天然气水合物饱和度计算方法、装置、介质及设备与流程

1.本发明属于地震资料数据处理解释领域，具体涉及一种基于动态模糊 神经网络的天然气水合物饱和度计算方法、装置、介质及电子设备。


背景技术：

2.饱和度的预测是油田生产中需要解决的关键问题之一，但由于饱和度 与地震参数的非线性关系，实际预测的难度很大。
3.对于常规油气来说，饱和度预测目前采用的方法主要是在岩石物理建 模的基础上，明确物性参数和地震弹性参数的关系，然后开展叠前弹性参 数反演，并基于岩石物理模型将地震反演结果转换为饱和度等物性参数。
4.对于水合物来说，物性参数和地震参数的关系更加复杂。水合物在海 域沉积物中以多种赋存方式存在，主要包括孔隙填充型、骨架支撑型、颗 粒包裹型、颗粒胶结型等，每一种赋存形式的饱和度和地震弹性参数都有 不同的相关关系，这给使用地震数据预测水合物饱和度带来了很大的困难， 如图1所示。目前针对水合物饱和度预测的方法也有很多，李晓芸等(2011) 通过将地震速度与背景速度进行比较，由速度异常结合沉积物性质，并使 用改良后的bio-gassman理论计算天然气水合物饱和度。鲍祥生等(2019) 提出一种改进的wood阻抗方法，可以更清晰表现水合物层纵波阻抗和饱和 度的关系，这种方法针对孔隙填充型水合物的饱和度预测取得了较好应用 效果。孟大江等(2019)通过井震反演得到地震弹性参数，并针对不同赋 存状态的水合物建立相应岩石物理量版，然后将反演结果转换为物性参数。
5.综合来说，水合物由于其赋存形式的多样性，使用常规油气的饱和度 预测方法会带来很大的误差，而目前针对水合物饱和度的预测方法要么是 简单将地震属性线性转换得到饱和度，满足不了水合物饱和度精确预测的 目的。
6.因此，需要一种预测精度高的水合物饱和度预测方法。


技术实现要素：

7.本发明的目的是提出一种预测精度高的基于动态模糊神经网络的天然 气水合物饱和度计算方法。
8.本发明提供一种基于动态模糊神经网络的天然气水合物饱和度计算方 法，包括：基于三维地震数据体，获取多种地震属性；计算饱和度与每种 地震属性的相关系数，选取所述相关系数大于或等于相关阈值的地震属性， 作为优选地震属性；基于三维地震数据体，针对每种优选地震属性，将已 知所述优选地震属性数据和饱和度数据的井点作为样本井点，基于多个样 本井点的所述优选地震属性数据和饱和度数据进行深度学习神经网络模型 训练，获得所述优选地震属性与饱和度的转换关系模型；基于具有优选地 震属性的数据体和所述优选地震属性与饱和度的转换关系模型，获得饱和 度数据体。
9.可选的，采用下述步骤获取多种地震属性：基于所述三维地震数据体， 通过地震
属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参数反 演获得多种地震属性。
10.可选的，通过下述步骤计算饱和度与地震属性的相关系数：在所述三 维地震数据体中沿井轨迹抽取多个井点的所述地震属性的伪井曲线，对饱 和度目标曲线和所述地震属性的伪井曲线进行相关性分析，计算所述饱和 度与地震属性的相关系数。
11.可选的，将样本井点的所述优选地震属性数据作为深度学习神经网络 模型的输入数据，根据所述深度学习神经网络模型的输出数据与所述样本 井点的饱和度数据的误差进行迭代，修改所述深度学习神经网络模型的参 数，直至所述深度学习神经网络模型的输出数据与所述样本井点的饱和度 数据的误差小于误差阈值为止。
12.可选的，通过下述步骤获得饱和度数据体：将具有优选地震属性的数 据体作为所述优选地震属性与饱和度的转换关系模型的输入数据，将所述 优选地震属性与饱和度的转换关系模型的输出数据作为饱和度数据体。
13.本发明还提供一种电子设备，所述电子设备包括：存储器，存储有可 执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以 实现上述基于动态模糊神经网络的天然气水合物饱和度计算方法。
14.本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储 有计算机程序，该计算机程序被处理器执行时实现上述基于动态模糊神经 网络的天然气水合物饱和度计算方法。
15.本发明还提供一种基于动态模糊神经网络的天然气水合物饱和度计算 装置，包括：多种地震属性获得模块，基于三维地震数据体，获取多种地 震属性；优选地震属性获得模块，计算饱和度与每种地震属性的相关系数， 选取所述相关系数大于或等于相关阈值的地震属性，作为优选地震属性； 转换关系模型获得模块，基于三维地震数据体，针对每种优选地震属性， 将已知所述优选地震属性数据和饱和度数据的井点作为样本井点，基于多 个样本井点的所述优选地震属性数据和饱和度数据进行深度学习神经网络 模型训练，获得所述优选地震属性与饱和度的转换关系模型；饱和度数据 体获得模块，基于具有优选地震属性的数据体和所述优选地震属性与饱和 度的转换关系模型，获得饱和度数据体。
