本發(fā)明涉及地層孔隙流體壓力預測，具體涉及基于深度學習的地層孔隙壓力預測方法、裝置及存儲介質(zhì)。

背景技術(shù)：

1、地層孔隙流體壓力是地下巖層的重要地球物理參數(shù)，它是油氣地震勘探儲層參數(shù)預測的關(guān)鍵指標，可指導鉆井工程方案設(shè)計，降低鉆井工程風險，也可在非常規(guī)油氣藏開發(fā)工程中評價儲層優(yōu)劣，基于地球物理測井數(shù)據(jù)的高精度地層孔隙流體壓力預測方法具有重要作用。

2、目前發(fā)展了壓實平衡方程方法、等效深度公式計算方法、eaton方法、fillippone方法等多種地層孔隙流體壓力預測方法；在這些方法中，基于生產(chǎn)經(jīng)驗總結(jié)的eaton方法因其計算便利性等優(yōu)勢得到廣泛應用；盡管經(jīng)驗公式總體反映了一些地層測量參數(shù)與地層孔隙流體壓力的總體規(guī)律，但經(jīng)驗總結(jié)的方法通常是在特定地區(qū)的地層中總結(jié)的規(guī)律，將其應用于其它區(qū)域存在經(jīng)驗參數(shù)難以確定和精度降低的問題；這主要原因是由于不同區(qū)域地層具有一定的沉積環(huán)境獨特性，它反映在地層孔隙流體壓力上即為經(jīng)驗公式無法預測的數(shù)據(jù)；深度學習是成功的數(shù)據(jù)驅(qū)動方法，但因為地下實測孔隙流體壓力點由于施工和費用代價等原因而嚴重不足的問題，導致將深度學習應用于地層孔隙流體壓力預測存在樣本嚴重不足的難點。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供基于深度學習的地層孔隙壓力預測方法、裝置及存儲介質(zhì)，以解決現(xiàn)有技術(shù)中，將深度學習應用于地層孔隙流體壓力預測存在樣本嚴重不足的問題。

2、根據(jù)本發(fā)明實施例的第一方面，提供基于深度學習的地層孔隙壓力預測方法，所述方法包括：

3、獲取目標地區(qū)少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)，獲取目標地區(qū)已有地球物理測井參數(shù)；

4、根據(jù)所述少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)以及地球物理測井參數(shù)獲取平均經(jīng)驗參數(shù)；

5、獲取第z個實測壓力點的擾動參數(shù)；

6、根據(jù)所述第z個實測壓力點的擾動參數(shù)獲取第z個實測壓力點的組合孔隙流體壓力數(shù)據(jù)；分別獲取少量稀疏分布的地層孔隙流體壓力實測點的組合孔隙流體壓力數(shù)據(jù)，結(jié)合所述少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)，得到海量地層孔隙流體壓力數(shù)據(jù)集；

7、搭建gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)，根據(jù)所述平均經(jīng)驗參數(shù)以及擾動參數(shù)確定所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸出參數(shù)，根據(jù)所述海量地層孔隙流體壓力數(shù)據(jù)集確定所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸入?yún)?shù)；

8、基于所述輸入?yún)?shù)以及輸出參數(shù)，通過所述海量地層孔隙流體壓力數(shù)據(jù)集對所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)進行訓練，得到地層孔隙壓力預測模型；

9、通過所述地層孔隙壓力預測模型輸出待預測目標地層壓力點的地層孔隙流體壓力。

10、優(yōu)選地，

11、所述獲取目標地區(qū)少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)包括：

12、獲取目標地區(qū)少量稀疏分布的地層孔隙流體壓力實測點的對應流體壓力、對應密度以及對應縱波速度；

13、所述根據(jù)所述少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)以及地球物理測井參數(shù)獲取平均經(jīng)驗參數(shù)包括：

14、獲取目標地區(qū)已有地球物理測井參數(shù)，根據(jù)所述目標地區(qū)已有地球物理測井參數(shù)獲取所述少量稀疏分布的地層孔隙流體壓力實測點中第z個實測壓力點的上覆地層壓力和靜水壓力，以及獲取第z個實測壓力點所對應的正常壓實下的縱波速度；

15、根據(jù)第z個實測壓力點的對應流體壓力、對應縱波速度、上覆地層壓力、靜水壓力以及正常壓實下的縱波速度獲取第z個實測壓力點的經(jīng)驗參數(shù)；

16、分別獲取少量稀疏分布的地層孔隙流體壓力實測點的經(jīng)驗參數(shù)，根據(jù)少量稀疏分布的地層孔隙流體壓力實測點的經(jīng)驗參數(shù)獲取平均經(jīng)驗參數(shù)。

17、優(yōu)選地，

18、所述獲取第z個實測壓力點所對應的正常壓實下的縱波速度包括：

19、基于所述地球物理測井參數(shù)，利用最小二乘擬合法得到正常壓實趨勢線，根據(jù)所述正常壓實趨勢線獲取第z個實測壓力點所對應的正常壓實下的縱波速度；

20、所述獲取第z個實測壓力點的經(jīng)驗參數(shù)包括：

21、基于所述第z個實測壓力點的對應流體壓力、對應縱波速度、上覆地層壓力、靜水壓力以及正常壓實下的縱波速度，基于eaton公式反算第z個實測壓力點的經(jīng)驗參數(shù)。

