[發明專利]動態回歸委員會機器測井儲層參數預測方法及系統

在審

• 申請號: 202010584524.5
• 申請日: 2020-06-24
• 公開（公告）號: CN111723526A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 白洋;譚茂金;高世臣
• 申請（專利權）人: 中國地質大學（北京）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G01V11/00
• 代理公司: 北京興智翔達知識產權代理有限公司 11768
• 代理人: 蔣常雪

1.一種動態回歸委員會機器測井儲層參數預測方法，其特征在于，包括：

構建動態回歸委員會機器DRCM，其中，DRCM包括門網絡、專家層和組合器；

通過所述門網絡對用于模型訓練的歸一化后的第一輸入數據進行預學習，將數據集劃分為多個子數據集，并將對應隸屬度矩陣傳遞至所述組合器；

所述專家層包括多個專家，將所述子數據集分別輸入至每個所述專家以進行訓練，獲得多個子模型及每個所述子模型對應的測試誤差；

將所述子模型及其對應的所述測試誤差輸入至所述組合器，獲得所述組合器輸出的由最佳子模型組成的目標測井儲層參數預測模型；

將待預測的第二輸入數據輸入至所述目標測井儲層參數預測模型，獲得輸出的測井儲層參數預測結果。

2.根據權利要求1所述的方法，其特征在于，所述DRCM還包括輸入層；所述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之前，還包括：

通過所述輸入層對所述第一輸入數據進行歸一化計算，獲得歸一化后的所述數據集。

3.根據權利要求1所述的方法，其特征在于，所述DRCM還包括輸出層；所述將待預測的第二輸入數據輸入至所述目標測井儲層參數預測模型之前，還包括：

通過所述輸出層輸出所述目標測井儲層參數預測模型。

4.根據權利要求2所述的方法，其特征在于，所述通過所述門網絡對用于模型訓練的第一輸入數據進行預學習，將數據集劃分為多個子數據集，包括：

將所述歸一化后的數據集輸入至所述門網絡，采用模糊C均值聚類算法，以類內差異足夠小且類間差異足夠大的原則將所述歸一化后的數據集劃分為多個子數據集。

5.根據權利要求1所述的方法，其特征在于，所述測試誤差為測試集平均相對誤差；所述多個專家包括BP神經網絡、支持向量機、徑向基神經網絡、極限學習機和Elman神經網絡。

6.根據權利要求1所述的方法，其特征在于，所述獲得所述組合器輸出的由最佳子模型組成的目標測井儲層參數預測模型，包括：

通過所述組合器，利用最小誤差準則獲得每種所述子數據集分別對應的所述最佳子模型及其對應的最佳子模型專家，并確定所述最佳子模型及其對應的最佳子模型專家的最佳適應關系；

通過所述隸屬度矩陣對所述最佳子模型進行加權，建立所述最佳子模型的模糊關系，以獲得由所述最佳子模型組成的所述目標測井儲層參數預測模型。

7.根據權利要求1所述的方法，其特征在于，所述第一輸入數據包括測井數據和巖心巖石物理實驗數據；所述第二輸入數據包括測井數據。

8.一種動態回歸委員會機器測井儲層參數預測系統，其特征在于，包括：

構建模塊，用于構建動態回歸委員會機器DRCM，其中，DRCM包括門網絡、專家層和組合器；

門網絡模塊，用于通過所述門網絡對用于模型訓練的歸一化后的第一輸入數據進行預學習，將數據集劃分為多個子數據集，并將隸屬度矩陣傳遞至所述組合器；

專家層模塊，所述專家層包括多個專家，用于將所述子數據集分別輸入至每個所述專家以進行訓練，獲得多個子模型及每個所述子模型對應的測試誤差；

組合器模塊，接收所述子模型及其對應的所述測試誤差，獲得所述組合器輸出的由最佳子模型組成的目標測井儲層參數預測模型；

預測模塊，用于將待預測的第二輸入數據輸入至所述目標測井儲層參數預測模型，獲得輸出的測井儲層參數預測結果。

9.一種電子設備，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，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述動態回歸委員會機器測井儲層參數預測方法的步驟。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7任一項所述動態回歸委員會機器測井儲層參數預測方法的步驟。