16.可选的，采用下述步骤获取多种地震属性：基于所述三维地震数据体， 通过地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参数反 演获得多种地震属性。
17.可选的，通过下述步骤计算饱和度与地震属性的相关系数：在所述三 维地震数据体中沿井轨迹抽取多个井点的所述地震属性的伪井曲线，对饱 和度目标曲线和所述地震属性的伪井曲线进行相关性分析，计算所述饱和 度与地震属性的相关系数。
18.可选的，将样本井点的所述优选地震属性数据作为深度学习神经网络 模型的输入数据，根据所述深度学习神经网络模型的输出数据与所述样本 井点的饱和度数据的误差进行迭代，修改所述深度学习神经网络模型的参 数，直至所述深度学习神经网络模型的输出数据与所述样本井点的饱和度 数据的误差小于误差阈值为止。
19.可选的，通过下述步骤获得饱和度数据体：将具有优选地震属性的数 据体作为所述优选地震属性与饱和度的转换关系模型的输入数据，将所述 优选地震属性与饱和度的转换关系模型的输出数据作为饱和度数据体。
20.本发明的有益效果在于：本发明的基于动态模糊神经网络的天然气水 合物饱和度计算方法形成的基深度学习神经网络训练，建立饱和度和地震 属性之间的转换关系，通
过该饱和度和地震属性之间的转换关系及地震属 性数据数据体，获得饱和度数据体，准确度高，相比常规使用线性转换预 测水合物饱和度的方法明显提高了预测精度。
21.本发明具有其它的特性和优点，这些特性和优点从并入本文中的附图 和随后的具体实施例中将是显而易见的，或者将在并入本文中的附图和随 后的具体实施例中进行详细陈述，这些附图和具体实施例共同用于解释本 发明的特定原理。
附图说明
22.通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的 上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性 实施方式中，相同的参考标号通常代表相同部件。
23.图1示出了不同水合物赋存状态下饱和度和纵波速度的关系示意图。
24.图2示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的深度学习方法的基本原理和结构示意图。
25.图3示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的流程图。
26.图4示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的南海神狐某海域计算水合物饱和度的具体 流程。
27.图5示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的神经网络样本训练结果分析。
28.图6a示出了使用常规线性转换得到的结果。
29.图6b示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的深度学习计算的饱和度结果。
30.图7a示出了使用常规线性转换得到的结果对比。
31.图7b示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的深度学习计算的饱和度结果对比。
32.图8示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算装置的结构框图。
33.附图标记说明
34.102、多种地震属性获得模块；104、优选地震属性获得模块；106、转 换关系模型获得模块；108、饱和度数据体获得模块。
具体实施方式
35.下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明 的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这 里阐述的实施方式所限制。
36.本发明提供一种基于动态模糊神经网络的天然气水合物饱和度计算方 法，包括：基于三维地震数据体，获取多种地震属性；计算饱和度与每种 地震属性的相关系数，选取相关系数大于或等于相关阈值的地震属性，作 为优选地震属性；基于三维地震数据体，针对每种优选地震属性，将已知 优选地震属性数据和饱和度数据的井点作为样本井点，基于
