CN111751878B - 横波速度的预测方法和装置 - Google Patents
横波速度的预测方法和装置 Download PDFInfo
- Publication number
- CN111751878B CN111751878B CN202010434118.0A CN202010434118A CN111751878B CN 111751878 B CN111751878 B CN 111751878B CN 202010434118 A CN202010434118 A CN 202010434118A CN 111751878 B CN111751878 B CN 111751878B
- Authority
- CN
- China
- Prior art keywords
- curve
- transverse wave
- learning rate
- wave speed
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002637 fluid replacement therapy Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种横波速度的预测方法和装置，该方法包括：获取常规测井曲线和已知井横波速度曲线；根据常规测井曲线和已知井横波速度曲线，确定优选曲线；对优选曲线进行归一化处理，确定归一化后的优选曲线；结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；将归一化后的优选曲线输入横波速度预测模型，确定横波速度。本发明在整个横波速度的预测过程中，仅需已知井横波速度曲线和预测井的常规测井曲线，直接从数据出发实现实现了横波速度的精准预测，调节参数少，对人员要求低，在实际生产中能广泛开展应用。
Description
技术领域
本发明涉及地球岩石物理技术领域，尤其涉及一种横波速度的预测方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
横波速度作为流体替换与叠前正演、反演中重要的一个参数，在地震正演模拟过程中，其结果的准确性直接影响后续流体替换后的结果，进而影响地球物理工作者对不同流体饱和度条件下的弹性参数与地震响应变化规律认识；在地震叠前反演过程中，由于地震缺失低频信息，而低频模型往往需要通过测井的内插外推来得到，并且低频模型往往控制研究区域的整个沉积背景与沉积规律，因此测井上的横波速度准确性也将影响整个叠前反演的结果，体现了横波速度预测的重要性。在页岩气、致密油等非常规储层中，只有在横波速度准确的条件下，才能计算地层应力与地层压力等地层参数。因此，横波速度在常规、非常规油气储层参数预测与评价中发挥了至关重要的作用。
目前利用测井资料进行横波速度预测的方法主要有经验公式法与岩石物理建模的方法。经验公式法由于往往是采用单元或者多元线性回归的方法，来建立横波速度曲线与伽马、中子、纵波时差等常规测井曲线的函数关系，由于拟合的函数往往过于简单，精度难以满足生产需求。近年来很多国内外学者发展了岩石物理建模的方法来预测横波，这种方法需要对地层有个精确的评价，对地震储层预测工作者要求高，需要开展符合岩石物理建模需要的矿物含量、孔隙度等关键参数的评价，在页岩油中，还需要TOC、含气量等的评价。并且输入的骨架参数众多，在两种矿物条件下就涉及8个参数，后续每增加一种矿物将增加4个参数，并且地层流体性质、温度、压力等参数难以获取，因此在致密油这种非常规储层的岩石物理模拟过程中，由于输入参数众多，难以优选得到一个符合实际工区条件的参数，因此在实际操作过程中也出现了很多困难，预测精度也欠佳。
通过经验公式进行线性拟合的方法计算出来的Vp/Vs基本为一常数，不能满足高精度AVO正演与叠前弹性参数反演的需求。
现有的岩石物理建模的方法可调节的参数众多，并且有些参数往往很难获取，流程复杂，需要操作人员不仅有测井解释的专业背景，还需要有地震岩石物理建模的专业背景，这种方法在实际生产中很难进行推广应用。
因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种横波速度的预测方法，直接从数据出发，实现了横波速度的精准预测，该方法包括：
获取常规测井曲线和已知井横波速度曲线；
根据常规测井曲线和已知井横波速度曲线，确定优选曲线；
对优选曲线进行归一化处理，确定归一化后的优选曲线；
结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；
将归一化后的优选曲线输入横波速度预测模型，确定横波速度。
本发明实施例还提供一种横波速度的预测装置，包括：
数据获取模块，用于获取常规测井曲线和已知井横波速度曲线；
优选曲线确定模块，用于根据常规测井曲线和已知井横波速度曲线，确定优选曲线；
归一化模块，用于对优选曲线进行归一化处理，确定归一化后的优选曲线；
