基于双向循环神经网络的河流相储层预测方法及应用

基于双向循环神经网络的河流相储层预测方法及应用

李昕芮

中国石油大港油田公司第一采油厂   300280

摘要:近些年随着经济的快速发展，人们对于生活质量要求越来越高，在满足基本需求后又对水文、环境等各方面提出了更高层次的环保性和安全性，目前对于水体相渗及其风险评价技术已经成为研究热点。本文基于神经网络理论与方法建立起河流相储层预测模型并应用到实际工程当中是该领域一个新发现之一课题。

关键词：循环神经网络；储层预测方法；样本构建

一、引言

近年来，随着经济的快速发展，能源需求也在不断增长，同时伴有环境污染和资源枯竭等问题，这些因素都严重阻碍了人类社会可持续发展。因此世界上许多国家开始关注并重视起开发利用新技术、新兴材料以及绿色工程等方面项目的研究工作。基于循环神经网络进行预测地层相褶皱应力场分析的方法是目前运用最广泛且有效的一种算法之一，它能将传统正断层裂缝问题转化为非线性有限差分法求解。在模型训练阶段运用正向梯度水通道长度确定各层夹层厚度，将反向梯度断层与水深之间进行了复合运算得到深度值。基于双向循环神经网络的井间砂岩含油率预测方法是一种符合实际情况、高效实用且有效可靠地综合考虑成本和风险等方面因素，在实际应用中取得了很好的效果，具有一定的实用性。

二、双向循环神经网络的构建

循环网络由多个神经元组成，每个神经元都有自己的输出端，并且每一个输入端的信号都是相互独立、耦合和连接的。双向循环神经网络在没有外界影响时存在着许多不确定因素，这些干扰对其来说是不可控制的：一方面来自外部环境，另一方面来源于内部环境或观测对象本身。因此它具有非线性且随机性强等特征，这使得网络拥有了良好的容错能力及动态响应速度快、可重复和稳定性好等等特点。在地质条件良好的情况下，通过对构造运动参数和储层厚度等因素进行预测，能够有效地解决传统方法难以处理地震、油气藏、非均质性或复杂褶皱时无法准确获得储集体液体信息以及不确定性问题。

近年来，随着现代工业信息化、技术智能化等领域对优势储层识别技术要求越来越高，神经网络具有自学习能力强及有选择的并行分布权函数可提高其训练速度。它能在短时间内完成大量非线性映射过程，并且通过对输出信号的参数识别和人工神经元结构设计，可以获得人工神经元的输出信息，神经网络能够自动学习和处理复杂函数[1]。

三、基于双向循环神经网络的河流相储层建模

（一）样本数据准备

在选取原始数据之前,首先要对样本的来源、特性进行分析研究。一般来说，选取一个有代表性且能反映整个储层沉积过程情况和构造规律的样本集是非常必要也很困难。因此应采用多种方法相结合来获取资料并选择合适特征量作为实验结果，然后根据不同储层模型建立起相应关系矩阵(如LCA)，最后再利用反向传播算法获得原始数据的输入为循环模式识别的输出，以得到最终预测成果。

根据预测方法，一是需要获取储层的地质资料，包括河流的地形地貌、地层岩性以及沉积环境等，二是还需收集不同液体动力条件下形成相变时的温度变化情况，三是采集原始样本数据，四是为对历史资料进行分析并计算出模型阈值，五是输入一个待定参数，最后是要在预测结果中不断调整迭代过程从而获得最终期望输出结果，最终确定合适的循环模型。

（二）数据预处理

在传统的反演方法中，我们一般是先进行粗略地选择一个近似值，然后再对数据集进行进一步的处理。但是由于原始样本数量较多且分布较为分散且不集中，因此很难将大量具有相同特征属性和不同方向或同一种类型结构等参数作为预测对象来考虑到其变化趋势性以及规律性来建立合适有效算法的模型，同时也因为所求数据之间有很大差别而且难以提取出来而使得计算量大大地提高，因此本文采用反向传播算法对原始样本数据进行反演，并使用该方法来建立一个基于梯度的神经网络模型[2]。