多个样本井点 的优选地震属性数据和饱和度数据进行深度学习神经网络模型训练，获得 优选地震属性与饱和度的转换关系模型；基于具有优选地震属性的数据体 和优选地震属性与饱和度的转换关系模型，获得饱和度数据体。
37.具体的，通过叠后、叠前反演提取多种地震属性，并对地震属性进行 优选，选出优选地震属性，根据优选地震属性数据和饱和度数据，进行深 度学习神经网络训练，在深度学习过程中，通过预测结果和样本的误差来 不断迭代修改参数，直到得到满意的结果，深度学习神经网络训练完成后， 使用深度学习神经网络方法建立地震属性和饱和度的转换关系模型，将优 选地震属性数据体代入地震属性和饱和度的转换关系模型中，最终得到饱 和度数据体。
38.根据示例性的实施方式，基于动态模糊神经网络的天然气水合物饱和 度计算方法形成的基深度学习神经网络训练，建立饱和度和地震属性之间 的转换关系，通过该饱和度和地震属性之间的转换关系及地震属性数据数 据体，获得饱和度数据体，准确度高，相比常规使用线性转换预测水合物 饱和度的方法明显提高了预测精度。
39.作为可选方案，采用下述步骤获取多种地震属性：基于三维地震数据 体，通过地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参 数反演获得多种地震属性。
40.具体的，通过地震属性分析、叠后反演、叠前avo属性分析、叠前弹 性参数反演等得到能反映水合物厚度、饱和度等相关的多种地震属性。
41.作为可选方案，通过下述步骤计算饱和度与地震属性的相关系数：在 三维地震数据体中沿井轨迹抽取多个井点的地震属性的伪井曲线，对饱和 度目标曲线和地震属性的伪井曲线进行相关性分析，计算饱和度与地震属 性的相关系数。
42.具体的，针对一种地震属性，在三维地震数据体中沿井轨迹抽取多个 井点的地震属性伪井曲线，对该地震属性伪井曲线和饱和度目标曲线进行 相关分析，获得该地震属性与饱和度的相关系数，根据该相关系数，对地 震属性进行优化，选取与和饱和度数相关性较好的属性作为优选地震属性， 将已知优选地震属性数据和饱和度数据的井点作为样本井点。
43.作为可选方案，将样本井点的优选地震属性数据作为深度学习神经网 络模型的输入数据，根据深度学习神经网络模型的输出数据与样本井点的 饱和度数据的误差进行迭代，修改深度学习神经网络模型的参数，直至深 度学习神经网络模型的输出数据与样本井点的饱和度数据的误差小于误差 阈值为止。
44.具体的，图2示出了深度学习神经网络方法(dfnn)的基本原理和结 构示意图，图中是一个简单的三层深度神经网络，包含一个输入层、两个 隐藏层和一个输出层。
45.相较于常规线性回归方法而言，神经网络可以模拟训练数据与训练目 标间的非线性关系，提高预测结果的精度。相较于常规浅层神经网络分析 而言，深度学习神经网络具有更多隐藏层，因此可以模拟更复杂的非线性 关系，在训练数据的量足够的情况下，可以极大提高预测结果的精度，在 本项目研究中，使用的神经网络方法为deep feed-forward neural network (dfnn)深度前馈神经网络，其基本结构和工作流程如图所示，图2中是一 个简单的三层深度神经网络(2个隐藏层和1个输出层)，实际网络层数更 多。
46.训练过程中，针对每个输入训练数据以及经过神经元输出的结果，采 用xavier初始化方法，随机产生对应的权重系数w和偏置项b，初始化参 数分布如图2所示。每个神经元
由一个非线性sigmoid逻辑函数构成，其表 达形式为：
[0047][0048]
向前传播的过程中，所有输入训练数据以加权平均的形式输入到第一 个隐藏层中的每个神经元，其加权平均的和作为逻辑函数的输入。因此， 第一个隐藏层中3个神经元neu1，neu2和neu3的输入数据分别为：
[0049][0050]
经过逻辑函数非线性转换处理后，会得到3个输出结果，分别为f1(z1)， f2(z2)，f3(z3)，它们加权平均的结果将作为第二个隐藏层中神经元的输入。 因此，第二个隐藏层中两个神经元的输入数据分别为：
[0051][0052]
同理，可以得到第二个隐藏层中每个神经元的输出结果，分别为： f4(z4)，f5(z5)，它们的加权平均之和会作为输出层神经元的输入，经过输出 层之后，将得到最终的预测结果f6(z6)。流程中输出的最终结果是基于初始 化的w和b所得到的，我们的最终目的是要对所有w和b进行优化，使最 终的输出结果与实测数据之间达到最小二乘误差，即构建一个以w和b为 自变量的函数，使预测结果与实测数据之间误差的平方和最小，如下式：
[0053][0054]