横波速度预测模型确定模块，用于结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；
横波速度确定模块，用于将归一化后的优选曲线输入横波速度预测模型，确定横波速度。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述横波速度的预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述横波速度的预测方法的计算机程序。
本发明实施例提供的一种横波速度的预测方法和装置，以已知井横波速度曲线为基础，对常规测井曲线进行优选，确定优选曲线，并进行归一化处理，在此基础上结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型，最后将归一化后的优选曲线输入横波速度预测模型，确定横波速度；在整个横波速度的预测过程中，仅需已知井横波速度曲线和预测井的常规测井曲线，直接从数据出发实现了横波速度的精准预测，调节参数少，对人员要求低，在实际生产中能广泛开展应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例一种横波速度的预测方法示意图。
图2为本发明实施例一种横波速度的预测方法的流程图。
图3为采用本发明实施例一种横波速度的预测方法得到的横波时差、岩石物理模拟得到的横波时差与经验公式得到的横波时差的对比图。
图4为采用经验公式得到的横波时差误差示意图。
图5为采用岩石物理模拟得到的横波时差误差示意图。
图6为采用发明实施例一种横波速度的预测方法得到的横波时差误差示意图。
图7为运行本发明实施的一种横波速度的预测方法的计算机装置示意图。
图8为本发明实施例一种横波速度的预测装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例一种横波速度的预测方法示意图，如图1所示，本发明实施例提供一种横波速度的预测方法，实现了横波速度的精准预测，该方法包括：
步骤101：获取常规测井曲线和已知井横波速度曲线；
步骤102：根据常规测井曲线和已知井横波速度曲线，确定优选曲线；
步骤103：对优选曲线进行归一化处理，确定归一化后的优选曲线；
步骤104：结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；
步骤105：将归一化后的优选曲线输入横波速度预测模型，确定横波速度。
发明实施例提供的一种横波速度的预测方法，以已知井横波速度曲线为基础，对常规测井曲线进行优选，确定优选曲线，并进行归一化处理，在此基础上结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型，最后将归一化后的优选曲线输入横波速度预测模型，确定横波速度；在整个横波速度的预测过程中，仅需已知井横波速度曲线和预测井的常规测井曲线，直接从数据出发，调节参数少，对人员要求低，在实际生产中能广泛开展应用。
针对目前常规岩石物理建模需要调节的骨架参数众多，要想得到一个高精度的横波速度的预测结果，需要前期高精度的一个矿物含量、孔隙度、流体含量的估算，并且相应的需要的调参工作繁琐，在调参过程中对人员提出很高的要求，门槛高，在实际生产应用中很难推广应用。针对上述问题，本发明实施例提供一种横波速度的预测方法，实施时可以包括：
获取常规测井曲线和已知井横波速度曲线；根据常规测井曲线和已知井横波速度曲线，确定优选曲线；对优选曲线进行归一化处理，确定归一化后的优选曲线；结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；将归一化后的优选曲线输入横波速度预测模型，确定横波速度。
实施例中，所述常规测井曲线，是从将要预测横波速度的井资料中获取，常规测井资料在勘探开发过程中属于基础数据，容易获取；所述已知井横波速度曲线，包括多个已知井的实测横波速度曲线，通过少数已有阵列声波测井资料中可以获取。
在具体实施本发明实施例提供的一种横波速度的预测方法时，一个实施例中，根据常规测井曲线和已知井横波速度曲线，确定优选曲线，包括：
根据向量相关计算方法，计算常规测井曲线和已知井横波速度曲线之间的相关系数，将常规测井曲线按照相关系数进行相关系数矩阵评价，确定优选曲线。
实施例中，对常规测井曲线(作为输入曲线)进行优选，根据向量相关计算方法，计算常规测井曲线与已知井横波速度曲线之间的相关系数，并按照相关系数自动排序，将常规测井曲线按照相关系数进行相关系数矩阵评价，确定优选曲线。
前述的对常规测井曲线，包括：伽马曲线、中子曲线、密度曲线和声波曲线至少一种或多种的组合。
在具体实施本发明实施例提供的一种横波速度的预测方法时，一个实施例中，对优选曲线进行归一化处理，确定归一化后的优选曲线，包括：
采用高斯分布函数去拟合优选曲线的统计分布特征，确定优选曲线的均值和方差；
根据优选曲线的均值和方差，对优选曲线进行归一化处理，确定归一化后的优选曲线。
