[發明專利]一種基于深度學習的測井曲線預測方法及其系統

有效

• 申請號: 201811099467.0
• 申請日: 2018-09-20
• 公開（公告）號: CN110927798B
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 洪承煜;趙改善;楊尚琴
• 申請（專利權）人: 中國石油化工股份有限公司;中國石油化工股份有限公司石油物探技術研究院
• 主分類號: G01V1/50
• 分類號: G01V1/50
• 代理公司: 北京知舟專利事務所(普通合伙) 11550
• 代理人: 潘聰聰

1.一種基于深度學習的測井曲線預測方法，其特征在于，包括步驟：

S10：將其中一口資料井的測井曲線數據作為標簽數據，將剩余的資料井的測井曲線數據作為輸入數據，并計算所述輸入數據的特征值；

S20、在所述特征值中獲取聚集值及最大特征值，計算所述聚集值與所述最大特征值的比值；

S30、根據所述比值獲取深度學習DNN模型的初始參數及浮動范圍，并在所述浮動范圍內進行參數調整直至得到最佳深度學習DNN模型的訓練模型；

S40：將工區中所有的資料井的測井曲線送入所述最佳深度學習DNN模型的訓練模型，預測其他虛擬井的測井曲線數據；

所述步驟S20中獲取所述聚集值時，包括：

在所述特征值中選擇一個特征值，作為第一特征值；

計算所述特征值中大于所述第一特征值的個數，記為第一個數；

判斷所述第一個數與所述特征值的總個數的比值是否達到預設閾值；若是，則將所述第一特征值記為所述聚集值；

所述深度學習DNN模型的參數包括層數m以及每一層的節點數n；所述步驟S30包括：

當所述比值越接近1，則使初始參數m的取值越大，初始參數n的取值越小；反之，則使初始參數m的取值越小，初始參數n的取值越大。

2.根據權利要求1所述基于深度學習的測井曲線預測方法，其特征在于，所述預設閾值大于0.85。

3.根據權利要求1所述基于深度學習的測井曲線預測方法，其特征在于，記所述比值為b，則：

當0.9≤b＜1時，初始參數15＞m＞10，15＞n＞8；

當0.8≤b＜0.9時，初始參數12＞m＞7，15＞n＞10；

當0.5≤b＜0.8時，初始參數9＞m＞4，25＞n＞15；

當0＜b＜0.5時，初始參數6＞m＞2，30＞n＞20。

4.根據權利要求1所述基于深度學習的測井曲線預測方法，其特征在于，所述步驟S30包括：

若根據當前深度學習DNN模型預測出測井曲線結果與所述標簽數據之間的誤差值在預設范圍值內，則將所述當前深度學習DNN模型記為所述最佳深度學習DNN模型的訓練模型。

5.一種基于深度學習的測井曲線預測系統，其特征在于，包括：

特征值獲取模塊，用于將其中一口資料井的測井曲線數據作為標簽數據，將剩余的資料井的測井曲線數據作為輸入數據，并計算所述輸入數據的特征值；

參數調整模塊，用于在所述特征值中獲取聚集值及最大特征值，計算所述聚集值與所述最大特征值的比值；根據所述比值獲取深度學習DNN模型的初始參數及浮動范圍，并在所述浮動范圍內進行參數調整直至得到最佳深度學習DNN模型的訓練模型；

預測模塊，用于將工區中所有的資料井的測井曲線送入所述最佳深度學習DNN模型的訓練模型，預測其他虛擬井的測井曲線數據；

所述參數調整模塊用于：在所述特征值中選擇一個特征值，作為第一特征值；計算所述特征值中大于所述第一特征值的個數，記為第一個數；若所述第一個數與所述特征值的總個數的比值達到預設閾值，則將所述第一特征值記為所述聚集值；

所述參數調整模塊用于當所述比值越接近1，則使初始參數m的取值越大，初始參數n的取值越小；反之，則使初始參數m的取值越小，初始參數n的取值越大。

6.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機可執行的至少一個程序，其特征在于，所述至少一個程序被所述計算機執行時使所述計算機執行上述權利要求1～4任一項所述的方法中的步驟。