[发明专利]一种基于深度学习的多点地质统计建模参数优选方法

说明书

本发明公开了一种基于深度学习的多点地质统计建模参数优选方法，结合多点地质统计模型特征与建模参数的相关性认识——以多点地质统计学的数据样板尺寸为例，随着样板尺寸增加，模型与训练图像的形态视觉特征越来越相似，基于深度学习对基于(有序)建模参数集的多点地质统计随机模型的图像添加建模参数分类标签，进而实现基于建模参数的模型分类的训练学习、识别率检验，建立随机模型类别与建模参数的对应判别关系，选取低于给定识别率阈值的建模参数作为优选参数。相比传统人工视觉判别方法，本发明可以高效客观地优选多点地质统计建模参数。

技术领域

本发明涉及一种基于深度学习的多点地质统计建模参数优选方法，属于储层地质建模技术领域。

背景技术

多点地质统计学是当前储层建模领域的主流方法，借助于训练图像的先验地质模式，不仅能满足不同来源的条件数据，更重要的是可以很好恢复现有的地质认识，包括形态、分布关系等模式结构特征。但是不论采用哪种多点地质统计建模算法，在实现模式重构的过程中都必须首先完成模式采样，而模式采样选取的参数对建模质量具有直接影响，因此为了提高建模质量必须进行建模参数优选。

多点地质统计方法的建模参数特别是数据样板尺寸、多重网格以及其他关键参数等对建模质量具有重要的控制作用，很大程度上决定了储层地质模型的质量，也决定了储量预测风险、油藏数值模拟及开发方案的制定。由于建模参数优选离不开模型的评价工作，为了评价模型与其训练图像在空间相关性、模式特征方面的差异程度，通常在基于多点地质统计方法完成建模之后使用定性的人工视觉观察法或者定量的模型评价方法判断建模参数对模型质量的影响程度，不仅效率低，而且很主观。

传统建模参数的选取过程主要依靠人工识别，即首先给定一组(有序)参数集，使用该参数集里的每个参数模拟一组随机模型，然后通过人工判别优选与训练图像相似度较为合适的模型，以该模型对应的参数作为优选参数。人工识别的精确性取决于建模工作者的经验，具有较强主观性，同时人工识别效率低，不适应于现代自动化生产的需要。

深度学习是当前人工智能及机器学习的热门技术之一，在各领域都得到广泛研究及应用，凭借深层人工神经网络的强大学习认知能力，深度学习尤其适用于个性化推荐、图像识别与分类、机器翻译等复杂的、具有较强的非线性特征的任务。

因此，亟需研究一种新的多点地质统计建模参数优选方法，能够应用深度学习进行多点地质统计建模参数优选。

发明内容

为克服现有技术不足，本发明的目的在于提供一种能够采用深度学习实现优选多点地质统计建模参数的方法。

本发明提出方法思路是基于多点地质统计建模方法，采用有序排列的建模参数集模拟一组随机模型实现，再以建模参数值作为所有模拟实现的标签，然后应用深度学习对其开展训练及识别率检验，将深度学习对随机模型判别的准确度与建模参数关联起来，选取介于可识别与不可识别之间的建模参数作为优选参数。

为实现上述目的，本发明采用的技术方案是：

一种基于深度学习的多点地质统计建模参数优选方法，包括以下步骤：

1)、给定训练图像TI，给定多点地质统计学MPS的关键建模参数的K个递增数值组成的建模参数集P；

2)、采用多点地质统计学MPS方法，使用训练图像TI和建模参数集P生成随机模型集M，其中第k个参数P_k相应的随机模型集定义为M_k，k＝1,2,…,K；每个M_k包含n个随机模型，则随机模型集M中共计有N＝K×n个模型；

3)、为随机模型集M里面的所有模型给定以参数值命名的标签L，标签的命名规则如下：

label of M_k(i)＝k，(i＝1,2,…,n)