[發(fā)明專利]一種基于回歸委員會(huì)機(jī)器的儲(chǔ)層參數(shù)測(cè)井解釋方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810463075.1
• 申請(qǐng)日: 2018-05-15
• 公開（公告）號(hào): CN108665109A
• 公開（公告）日: 2018-10-16
• 發(fā)明（設(shè)計(jì)）人: 譚茂金;陸晨煒;張海濤;吳靜
• 申請(qǐng)（專利權(quán)）人: 中國(guó)地質(zhì)大學(xué)（北京）
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/02;G06F17/18;G06N3/12;G06N99/00;E21B49/00
• 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)明公開一種基于回歸委員會(huì)機(jī)器的儲(chǔ)層參數(shù)測(cè)井解釋方法，包括以下步驟：1)選擇對(duì)待預(yù)測(cè)參數(shù)敏感的測(cè)井?dāng)?shù)據(jù)作為輸入；2)對(duì)輸入的每個(gè)屬性值進(jìn)行歸一化；3)根據(jù)巖石物理實(shí)驗(yàn)結(jié)果得到儲(chǔ)層參數(shù)；4)將每一層的測(cè)井?dāng)?shù)據(jù)和儲(chǔ)層參數(shù)實(shí)驗(yàn)數(shù)據(jù)組合在一起構(gòu)成數(shù)據(jù)集；5)將數(shù)據(jù)集隨機(jī)分成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；6)選用若干種智能回歸算法作為前置回歸預(yù)測(cè)器；7)以訓(xùn)練數(shù)據(jù)集作為輸入，分別對(duì)每一種智能回歸算法進(jìn)行訓(xùn)練，得到對(duì)應(yīng)的回歸預(yù)測(cè)模型；8)以測(cè)試數(shù)據(jù)集作為輸入，分別通過(guò)每一種回歸預(yù)測(cè)模型給出一個(gè)預(yù)測(cè)值；9)針對(duì)每一組輸入數(shù)據(jù)，將各回歸預(yù)測(cè)模型給出的預(yù)測(cè)值組合起來(lái)，采用一種委員會(huì)決策機(jī)制，給出最終的預(yù)測(cè)值。

技術(shù)領(lǐng)域

本發(fā)明屬于石油勘探中儲(chǔ)層測(cè)井評(píng)價(jià)技術(shù)領(lǐng)域，具體涉及一種基于回歸委員會(huì)機(jī)器的儲(chǔ)層參數(shù)測(cè)井解釋方法。

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、補(bǔ)償聲波、密度、中子等，利用這些測(cè)井?dāng)?shù)據(jù)可以實(shí)現(xiàn)儲(chǔ)層劃分以及孔隙度、滲透率和飽和度的評(píng)價(jià)。在常規(guī)儲(chǔ)層測(cè)井評(píng)價(jià)中，上述參數(shù)的評(píng)價(jià)通常采用儲(chǔ)層參數(shù)測(cè)井解釋方法模型、方法和理論，或者與地區(qū)有關(guān)的經(jīng)驗(yàn)公式。但是，對(duì)于低孔低滲儲(chǔ)層、低阻油層等復(fù)雜地層，孔隙中的流體對(duì)測(cè)井響應(yīng)的貢獻(xiàn)小，孔隙度、滲透率和飽和度等儲(chǔ)層參數(shù)與測(cè)井響應(yīng)之間的關(guān)系是非線性的，通常的理論模型或者經(jīng)驗(yàn)公式已經(jīng)不能照搬使用，計(jì)算結(jié)果的精度也不高。為此，針對(duì)該類儲(chǔ)集層，國(guó)內(nèi)外相關(guān)學(xué)者利用了神經(jīng)網(wǎng)絡(luò)等智能算法來(lái)解決儲(chǔ)層參數(shù)測(cè)井解釋方法的問(wèn)題。通常的做法是，選用對(duì)流體敏感的測(cè)井?dāng)?shù)據(jù)作為輸入，然后選用某單一智能算法(比如BP神經(jīng)網(wǎng)絡(luò))進(jìn)行訓(xùn)練，訓(xùn)練集來(lái)自于已知巖石物理實(shí)驗(yàn)結(jié)果的數(shù)據(jù)，訓(xùn)練好網(wǎng)絡(luò)后，再輸入待預(yù)測(cè)儲(chǔ)層的測(cè)井?dāng)?shù)據(jù)，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層孔隙度、滲透率和飽和度等參數(shù)，從而實(shí)現(xiàn)儲(chǔ)層參數(shù)的預(yù)測(cè)。

基于神經(jīng)網(wǎng)絡(luò)利用測(cè)井?dāng)?shù)據(jù)進(jìn)行儲(chǔ)層參數(shù)預(yù)測(cè)的核心是采用的機(jī)器學(xué)習(xí)算法。目前常采用BP網(wǎng)絡(luò)、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)。通常情況下，單一智能算法進(jìn)行訓(xùn)練和預(yù)測(cè)時(shí)往往出現(xiàn)過(guò)度訓(xùn)練，會(huì)陷入局部極小，而導(dǎo)致泛化能力不佳。因此，單一智能算法具有魯棒性不好的缺點(diǎn)。

為此，考慮到每種智能算法都有不同的優(yōu)勢(shì)和功能，可以采用多種智能算法聯(lián)合的途徑來(lái)降低陷入局部極小的風(fēng)險(xiǎn)，本發(fā)明擬在核心算法上采用多種智能算法聯(lián)合的策略，而且通過(guò)優(yōu)良的決策和回歸方法使預(yù)測(cè)結(jié)果更準(zhǔn)確，精度更高。

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)。

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。

儲(chǔ)層參數(shù)預(yù)測(cè)是對(duì)儲(chǔ)層孔隙度、滲透率與飽和度進(jìn)行定量評(píng)價(jià)。回歸問(wèn)題是建立因變量y與自變量x之間關(guān)系的問(wèn)題，孔隙度等儲(chǔ)層參數(shù)的計(jì)算就是建立孔隙度與各個(gè)測(cè)井?dāng)?shù)據(jù)(如聲波時(shí)差、補(bǔ)償中子、補(bǔ)償密度等)之間的非線性關(guān)系模型。

發(fā)明內(nèi)容