本发明涉及石油地球物理勘探领域，特别是涉及一种基于多元信息的储层类型划分方法及系统。
背景技术：
储层类型划分是油藏描述的重要内容之一，是开展油田开发潜力分析的关键工作。在实际生产中通常采用泥质含量、渗透率等与储层特征密切相关的参数开展储层类型的划分，其中，泥质含量能够反映储层岩性和物性特征，渗透率能够表征流体在岩石内部流动难易程度。但用于储层类型划分的泥质含量和渗透率等参数并不能直接从测井的测量数据中直接获取，而是基于实际测井曲线采用交会图法或经验公式计算来获得，这些方法的准确性取决于模型特征参数、区域地质特征和分层特征的选取，受专家判别和经验等人为因素影响较大。由于每种测井参数都有其特定的适用地层，而且没有哪种测井参数能够完全适用于所有地层，在开展储层类型划分时往往只利用了有限的测井信息，导致储层划分的精度不高。
技术实现要素：
本发明的目的是提供一种基于多元信息的储层类型划分方法及系统，提高储层划分的精度。
为实现上述目的，本发明提供了如下方案：
一种基于多元信息的储层类型划分方法，包括：
从多个样本点的测井数据中获取对储层类型敏感的数据；所述对储层类型敏感的数据包括中子数据、电阻率、孔隙度、声波时差、自然伽马和补偿密度；
获取对各个样本点进行人工储层划分得到的各个样本点的实际储层类型；
将各个样本点的对储层类型敏感的数据输入深度神经网络，调整神经网络的结构参数使神经网络输出对应的储层类型，从而对所述深度神经网络进行训练；训练好的所述深度神经网络用于根据实测的对储层类型敏感的数据实现对储层类型的划分。
可选的，所述将各个样本点的对储层类型敏感的数据输入深度神经网络，调整神经网络的结构参数使神经网络输出对应的储层类型，从而对所述深度神经网络进行训练，具体包括：
利用交会图法和核密度估计法分别对每种所述对储层类型敏感的数据进行特征统计，确定每种所述对储层类型敏感的数据的均值和方差，得到每种数据的样本均值和样本方差；
利用每种数据的样本均值和样本方差对每个所述对储层类型敏感的数据进行标准化，得到标准化的数据；
将每个样本点的各个类型的所述标准化的数据作为深度神经网络的输入，以线性整流函数作为所述深度神经网络的激活函数，通过调整所述深度神经网络的结构参数，使所述深度神经网络输出的储层类型数据与对应的实际储层类型之间的差值在预设范围之内，从而完成深度神经网络的训练。
可选的，根据实测的对储层类型敏感的数据对储层类型进行划分的过程包括：
获取实测的对储层类型敏感的数据，得到实测数据；
计算每种所述实测数据的均值和方差，得到每种实测数据的实测均值和实测方差；
利用每种数据的样本均值和样本方差计算每种数据的均值阈值范围和方差阈值范围；
判断每种实测数据的实测均值是否位于对应的均值阈值范围内以及每种实测数据的实测方差是否位于对应的方差阈值范围内，得到第一判断结果；
若所述第一判断结果表示任意一种实测数据的实测均值位于对应的均值阈值范围之外和/或实测方差位于对应的方差阈值范围外，则重新采集对应类型的数据；
若所述第一判断结果表示每种实测数据的实测均值位于对应的均值阈值范围内且实测方差位于对应的方差阈值范围内，则对各个实测数据进行标准化，得到标准实测数据；
将各个类型的所述标准实测数据作为深度神经网络的输入，得到神经网络的输出的实测储层类型。
本发明还公开一种基于多元信息的储层类型划分系统，包括：
样本数据获取模块，用于从多个样本点的测井数据中获取对储层类型敏感的数据；所述对储层类型敏感的数据包括中子数据、电阻率、孔隙度、声波时差、自然伽马和补偿密度；
实际储层类型获取模块，用于获取对各个样本点进行人工储层划分得到的各个样本点的实际储层类型；
神经网络训练模块，用于将各个样本点的对储层类型敏感的数据输入深度神经网络，调整神经网络的结构参数使神经网络输出对应的储层类型，从而对所述深度神经网络进行训练；训练好的所述深度神经网络用于根据实测的对储层类型敏感的数据实现对储层类型的划分。
可选的，所述神经网络训练模块，具体包括：
样本数据均值和方差计算单元，用于利用交会图法和核密度估计法分别对每种所述对储层类型敏感的数据进行特征统计，确定每种所述对储层类型敏感的数据的均值和方差，得到每种数据的样本均值和样本方差；
样本数据标准化单元，用于利用每种数据的样本均值和样本方差对每个所述对储层类型敏感的数据进行标准化，得到标准化的数据；