22、優(yōu)選地，

23、所述獲取第z個實測壓力點的擾動參數(shù)包括：

24、對所述第z個實測壓力點的上覆地層壓力進行縱向擾動，獲得所述第z個實測壓力點的擾動上覆地層壓力；

25、對所述第z個實測壓力點的對應密度在其基數(shù)范圍內(nèi)進行擾動，獲得所述第z個實測壓力點的擾動密度；

26、對所述第z個實測壓力點的對應縱波速度在其基數(shù)的范圍內(nèi)擾動，獲得所述第z個實測壓力點的擾動縱波速度；

27、根據(jù)所述第z個實測壓力點的擾動上覆地層壓力、對應密度以及擾動密度獲得所述第z個實測壓力點的擾動靜水壓力。

28、優(yōu)選地，

29、所述根據(jù)所述第z個實測壓力點的擾動參數(shù)獲取第z個實測壓力點的組合孔隙流體壓力數(shù)據(jù)包括：

30、將所述第z個實測壓力點的擾動上覆地層壓力、擾動密度以及擾動縱波速度分別與上覆地層壓力、對應密度以及對應縱波速度進行線性組合，獲得組合上覆地層壓力集、組合密度集以及組合縱波速度集，遍歷所述組合上覆地層壓力集、組合密度集以及組合縱波速度集，獲得第z個實測壓力點的組合孔隙流體壓力數(shù)據(jù)。

31、優(yōu)選地，

32、所述根據(jù)所述平均經(jīng)驗參數(shù)以及擾動參數(shù)確定所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸出參數(shù)包括：

33、將所述第z個實測壓力點的擾動上覆地層壓力、擾動靜水壓力、擾動縱波速度、正常壓實下的縱波速度以及所述平均經(jīng)驗參數(shù)代入到eaton公式中，獲得所述第z個實測壓力點的擾動地層孔隙流體壓力；

34、根據(jù)所述第z個實測壓力點的擾動地層孔隙壓力集以及第z個實測壓力點的對應流體壓力獲得第z個實測壓力點的組合地層孔隙流體壓力；

35、將所述第z個實測壓力點的組合地層孔隙流體壓力以及對應流體壓力作為所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸出參數(shù)。

36、優(yōu)選地，

37、所述根據(jù)所述海量地層孔隙流體壓力數(shù)據(jù)集確定所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸入?yún)?shù)包括：

38、將所述海量地層孔隙流體壓力數(shù)據(jù)集中的組合上覆地層壓力及實測點對應的上覆地層壓力，組合縱波速度及實測點的對應縱波速度，組合密度及實測點的對應密度作為所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸入?yún)?shù)。

39、根據(jù)本發(fā)明實施例的第二方面，提供基于深度學習的地層孔隙壓力預測裝置，所述裝置包括：

40、實測參數(shù)獲取模塊：用于獲取目標地區(qū)少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)，獲取目標地區(qū)已有地球物理測井參數(shù)；

41、平均經(jīng)驗參數(shù)獲取模塊：用于根據(jù)所述少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)以及地球物理測井參數(shù)獲取平均經(jīng)驗參數(shù)；

42、擾動參數(shù)獲取模塊：用于獲取第z個實測壓力點的擾動參數(shù)；

43、數(shù)據(jù)擴充模塊：用于根據(jù)所述第z個實測壓力點的擾動參數(shù)獲取第z個實測壓力點的組合孔隙流體壓力數(shù)據(jù)；分別獲取少量稀疏分布的地層孔隙流體壓力實測點的組合孔隙流體壓力數(shù)據(jù)，結(jié)合所述少量稀疏分布的地層孔隙流體壓力實測點的實測流體壓力數(shù)據(jù)，得到海量地層孔隙流體壓力數(shù)據(jù)集；

44、模型參數(shù)確定模塊：用于搭建gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)，根據(jù)所述平均經(jīng)驗參數(shù)以及擾動參數(shù)確定所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸出參數(shù)，根據(jù)所述海量地層孔隙流體壓力數(shù)據(jù)集確定所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸入?yún)?shù)；

45、模型訓練模塊：用于基于所述輸入?yún)?shù)以及輸出參數(shù)，通過所述海量地層孔隙流體壓力數(shù)據(jù)集對所述gru神經(jīng)網(wǎng)絡(luò)模型架構(gòu)進行訓練，得到地層孔隙壓力預測模型；

46、預測輸出模塊：用于通過所述地層孔隙壓力預測模型輸出待預測目標地層壓力點的地層孔隙流體壓力。

47、根據(jù)本發(fā)明實施例的第三方面，提供一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被主控器執(zhí)行時，實現(xiàn)上述方法中的各個步驟。

48、本發(fā)明的實施例提供的技術(shù)方案可以包括以下有益效果：

49、本技術(shù)利用少量實測地層孔隙流體壓力數(shù)據(jù)，利用地球物理測井參數(shù)擾動和eaton公式形成大量擾動地球物理測井參數(shù)和壓力參數(shù)，并將其與少量實測地層孔隙流體壓力數(shù)據(jù)結(jié)合，最終形成大量地球物理測井參數(shù)和壓力參數(shù)所組成的樣本集，然后進行基于gru網(wǎng)絡(luò)的深度學習，最終完成地層孔隙流體壓力預測，該方法克服了深度學習需要大樣本的難題，同時利用參數(shù)擾動在數(shù)據(jù)中引入eaton公式所表征的規(guī)律，能夠高精度地實現(xiàn)地層孔隙流體壓力預測，為地層孔隙流體壓力應用領(lǐng)域提供技術(shù)支撐。

50、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。