[發明專利]基于圖神經網絡的頁巖總有機碳預測方法、系統和設備

有效

• 申請號: 202111411640.8
• 申請日: 2021-11-25
• 公開（公告）號: CN113837501B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 單小彩;張旺;周永健;吳克柳;李靖;付博燁;陳掌星;朱日祥
• 申請（專利權）人: 中國科學院地質與地球物理研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/04
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于圖神經網絡的頁巖總有機碳預測方法，其特征在于，所述方法包括：

步驟S100，獲取目標頁巖層的待預測井位的多種測井曲線數據；所述測井曲線數據，是指頁巖氣或頁巖油打井開發過程中得到的地層響應信號，包括所述測井曲線包括放射性鈾、放射性釷、放射性鉀、聲波時差、補償中子、密度、巖性密度、深雙側向電阻率、淺雙側向電阻率和伽馬測井曲線十種測井曲線；

步驟S200，基于所述多種測井曲線數據進行預處理，獲得標準化的多種測井曲線數據；

步驟S300，對所述標準化的多種測井曲線數據進行加窗處理，并將加窗后的測井曲線數據與預設的測井曲線間權重矩陣共同輸入訓練好的GNN總有機碳預測網絡，獲取待預測井位的TOC值；

所述方法還包括第一分析測井曲線數據敏感性的步驟，具體包括：

步驟S400A，基于訓練好的圖卷積神經網絡和所述待預測井位的TOC，進行梯度反傳，獲得各個測井曲線對預測TOC的敏感性；

所述方法還包括第二分析測井曲線數據敏感性的步驟，具體包括：

步驟S400B，將不同的標準測井曲線數據規劃為不同組合測井曲線，并另外訓練不同的測井曲線組合對應的GNN總有機碳預測網絡，獲得不同測井曲線組合預測的TOC值，基于所述不同組合測井曲線預測的TOC與已知井位的TOC實測點進行對比，分析各種測井曲線組合對預測TOC數據的敏感性。

2.根據權利要求1所述的基于圖神經網絡的頁巖總有機碳預測方法，其特征在于，所述訓練好的GNN總有機碳預測網絡，其訓練方法為：

步驟A100，獲取已知井位的標準測井曲線數據；

步驟A200，通過對已知井位打井過程中獲得的巖心進行總碳含量分析，獲得多個已知井位的TOC測點，并獲取TOC實測值；

步驟A300，根據所述已知井位的TOC測點位置，對測井曲線進行加窗處理；其中，加窗處理的數據窗口的中心對應的深度為TOC實測點位置；

步驟A400，預設測井曲線間權重矩陣；

步驟A500，將加窗后的測井曲線數據、測井曲線間權重矩陣和TOC實測值劃分為訓練集和驗證集；

步驟A600，將所述訓練集與測井曲線間權重矩陣共同輸入GNN總有機碳預測網絡，通過測井曲線圖卷積核提取訓練樣本特征，基于所述訓練樣本特征，輸出訓練集TOC預測值；

步驟A700，基于所述訓練集TOC 預測值和TOC實測值計算訓練集的損失函數，通過隨機梯度下降算法優化調整網絡參數；

步驟A800，每輪迭代將驗證集與所述權重矩陣共同輸入GNN總有機碳預測網絡，輸出驗證集的TOC預測值；

基于所述驗證集TOC預測值和TOC實測值計算驗證集的損失函數；

步驟A900，重復步驟A600-步驟A800的步驟，直至訓練集的損失函數低于預設的閾值或驗證集的損失函數出現上升趨勢，獲得訓練好的GNN總有機碳預測網絡。

3.根據權利要求2所述的基于圖神經網絡的頁巖總有機碳預測方法，其特征在于，所述基于圖的卷積核由多個時空卷積塊組成；

所述時空卷積塊包括順次連接的兩個ST-Conv Block塊和一個全連接輸出層；

其中每個ST-Conv Block塊包括順次連接的一個時間門限卷積塊 Temporal Gated-Conv、一個空間圖卷積塊 Spatial Graph-Conv和一個時間門限卷積塊 Temporal Gated-Conv；

其中每個時間門限卷積塊，通過GLU實現1維因果卷積。

4.根據權利要求2所述的基于圖神經網絡的頁巖總有機碳預測方法，其特征在于，所述損失函數，優選采用均方誤差或L2損失實現。

5.根據權利要求1所述的基于圖神經網絡的頁巖總有機碳預測方法，其特征在于，所述預處理包括：去除測井曲線數據的異常值并進行歸一化。