由于上述代价函数包含了很多非线性成分，直接求解方程系统并不能 达到期望的结果。因此，我们必须采用数值优化的方法进行求解。数值优 化方法很多。常见的有基于一阶泰勒级数展开的梯度下降法(最速下降法) 和基于二阶泰勒级数展开的牛顿法，以及介于二者之间的共轭梯度法。共 轭梯度法是介于最速下降法与牛顿法之间的一个方法，它仅需利用一阶导 数信息，但克服了最速下降法收敛慢的缺点，又避免了牛顿法需要存储和 计算hesse矩阵并求逆的缺点，共轭梯度法的每一个搜索方向是互相共轭 的。在各种优化算法中，共轭梯度法收敛快，稳定性高，而且不需要任何 外来参数。利用最优化方法对w和b的进行优化时，为了满足梯度为0的 一阶最优条件，需要满足目标函数为凸函数，即其hessian矩阵为正定矩阵 或半正定矩阵，但实际上，目标函数为w和b的非线性函数，为非凸函数。 因此，可以在目标函数中通过添加正则项来缓解，常用的正则项为l1范数 或l2范数，因为他们本身为凸函数，可以调节范数的权重系数来控制调节 强度，一般该值相对较小。可以选择不同的停止条件来终止数值优化过程， 两种最常用的停止标准是：达到预先指定的迭代次数或梯度足够小时。
[0055]
把这些相关的地震属性作为输入，进行后续的深度学习训练。在深度 学习过程中，通过预测结果和样本的误差来不断迭代修改参数，直到得到 满意的结果。
[0056]
作为可选方案，通过下述步骤获得饱和度数据体：将具有优选地震属 性的数据体作为优选地震属性与饱和度的转换关系模型的输入数据，将优 选地震属性与饱和度的转
换关系模型的输出数据作为饱和度数据体。
[0057]
具体的，深度学习神经网络训练完成后，即可根据建立的深度网络模 型将地震属性转换为饱和度属性，最终得到饱和度等目标数据体。
[0058]
本发明还提供一种电子设备，电子设备包括：存储器，存储有可执行 指令；处理器，处理器运行存储器中的可执行指令，以实现上述基于动态 模糊神经网络的天然气水合物饱和度计算方法。
[0059]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储 有计算机程序，该计算机程序被处理器执行时实现上述基于动态模糊神经 网络的天然气水合物饱和度计算方法。
[0060]
本发明还提供一种基于动态模糊神经网络的天然气水合物饱和度计算 装置，包括：多种地震属性获得模块，基于三维地震数据体，获取多种地 震属性；优选地震属性获得模块，计算饱和度与每种地震属性的相关系数， 选取相关系数大于或等于相关阈值的地震属性，作为优选地震属性；转换 关系模型获得模块，基于三维地震数据体，针对每种优选地震属性，将已 知优选地震属性数据和饱和度数据的井点作为样本井点，基于多个样本井 点的优选地震属性数据和饱和度数据进行深度学习神经网络模型训练，获 得优选地震属性与饱和度的转换关系模型；饱和度数据体获得模块，基于 具有优选地震属性的数据体和优选地震属性与饱和度的转换关系模型，获 得饱和度数据体。
[0061]
具体的，通过叠后、叠前反演提取多种地震属性，并对地震属性进行 优选，选出优选地震属性，根据优选地震属性数据和饱和度数据，进行深 度学习神经网络训练，在深度学习过程中，通过预测结果和样本的误差来 不断迭代修改参数，直到得到满意的结果，深度学习神经网络训练完成后， 使用深度学习神经网络方法建立地震属性和饱和度的转换关系模型，将优 选地震属性数据体代入地震属性和饱和度的转换关系模型中，最终得到饱 和度数据体。
[0062]
根据示例性的实施方式，基于动态模糊神经网络的天然气水合物饱和 度计算方法形成的基深度学习神经网络训练，建立饱和度和地震属性之间 的转换关系，通过该饱和度和地震属性之间的转换关系及地震属性数据数 据体，获得饱和度数据体，准确度高，相比常规使用线性转换预测水合物 饱和度的方法明显提高了预测精度。
[0063]
作为可选方案，采用下述步骤获取多种地震属性：基于三维地震数据 体，通过地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参 数反演获得多种地震属性。
[0064]
具体的，通过地震属性分析、叠后反演、叠前avo属性分析、叠前弹 性参数反演等得到能反映水合物厚度、饱和度等相关的多种地震属性。
[0065]
作为可选方案，通过下述步骤计算饱和度与地震属性的相关系数：在 三维地震数据体中沿井轨迹抽取多个井点的地震属性的伪井曲线，对饱和 度目标曲线和地震属性的伪井曲线进行相关性分析，计算饱和度与地震属 性的相关系数。
[0066]
