基于单一图像生成对抗神经网络方法在沉积相建模中的应用

沉积相建模是储层建模中的一个重要环节,有多种方法可以用来建立沉积相模型。传统的建模方法需要利用各种参数对变量的空间结构信息进行刻画,如变差函数、数据样式等,在模拟中再现这种空间结构。利用生成对抗神经网络方法(GAN,Generative Adversarial Nets)建模采用了不同的策略,通过对大量图像(模型)的学习,生成与学习样本具有高度相似特征的模型。基于单一图像生成对抗神经网络方法(SinGAN,Generative Adversarial Nets based on single image)对传统的GAN方法进行改进,仅需一张图像进行训练就能够生成高度相似的图像。以N气田2个小层的沉积微相图为例,建立了相应的沉积相模型,并与经典的基于样式的多点地质统计学建模方法(Simpat)对比可以看出,SinGAN方法与训练图像刻画的沉积微相空间结构更相似,具有良好的应用前景。     

基于p-stable LSH的多点地质统计建模算法

SIMPAT将图像重建思想引进储层地质建模领域,借助于弱化概率的相似性判别指标,用最相似地质模式替换待估点处的数据事件完成预测。当模型较大且数据样式较多时,海量的数据样式相似度计算使得SIMPAT的计算效率较低。为了有效平衡多点地质统计建模算法效率和内存的矛盾,基于SIMPAT算法,提出基于p-stable局部敏感哈希的多点地质统计建模算法LSHSIM,该方法使用局部敏感哈希将数据样式的特征向量映射到哈希表。建模时从哈希表里取出与数据事件的特征向量具有相同哈希值的数据样式,用最相似的数据样式替换覆盖待估区的数据事件完成建模。利用实例对比新算法与SIMPAT等现有方法的结果表明,LSHSIM算法计算效率高,并节省了内存空间,对算法的关键参数进行了敏感性分析、非条件和条件模拟,能较好再现训练图像的先验地质模式。     

解决地质非平稳性的新方法

在传统的储层随机建模中,获得具有代表性的统计数据需要平稳的训练图像,因此,建模中都基于平稳性假设。针对非平稳地质现象是普遍存在的这一事实,首先提出了四种不同的多点地质统计学算法来模拟非平稳现象,然后从方法和应用的角度具体阐述了用存在的模型作为训练图像结合核函数新的多点模拟方法。结果发现,该方法能很好地捕获真实空间地质体的空间差异性。同时,这个算法具有很重要的实践意义,解决了基于地质过程储层模型的井数据条件化的问题。     

基于样式降维聚类的多点地质统计建模算法

评 价多点地质统计建模算法的一个重要指标是能否在保证建模质量的同时较好地协调计算效率和内存空间二者的平衡。基于样式的多点地质统计建模算法SIMPAT存在一定不足,使得SIMPAT算法在提出多年后仍然难以实际应用。国外学者提出了SIMPAT算法的改进算法：Filtersim和DisPat,但是在平衡计算效率和内存空间问题上仍存在一定的不足。通过深入剖析SIMPAT算法的原理和特点提出了基于样式降维聚类的多点地质统计建模算法。新算法采用邻近等间距取样法对所有数据样式进行降维聚类处理,把相似的数据样式聚为一类。不同于SIMPAT算法的一次相似度匹配计算,新算法采用2次相似度比较：先比较数据事件与样式类代表性样式的相似度,找到最相似的样式类;再进一步比较数据事件与该样式类中全部数据样式的相似度,进而确定相似度最大的数据样式。以 二维和三维实例比较了新算法与传统多点地质统计建模算法SIMPAT、Snesim、Filtersim和DisPat在相同参数条件下的模拟计算效率。结果表明,新算法在保证模拟质量基础上极大提高了基于样式的多点地质统计建模算法的计算效率,并节省内存空间。