(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111338281.8 (22)申请日 2021.11.12 (65)同一申请的已公布的文献号 申请公布号 CN 114218852 A (43)申请公布日 2022.03.22 (73)专利权人 中国海洋石油集团有限公司 地址 100010 北京市东城区朝阳门北 大街 25号 专利权人 中海石油 （中国） 有限公司天津分 公司 (72)发明人 徐诚诚　周东红　明君　夏同星　 王建立　彭刚　樊建华　谷志猛　 王腾　严皓　(74)专利代理 机构 天津三元专利商标代理有限 责任公司 12 203 专利代理师 高凤荣 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113608265 A,2021.1 1.05 CN 105717540 A,2016.0 6.29 胡玉双等.密井网区高精度三维速度场的建 立. 《黑龙江科技大 学学报》 .2016,(第02期), 审查员 慈丽雁 (54)发明名称 基于扰动校正的神经网络深度预测方法 (57)摘要 一种基于扰动校正的神经网络深度预测方 法， 采用如下步骤： 一： 对构造压实及异常体因素 分析； 二： 对目标工区内时深关系分析； 三： 建立 构造约束神经网络模型并进行深度预测； 四： 容 错率分析； 五： 构建伪井时深数据； 六： 基于五对 三优化并进行初步深度预测； 七： 对浅层速度异 常求取均方根振幅； 八： 计算工区内已钻井对应 目的层位的实际深度扰动量， 且训练扰动量校正 神经网络模型； 九： 对深度扰动量的预测及扰动 校正， 最终得到高精度的深度预测结果。 本发明 不仅能在目标工区内构建伪井数据， 对时—深关 系进行扩充； 而且， 提高了构造趋势的稳定性， 优 化构造约束网络模型， 实现了高精度神经网络深 度预测； 同时， 还能绘制研究工区内的平面误差 网格。 权利要求书3页 说明书6页 附图7页 CN 114218852 B 2022.08.30 CN 114218852 B 1.一种基于扰动校正的神经网络深度预测方法， 其特 征在于， 采用如下步骤： 第一步： 分别对构造 压实因素及异常体因素进行研究分析； 第二步： 对目标工区内构造对应的时深关系进行统计分析； 第三步： 基于神经网络理论建立构造约束神经网络模型进行深度预测； 第四步： 容 错率分析； 第五步： 构建伪井时深数据， 增强数据样本稳定性； 第六步： 基于伪井数据优化构造约束神经网络模型进行初步深度预测； 第七步： 确定浅层的速度异常体是该油田工区内除构造压实作用外影响构造的其他因 素， 对浅层速度异常求取均方根振幅； 第八步： 计算研究工区内数口已钻井对应目的层位的实 际深度扰动量， 并基于深度扰 动表征因子与实际深度扰动量之间的关系建立， 且训练扰动量校正神经网络模型； 第九步： 利用扰动量校正神经网络模型实现对深度扰动量的预测， 进而对初步深度预 测结果进行扰动校正， 最终得到高精度的深度预测结果。 2.根据权利要求1所述的基于扰动校正的神经网络深度预测方法， 其特征在于， 所述第 一步中， 对目标工区内构 造深度影响因素进 行研究分析： 以确定除构 造压实作用外， 影响目 的层位深度的其 他因素； 其中， 1.基于理论分析， 能够确定地质年代、 岩性、 温度、 孔隙度、 构造压实、 地层结构是构造 深度的重要影响因素； 2.分析实 际地震资料， 能够确定研究工区内的构造深度主要受构造压实作用影响， 且 能够将其称之为主要因素； 并根据具体地质条件和地震剖面分析， 将地质年代、 岩性、 温度、 孔隙度的深度影响因素排除， 仅剩 下浅层的速度异常体， 作为研究工区的其他深度扰动因 素。 3.根据权利要求1所述的基于扰动校正的神经网络深度预测方法， 其特征在于， 所述第 二步中， 对目标工区内构 造对应时深关系进 行统计分析的内容是对层位对应已钻井的时— 深关系进行统计分析。 4.