在具体实施本发明实施例提供的一种横波速度的预测方法时，一个实施例中，按照如下方式，确定归一化后的优选曲线：
其中，x'为归一化后的优选曲线；x为优选曲线；μ为优选曲线的均值；σ为优选曲线的方差。
前述提到的确定归一化后的优选曲线的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
在具体实施本发明实施例提供的一种横波速度的预测方法时，一个实施例中，结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型，包括：
结合常规测井曲线建立深度前馈神经网络模型，将已知井横波速度分为训练集和测试集，对激活函数进行优选，选出训练误差与测试误差均较小的激活函数；
采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值；
随机初始化权重矩阵，将训练集和测试集输入深度前馈神经网络模型，根据激活函数和全局最优值对深度前馈神经网络模型进行训练，监控训练集与测试集的误差；
在训练集与测试集的误差未达到设定值时，重新随机初始化权重矩阵；
在训练集与测试集的误差达到设定值时，对模型进行保存；
将保存的模型进行并联取平均，确定横波速度预测模型。
在具体实施本发明实施例提供的一种横波速度的预测方法时，一个实施例中，采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值，包括：
选择第一学习率对深度前馈神经网络模型进行训练，观测第一学习率的训练误差；同时选择第二学习率对深度前馈神经网络模型进行训练，观测第二学习率的训练误差；其中，第一学习率大于第二学习率
取第一学习率与第二学习率的中点作为中点学习率，对深度前馈神经网络模型进行训练，确定中点学习率训练误差；
根据第一学习率的训练误差、第二学习率的训练误差和中点学习率训练误差，判断深度前馈神经网络模型是否收敛；
若深度前馈神经网络模型未收敛，则从中点学习率向第二学习率的方向再次取中点，直至深度前馈神经网络模型收敛，确定深度前馈神经网络模型的全局最优值。
实施例中，前述结合常规测井曲线建立的深度前馈神经网络模型，可以是由全连接层组成的多层学***均，确定横波速度预测模型。
图2为本发明实施例一种横波速度的预测方法的流程图，如图2所示，进行横波速度预测的流程包括：
输入曲线；所述的输入曲线，包括输入常规测井曲线；
通过相关相关系数矩阵评价对输入曲线进行处理，确定优选曲线；
将优选曲线进行归一化处理，确定归一化后的优选曲线；
结合常规测井曲线构建深度学习网络；所述深度学习网络包括深度前馈神经网络模型；
随机初始化权重矩阵，将训练集和测试集输入深度前馈神经网络模型，根据激活函数和全局最优值对深度前馈神经网络模型进行训练，监控训练集与测试集的误差；
判断训练集与测试集的误差；
在训练集与测试集的误差未达到设定值时，重新随机初始化权重矩阵；
在训练集与测试集的误差达到设定值时，对模型进行保存，最终可以得到多个模型：模型1、模型2……模型n；
将上述保存的n个模型进行并联取平均，确定横波速度预测模型；
将归一化后的优选曲线输入横波速度预测模型，预测横波速度。
本发明实施例利用常规测井曲线，采用深度学习算法来构建不同的学习模型，并对不同模型进行并联来预测横波速度，进而提高横波速度预测精度。在对输入的常规测井曲线进行相似度矩阵评定的基础上，优选出与横波速度最相关的测井曲线作为优选曲线，在此基础上结合常规测井曲线构建深层前馈神经网络，通过随机初始化不同的权重系数矩阵来获取不同的预测模型，在模型训练与测试过程中，通过监控训练集与测试集的误差构成的曲线(误差曲线)来保留预测精度高的模型，最后这些不同的精度高的模型进行并联来进一步提高预测精度。在无准确测井地层评价的结果上，直接利用常规测井曲线来进行横波速度预测，只需利用误差曲线来对模型进行优选，并且中间步骤少、可调节的参数少、易于开展大规模应用与操作。
本发明实施例的一种横波速度的预测方法，经过四川盆地、鄂尔多斯盆地的多个气田的实际预测结果表明，具有预测的横波速度精度高、操作便捷的优点。
图3为采用本发明实施例一种横波速度的预测方法得到的横波时差、岩石物理模拟得到的横波时差与经验公式得到的横波时差的对比图。图3中，CAL为井径曲线，GR为自然伽马曲线，RT为深电阻率曲线，RXO为浅层电阻率曲线，vdcl为粘土含量，Vqua为石英含量，port为总孔隙度，cnl为中子曲线，den为密度曲线，dtc为纵波时差曲线，dts_emp为经验公式计算得到的横波时差曲线(横波速度的倒数)，DTS_RM为岩石物理建模得到的横波时差曲线，KERAS_DTS为利用本次发明得到横波时差曲线，DTS为实测的横波时差曲线。
