[發明專利]基于條件隨機場和BP神經網絡的孔隙度預測方法

有效

• 申請號: 201810993007.6
• 申請日: 2018-08-29
• 公開（公告）號: CN109165737B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 王峣鈞;何鑫;胡光岷
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

本發明公開了一種基于條件隨機場和BP神經網絡的孔隙度預測方法，包括以下步驟：S1、構建BP神經網絡；S2、利用條件隨機場模型，結合神經網絡對標簽數據的擬合殘差，在置信度回歸算法中對隱藏層的相循環性修正。本發明把條件隨機場和神經網絡兩種模型結合在一起，借鑒了EM算法的思想，兩個模型參數循環迭代求解模型參數和條件隨機場隱藏層，構成一種半監督機器學習方法，能夠使用較少的標記孔隙度數據和阻抗數據對孔隙度和巖相分布進行預測。

技術領域

本發明屬于油氣勘探與開發技術領域，特別涉及一種基于條件隨機場和BP神經網絡的孔隙度預測方法。

背景技術

孔隙度是儲層研究的主要內容之一，對油氣勘探與開發具有十分重要的意義，早已成為石油物探工作者的熱門研究課題。經過多年研究已經發展出了數種用地震數據求取孔隙度的方法。以前研究的主要方法大致可以分為三類：(1)用Wyllie時間平均方程或修正了的Wyllie公式求孔隙度，此方法原理簡單，應用方便，但僅根據速度參數求取孔隙度容易出現多解性。(2)井數據約束反演與非井約束反演方法，因假設條件難以滿足，通常效果欠佳。(3)Cokriging及其改進方法。其精度取決于測井孔隙度于儲層崔志旅行時間的關聯程度。近年來人工智能和機器學習學科興起和發展十分迅速，對各工程領域產生了深刻影響，地球物理領域也不例外。

孔隙度信息可以在井處進行直接測量，但是考慮到鉆井代價十分高昂，所以一般傳統的預測方式是通過聲波反演得到的阻抗信息對孔隙度進行預測，以下三個因素決定了精確預測孔隙度困難性。

1.隱藏的相決定了回歸關系

孔隙度的預測需要依靠孔隙度和聲波阻抗之間的近似比例關系，而這種近似的比例關系又由不同的沉積相決定，因此，一旦隱藏的相結構確定，我們就可以通過回歸關系預測到孔隙度信息，然而，由于儲層相存在多個復雜的幾何形狀，相估計是一項復雜的任務。

2.地震阻抗本身不能單獨用于相位估計

我們可能希望可以從地震阻抗單獨估計相，然而，阻抗的邊緣分布不能提供足夠的用于估算相的信息。

3.缺少標記樣本：以儲層中井點處孔隙度的測量值作為標記數據，利用該模型對回歸模型進行訓練，如果這些標記的數據足夠密集，則可以較為精確的通過使用局部回歸模型估計孔隙率。然而,由于鉆井代價十分高昂,我們不能得到十分密集的標記數據,我們只能的到井處的少量標簽數據。

發明內容

本發明的目的在于克服現有技術的不足，提供一種把條件隨機場和神經網絡兩種模型結合在一起，能夠使用較少的標記孔隙度數據和阻抗數據對孔隙度和巖相分布進行預測的基于條件隨機場和BP神經網絡的孔隙度預測方法。

本發明的目的是通過以下技術方案來實現的：基于條件隨機場和BP神經網絡的孔隙度預測方法，包括以下步驟：

S1、構建BP神經網絡，BP神經網絡由輸入層、一個或多個隱藏層和輸出層組成，每個層由多個神經元組成，隱藏層和輸出層上的神經元的輸出由以下公式決定：

f_j(Net_j)＝f_j(k_js_j+θ_j) (1)

其中f_j為神經元j的激勵函數，設激勵函數為：

其中θ_j為神經元的閾值，s_j為神經元j的輸入，k_j為神經元鏈接的權重；

給出標簽數據集為：

非標簽數據集為：