[发明专利]用于地层的渗透率的监督学习的系统和方法

说明书

本文的实施例包括一种用于表征岩层样本的方法。用于表征岩层样本的方法包括获得表征岩层样本的多个数据集。该方法还包括训练神经网络以生成计算模型。此外，该方法还包括使用多个数据集作为计算模型的输入，其中计算模型可以由处理器实现，该处理器导出岩层样本的渗透率的估计。

相关申请的交叉引用

本申请要求2019年3月8日提交的美国临时申请号62/815,714和2019年3月11日提交的美国临时申请号62/816,566的权益；这两个申请的内容在此引入作为参考。

技术领域

本公开涉及地层渗透率的监督学习，更具体地，涉及用于地层渗透率的监督学习的系统和方法。

背景技术

在评价储层时，渗透率是地质岩层(也称为地层)的一个重要的必需岩石物理参数。具体而言，准确确定渗透率对于了解储层的价值非常重要。此外，它是预测油气产量的储层模型中的重要输入。虽然已经开发了多种利用不同测井和岩心测量来确定渗透率的方法，但围绕数据异方差的问题仍然是一个挑战。

发明内容

提供本发明内容是为了介绍将在下面的详细描述中进一步描述的一些概念。本发明内容不旨在标识所要求保护的主题的基本特征，也不旨在用于帮助限制所要求保护的主题的范围。

在本公开的实施例中，提供了一种用于表征岩层样本的方法。用于表征岩层样本的方法可以包括获得表征岩层样本的多个数据集。用于表征岩层样本的方法还可以包括训练神经网络以生成计算模型。此外，用于表征岩层样本的方法可以另外包括使用多个数据集作为计算模型的输入，其中计算模型可以由处理器实现，该处理器导出岩层样本的渗透率的估计。

可以包括以下一个或多个特征。计算模型可以基于训练人工神经网络。计算模型可以进一步导出表示与岩层样本的渗透率的估计相关的不确定性的值。计算模型可以基于训练贝叶斯神经网络和/或采用使用舍弃的贝叶斯推断的人工神经网络。多个数据集可以包括从岩层样本的核磁共振(NMR)测量中导出的数据。多个数据集可以包括T₂特征数据。T₂特征数据可以通过使用基于奇异值分解(“SVD”)的核对岩石样本的T₂分布进行编码，然后将T₂分布数据映射到降维空间中的T₂特征来导出。多个数据集可以包括对应于岩层样本的矿物学数据。岩层样本可选自岩屑、岩芯、岩钻屑、岩石露头或钻孔周围的岩层和煤。

在本公开的另一实施例中，提供了一种用于表征岩层样本的系统。用于表征岩层系统的系统可以包括存储表征岩层样本的多个数据集的存储器。用于表征岩层的系统可以进一步包括处理器，该处理器配置为训练神经网络以生成计算模型，其中多个数据集被输入到计算模型，并且其中计算模型由处理器实现，该处理器导出岩层样本的渗透率的估计。

可以包括以下一个或多个特征。计算模型可以基于训练人工神经网络或贝叶斯神经网络中的至少一个。计算模型可以进一步导出表示与岩层样本的渗透率的估计相关的不确定性的值。计算模型可以基于训练采用使用舍弃的贝叶斯推断的人工神经网络。

在本公开的另一实施例中，提供了一种用于地层的岩石物理参数的监督学习的方法。用于地层的岩石物理参数的监督学习的方法可以包括获得表征样本的多个数据集。用于地层的岩石物理参数的监督学习的方法可以进一步包括提供具有一个或多个舍弃的神经网络。与多个数据集相关的低保真度数据集可用于训练计算模型。

可以包括一个或多个以下特征。计算模型可以用高保真度数据集进行微调。神经网络可以是贝叶斯神经网络。可以使用低保真度数据集训练第一自动编码器。可以使用高保真度数据集训练第二自动编码器。与第一自动编码器或第二自动编码器相关的至少一个参数可被冻结。

附图说明

在附图中以示例而非限制的方式示出了本发明，其中相同的附图标记表示相似的元件，其中：

图1是描绘根据本公开的系统的实施例的图；