[發(fā)明專(zhuān)利]一種基于委員會(huì)機(jī)器利用測(cè)井?dāng)?shù)據(jù)進(jìn)行儲(chǔ)層流體識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810377375.8
• 申請(qǐng)日: 2018-04-25
• 公開(kāi)（公告）號(hào): CN108596251A
• 公開(kāi)（公告）日: 2018-09-28
• 發(fā)明（設(shè)計(jì)）人: 譚茂金;陸晨煒;吳靜;王黎雪
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)地質(zhì)大學(xué)（北京）
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/08
• 代理公司: 北京中譽(yù)威圣知識(shí)產(chǎn)權(quán)代理有限公司 11279
• 代理人: 蔣常雪

本發(fā)明公開(kāi)一種基于委員會(huì)機(jī)器利用測(cè)井?dāng)?shù)據(jù)進(jìn)行儲(chǔ)層流體識(shí)別方法，所述方法包括以下步驟：1)選擇測(cè)井?dāng)?shù)據(jù)作為輸入數(shù)據(jù)；2)對(duì)輸入數(shù)據(jù)進(jìn)行歸一化；3)根據(jù)試油結(jié)果得到儲(chǔ)層流體類(lèi)型；4)將測(cè)井?dāng)?shù)據(jù)和流體類(lèi)型構(gòu)成數(shù)據(jù)集；5)將數(shù)據(jù)集隨機(jī)地分成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；6)選用前置分類(lèi)器；7)對(duì)每一種前置分類(lèi)器進(jìn)行訓(xùn)練，得到對(duì)應(yīng)的分類(lèi)模型；8)以測(cè)試數(shù)據(jù)集作為輸入，分別通過(guò)每一種分類(lèi)模型給出一個(gè)類(lèi)別；9)針對(duì)每一組輸入數(shù)據(jù)，將各分類(lèi)模型給出的類(lèi)別組合起來(lái)，采用委員會(huì)決策機(jī)制，給出最終的分類(lèi)類(lèi)別。所述方法模擬委員會(huì)的決策機(jī)制，把多個(gè)前置分類(lèi)器聯(lián)合起來(lái)，可以降低陷入局部最小，使委員會(huì)的決策更科學(xué)，更準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明屬于石油勘探中儲(chǔ)層流體識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于委員會(huì)機(jī)器利用測(cè)井?dāng)?shù)據(jù)進(jìn)行儲(chǔ)層流體識(shí)別方法。

背景技術(shù)

地球物理測(cè)井是沿井眼的連續(xù)和原位地球物理參數(shù)測(cè)量技術(shù)，測(cè)量數(shù)據(jù)主要包括自然伽馬、自然電位、深淺電阻率、聲波、密度、中子等，利用這些數(shù)據(jù)可以實(shí)現(xiàn)儲(chǔ)層劃分，流體識(shí)別，孔隙度、滲透率和飽和度計(jì)算。研究含不同流體儲(chǔ)層的測(cè)井響應(yīng)特征，可進(jìn)行儲(chǔ)層的流體識(shí)別。實(shí)踐證明，有的儲(chǔ)層其測(cè)井響應(yīng)特征明顯，很容易實(shí)現(xiàn)流體識(shí)別，但對(duì)于低孔低滲儲(chǔ)層、低阻油層以及復(fù)雜巖性地層，孔隙中的流體對(duì)測(cè)井響應(yīng)的貢獻(xiàn)小，不同流體性質(zhì)儲(chǔ)層與多種測(cè)井響應(yīng)之間是非線性的關(guān)系，利用測(cè)井響應(yīng)定性進(jìn)行流體識(shí)別難度較大。因此，針對(duì)致密砂巖低孔滲、儲(chǔ)層識(shí)別準(zhǔn)確率不高的狀況，國(guó)內(nèi)外相關(guān)學(xué)者利用了神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)等智能算法解決測(cè)井解釋的問(wèn)題。目前在利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行流體識(shí)別時(shí)，通常選用對(duì)流體敏感的測(cè)井?dāng)?shù)據(jù)作為輸入，然后選用某單一機(jī)器學(xué)習(xí)算法(比如BP神經(jīng)網(wǎng)絡(luò))進(jìn)行訓(xùn)練，訓(xùn)練集來(lái)自于已知測(cè)試結(jié)果的儲(chǔ)層，訓(xùn)練好網(wǎng)絡(luò)后，再輸入未知流體類(lèi)型儲(chǔ)層的測(cè)井?dāng)?shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和判斷該儲(chǔ)層的流體類(lèi)型。

基于神經(jīng)網(wǎng)絡(luò)利用測(cè)井?dāng)?shù)據(jù)進(jìn)行流體識(shí)別方法的核心是所采用的機(jī)器學(xué)習(xí)算法。目前常采用BP網(wǎng)絡(luò)、決策樹(shù)、支持向量機(jī)等單一學(xué)習(xí)算法，這些方法都有各自的優(yōu)缺點(diǎn)，通過(guò)單一的決策機(jī)制進(jìn)行分類(lèi)，每一種算法往往會(huì)出現(xiàn)過(guò)度訓(xùn)練，魯棒性不好。因此，在使用單一智能算法進(jìn)行訓(xùn)練和預(yù)測(cè)時(shí)可能因過(guò)擬合，會(huì)陷入局部極小，而導(dǎo)致泛化能力不佳。

為此，考慮到每種智能算法都有不同的優(yōu)勢(shì)和功能，多種方法聯(lián)合可以降低陷入局部極小的風(fēng)險(xiǎn)，本發(fā)明擬在核心智能算法上采用多種智能算法聯(lián)合的委員會(huì)決策分類(lèi)策略，而且通過(guò)優(yōu)良的決策機(jī)制使委員會(huì)的決策更科學(xué)，更準(zhǔn)確。

BP(back propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。

決策樹(shù)(Decision Tree)是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫(huà)成圖形很像一棵樹(shù)的枝干，故稱(chēng)決策樹(shù)。在機(jī)器學(xué)習(xí)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型，他代表的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。

支持向量機(jī)(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。

在機(jī)器學(xué)習(xí)中，支持向量機(jī)是與相關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)，識(shí)別模式，用于分類(lèi)和回歸分析。

自適應(yīng)神經(jīng)模糊推理系統(tǒng)是一種將模糊邏輯和神經(jīng)元網(wǎng)絡(luò)有機(jī)結(jié)合的新型的模糊推理系統(tǒng)結(jié)構(gòu)，采用反向傳播算法和最小二乘法的混合算法調(diào)整前提參數(shù)和結(jié)論參數(shù)，并能自動(dòng)產(chǎn)生If-Then規(guī)則。基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)ANFIS(AdaptiveNetwork-based Fuzzy Inference System)將神經(jīng)網(wǎng)絡(luò)與模糊推理有機(jī)的結(jié)合起來(lái)，既發(fā)揮了二者的優(yōu)點(diǎn)，又彌補(bǔ)了各自的不足。

發(fā)明內(nèi)容