训练单元，用于将每个样本点的各个类型的所述标准化的数据作为深度神经网络的输入，以线性整流函数作为所述深度神经网络的激活函数，通过调整所述深度神经网络的结构参数，使所述深度神经网络输出的储层类型数据与对应的实际储层类型之间的差值在预设范围之内，从而完成深度神经网络的训练。
可选的，所述储层类型划分系统还包括储层划分模块，用于根据实测的对储层类型敏感的数据对储层类型进行划分；所述储层划分模块，具体包括：
实测数据获取单元，用于获取实测的对储层类型敏感的数据，得到实测数据；
实测数据均值和方差计算单元，用于计算每种所述实测数据的均值和方差，得到每种实测数据的实测均值和实测方差；
阈值范围计算单元，用于利用每种数据的样本均值和样本方差计算每种数据的均值阈值范围和方差阈值范围；
判断单元，用于判断每种实测数据的实测均值是否位于对应的均值阈值范围内以及每种实测数据的实测方差是否位于对应的方差阈值范围内，得到判断结果；
数据重采单元，用于若所述判断结果表示任意一种实测数据的实测均值位于对应的均值阈值范围之外和/或实测方差位于对应的方差阈值范围外，则重新采集对应类型的数据；
实测数据标准化单元，用于若所述判断结果表示每种实测数据的实测均值位于对应的均值阈值范围内且实测方差位于对应的方差阈值范围内，则对各个实测数据进行标准化，得到标准实测数据；
储层划分单元，用于将各个类型的所述标准实测数据作为深度神经网络的输入，得到神经网络的输出的实测储层类型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开的基于多元信息的储层类型划分方法及系统，通过结合中子数据、电阻率、孔隙度、声波时差、自然伽马和补偿密度等多种数据，采用深度神经网络的学习建立多种数据与储层类型之间的复杂非线性关系，实现储层类型的自动化智能化划分。本发明通过自动化智能化划分，避免了人为因素的干扰，提高了储层类型划分的精度，同时利用多种数据，实现了多元信息的融合，进一步提高了储层划分精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多元信息的储层类型划分方法实施例的方法流程图；
图2为不同类型储层中不同测井参数的有效分布范围图；
图3为本发明所采用的深度神经网络的网络结构图；
图4为深度神经网络训练过程中目标函数逐渐变得平缓的函数曲线示意图；
图5为采用本发明的基于多元信息的储层类型划分方法得到的储层划分结果图；
图6为本发明基于多元信息的储层类型划分系统实施例的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是充分利用声放电等多元测井信息开展储层类型的直接划分，采用实际生产资料中的测井多元信息建立储层类型样本库，利用深度学习网络来构建多元测井信息与储层类型之间的复杂非线性关系，开展声放电等多元测井信息的综合利用，从而能够实际测井资料中的储层类型的直接划分，避免间接计算泥质含量、渗透率等参数后再进行储层类型划分时存在的不确定性，避免人为因素对储层类型划分的影响，提升储层类型预测的自动化和智能化水平。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于多元信息的储层类型划分方法实施例的方法流程图。
参见图1，该基于多元信息的储层类型划分方法，包括：
步骤101：从多个样本点的测井数据中获取对储层类型敏感的数据；所述对储层类型敏感的数据包括中子数据、电阻率、孔隙度、声波时差、自然伽马和补偿密度。
通过对研究工区现有测井资料中的声波、放射性、电阻率等多种不同类型的测井信息进行筛选，整理出对岩性敏感的自然伽马、电阻率、自然电位、中子等测井曲线，对渗透率敏感的中子、密度、声波等各种相关测井曲线。本发明考虑到在实际生产中划分储层类型时主要依据泥质含量和渗透率参数，选取中子数据、电阻率、孔隙度、声波时差、自然伽马、补偿密度等6种测井参数作为储层类型划分的多元信息源。也可以在此基础上进一步增加别的参数，但前提是增加的参数在每个储层类型上都具有有效数值，然后剔除井壁垮塌严重处的数据和由于测井仪器或测量误差所引起的异常数值，为构建储层类型数值化样本库提供基础数据基础。