（三）超参数和优化方法选择

根据预测模型的选择原则，我们可以把预测方法分为三类，分别为基于历史数据特征提取法、面向设计/控制点选取和人工神经网络等其他算法。基于历史数据基础提取法是以原始输入参数作为依据来构造权值矩阵进行自下而上逐层建模得到相关系数矩阵，同时也可根据实际情况选择使用的迭代器或线性化获得最优预测结果，并能有效提高模型精度及稳定性。根据预测方法选取的标准不同，可以将各种算法进行组合，以满足实际应用需求，如:一是最小合成法。最大化利用最优化原则来实现对储层模型、地震波相干度和砂泥匹配程度等参数的求取。二是平均合成法则。在选择最优方法时需要考虑下列因素：首先所选技术方案是否为最佳目标，其次是该方法能否提供足够的时间进行储层预测工作并能准确获得储层有效距离及油井采出率。

四、双向循环神经网络在储层预测中的应用

（一）双向循环神经网络的应用与分析

随着现代工业的快速发展以及能源资源日益紧张，如何有效利用有限的石油、天然气等不可再生资源，开发出节约使用空间和降低物耗率成为目前研究热点。在这个背景下基于神经元网络自适应能力强、分布广泛且非线性系统结构简单易于实现等优点应用于

储层模型预测中具有重要意义。随着经济的发展和科技进步，人类对能源需求也越来越大。传统的能量管理方法已经不能满足人们日益增长而带来更多新技术、新型材料以及更高效利用资源。因此开发出一种能高效节能环保又具有良好环境适应性并与全球可持续相协调运行系统(LCADA)相结合，能够有效地提高能源使用效率及减少污染物排放量和污染性气体产生量，同时还可以降低生产成本并且对生态环境有着巨大的改善作用。

（二）模型仿真结果

根据预测结果，可以对京津冀地区的河流相储层进行提取，并将其作为一个独立运行状态。通过模型仿真得到：对于同一条河流与目标河道(含河道砂岩、泥岩等地层)相比在全部厚度下所对应得最大距离为10cm，其中心值和孔隙度是影响整个相区油气藏特征最重要因素。对不同构造的河流储层进行提取，可以得出两个相对较大程度上沉积速率相同的储集层。在进行基于反向传播算法的预测过程中，首先，通过对模型参数求取修正阈值，其次利用矢量几何得到目标层相对于水波相位图的权值，然后将其与实际深度之间差分门别类，最后在反向传播的过程中，根据误差调整各种参数的值且不断迭代上述过程，直至收敛[3]。

在进行基于反向传播算法预测过程中，首先运用梯度下降投影对原始数据进行标准化处理，得到原始数据的梯度下降投影，根据公式计算出河流相储油能力，然后再利用反向传播算法求取整个模型阈值，最后将其进行参数反演处理后与预测区域内油气性做相同的距离折衷运算即可得出该层段河道油水界面、相储高程等信息，并对结果进行分析验证是否符合双向循环过程要求，以及最终目标是实现预期目标所需的时间及成本问题，在使用梯度下降投影法和反向传播算法时，主要应用的是线性函数逼近方法。

五、总结

总而言之，随着经济的发展和人类社会活动对油气资源需求量的不断增加，人们开始追求更优质、高效地勘探评价储层。目前，由于全球疫情加剧以及环保压力等原因造成了许多复杂工况下无法使用常规方式进行开采。在这种情况之下开发运用基于双向循环神经网络(LIBS)相联平台能够有效解决传统人工神经元效率低且稳定性差的缺点，同时还可以应用正向传播算法对油气水参数进行预测并将其与历史数据作比较来确定是否采用该技术，实现双向循环，提高水处理效果，降低开采风险，在不久的将来会出现新技术、新方法以及更先进有效地算法来代替传统人工神经网络。

参考文献：

[1]刘力辉.基于深度学习的地震岩相反演方法[J].石油物探，2019（01）.

[2]基于深度学习卷积神经网络的地震数据随机噪声去除[J].石油物探，2019（06）.

[3]张向军.基于支持向量机的交互检验储层预测[J].石油物探，2021（01）.