图4为采用经验公式得到的横波时差误差示意图；图5为采用岩石物理模拟得到的横波时差误差示意图；图6为采用发明实施例一种横波速度的预测方法得到的横波时差误差示意图；结合图3至图6，可以得出，采用发明实施例一种横波速度的预测方法得到的横波时差误差，远小于采用经验公式得到的横波时差误差和采用岩石物理模拟得到的横波时差误差；进一步的，利用发明实施例一种横波速度的预测方法得到的横波速度计算纵横波速度比(VpVs_DL)，实测的纵横波速度比(VpVs)，相对于经验公式预测的纵横波速度比(VpVs_emp)、岩石物理建模得到的纵横波速度比(VpVs_RM)，误差更小，误差小于3％，其余方法的误差都接近10％。
图7为运行本发明实施的一种横波速度的预测方法的计算机装置示意图，如图7所示，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述横波速度的预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述横波速度的预测方法的计算机程序。
本发明实施例中还提供了一种横波速度的预测装置，如下面的实施例所述。由于该装置解决问题的原理与一种横波速度的预测方法相似，因此该装置的实施可以参见一种横波速度的预测方法的实施，重复之处不再赘述。
图8为本发明实施例一种横波速度的预测装置示意图，如图8所示，本发明实施例还提供一种横波速度的预测装置，可以包括：
数据获取模块801，用于获取常规测井曲线和已知井横波速度曲线；
优选曲线确定模块802，用于根据常规测井曲线和已知井横波速度曲线，确定优选曲线；
归一化模块803，用于对优选曲线进行归一化处理，确定归一化后的优选曲线；
横波速度预测模型确定模块804，用于结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；
横波速度确定模块805，用于将归一化后的优选曲线输入横波速度预测模型，确定横波速度。
在具体实施本发明实施例提供的一种横波速度的预测装置时，一个实施例中，优选曲线确定模块，具体用于：
根据向量相关计算方法，计算常规测井曲线和已知井横波速度曲线之间的相关系数，将常规测井曲线按照相关系数进行相关系数矩阵评价，确定优选曲线。
在具体实施本发明实施例提供的一种横波速度的预测装置时，一个实施例中，归一化模块，具体用于：
采用高斯分布函数去拟合优选曲线的统计分布特征，确定优选曲线的均值和方差；
根据优选曲线的均值和方差，对优选曲线进行归一化处理，确定归一化后的优选曲线。
在具体实施本发明实施例提供的一种横波速度的预测装置时，一个实施例中，还用于按照如下方式，确定归一化后的优选曲线：
其中，x'为归一化后的优选曲线；x为优选曲线；μ为优选曲线的均值；σ为优选曲线的方差。
在具体实施本发明实施例提供的一种横波速度的预测装置时，一个实施例中，横波速度预测模型确定模块，具体用于：
结合常规测井曲线建立深度前馈神经网络模型，将已知井横波速度分为训练集和测试集，对激活函数进行优选，选出训练误差与测试误差均较小的激活函数；
采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值；
随机初始化权重矩阵，根据激活函数和全局最优值对深度前馈神经网络模型进行训练，监控训练集与测试集的误差；
在训练集与测试集的误差未达到设定值时，重新随机初始化权重矩阵；
在训练集与测试集的误差达到设定值时，对模型进行保存；
将保存的模型进行并联取平均，确定横波速度预测模型。
在具体实施本发明实施例提供的一种横波速度的预测装置时，一个实施例中，横波速度预测模型确定模块，还用于：
选择第一学习率对深度前馈神经网络模型进行训练，观测第一学习率的训练误差；同时选择第二学习率对深度前馈神经网络模型进行训练，观测第二学习率的训练误差；其中，第一学习率大于第二学习率
取第一学习率与第二学习率的中点作为中点学习率，对深度前馈神经网络模型进行训练，确定中点学习率训练误差；
根据第一学习率的训练误差、第二学习率的训练误差和中点学习率训练误差，判断深度前馈神经网络模型是否收敛；
若深度前馈神经网络模型未收敛，则从中点学习率向第二学习率的方向再次取中点，直至深度前馈神经网络模型收敛，确定深度前馈神经网络模型的全局最优值。
综上，本发明实施例提供的一种横波速度的预测方法和装置，以已知井横波速度曲线为基础，对常规测井曲线进行优选，确定优选曲线，并进行归一化处理，在此基础上结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型，最后将归一化后的优选曲线输入横波速度预测模型，确定横波速度；在整个横波速度的预测过程中，仅需已知井横波速度曲线和预测井的常规测井曲线，直接从数据出发实现了横波速度的精准预测，调节参数少，对人员要求低，在实际生产中能广泛开展应用。本发明在已知井的横波速度基础上，引入深度学习与机器学习中的相关算法，将已知数据劈分成训练集与测试集，并在训练的过程中监控测试集中的误差曲线，得到可靠的模型，并将多次学习得到的模型进行并联得到最终的高精度横波速度预测模型。这种方法直接从数据出发，调节参数少，对人员要求低，在实际生产中能广泛开展应用。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种横波速度的预测方法，其特征在于，包括：
