。变分自编码器指的是一种神经网络结构，其中包括了编码器与解码器。本发明中的神经网络采用了变分自编码器的结构并进行了改进，包含两个编码器与一个解码器。

45、(2)本发明提供的基于选择性注意力机制和变分自编码器的储层表征方法，使用了在资源勘探开发中常见的钻探数据作为条件数据来构建储层结构，与生产实际更加贴近。条件数据的加入进一步保证了网络构建出的储层结构的准确性。

46、(3)本发明可在各种三维地质信息系统、地理信息系统、地质建模与模拟系统等软件中推广应用。