自动地表下性质模型构建和验证的制作方法

背景技术：

1、在油田和其他环境中收集测量值，所述测量值可用于计算或“求反”感兴趣的地下体积的各种性质。采用各种处理和建模技术来执行这种求反。一般来说，求反过程依赖于若干种不同的此类处理和/或建模技术的组合，其中一直要求人工干预。例如，主题专家可接收在一个阶段处生成的数据并且解释所述数据，例如，先标记感兴趣的地层或结构/体积等，然后将数据传递到下一个阶段。

2、包括此类基于人的努力以及过程的脱节性质可能使过程变得耗时、容易出错且昂贵。

技术实现思路

1、本公开的实施方案包括一种用于对感兴趣的地下体积的地表下性质进行建模的方法。所述方法包括：接收表示所述感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。

2、在一个实施方案中，训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。

3、在一个实施方案中，所述输入测量数据包括测井、地震数据或两者。

4、在一个实施方案中，所述方法还包括：在至少部分地基于所述输入测量数据来预测所述地表下性质之前，使用机器学习模型、基于物理的模型或两者处理所述输入测量数据。

5、在一个实施方案中，所述地表下性质选自由以下组成的组：电阻率、密度、一个或多个地震属性、相对地质时间、断层位置、盐体位置和地层情况(stratigraphy)。

6、在一个实施方案中，所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。

7、在一个实施方案中，训练所述第一机器学习模型、所述第二机器学习模型或两者包括：使所述第一机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第二机器学习模型；以及使所述第二机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第一机器学习模型。

8、在一个实施方案中，使用第一机器学习模型至少部分地基于所述输入测量数据来预测所述地表下性质包括：将地震道与噪声组合；训练自监督学习模型以根据所述地震道和噪声的所述组合重建所述地震道，所述自监督学习模型包括ssl编码器和ssl解码器；训练监督学习模型以基于地震道来预测一个或多个性质，所述监督学习模型包括所训练自监督学习模型的所述ssl解码器和sl编码器；以及使用所述监督学习模型预测所述地表下性质。

9、本公开的实施方案还包括计算系统，所述计算系统包括：一个或多个处理器；以及存储器系统，所述存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，所述指令在由所述一个或多个处理器中的至少一个执行时致使所述计算系统执行操作。所述操作包括：接收表示感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。

10、本公开的实施方案还包括存储指令的非暂时性计算机可读介质，所述指令在由计算系统的至少一个处理器执行时致使所述计算系统执行操作。所述操作包括：接收表示感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。

11、提供本概述是为了介绍在以下详细描述中进一步描述的一系列概念。本概述并非意图标识所要求保护的主题的关键或本质特征，也非意图用作限制所要求保护的主题的范围的辅助。

技术特征：

1.一种用于对感兴趣的地下体积的地表下性质进行建模的方法，其包括：

2.如权利要求1所述的方法，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。

3.如权利要求1所述的方法，其中所述输入测量数据包括测井、地震数据或两者。

4.如权利要求1所述的方法，其还包括：使用机器学习模型、基于物理的模型或两者处理所述输入测量数据，之后至少部分地基于所述输入测量数据来预测所述地表下性质。

5.如权利要求1所述的方法，其中所述地表下性质选自由以下组成的组：电阻率、密度、一个或多个地震属性、相对地质时间、断层位置、盐体位置和地层情况。

6.如权利要求1所述的方法，其中所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且其中所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。

7.如权利要求1所述的方法，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括：

8.如权利要求1所述的方法，其中使用第一机器学习模型至少部分地基于所述输入测量数据来预测所述地表下性质包括：

9.一种系统，其包括：

10.如权利要求9所述的系统，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。

11.如权利要求9所述的系统，其中所述输入测量数据包括测井、地震数据或两者。

12.如权利要求9所述的系统，其中所述操作还包括：使用机器学习模型、基于物理的模型或两者处理所述输入测量数据，之后至少部分地基于所述输入测量数据来预测所述地表下性质。

13.如权利要求9所述的系统，其中所述地表下性质选自由以下组成的组：电阻率、密度、一个或多个地震属性、相对地质时间、断层位置、盐体位置和地层情况。

14.如权利要求9所述的系统，其中所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且其中所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。

15.如权利要求9所述的系统，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括：

16.如权利要求9所述的系统，其中使用第一机器学习模型至少部分地基于所述输入测量数据来预测所述地表下性质包括：

17.一种存储指令的非暂时性计算机可读介质，所述指令在由计算系统的至少一个处理器执行时致使所述计算系统执行操作，所述操作包括：

18.如权利要求17所述的介质，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。

19.如权利要求17所述的介质，其中所述操作还包括：使用机器学习模型、基于物理的模型或两者处理所述输入测量数据，之后至少部分地基于所述输入测量数据来预测所述地表下性质。

20.如权利要求17所述的介质，其中所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且其中所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。

技术总结
一种用于对感兴趣的地下体积的地表下性质进行建模的方法包括：接收表示感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。

技术研发人员：A·阿布巴卡,邸海滨,T·赵,Z·李,李岑
受保护的技术使用者：吉奥奎斯特系统公司
技术研发日：
技术公布日：2024/1/16