步骤102：获取对各个样本点进行人工储层划分得到的各个样本点的实际储层类型。
对选取的中子数据、电阻率、孔隙度、声波时差、自然伽马、补偿密度6种测井参数进行建库，针对每口井资料的特征开展环境校正，并将单位都统一到国际标准单位，确保不同时期、不同仪器、不同操作人员测量得到的数据都能得到有效使用。在此基础上根据现有的泥质含量、渗透率参数和试油结果对不同深度处的数据样本进行储层类型的人工划分，将每个样本点的数据分别划分为非储层、ⅰ类储层(相对理想的油气储集层，开发潜力大)和ⅱ类储层(可能的油气储集层，具有一定的开发潜力)等三种类型，并分别用数字0、1、2作为标记，建立起每个样本点处多元测井信息的储层类型数值化样本库。所述非储层为泥质含量较大的储层，基本无开发潜力；所述ⅰ类储层为相对理想的油气储集层，开发潜力大；所述ⅱ类储层为可能的油气储集层，具有一定的开发潜力。
步骤103：将各个样本点的对储层类型敏感的数据输入深度神经网络，调整神经网络的结构参数使神经网络输出对应的储层类型，从而对所述深度神经网络进行训练；训练好的所述深度神经网络用于根据实测的对储层类型敏感的数据实现对储层类型的划分。
该步骤103具体包括：
利用交会图法和核密度估计法分别对每种所述对储层类型敏感的数据进行特征统计，确定每种所述对储层类型敏感的数据的均值和方差，得到每种数据的样本均值和样本方差；
利用每种数据的样本均值和样本方差对每个所述对储层类型敏感的数据进行标准化，得到标准化的数据；
将每个样本点的各个类型的所述标准化的数据作为深度神经网络的输入，以线性整流函数作为所述深度神经网络的激活函数，通过调整所述深度神经网络的结构参数，使所述深度神经网络输出的储层类型数据与对应的实际储层类型之间的差值在预设范围之内，从而完成深度神经网络的训练。
该步骤103具体可采用如下的具体实施方式实现：
建立起储层类型样本库之后，必须对样本库中的多元参数进行特征统计和标准化，旨在确保样本库中每个参数的分布范围均匀合理，同时为后续实际资料储层类型的预测提供参数依据。本发明采用交会图法和核密度估计图法联合开展样本库特征统计工作(交会图法就是每两个参数都分别做交会分析以统计数据的分布特征，核密度法在概率论中用来估计参数的密度函数，从而获得下面所需要的统计特征)，获得每个参数在样本库中的均值μi和方差σi(i为数据种类编号，共有中子数据、电阻率、孔隙度、声波时差、自然伽马、补偿密度6种测井参数，因此i＝1，2，……，6)，明确不同类型储层中不同测井参数的有效分布范围，图2为不同类型储层中不同测井参数的有效分布范围图。该分布范围用于在进行实测时判断实测数据是否可以用来对储层类型进行判断。然后根据每个参数的核密度估计峰值和带宽来确定每种测井参数对于储层类型类别所具有的区分度。特别是当参数分布范围不均匀、储层类型样本数不足时则需要继续补充样本库信息，即样本数不满足训练条件还需要继续收集更多更充分的数据，为构建储层类型与多元信息之间的合理关系奠定基础。
考虑到实际生产数据中由于施工队伍、仪器和测量等因素的影响，需要对多元参数信息进行标准化，优化储层类型样本库的数据结构。本发明采用下述公式对多元信息库数据进行标准化，确保标准化之后的数据符合均值为0、方差为1的正态分布，即：
其中μi为样本库中对应的测井数据均值，σi为对应的样本数据方差，i为数据种类编号(i＝1，2，……，6)，j代表不同的样本点(j＝1，2，……，n(n为样本点总数))，xij代表标准化前的参数，zij代表标准化之后的参数。
在标准化完成之后，需要对神经网络进行的结构进行定义。在设计深度神经网络时需要针对储层类型样本库的特征开展精准设计，明确深度神经网络的层数、每层的神经元数和激活函数等网络结构参数。图3为本发明所采用的深度神经网络的网络结构图。参见图3，本发明构建了一个包含5个隐藏层的深度神经网络模型，其中每个隐藏层的神经元数目分别为20，40，80，40，20。在网络设计中采用了线性整流函数(relu函数)作为激活函数，从而有效缓解过拟合问题并加速网络收敛过程，并在输出层之前添加了softmax层。该网络结构用矩阵形式可以表示为：
g(w(1)a(1)+b(1))＝a(2)
g(w(2)a(2)+b(2))＝a(3)
...
