[發明專利]動態分類委員會機器測井流體識別方法及系統

有效

• 申請號: 202010540324.X
• 申請日: 2020-06-15
• 公開（公告）號: CN111695635B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 白洋;譚茂金
• 申請（專利權）人: 中國地質大學（北京）
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/23211;G06F18/214;E21B49/00
• 代理公司: 北京興智翔達知識產權代理有限公司 11768
• 代理人: 郭衛芹

本發明實施例提供一種動態分類委員會機器測井流體識別方法及系統，該方法包括：構建動態分類委員會機器DCCM；將用于模型訓練的第一輸入數據輸入至所述門網絡中進行預學習，通過所述門網絡劃分子學習任務后獲得子數據集；將進行了數據結構簡化后的所述子數據集輸入至所述專家層進行訓練，獲得子模型；采用所述組合器對所述子模型進行優化，獲得目標流體識別模型；將待預測的第二輸入數據輸入至所述目標流體識別模型，獲得所述目標流體識別模型輸出的流體類型。本發明實施例提高了專家訓練效率和準確度，增強了最終訓練模型的穩定性和泛化能力，實現了復雜儲層的流體類型智能判別。

技術領域

本發明涉及地球物理測井領域，更具體地，涉及一種動態分類委員會機器測井流體識別方法及系統。

背景技術

流體識別是地球物理測井解釋的重要內容，對油氣勘探開發具有重要意義。現有測井技術包括常規測井和成像測井，常規測井流體識別方法主要有重疊圖、交會圖、孔隙度差值比值、敏感參數法等，這些方法通過研究不同測井系列與不同流體間的響應關系建立流體識別圖版。相比常規測井，陣列聲波、核磁共振等成像測井能更好的識別儲層流體特征。此外，還有一類方法是人工智能算法，其具有較好的非線性逼近能力，在復雜油氣儲層測井勘探開發中具有顯著的應用效果，能夠建立常規測井數據和測試數據間的非線性映射關系，構建精度較高的流體識別模型。此外，通過聯合多智能算法，以投票機制作為組合策略構建委員會機器，可以進一步提升智能算法構建流體識別模型的準確率、穩定性和泛化能力。

常規測井流體識別方法中的重疊圖、交會圖等方法發展成熟，但在復雜儲層評價(如頁巖、碳酸鹽儲層等)中孔隙流體對測井響應貢獻小，構建的流體識別圖版應用效果不佳。相對常規測井，陣列聲波、核磁共振測井具有獨特的測量原理，對儲層流體具有顯著的識別能力，但成本高昂、應用范圍小。依托智能算法的流體識別方法能夠快速建立常規測井數據和測試數據間的非線性映射關系，但常用的智能算法(神經網絡、支持向量機等)容易過擬合、陷入局部極小等缺點導致構建的流體識別模型穩定性、泛化能力較差。聯合多專家(智能算法)，以投票機制作為組合策略構建的委員會機器流體識別方法，可以克服智能算法上述缺陷。但受限于專家自身性能，委員會機器構建的流體識別模型性能提升有限，實際應用效率低下。

發明內容

為了解決上述問題，本發明實施例提供一種克服上述問題或者至少部分地解決上述問題的動態分類委員會機器測井流體識別方法及系統。

根據本發明實施例的第一方面，提供一種動態分類委員會機器測井流體識別方法，該方法包括：構建動態分類委員會機器DCCM；其中，DCCM包括輸入層、門網絡、專家層、組合器和輸出層；將用于模型訓練的第一輸入數據輸入至所述門網絡中進行預學習，通過所述門網絡劃分子學習任務后獲得子數據集；將進行了數據結構簡化后的所述子數據集輸入至所述專家層進行訓練，獲得子模型；采用所述組合器對所述子模型進行優化，獲得目標流體識別模型；將待預測的第二輸入數據輸入至所述目標流體識別模型，獲得所述目標流體識別模型輸出的流體類型。

根據本發明實施例第二方面，提供了一種動態分類委員會機器測井流體識別系統，該系統包括：構建模塊，用于構建動態分類委員會機器DCCM；其中，DCCM包括輸入層、門網絡、專家層、組合器和輸出層；門網絡模塊，用于將用于模型訓練的第一輸入數據輸入至所述門網絡中進行預學習，通過所述門網絡劃分子學習任務后獲得子數據集；專家層模塊，用于將進行了數據結構簡化后的所述子數據集輸入至所述專家層進行訓練，獲得子模型；組合器模塊，用于采用所述組合器對所述子模型進行優化，獲得目標流體識別模型；識別模塊，用于將待預測的第二輸入數據輸入至所述目標流體識別模型，獲得所述目標流體識別模型輸出的流體類型。

根據本發明實施例的第三方面，提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行程序時實現如第一方面的各種可能的實現方式中任一種可能的實現方式所提供的動態分類委員會機器測井流體識別方法。