获取常规测井曲线和已知井横波速度曲线；所述已知井横波速度曲线，包括多个已知井的实测横波速度曲线；
根据常规测井曲线和已知井横波速度曲线，确定优选曲线；
对优选曲线进行归一化处理，确定归一化后的优选曲线；
结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；
将归一化后的优选曲线输入横波速度预测模型，确定横波速度；
其中，结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型，包括：
结合常规测井曲线建立深度前馈神经网络模型，将已知井横波速度分为训练集和测试集，对激活函数进行优选，选出训练误差与测试误差均较小的激活函数；
采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值；
随机初始化权重矩阵，将训练集和测试集输入深度前馈神经网络模型，根据激活函数和全局最优值对深度前馈神经网络模型进行训练，监控训练集与测试集的误差；
在训练集与测试集的误差未达到设定值时，重新随机初始化权重矩阵；
在训练集与测试集的误差达到设定值时，对模型进行保存；
将保存的模型进行并联取平均，确定横波速度预测模型。
2.如权利要求1所述的方法，其特征在于，根据常规测井曲线和已知井横波速度曲线，确定优选曲线，包括：
根据向量相关计算方法，计算常规测井曲线和已知井横波速度曲线之间的相关系数，将常规测井曲线按照相关系数进行相关系数矩阵评价，确定优选曲线。
3.如权利要求1所述的方法，其特征在于，对优选曲线进行归一化处理，确定归一化后的优选曲线，包括：
采用高斯分布函数去拟合优选曲线的统计分布特征，确定优选曲线的均值和方差；
根据优选曲线的均值和方差，对优选曲线进行归一化处理，确定归一化后的优选曲线。
4.如权利要求3所述的方法，其特征在于，按照如下方式，确定归一化后的优选曲线：
其中，x'为归一化后的优选曲线；x为优选曲线；μ为优选曲线的均值；σ为优选曲线的方差。
5.如权利要求1所述的方法，其特征在于，采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值，包括：
选择第一学习率对深度前馈神经网络模型进行训练，观测第一学习率的训练误差；同时选择第二学习率对深度前馈神经网络模型进行训练，观测第二学习率的训练误差；其中，第一学习率大于第二学习率；
取第一学习率与第二学习率的中点作为中点学习率，对深度前馈神经网络模型进行训练，确定中点学习率训练误差；
根据第一学习率的训练误差、第二学习率的训练误差和中点学习率训练误差，判断深度前馈神经网络模型是否收敛；
若深度前馈神经网络模型未收敛，则从中点学习率向第二学习率的方向再次取中点，直至深度前馈神经网络模型收敛，确定深度前馈神经网络模型的全局最优值。
6.一种横波速度的预测装置，其特征在于，包括：
数据获取模块，用于获取常规测井曲线和已知井横波速度曲线；所述已知井横波速度曲线，包括多个已知井的实测横波速度曲线；
优选曲线确定模块，用于根据常规测井曲线和已知井横波速度曲线，确定优选曲线；
归一化模块，用于对优选曲线进行归一化处理，确定归一化后的优选曲线；
横波速度预测模型确定模块，用于结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；
横波速度确定模块，用于将归一化后的优选曲线输入横波速度预测模型，确定横波速度；
其中，横波速度预测模型确定模块，具体用于：
结合常规测井曲线建立深度前馈神经网络模型，将已知井横波速度分为训练集和测试集，对激活函数进行优选，选出训练误差与测试误差均较小的激活函数；
采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值；
随机初始化权重矩阵，将训练集和测试集输入深度前馈神经网络模型，根据激活函数和全局最优值对深度前馈神经网络模型进行训练，监控训练集与测试集的误差；
在训练集与测试集的误差未达到设定值时，重新随机初始化权重矩阵；
在训练集与测试集的误差达到设定值时，对模型进行保存；
将保存的模型进行并联取平均，确定横波速度预测模型。
7.如权利要求6所述的装置，其特征在于，优选曲线确定模块，具体用于：
根据向量相关计算方法，计算常规测井曲线和已知井横波速度曲线之间的相关系数，将常规测井曲线按照相关系数进行相关系数矩阵评价，确定优选曲线。
8.如权利要求6所述的装置，其特征在于，归一化模块，具体用于：
采用高斯分布函数去拟合优选曲线的统计分布特征，确定优选曲线的均值和方差；
根据优选曲线的均值和方差，对优选曲线进行归一化处理，确定归一化后的优选曲线。
9.如权利要求8所述的装置，其特征在于，归一化模块，还用于按照如下方式，确定归一化后的优选曲线：
