[發明專利]基于深度信念網絡的煤層氣測井含氣量預測方法

有效

• 申請號: 201810880131.1
• 申請日: 2018-08-03
• 公開（公告）號: CN108897975B
• 公開（公告）日: 2022-10-28
• 發明（設計）人: 向旻;張峰瑋;帕爾哈提·祖努;尚彥軍;齊興華;安然
• 申請（專利權）人: 新疆工程學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/14;G06N3/04;G06N3/08
• 代理公司: 烏魯木齊合縱專利商標事務所 65105
• 代理人: 湯潔

1.一種基于深度信念網絡的煤層氣測井含氣量預測方法，通過計算機完成，其特征在于實現該方法所需設備包括測井儀器、數據通訊接口及計算機；

所述測井儀器,用于采集煤層氣測井數據，即深側向電阻率、淺側向電阻率、微球聚焦、密度、聲波時差、中子、自然電位、自然伽馬、井徑九種測井數據；

所述數據通訊接口,用于將現場測井儀器采集的上述九種測井數據,傳輸到計算機中；

所述計算機，用于運行深度信念網絡的煤層氣儲層含氣量預測方法，根據煤層氣測井數據，預測出輸出變量煤層氣儲層含氣量；

該方法包括如下步驟：

步驟一、利用煤層氣測井數據預測煤層氣儲層含氣量，主要的測井數據為深側向電阻率、淺側向電阻率、微球聚焦、密度、聲波時差、中子、自然電位、自然伽馬、井徑九種常規測井數據，預測輸出變量為煤層氣儲層含氣量；

步驟二、測井數據的降噪：

利用現場測井儀器采集測井數據，將測井曲線看作隨深度變化的空間信號，其由有效信號和干擾信號疊加而成；利用經驗小波變換EWT的方法對測井數據進行降噪，將最后得到的一系列本征模態函數IMF_K，記為IMF1,IMF2,…,IMFk；每一個本征模態函數分別代表測井曲線中不同空間頻率的部分，且隨著k的增大，本征模態函數的空間頻率越高；由于噪聲的空間頻率較高，略去最后一個本征模態函數，達到降噪的目的；再將其余本征模態函數進行疊加得到去噪后的測井曲線；

步驟三、歸一化處理：對測井數據進行歸一化處理，使其具有相同的量綱和數值分布范圍；經過歸一化處理的測井數據均為無量綱量，且分布區間為[0,1]；

步驟四、測井數據與含氣量之間關聯度的計算：采用灰色關聯分析法分析各測井曲線與含氣量之間的相關性：在某區塊內，選取n層煤層作為樣本，選取標準是：煤層的厚度大于0.5m，樣本的數量n應當大于200；

計算每種測井數據與含氣量的灰色關聯度后，進行關聯度的排序，以0.8為界限，剔除關聯度較小的測井數據，保留關聯度較高的測井數據作為深度信念網絡的輸入參數；

步驟五、將步驟四中確定的測井數據作為樣本，輸入限制玻爾茲曼機進行無監督訓練，限制玻爾茲曼機的個數不少于5個，其中隱含層神經元個數，以樣本數量的十分之一作為隱含層神經元個數的選取標準，根據實際運算結果，在樣本數量的百分之二范圍內適度增減；

將最后一個限制玻爾茲曼機的隱含層神經元整體的開啟狀態作為分類器的輸入，得到最終的輸出結果G_out；

步驟六、經過無監督學習，確定深度信念網絡的權值矩陣，利用有監督學習對權值矩陣進行微調：

對所測煤層進行取心，進行實驗室分析，其測得的煤層氣儲層實測含氣量為G_E，則誤差函數為誤差函數對隱含層各神經元的偏導數為δ_v(h)；連接權值調整規則為w＝ηδ_vf_i,v，η為學習率，h＝1,2,3,…,n；對于初始連接權值，隨機選取正態分布(0.001,1)中的隨機數即可；不斷調整連接權值，設定e≤0.01，直到誤差函數滿足要求，深度信念網絡訓練完成，從而確定煤層氣儲層含氣量的預測模型；

步驟七、將其它未取心井的所采集的煤層測井數據，經過步驟二降噪和步驟三歸一化處理后，傳輸到步驟六得到的煤層氣儲層含氣量預測模型算法的計算機中，進而得到未取心井預測的煤層氣儲層含氣量。