[發(fā)明專利]基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型的孔隙度預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010197815.9
• 申請日: 2020-03-19
• 公開（公告）號: CN111338002A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 陳偉;宋輝
• 申請（專利權(quán)）人: 長江大學(xué)
• 主分類號: G01V11/00
• 分類號: G01V11/00;G06N3/04;G06N3/08
• 代理公司: 武漢開元知識產(chǎn)權(quán)代理有限公司 42104
• 代理人: 陳家安

1.一種基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型的孔隙度預(yù)測方法，其特征在于，包括以下步驟：

S1：構(gòu)建用于孔隙度預(yù)測的基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型；

基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括GRU層、全連接層；

所述GRU層結(jié)構(gòu)包括更新門，重置門，候選狀態(tài)，隱藏狀態(tài)；

GRU隱藏層內(nèi)部表達(dá)式如下：

z_t＝σ(W_z[h_t-1,x_t]+b_z) (1)

r_t＝σ(W_r[h_t-1,x_t]+b_r) (2)

其中，x_t為當(dāng)前時刻的輸入向量，h_t-1為上一時刻的隱藏狀態(tài)向量，W_z與b_z分別為更新門的權(quán)重矩陣與偏置向量，σ為sigmoid函數(shù)，z_t為更新門的激活向量，r_t為重置門的激活向量，W_r與b_r分別為重置門的權(quán)重矩陣與偏置向量，為候選狀態(tài)向量，W_h與b_h分別為控制候選狀態(tài)信息的權(quán)重矩陣與偏置向量，z_t表示更新門激活向量，h_t為當(dāng)前時刻的隱藏狀態(tài)向量；

S2：選取多組能表征已知井孔隙度的測井參數(shù)作為輸入數(shù)據(jù)，按比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，對輸入數(shù)據(jù)作歸一化處理后輸入到所述基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型中，訓(xùn)練所述基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型；

S3：輸入未測井段的深度數(shù)據(jù)進(jìn)行測試，利用上述步驟S2中訓(xùn)練完成的基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型預(yù)測孔隙度。

2.根據(jù)權(quán)利要求1所述的一種基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型的孔隙度預(yù)測方法，其特征在于：步驟S2中的測井參數(shù)優(yōu)選為伽馬、聲波、密度、泥巖測井?dāng)?shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型的孔隙度預(yù)測方法，其特征在于：步驟S2中將輸入數(shù)據(jù)歸一化到[0，1]的范圍，采用的方法為：

其中：Y為歸一化后的值；X為原始數(shù)據(jù)；X_Max為原始數(shù)據(jù)中的最大值；X_Min為原始數(shù)據(jù)中的最小值。

4.根據(jù)權(quán)利要求1所述的一種基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型的孔隙度預(yù)測方法，其特征在于：對上述步驟S2中訓(xùn)練完成的基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型，采用如下方法評價模型預(yù)測性能：

其中，y_i、與分別表示實(shí)際值、預(yù)測值、平均值，n表示樣本數(shù)量，MAE越接近于0，R²越接近1，模型預(yù)測效果越好。