具体的，针对一种地震属性，在三维地震数据体中沿井轨迹抽取多个 井点的地震属性伪井曲线，对该地震属性伪井曲线和饱和度目标曲线进行 相关分析，获得该地震属性与饱和度的相关系数，根据该相关系数，对地 震属性进行优化，选取与和饱和度数相关性较好的属性作为优选地震属性， 将已知优选地震属性数据和饱和度数据的井点作为样本井点。
[0067]
作为可选方案，将样本井点的优选地震属性数据作为深度学习神经网 络模型的输入数据，根据深度学习神经网络模型的输出数据与样本井点的 饱和度数据的误差进行迭代，修改深度学习神经网络模型的参数，直至深 度学习神经网络模型的输出数据与样本井点的饱和度数据的误差小于误差 阈值为止。
[0068]
具体的，图2示出了深度学习神经网络方法(dfnn)的基本原理和结 构示意图，图中是一个简单的三层深度神经网络，包含一个输入层、两个 隐藏层和一个输出层。
[0069]
相较于常规线性回归方法而言，神经网络可以模拟训练数据与训练目 标间的非线性关系，提高预测结果的精度。相较于常规浅层神经网络分析 而言，深度学习神经网络具有更多隐藏层，因此可以模拟更复杂的非线性 关系，在训练数据的量足够的情况下，可以极大提高预测结果的精度，在 本项目研究中，使用的神经网络方法为deep feed-forward neural network (dfnn)深度前馈神经网络，其基本结构和工作流程如图所示，图2中是一 个简单的三层深度神经网络(2个隐藏层和1个输出层)，实际网络层数更 多。
[0070]
训练过程中，针对每个输入训练数据以及经过神经元输出的结果，采 用xavier初始化方法，随机产生对应的权重系数w和偏置项b，初始化参 数分布如图2所示。每个神经元由一个非线性sigmoid逻辑函数构成，其表 达形式为：
[0071][0072]
向前传播的过程中，所有输入训练数据以加权平均的形式输入到第一 个隐藏层中的每个神经元，其加权平均的和作为逻辑函数的输入。因此， 第一个隐藏层中3个神经元neu1，neu2和neu3的输入数据分别为：
[0073][0074]
经过逻辑函数非线性转换处理后，会得到3个输出结果，分别为f1(z1)， f2(z2)，f3(z3)，它们加权平均的结果将作为第二个隐藏层中神经元的输入。 因此，第二个隐藏层中两个神经元的输入数据分别为：
[0075][0076]
同理，可以得到第二个隐藏层中每个神经元的输出结果，分别为： f4(z4)，f5(z5)，它们的加权平均之和会作为输出层神经元的输入，经过输出 层之后，将得到最终的预测结果f6(z6)。流程中输出的最终结果是基于初始 化的w和b所得到的，我们的最终目的是要对所有w和b进行优化，使最 终的输出结果与实测数据之间达到最小二乘误差，即构建一个以w和b为 自变量的函数，使预测结果与实测数据之间误差的平方和最小，如下式：
[0077][0078]
由于上述代价函数包含了很多非线性成分，直接求解方程系统并不能 达到期望的结果。因此，我们必须采用数值优化的方法进行求解。数值优 化方法很多。常见的有基于一阶泰勒级数展开的梯度下降法(最速下降法) 和基于二阶泰勒级数展开的牛顿法，以及
介于二者之间的共轭梯度法。共 轭梯度法是介于最速下降法与牛顿法之间的一个方法，它仅需利用一阶导 数信息，但克服了最速下降法收敛慢的缺点，又避免了牛顿法需要存储和 计算hesse矩阵并求逆的缺点，共轭梯度法的每一个搜索方向是互相共轭 的。在各种优化算法中，共轭梯度法收敛快，稳定性高，而且不需要任何 外来参数。利用最优化方法对w和b的进行优化时，为了满足梯度为0的 一阶最优条件，需要满足目标函数为凸函数，即其hessian矩阵为正定矩阵 或半正定矩阵，但实际上，目标函数为w和b的非线性函数，为非凸函数。 因此，可以在目标函数中通过添加正则项来缓解，常用的正则项为l1范数 或l2范数，因为他们本身为凸函数，可以调节范数的权重系数来控制调节 强度，一般该值相对较小。可以选择不同的停止条件来终止数值优化过程， 两种最常用的停止标准是：达到预先指定的迭代次数或梯度足够小时。
[0079]
把这些相关的地震属性作为输入，进行后续的深度学习训练。在深度 学习过程中，通过预测结果和样本的误差来不断迭代修改参数，直到得到 满意的结果。
[0080]
作为可选方案，通过下述步骤获得饱和度数据体：将具有优选地震属 性的数据体作为优选地震属性与饱和度的转换关系模型的输入数据，将优 选地震属性与饱和度的转换关系模型的输出数据作为饱和度数据体。
[0081]
具体的，深度学习神经网络训练完成后，即可根据建立的深度网络模 型将地震属性转换为饱和度属性，最终得到饱和度等目标数据体。
[0082]
实施例一
[0083]
