[發明專利]一種基于深度學習和巖石力學參數的氣層識別方法

有效

• 申請號: 202010183702.3
• 申請日: 2020-03-16
• 公開（公告）號: CN111474585B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 曹先軍;周軍;李國軍;馬修剛;路濤;孫佩;張娟;陳小磊;余長江;李楠;王樹聲;史超;冀昆;樊云峰;劉家雄
• 申請（專利權）人: 中國石油天然氣集團有限公司;中國石油集團測井有限公司
• 主分類號: G01V1/50
• 分類號: G01V1/50
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

1.一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，包括，采集4條測井曲線及巖石力學參數，然后將巖石力學參數重新組合計算的結果及4條測井曲線值分別進行歸一化處理；利用深度學習神經網絡算法對歸一化處理后的數據進行訓練學習，將學習結果用于氣層識別；所述巖石力學參數包括體積模量XKB和壓縮系數CB、拉梅常數LAME、巖石骨架體積模量XKMX、水的體積模量XKW和壓縮系數WCB及流體壓縮系數FCB；所述神經網絡訓練學習包括數據標簽化、數據的預處理以及樣本訓練數據集和測試數據集的計算；4條測井曲線分別為：伽馬GR、深電阻率RD、淺電阻率RS、聲波時差AC；

水的體積模量XKW和壓縮系數WCB計算公式如下：

式中，A為常數，DENW為水的密度，DTCW為水的聲波時差。

2.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，體積模量XKB和壓縮系數CB的計算公式如下：

YME＝2·SM·(1+POIS)?(2)

其中，SM為切變模量，A為常數，DEN為密度，DTS為橫波時差，YME為楊氏模量，POIS為泊松比。

3.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，拉梅常數LAME的計算公式如下：

其中，YME為楊氏模量，POIS為泊松比。

4.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，巖石骨架體積模量XKMX的計算公式如下：

式中，POR為孔隙度，VSH為泥質含量，LIME為石灰巖含量，DOLO為白云巖含量，XKMA為砂巖骨架體積模量，XKSH為泥巖體積模量，XKLM為石灰巖骨架體積模量，XKDO為白云巖骨架體積模量。

5.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，流體壓縮系數FCB的計算公式如下：

式中，CB為壓縮系數，POR為孔隙度，VSH為泥質含量，LIME為石灰巖含量，DOLO為白云巖含量，XKMA為砂巖骨架體積模量，XKSH為泥巖體積模量，XKLM為石灰巖骨架體積模量，XKDO為白云巖骨架體積模量。

6.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，數據標簽化處理方法為：根據氣層的產氣量大小將氣層分為8類進行標簽化處理，分別賦予0-7共8個不同的標簽值。

7.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，所述的數據的預處理包括參數的重新組合計算以及歸一化；

將巖石力學參數重新組合為3個屬性值，分別定義為P1、P2和P3，計算公式如下：

P1、P2和P3的計算結果小于0的直接賦值為0；

將屬性值P1、P2、P3及4條測井曲線值統一定義為C1、C2、C3、C4、C5、C6和C7共7條曲線數據，并將C1～C7做歸一化處理，歸一化計算公式為：

式中，C_I,N為第I條曲線的歸一化結果，C_I,i為第I條曲線不同深度的值，C_I,min為第I條曲線的最小值，C_I,max為第I條曲線的最大值。

8.根據權利要求7所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，輸入層為P1、P2和P3三個屬性值及4條測井曲線；

所述三個屬性值分別為：巖石骨架體積模量與體積模量的差、流體壓縮系數與水的壓縮系數的差及拉梅常數與體積模量的和。

9.根據權利要求1所述的一種基于深度學習和巖石力學參數的氣層識別方法，其特征在于，采用循環神經網絡的LSTM神經網絡，網絡模型分為3層，分別為LSTM層、Dropout層和全連接層，激活函數為sigmoid函數，損失函數為交叉熵損失函數。