其中，x'为归一化后的优选曲线；x为优选曲线；μ为优选曲线的均值；σ为优选曲线的方差。
10.如权利要求6所述的装置，其特征在于，横波速度预测模型确定模块，还用于：
选择第一学习率对深度前馈神经网络模型进行训练，观测第一学习率的训练误差；同时选择第二学习率对深度前馈神经网络模型进行训练，观测第二学习率的训练误差；
取第一学习率与第二学习率的中点作为中点学习率，对深度前馈神经网络模型进行训练，确定中点学习率训练误差；
根据第一学习率的训练误差、第二学习率的训练误差和中点学习率训练误差，判断深度前馈神经网络模型是否收敛；
若深度前馈神经网络模型未收敛，则从中点学习率向第二学习率的方向再次取中点，直至深度前馈神经网络模型收敛，确定深度前馈神经网络模型的全局最优值。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述横波速度的预测方法。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现权利要求1至5任一项所述横波速度的预测方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010434118.0A CN111751878B (zh) | 2020-05-21 | 2020-05-21 | 横波速度的预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010434118.0A CN111751878B (zh) | 2020-05-21 | 2020-05-21 | 横波速度的预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111751878A CN111751878A (zh) | 2020-10-09 |
| CN111751878B true CN111751878B (zh) | 2023-05-30 |
Family
ID=72673433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010434118.0A Active CN111751878B (zh) | 2020-05-21 | 2020-05-21 | 横波速度的预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111751878B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113466962B (zh) * | 2021-07-06 | 2023-03-28 | 西安交通大学 | 一种基于高斯过程回归的横波预测方法及*** |
| CN117669785A (zh) * | 2022-08-26 | 2024-03-08 | 中国石油天然气股份有限公司 | 横波时差预测方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110703330A (zh) * | 2018-07-10 | 2020-01-17 | 中国石油化工股份有限公司 | 基于岩石物理的碳酸盐岩测井校正和横波速度预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10802171B2 (en) * | 2017-04-28 | 2020-10-13 | Pioneer Natural Resources Usa, Inc. | High resolution seismic data derived from pre-stack inversion and machine learning |
| CN107526117B (zh) * | 2017-07-06 | 2019-08-13 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
| CN107678059B (zh) * | 2017-09-05 | 2019-06-28 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及*** |
| CN107817535B (zh) * | 2017-09-27 | 2019-07-09 | 中国石油天然气股份有限公司 | 薄夹层的确定方法和装置 |
| CN109212617B (zh) * | 2018-08-24 | 2020-09-08 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
| CA3112197C (en) * | 2018-09-14 | 2023-08-29 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