图3示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算方法的流程图。图4示出了根据本发明的一个实 施例的一种基于动态模糊神经网络的天然气水合物饱和度计算方法的南海 神狐某海域计算水合物饱和度的具体流程。图5示出了根据本发明的一个 实施例的一种基于动态模糊神经网络的天然气水合物饱和度计算方法的神 经网络样本训练结果分析。图6a示出了使用常规线性转换得到的结果。图 6b示出了根据本发明的一个实施例的一种基于动态模糊神经网络的天然气 水合物饱和度计算方法的深度学习计算的饱和度结果。图7a示出了使用常 规线性转换得到的结果对比。图7b示出了根据本发明的一个实施例的一种 基于动态模糊神经网络的天然气水合物饱和度计算方法的深度学习计算的 饱和度结果对比。
[0084]
结合图3、图4、图5、图6a、图6b、图7a和图7b所示，该基于动态 模糊神经网络的天然气水合物饱和度计算方法，包括：
[0085]
步骤1：基于三维地震数据体，获取多种地震属性；
[0086]
步骤2：计算饱和度与每种地震属性的相关系数，选取相关系数大于或 等于相关阈值的地震属性，作为优选地震属性；
[0087]
步骤3：基于三维地震数据体，针对每种优选地震属性，将已知优选地 震属性数据和饱和度数据的井点作为样本井点，基于多个样本井点的优选 地震属性数据和饱和度数据进行深度学习神经网络模型训练，获得优选地 震属性与饱和度的转换关系模型；
[0088]
步骤4：基于具有优选地震属性的数据体和优选地震属性与饱和度的转 换关系模型，获得饱和度数据体。
[0089]
其中，采用下述步骤获取多种地震属性：基于三维地震数据体，通过 地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参数反演获 得多种地震属性。
[0090]
其中，通过下述步骤计算饱和度与地震属性的相关系数：在三维地震 数据体中沿井轨迹抽取多个井点的地震属性的伪井曲线，对饱和度目标曲 线和地震属性的伪井曲线进行相关性分析，计算饱和度与地震属性的相关 系数。
[0091]
其中，将样本井点的优选地震属性数据作为深度学习神经网络模型的 输入数据，根据深度学习神经网络模型的输出数据与样本井点的饱和度数 据的误差进行迭代，修改深度学习神经网络模型的参数，直至深度学习神 经网络模型的输出数据与样本井点的饱和度数据的误差小于误差阈值为 止。
[0092]
其中，通过下述步骤获得饱和度数据体：将具有优选地震属性的数据 体作为优选地震属性与饱和度的转换关系模型的输入数据，将优选地震属 性与饱和度的转换关系模型的输出数据作为饱和度数据体。
[0093]
在南海神狐某海域采用本发明的方法计算水合物饱和度，具体流程如图 4所示，包括输入数据、地震属性优选、深度学习神经网络训练，输出饱和 度数据等几个步骤。在深度学习过程中，通过预测结果和样本的误差来不 断迭代修改参数，直到得到满意的结果。图5中为对8口井进行饱和度深 度学习训练的结果，其中深色曲线为测井解释的原始饱和度曲线，浅色为 经过深度学习之后的饱和度曲线，可以看到二者之间误差较小，相关性达 到了0.82，可以满足研究区对饱和度预测的要求。饱和度数据体生成。深 度学习神经网络训练完成后，即可根据建立的深度网络将地震属性转换为 饱和度属性，最终得到饱和度等目标数据体。图6中的b图为深度学习计 算的饱和度结果，a图为使用线性转换得到的结果，可以看到深度学习计算 的结果更为精细，和钻井解释的结果也更为吻合。此外，图7a为使用常规 线性转换得到的结果对比，图7b图为深度学习计算的饱和度结果对比，通 过图7a和7b的交会分析也可以看出，深度学习预测的饱和度和实际饱和 度值域集中分布在45度线上，二者结果更为接近。
[0094]
实施例二
[0095]
图8示出了根据本发明的一个实施例的一种基于动态模糊神经网络的 天然气水合物饱和度计算装置的结构框图。
[0096]
如图8所示，该基于动态模糊神经网络的天然气水合物饱和度计算装 置，包括：
[0097]
多种地震属性获得模块102，基于三维地震数据体，获取多种地震属 性；
[0098]
优选地震属性获得模块104，计算饱和度与每种地震属性的相关系 数，选取相关系数大于或等于相关阈值的地震属性，作为优选地震属性；
[0099]
转换关系模型获得模块106，基于三维地震数据体，针对每种优选地 震属性，将已知优选地震属性数据和饱和度数据的井点作为样本井点，基 于多个样本井点的优选地震属性数据和饱和度数据进行深度学习神经网络 模型训练，获得优选地震属性与饱和度的转换关系模型；
[0100]
饱和度数据体获得模块108，基于具有优选地震属性的数据体和优选 地震属性与饱和度的转换关系模型，获得饱和度数据体。
[0101]
其中，采用下述步骤获取多种地震属性：基于三维地震数据体，通过 地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参数反演获 得多种地震属性。
[0102]
其中，通过下述步骤计算饱和度与地震属性的相关系数：在三维地震 数据体中沿井轨迹抽取多个井点的地震属性的伪井曲线，对饱和度目标曲 线和地震属性的伪井曲线
进行相关性分析，计算饱和度与地震属性的相关 系数。
[0103]
其中，将样本井点的优选地震属性数据作为深度学习神经网络模型的 输入数据，根据深度学习神经网络模型的输出数据与样本井点的饱和度数 据的误差进行迭代，修改深度学习神经网络模型的参数，直至深度学习神 经网络模型的输出数据与样本井点的饱和度数据的误差小于误差阈值为 止。
[0104]
其中，通过下述步骤获得饱和度数据体：将具有优选地震属性的数据 体作为优选地震属性与饱和度的转换关系模型的输入数据，将优选地震属 性与饱和度的转换关系模型的输出数据作为饱和度数据体。
[0105]
实施例三
[0106]
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可 执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述基于 动态模糊神经网络的天然气水合物饱和度计算方法。
[0107]
根据本公开实施例的电子设备包括存储器和处理器。
[0108]
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包 括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计 算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存 储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache) 等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
[0109]
该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指 令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件 以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储 器中存储的该计算机可读指令。
[0110]
本领域技术人员应能理解，为了解决如何获取良好用户体验效果的技 术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些 公知的结构也应包含在本公开的保护范围之内。
[0111]
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此 不再赘述。
[0112]
实施例四
[0113]
本公开提供一种计算机可读存储介质，该计算机可读存储介质存储有 计算机程序，该计算机程序被处理器执行时实现上述基于动态模糊神经网 络的天然气水合物饱和度计算方法。
[0114]
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算 机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的 本公开各实施例方法的全部或部分步骤。
[0115]
上述计算机可读存储介质包括但不限于：光存储介质(例如：cd－rom 和dvd)、磁光存储介质(例如：mo)、磁存储介质(例如：磁带或移动 硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有 内置rom的媒体(例如：rom盒)。
[0116]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽 性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范 围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更 都是显而易见的。

技术特征：
1.一种基于动态模糊神经网络的天然气水合物饱和度计算方法，其特征在于，包括：基于三维地震数据体，获取多种地震属性；计算饱和度与每种地震属性的相关系数，选取所述相关系数大于或等于相关阈值的地震属性，作为优选地震属性；基于三维地震数据体，针对每种优选地震属性，将已知所述优选地震属性数据和饱和度数据的井点作为样本井点，基于多个样本井点的所述优选地震属性数据和饱和度数据进行深度学习神经网络模型训练，获得所述优选地震属性与饱和度的转换关系模型；基于具有优选地震属性的数据体和所述优选地震属性与饱和度的转换关系模型，获得饱和度数据体。2.根据权利要求1所述的基于动态模糊神经网络的天然气水合物饱和度计算方法，其特征在于，采用下述步骤获取多种地震属性：基于所述三维地震数据体，通过地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参数反演获得多种地震属性。3.根据权利要求2所述的基于动态模糊神经网络的天然气水合物饱和度计算方法，其特征在于，通过下述步骤计算饱和度与地震属性的相关系数：在所述三维地震数据体中沿井轨迹抽取多个井点的所述地震属性的伪井曲线，对饱和度目标曲线和所述地震属性的伪井曲线进行相关性分析，计算所述饱和度与地震属性的相关系数。4.根据权利要求2所述的基于动态模糊神经网络的天然气水合物饱和度计算方法，其特征在于，将样本井点的所述优选地震属性数据作为深度学习神经网络模型的输入数据，根据所述深度学习神经网络模型的输出数据与所述样本井点的饱和度数据的误差进行迭代，修改所述深度学习神经网络模型的参数，直至所述深度学习神经网络模型的输出数据与所述样本井点的饱和度数据的误差小于误差阈值为止。5.根据权利要求4所述的基于动态模糊神经网络的天然气水合物饱和度计算方法，其特征在于，通过下述步骤获得饱和度数据体：将具有优选地震属性的数据体作为所述优选地震属性与饱和度的转换关系模型的输入数据，将所述优选地震属性与饱和度的转换关系模型的输出数据作为饱和度数据体。6.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有可执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-5所述的基于动态模糊神经网络的天然气水合物饱和度计算方法。7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现根据权利要求1-5所述的基于动态模糊神经网络的天然气水合物饱和度计算方法。8.一种基于动态模糊神经网络的天然气水合物饱和度计算装置，其特征在于，包括：多种地震属性获得模块，基于三维地震数据体，获取多种地震属性；优选地震属性获得模块，计算饱和度与每种地震属性的相关系数，选取所述相关系数大于或等于相关阈值的地震属性，作为优选地震属性；转换关系模型获得模块，基于三维地震数据体，针对每种优选地震属性，将已知所述优
选地震属性数据和饱和度数据的井点作为样本井点，基于多个样本井点的所述优选地震属性数据和饱和度数据进行深度学习神经网络模型训练，获得所述优选地震属性与饱和度的转换关系模型；饱和度数据体获得模块，基于具有优选地震属性的数据体和所述优选地震属性与饱和度的转换关系模型，获得饱和度数据体。9.根据权利要求8所述的基于动态模糊神经网络的天然气水合物饱和度计算装置，其特征在于，采用下述步骤获取多种地震属性：基于所述三维地震数据体，通过地震属性分析、叠后反演、叠前振幅偏移属性分析、叠前弹性参数反演获得多种地震属性。10.根据权利要求9所述的基于动态模糊神经网络的天然气水合物饱和度计算装置，其特征在于，通过下述步骤计算饱和度与地震属性的相关系数：在所述三维地震数据体中沿井轨迹抽取多个井点的所述地震属性的伪井曲线，对饱和度目标曲线和所述地震属性的伪井曲线进行相关性分析，计算所述饱和度与地震属性的相关系数。

技术总结
本发明公开了天然气水合物饱和度计算方法、装置、介质及设备，该方法包括：基于三维地震数据体，获取多种地震属性；计算饱和度与每种地震属性的相关系数，选取相关系数大于或等于相关阈值的地震属性，作为优选地震属性；针对每种优选地震属性，将已知优选地震属性数据和饱和度数据的井点作为样本井点，基于多个样本井点的优选地震属性数据和饱和度数据进行深度学习神经网络模型训练，获得优选地震属性与饱和度的转换关系模型；基于具有优选地震属性的数据体和优选地震属性与饱和度的转换关系模型，获得饱和度数据体。本发明获得的饱和度数据体，准确度高，相比常规使用线性转换预测水合物饱和度的方法明显提高了预测精度。测水合物饱和度的方法明显提高了预测精度。测水合物饱和度的方法明显提高了预测精度。


技术研发人员：韩磊 刘俊州 朱成宏 王震宇 钱恪然 时磊 张丰麒 杨震
受保护的技术使用者：中国石油化工股份有限公司石油勘探开发研究院
技术研发日：2022.03.11
技术公布日：2023/9/23