g(w(n-1)a(n-1)+b(n-1))＝y
其中，g(x)表示激活函数的运算形式，本发明采用的激活函数为relu函数，即g(x)＝max(0,x)，n表示深度神经网络的层数(本发明中n＝6，即隐藏层层数加上输出层之和)，b(i)表示偏置项，其中a(i)(i＝1，…，n-1)为中间层特征向量(当i＝1时，a(1)代表所采用的样本库中的多元测井信息)，w(i)表示网络结构中从第i层映射到第i+1层的权重矩阵，y代表样本库中标记好的储层类型。
在网络结构定义完成之后，采用多元信息储层类型样本库中的所有数据输入到深度神经网络中进行训练，训练时首先随机给定模型参数(即网络的权重值w(i)和偏置项b(i))，通过反复迭代来调整模型参数数值，以确保样本库中的多元信息通过该网络后输出后的储层类型y'与样本库中的储层类型y之间达到目标函数误差最小，具体的目标函数表达形式如下：
本发明在训练过程中采用了正则化方法来防止过拟合现象，即在每次迭代训练时随机使一部分神经元不参与训练，从而减少神经元之间的相互依赖关系，以提高神经网络的泛化能力；采用了基于梯度下降的优化算法来更新训练迭代过程中的模型参数，即根据目标函数计算网络模型中每一个参数的梯度，利用该梯度值对网络参数进行更新，并设定模型参数的最大迭代次数为5000次，当训练达到最大迭代次数或目标函数在迭代过程中逐级变得平缓时即可停止训练，图4为深度神经网络训练过程中目标函数逐渐变得平缓的函数曲线示意图，从图中可知，目标函数的斜率逐渐变低即代表目标函数逐渐变得平缓。当达到此条件即可保存训练得到的网络模型参数w(i)和b(i)(i＝1，…，n-1)。
在训练完成之后，就可以利用训练结果开展储层类型的划分了。
根据实测的对储层类型敏感的数据对储层类型进行划分的过程包括：
获取实测的对储层类型敏感的数据，得到实测数据；
计算每种所述实测数据的均值和方差，得到每种实测数据的实测均值和实测方差；
利用每种数据的样本均值和样本方差计算每种数据的均值阈值范围和方差阈值范围；
判断每种实测数据的实测均值是否位于对应的均值阈值范围内以及每种实测数据的实测方差是否位于对应的方差阈值范围内，得到第一判断结果；
若所述第一判断结果表示任意一种实测数据的实测均值位于对应的均值阈值范围之外和/或实测方差位于对应的方差阈值范围外，则重新采集对应类型的数据；
若所述第一判断结果表示每种实测数据的实测均值位于对应的均值阈值范围内且实测方差位于对应的方差阈值范围内，则对各个实测数据进行标准化，得到标准实测数据；
将各个类型的所述标准实测数据作为深度神经网络的输入，得到神经网络的输出的实测储层类型。
具体可以采用如下实施方式进行储层类型的划分：
在开展实际资料储层类型划分时首先从众多测井数据中筛选出需要的多元信息(即中子数据、电阻率、孔隙度、声波时差、自然伽马、补偿密度6种数据)并剔除数据异常值，计算出实际数据中各多元信息的平均值μ'和方差σ'，并将平均值μ'和方差σ'与本发明建立的样本库中的多元信息统计范围进行比较，在比较中采用以下标准：
μ×(1-α)＜μ'＜μ×(1+α)
σ×(1-2α)＜σ'＜σ×(1+2α)
其中,α为预测数据的置信度参数，本发明设定α＝0.1。当实际数据特征不满足上式时，表明待划分储层类型的多元数据与样本库中该信息的分布特征相差过大，不满足储层类型划分的基本条件，需要重新检查该数据是否合理，若不合理需重新采集数据。当输入实际数据的统计特征满足上式时，则该数据可以直接采用本方法来开展储层类型划分。然后，对待预测数据中的多元信息进行标准化，并利用训练得到的网络模型参数w和b对实际输入的多元测井信息开展储层类型划分，从而得到该数据对应于的储层类型划分结果并输出成图。