根据权利要求1所述的基于扰动校正的神经网络深度预测方法， 其特征在于， 所述第 三步中， 采用如下步骤： ①通过统计研究工区内几口已钻井目标层位对应的时—深关系， 将其作为训练样本数 据， 建立基于主控因素 的构造约束神经网络模型， 并利用该神经网络模型实现样本数据的 预测； 并对其预测时—深关系曲线与真实时—深关系曲线 进行对比； ②对比分析各口井的目标层位对应的预测误差； 即： 基于构造约束神经网络得到的预 测结果能够很好地控制高部位的构 造深度趋势， 因此， 其高部位的深度预测误差相对较小； 但低部位构造深度趋势仍然难以把控， 因此， 低部位 仍然存在较大的预测误差 。 5.根据权利要求1所述的基于扰动校正的神经网络深度预测方法， 其特征在于， 所述第 四步中， 引入容错率的概念， 对研究工区内已钻井的数据样本进行质量监控和定量化的稳 定性分析， 确定 工区内已钻井数据的稳定性； A1、 在研究工区内， 引 入容错率的概念， 对已钻井样本信息进行定量化的容错分析； 由 于研究工区内高、 低部位构造差异往往较大， 因此， 能够将工区分为高、 低两个部位进行分 析； 并分别通过统计， 高部位共有8口已钻井， 并分别利用2、 3、 4、 5和8口已钻井参与训练建权　利　要　求　书 1/3 页 2 CN 114218852 B 2立数个构造约束神经网络模型： 即： 网络 H1、 网络H2、 网络H3、 网络H4、 网络H5； A2、 将剩余的均未参与的3口高部位井的对应时深关系作为测试样本， 分别利用不同的 神经网络模型进行深度预测结果对比， 预测结果表明高部位构 造趋势较为稳定， 仅需3口井 就可以基本控制其构造 趋势， 预测误差基本 趋于稳定； A3、 通过统计， 低部位共有5口已钻井， 分别利用2、 3和5口已钻井参与训练建立数个构 造约束神经网络模型： 网络L1、 网络L2、 网络L3； A4、 将剩余的均未参与的2口低部位井的对应时深关系作为测试样本， 分别利用不同的 神经网络模型进行深度预测结果对比， 预测结果表明低部位构造趋势变化较大， 即使所有 已钻井数据样本均参与训练， 仍然难以控制其构 造趋势， 因此， 低部位的深度预测误差仍然 较大。 6.根据权利要求1所述的基于扰动校正的神经网络深度预测方法， 其特征在于， 所述第 五步中， 提出了一种伴 随随机扰动的加权插值公式， 基于该公式能够有效地在目标工区内 构建伪井数据， 对目标构造， 即： 层位对应的时—深关系数据样本， 尤其是低部位数据样本 进行有效且合理地扩充， 进而， 提高构造趋势的稳定性， 优化构造约束网络模型， 实现构造 约束神经网络的初步深度预测； B1、 针对低部位样本点少且构造趋势不稳定的问题， 提出如下所示的伪井深度数据构 建公式： 式中， Depth： 表示目的层位对应的海拔深度； Time： 表示目的层位对应的时间； 下标i表 示伪井序号， 即： 第i个伪井数据； Timem‑1和Timem表示距离Timei最近的两口实钻井对 应目的 层位的时间； Depthm‑1和Depthm表示该两口实钻井对应的目的层位的海拔深度； rand： 表示 随机深度扰动因子， 用于增强伪井数据的稳定性； 伪井数据构建的过程是： ⑴将所有已钻井对应目的层位对应的时间按从小到大的顺序排列； ⑵给定伪井对应的时间， 并且， 确定该伪井时间所在区间阈值对应的两口井； ⑶根据两口井对应目的层位的海拔深度进行加权插值构建出初步的伪井深度 数据， 加 权系数分别 为： 和 其中， Timei为伪井对应 的时间； ⑷在初步的伪井深度 数据的基础上增加一个随机的深度扰动因子， 能够得到最终构建 的伪井深度数据， 其中， 深度扰动因子主要用于增加伪井数据的稳定性， 目前给定的区间范 围是：‑5m,5m； B2、 针对低部位样本少且构造不稳定的问题， 基于所提公式进行伪井数据插值， 实现数 据样本的有效扩充。 7.根据权利要求1所述的基于扰动校正的神经网络深度预测方法， 其特征在于， 所述第 六步中， 利用扩充后的伪井数据作为训练样本， 重新优化训练构造约束的神经网络模型， 能 够有效地控制低部位构造趋势、 大幅度提高低部位深度预测的精度， 实现构 造即： 层位的初 步深度预测。权　利　要　求　书 2/3 页 3 CN 114218852 B 3