[发明专利]地下多信息约束的等时地层格架智能建模方法

权利要求书

1.地下多信息约束的等时地层格架智能建模方法，其特征在于，包括以下步骤：

S1.根据专家经验对目的工区进行分析，选取岩性敏感的测井曲线，确定作为神经网络数据集的曲线种类为C并且每条曲线样本点数为L，根据已有测井信息数量确定作为神经网络训练集的样本N口井，确定预测集样本即需要划分小层的M口盲井；

S2.对工区进行地质分析，确定物源方向α和垂直物源方向β,β-α＝90°，基于α和β将整个工区测井划分为编号为①-④的4部分；

S3.根据上述划分工区，进行神经网络训练数据集制作；

S4.对预测样本编号，对所有训练样本编号，生成一个样本预测样本；根据S3中获得的训练集与生成的预测集组成最终的神经网络数据集；

S5.构建特征金字塔网络FPN，利用S4中的训练集进行模型训练；

S6.利用S5中得到的模型对目的工区中的预测集即盲井进行批量的小层划分；

S7.在目的工区中将S6得到的层位划分结果作为边界，基于地震资料进行目的井段的随机优化反演得到波阻抗反演初始模型，将模型中每个样点作为伪井，选取伪井按照S3中随机组合方法制作新样本集进行训练，基于收敛模型并预测其余未知层位信息的伪井，进而得到整个工区的小层二维层面，再根据真实测井的人工分层对此层位面进行误差计算，在井点误差计算基础上进行插值得到校正结果；

S8.重复步骤S7，以井层位为约束条件不断对智能地层划分结果进行优化校正得到最终符合地质规律的二维层位划分结果；

S9.基于S8得到的结果作为层位约束得到最后的等时地层格架模型。

2.根据权利要求1所述的地下多信息约束的等时地层格架智能建模方法，其特征在于，S3所述的神经网络训练数据集制作；

制作流程为：确定一个连井样本由Q口井组成，每口井有C条测井曲线已经确定，按照顺物源和垂直物源方向分别制作两套训练集样本数的25％大小数据，其余50％数据样本通过随机组合的方式进行；

S3.1、顺物源方向：对①③区域的井训练样本进行编号N_i，i＝1,2,3…,N₁，样本数为N₁；对②④区域的井训练样本进行编号N_i，i＝1,2,3…,N₂，样本数为N₂；其中N＝N₁+N₂，根据式(1)生成组成一个样本的井序号W_k，k＝1,2…,Q；

I_a＝[N_j*random(0～1)+0.5] (1)

[]表示向上取整，j＝1,2，当j＝1，取①③区域的井样本进行随机组合，此时N_j＝N₁，当j＝2，取②④区域样本进行随机组合，此时N_j＝N₂；

S3.2、垂直物源方向：对①②区域的井训练样本进行编号N_i，i＝1,2,3…,N₃，样本数为N₃；对③④区域的井训练样本进行编号N_i，i＝1,2,3…,N₄，样本数为N₄；其中N＝N₃+N₄，根据式(2)生成组成一个样本的井序号W_k，k＝1,2..,Q；

I_v＝[N_j*random(0～1)+0.5] (2)

[]表示向上取整，j＝3,4，当j＝3，取①②区域的井样本进行随机组合，此时N_j＝N₃；当j＝4，取③④区域样本进行随机组合，此时N_j＝N₄；

S3.3、随机组合：对工区中所有训练样本统一编号N_i，i＝1,2,3…，N；根据式(3)生成组成一个样本的井序号W_k，k＝1,2..,Q；

I_r＝[N*random(0～1)+0.5] (3)

[]表示向上取整，N为训练样本总数；

根据以上三种方式组成神经网络训练集。

3.根据权利要求1所述的地下多信息约束的等时地层格架智能建模方法，其特征在于，S4具体的包括：对预测样本编号M_j，j＝1,2,3…M，对所有训练样本编号N_i，i＝1,2,3…，N，根据式(4)生成井序号W_k与M_j组成一个样本，k＝1,2..,Q-1；也就是训练集取Q-1口井与预测集中的1口一共组成一个预测样本；

I_p＝[N*random(0～1)+0.5] (4)

[]表示向上取整，N为训练样本数。