图5为采用本发明的基于多元信息的储层类型划分方法得到的储层划分结果图。
参见图5，采用本发明的基于多元信息的储层类型划分能够提高储层划分的精度。
图6为本发明基于多元信息的储层类型划分系统实施例的系统结构图。
参见图6，该基于多元信息的储层类型划分系统，包括：
样本数据获取模块601，用于从多个样本点的测井数据中获取对储层类型敏感的数据；所述对储层类型敏感的数据包括中子数据、电阻率、孔隙度、声波时差、自然伽马和补偿密度；
实际储层类型获取模块602，用于获取对各个样本点进行人工储层划分得到的各个样本点的实际储层类型；
神经网络训练模块603，用于将各个样本点的对储层类型敏感的数据输入深度神经网络，调整神经网络的结构参数使神经网络输出对应的储层类型，从而对所述深度神经网络进行训练；训练好的所述深度神经网络用于根据实测的对储层类型敏感的数据实现对储层类型的划分。
所述神经网络训练模块603，具体包括：
样本数据均值和方差计算单元，用于利用交会图法和核密度估计法分别对每种所述对储层类型敏感的数据进行特征统计，确定每种所述对储层类型敏感的数据的均值和方差，得到每种数据的样本均值和样本方差；
样本数据标准化单元，用于利用每种数据的样本均值和样本方差对每个所述对储层类型敏感的数据进行标准化，得到标准化的数据；
训练单元，用于将每个样本点的各个类型的所述标准化的数据作为深度神经网络的输入，以线性整流函数作为所述深度神经网络的激活函数，通过调整所述深度神经网络的结构参数，使所述深度神经网络输出的储层类型数据与对应的实际储层类型之间的差值在预设范围之内，从而完成深度神经网络的训练。
储层划分模块604，用于根据实测的对储层类型敏感的数据对储层类型进行划分；所述储层划分模块604，具体包括：
实测数据获取单元，用于获取实测的对储层类型敏感的数据，得到实测数据；
实测数据均值和方差计算单元，用于计算每种所述实测数据的均值和方差，得到每种实测数据的实测均值和实测方差；
阈值范围计算单元，用于利用每种数据的样本均值和样本方差计算每种数据的均值阈值范围和方差阈值范围；
判断单元，用于判断每种实测数据的实测均值是否位于对应的均值阈值范围内以及每种实测数据的实测方差是否位于对应的方差阈值范围内，得到判断结果；
数据重采单元，用于若所述判断结果表示任意一种实测数据的实测均值位于对应的均值阈值范围之外和/或实测方差位于对应的方差阈值范围外，则重新采集对应类型的数据；
实测数据标准化单元，用于若所述判断结果表示每种实测数据的实测均值位于对应的均值阈值范围内且实测方差位于对应的方差阈值范围内，则对各个实测数据进行标准化，得到标准实测数据；
储层划分单元，用于将各个类型的所述标准实测数据作为深度神经网络的输入，得到神经网络的输出的实测储层类型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开的基于多元信息的储层类型划分方法及系统，通过结合中子数据、电阻率、孔隙度、声波时差、自然伽马和补偿密度等多种数据，采用深度神经网络的学习建立多种数据与储层类型之间的复杂非线性关系，实现储层类型的自动化智能化划分。本发明通过自动化智能化划分，避免了人为因素的干扰，提高了储层类型划分的精度，同时利用多种数据，实现了多元信息的融合，进一步提高了储层划分精度。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。