[發明專利]一種基于非線性自回歸神經網絡模型的測井曲線重構方法

在審

• 申請號: 202111565509.7
• 申請日: 2021-12-21
• 公開（公告）號: CN113947198A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 張劍;郝翱梟;楊云;李坤;盛行;李梓涵
• 申請（專利權）人: 西南石油大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01V1/40;G06F30/27;G06N3/00
• 代理公司: 北京艾格律詩專利代理有限公司 11924
• 代理人: 謝毅

本發明公開了一種基于非線性自回歸神經網絡模型的測井曲線重構方法，包括：按現有測井曲線數據獲取深度將其劃分為訓練曲線數據和測試曲線數據；依據訓練曲線數據設立NARX神經網絡模型；通過粒子群算法對NARX神經網絡模型進行初始優化；使用Levenberg?Marquardt算法將訓練曲線數據帶入NARX神經網絡模型完成訓練；將測試曲線數據帶入NARX神經網絡模型進行測試；使用測試后的NARX神經網絡模型獲取重構的測井曲線數據；本申請有效避免了陷入局部最優的問題，能夠以高精度逼近非線性的測井曲線重構系統，充分利用測井數據的非線性、序列性特點，能夠準確反映各曲線間的對應關系，具有良好測井曲線重構能力。

技術領域

本申請屬于地球物理數據處理技術領域，特別涉及一種基于非線性自回歸神經網絡模型的測井曲線重構方法。

背景技術

測井曲線能夠描述地層巖性、物性和含油氣性。地質工作者通過研究和分析測井曲線數可以建立較為精確的地質模型。如聲波測井曲線可以用于儲層反演以及地震層位標定。

然而由于井徑擴大，井眼垮塌和儀器故障等原因會造成測井曲線缺失，但是重新進行測井在經濟成本上通常并不具備可行性。因此，找到一種高效、簡便、低成本的測井曲線生成方法具有重要意義。研究者們提出，可以采用多種方法利用已有的測井數據人工生成測井曲線，例如巖石物理建模、經驗模型、線性回歸、交會圖等方法。巖石物理模型通常基于很多假設，簡化了真實儲層情況，同時需要確定很多經驗參數，且人為主觀因素容易造成干擾，生成測井曲線與真實值具有較大差異。經驗模型如利用一條電阻率或自然伽馬曲線找出擬合經驗公式對進行聲波時差曲線進行重構。但大多為重構聲波時差曲線而提出，不僅精度較低，且不適用于其他曲線的重構。由于地下儲層情況復雜且非均質性較強，測井數據之間經常呈現極強的非線性關系，不能用簡單的線性關系描述，應用線性回歸和交會圖等傳統方法不能表現出不同測井曲線之間的關聯性，效果較差。

隨著大數據、機器學習和深度學習技術的不斷發展，將機器學習和深度學習方法應用到地球物理勘探領域當中已經成為研究熱點，且效果普遍優于傳統統計回歸等方法。測井曲線重構屬于有監督回歸問題，支持向量機，決策樹，隨機森林，人工神經網絡等方法都被很多研究者用于嘗試重構測井曲線。由于地下情況不但復雜而且非均質性也較強，測井數據之間常常呈現極強的非線性映射關系，這些方法能夠較好地學習到測井曲線之間的非線性數據映射關系。然而，測井曲線信息是具有序列化的數據結構，隨著深度變化，且深度級的重構結果同時受當前輸入數據和淺層級重構結果的影響。因此，簡單使用傳統的機器學習重構模型存在一定局限性。

支持向量機是一種適用于小樣本學習的方法，相比較其它方法，對異常值不敏感，能把握關鍵樣本，但是支持向量機的一個主要缺點是它的輸入變量存儲在高維特征空間中，需要很高的計算時間和大量的內存來存儲特性，且對參數和核函數選擇敏感，要調節松弛因子和核函數因子參數，調優過程困難。決策樹方法引入了信息熵，使得算法可以得到節點數最小的決策樹，但是決策樹需要多次掃描數據，導致算法低效，且具有高方差和不穩定性，小的改變可能會導致完全不同的結果。隨機森林在解決回歸問題時，并沒有像其在分類中表現的那么好。BP神經網絡能實現非線性映射的功能，適合求解復雜問題，網絡通過學習帶標簽的樣本自動提取合理的映射規則，具有自學習的能力，但BP神經網絡忽略了測井曲線隨深度的變化趨勢和數據的前后關聯，無法保存和利用先前信息，無法重構序列數據。并且存在由于網絡連接權值和閾值是隨機初始化方式生成，而導致的易陷入局部最優的問題。

因此，希望有一種技術方案來克服或至少減輕現有技術的至少一個上述缺陷。

發明內容

本發明的目的在于提供一種基于非線性自回歸神經網絡模型的測井曲線重構方法以解決上述至少一方面的問題。

本發明提供一種基于非線性自回歸神經網絡模型的測井曲線重構方法，包括：

獲取第一現有測井曲線數據，按第一現有測井曲線數據獲取深度將其劃分為訓練曲線數據和測試曲線數據；

依據訓練曲線數據設立NARX神經網絡模型；