| CN111144001A (zh) * | 2019-12-26 | 2020-05-12 | 湖南科技大学 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
-
2020
- 2020-05-21 CN CN202010434118.0A patent/CN111751878B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110703330A (zh) * | 2018-07-10 | 2020-01-17 | 中国石油化工股份有限公司 | 基于岩石物理的碳酸盐岩测井校正和横波速度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111751878A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210326721A1 (en) | Earth modeling methods using machine learning | |
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US11699099B2 (en) | Confidence volumes for earth modeling using machine learning | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| CN104533400A (zh) | 一种重构测井曲线的方法 | |
| CN111561313B (zh) | 基于物理模型和机器学习的致密砂岩储层参数预测方法 | |
| CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN113947198A (zh) | 一种基于非线性自回归神经网络模型的测井曲线重构方法 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
| Shi et al. | Prediction of shear wave velocity using machine learning technique, multiple regression and well logs | |
| CN116840906A (zh) | 储层物性参数预测的不确定性评价方法 | |
| Eftekharifar et al. | 3D Petrophysical modeling using complex seismic attributes and limited well log data | |
| Talkhestani | Prediction of effective porosity from seismic attributes using locally linear model tree algorithm | |
| Echeverria et al. | A robust scheme for spatio-temporal inverse modeling of oil reservoirs | |
| CN108875109B (zh) | 一种异常地层压力的预测方法及*** | |
| Echeverría et al. | Robust scheme for inversion of seismic and production data for reservoir facies modeling | |
| Sun | Data-driven rational function neural networks: a new method for generating analytical models of rock physics | |
| Hamada et al. | Parallel Self Organizing Neural Network (PSONN) Prediction of Water Saturation in Carbonate Reservoirs | |
| CN114428313A (zh) | 岩石物理弹性参数正演方法、正演装置及电子设备 | |
| CN117094428A (zh) | 一种基于机器学习的深层碳酸盐岩类烃源岩地化参数的预测方法 | |
| CN114594523A (zh) | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 | |
| CN116227335A (zh) | 基于物理约束的并联式神经网络的三维地应力预测方法 | |
| CN113064216A (zh) | 一种储层孔隙度预测方法、***、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |