CN117235628B - 一种基于混合贝叶斯深度网络测井曲线预测方法及*** - Google Patents
一种基于混合贝叶斯深度网络测井曲线预测方法及*** Download PDFInfo
- Publication number
- CN117235628B CN117235628B CN202311493247.7A CN202311493247A CN117235628B CN 117235628 B CN117235628 B CN 117235628B CN 202311493247 A CN202311493247 A CN 202311493247A CN 117235628 B CN117235628 B CN 117235628B
- Authority
- CN
- China
- Prior art keywords
- data
- logging curve
- sample
- model
- classification labels
- 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 42
- 239000011435 rock Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000004927 clay Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000004044 response Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002637 fluid replacement therapy Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合贝叶斯深度网络测井曲线预测方法及***,其中所述方法包括:获取复杂岩性地区的多口井的测井曲线数据;将所述测井曲线数据与岩性类型进行关联,形成分类标签;基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;基于所述样本集,构建混合贝叶斯深度网络模型;优化所述混合贝叶斯深度网络模型;基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测。本发明将人工智能贝叶斯深度学习技术、大数据技术融合到岩石物理学的测井曲线预测,从而使分类或预测问题更加容易,***响应更加迅速。
Description
技术领域
本发明属于计算机***工程领域,尤其涉及一种基于混合贝叶斯深度网络测井曲线预测方法及***。
背景技术
油气资源大数据中,测井数据是进行油气资源勘探与开发过程中最主要的油藏描述基础数据。然而,在实际应用中,由于井筒扩径、泥浆或泥饼干扰等问题,经常会出现部分井段测井数据失真或缺失的情况,甚至出于经济可行性考虑而放弃获取某些测井曲线的情况。并且实现测井大数据高效应用以促进油气资源大数据有效应用的关键在于井间数据的联合应用及纵向测井信息的有效挖掘。
在理论研究方法方面,当前测井曲线预测技术主要采用三类方法:(1)以地质统计学为基础建立经典模型;(2)利用机器学习方法实现测井曲线预测;(3)利用集成学习和深度学习方法实现测井曲线预测。统计学方式依赖于现有数据的完备性,需统计出母曲线与子曲线的地质学规律,对应复杂储层的描述及推广能力有限。人工神经网络,BP神经网络等传统神经网络模型往往需要依赖于较大的训练样本,且网络层数浅,泛化能力弱,容易造成过拟合,因此直接应用神经网络解决测井曲线问题存在一定挑战。集成学习和深度学习方法一定程度上能解决常规神经网络泛化能力弱,过拟合问题,预测结果更优,但是现有深度学习测井数据预测方法并没有考虑到数据的复杂性,只是将数据相关性分析及分类问题都交由更为深层的网络模型来进行处理。
发明内容
针对上述现有技术中存在的缺陷,本发明提出了基于谱分类的测井曲线分类,通过人工进行岩性分类的组合和调整,确定好岩性曲线后,针对不同分类的样本集,利用岩石物理方程扩充样本集,利用贝叶斯深度学习网络进行样本训练,然后通过模型进行曲线的预测。
本发明提供一种基于混合贝叶斯深度网络测井曲线预测方法,包括以下步骤:
获取复杂岩性地区的多口井的测井曲线数据;
将所述测井曲线数据与岩性类型进行关联,形成分类标签;
基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;
基于所述样本集,构建混合贝叶斯深度网络模型;
优化所述混合贝叶斯深度网络模型;
基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测。
其中,所述测井曲线数据包括,所述多口井的测井纵波速度、横波速度、密度、自然伽马、泥质含量、孔隙度和含水饱和度。
其中,所述将所述测井曲线数据与岩性类型进行关联,形成分类标签,包括:
利用谱分类对测井曲线数据进行岩性分类。
其中,所述基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集,包括:
根据不同岩性下岩石物理模型,构建不同含水饱和度、不同孔隙度的纵波速度、横波速度及密度曲线。
其中,所述基于所述样本集,构建混合贝叶斯深度网络模型包括:
利用多元高斯分布拟合已知数据样本数据的概率分布,利用蒙特卡洛随机采样方法模拟构建生成器,送入判别器中判断所述分布数据真伪。
其中,所述生成器用于生成一定量的模拟样本。
其中,所述判别器通过损失函数进行判断,其中所述损失函数表示如下:
其中,i为节点个数,j为样本个数,为权重/>的后验概率,/>为网络权重,为学习样本最大后验估计,/>为先验概率,/>为标签样本的后验概率。
其中,所述优化所述混合贝叶斯深度网络模型,包括:
通过模型迭代训练所述判别器各层参数,优化判别器模型;然后训练生成器-判别器模型,在保证判别器各层网络参数不变的情况下,优化生成器各层参数;重复上述两个优化过程,交替训练生成器和判别器来实现整体神经网络的训练。
其中,在网络的训练过程中,使用梯度下降的优化算法来更新权重。梯度下降算法根据损失函数对权重的梯度信息来调整模型参数wi,k,使得模型在训练数据上的预测结果更接近于真实标签。
其中,k为迭代次数,i为节点个数,为第k次迭代网络权重,lr为学习率,E为损失函数。
本发明还提出了一种基于混合贝叶斯深度网络测井曲线预测***,其包括:
获取模块,其用于获取复杂岩性地区的多口井的测井曲线数据;
关联模块,其用于将所述测井曲线数据与岩性类型进行关联,形成分类标签;
样本扩充模块,其用于基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;
模型构建模块,其用于基于所述样本集,构建混合贝叶斯深度网络模型;
模型优化模块,其用于优化所述混合贝叶斯深度网络模型;
预测模块,其用于基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测。
与现有技术相比,本发明针对复杂岩性地区,利用谱分类方式将学习样本数据进行分类,又将人工干预测方式,让分类特征更为符合岩石物理学的分类标准,有效解决后续针对小样本数据基础上贝叶斯深度学习对于复杂岩性分类拟合难的问题。同时,将人工智能贝叶斯深度学习技术、大数据技术融合到岩石物理学的测井曲线预测中,将地球物理学科中复杂数学关系通过样本的学习训练,逐步从低层特征形成更加抽象的高层来表示,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测问题更加容易,处理速度更快,***响应更加迅速。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示出根据本发明实施例的一种基于混合贝叶斯深度网络测井曲线预测方法流程图;
图2是示出根据本发明实施例的谱分类获得测井曲线岩性分类示意图;
图3是示出根据本发明实施例的不同含水饱和度下曲线样本示意图;
图4是示出根据本发明实施例的不同孔隙度下曲线样本示意图;
图5是示出根据本发明实施例的一种基于混合贝叶斯深度网络测井曲线预测模型的预测横波的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
本发明的原理为:这里提出了基于谱分类的测井曲线分类方法,而后人工进行岩性分类的组合和调整,确定岩性曲线后,针对不同分类的样本集,利用贝叶斯深度学习网络进行样本训练,然后通过模型进行曲线的预测。
下面结合附图详细说明本发明的可选实施例。
实施例一、
如图1所示,本发明公开了一种基于混合贝叶斯深度网络测井曲线预测方法,包括以下步骤:
步骤1:首先分析多口井的测井纵波速度、横波速度、密度、自然伽马、泥质含量、孔隙度、含水饱和度数据,分析岩性特征,总结测井曲线数据大致可分为几类岩性。
步骤2:然后,利用谱分类方式对测井曲线数据进行岩性分类,如果分类不合理,则可通过人工判断,进行分类合并,获得岩石物理意义上的分类,如分类合理,则不需人工干预。
步骤3:构建训练样本:在原有测井曲线基础上,根据不同岩性下岩石物理模型,扩充样本集,构建不同含水饱和度及不同孔隙度的纵波速度、横波速度及密度曲线。
步骤4:神经网络训练:基于样本集基础上,利用多元高斯分布拟合已知数据样本数据的概率分布,利用蒙特卡洛随机采样方法模拟生成一定量的模拟样本(生成器),送入损失函数中判断分布数据真伪(判别器),通过模型迭代训练判别器各层参数,优化判别器模型;然后训练生成器-判别器模型,在保证判别器各层网络参数不变的情况下,优化生成器各层参数;重复上述两个优化过程,交替训练生成器和判别器来实现整体神经网络的训练。
步骤5:测试生成模型:将测试数据集数据输入训练好的变分生成对抗网络,输出生成的模拟样本曲线。
实施例二、
本发明提出的一种基于混合贝叶斯深度网络测井曲线预测方法,包括以下步骤:
获取复杂岩性地区的多口井的测井曲线数据;
将所述测井曲线数据与岩性类型进行关联,形成分类标签;
基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;
基于所述样本集,构建混合贝叶斯深度网络模型;
优化所述混合贝叶斯深度网络模型;
基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测。
其中,所述测井曲线数据包括,所述多口井的测井纵波速度、横波速度、密度、自然伽马、泥质含量、孔隙度和含水饱和度。
其中,所述将所述测井曲线数据与岩性类型进行关联,形成分类标签,包括:
利用谱分类对测井曲线数据进行岩性分类。
其中,所述基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集,包括:
根据不同岩性下岩石物理模型,构建不同含水饱和度、不同孔隙度的纵波速度、横波速度及密度曲线。
其中,所述基于所述样本集,构建混合贝叶斯深度网络模型包括:
利用多元高斯分布拟合已知数据样本数据的概率分布,利用蒙特卡洛随机采样方法模拟构建生成器,送入判别器中判断所述分布数据真伪。
其中,所述生成器用于生成一定量的模拟样本。
其中,所述判别器通过损失函数进行判断,其中所述损失函数表示如下:
其中,i为节点个数,j为样本个数,为权重/>的后验概率,/>为网络权重,为学习样本最大后验估计,/>为先验概率,/>为标签样本的后验概率。
其中,所述优化所述混合贝叶斯深度网络模型,包括:
通过模型迭代训练所述判别器各层参数,优化判别器模型;然后训练生成器-判别器模型,在保证判别器各层网络参数不变的情况下,优化生成器各层参数;重复上述两个优化过程,交替训练生成器和判别器来实现整体神经网络的训练。
其中,在网络的训练过程中,使用梯度下降的优化算法来更新权重。梯度下降算法根据损失函数对权重的梯度信息来调整模型参数wi,k,使得模型在训练数据上的预测结果更接近于真实标签。
实施例三、
如图2-图5,本实施例的方法,以某一实际数据为算例,具体步骤如下:
步骤1: 根据目标工区内的井曲线进行分析,该工区内储层特征分为高阻抗、低阻抗和上高下低阻抗特征,非储层有泥岩、泥质砂岩类型。因此将多口井的曲线分为泥岩、泥质砂岩、含高阻砂岩、低阻砂岩、上低下高砂岩这五类,作为步骤2中的聚类中心挑选标准。
步骤2:将多口井的纵波速度、横波速度、密度、泥质含量、孔隙度、含水饱和度曲线首尾相连,组合为多个属性样本xij(i=1,2,3,…n; j=1,2,3,4,5,6),构建平滑因子S对xij进行滤波;根据测井解释获得部分泥岩、泥质砂岩、含高阻抗砂岩、低阻砂岩、上低下高砂岩类型,将步骤1中解释获得这些分类值对应深度域属性样本uijk(i=1,2,3,…n0; j=1,2,3,4,5,6, k=1,2,3,4,5)设定为初始聚类中心,利用滑动时窗截取属性样本,计算属性样本数据与聚类中心欧式距离,通过迭代计算,当整体平方和最小的时候,输出聚类结果Li,如图2岩性曲线分类。
;
;
;
;
其中,i为深度域下标,j为属性维度下标,k为聚类中心个数下标,m为一个簇中样本属性的个数,n是每个样本深度域样点个数,D为分类的个数。CSS这个公式被称为簇内平方和(cluster Sum of Square),又叫做inertia。而将一个数据集中的所有簇的簇内平方和相加,就得到了整体平方和TotalCSS(Total Cluster Sum of Square),值越小,代表着每个簇内样本越相似,聚类的效果就越好。
步骤3:针对本地区砂泥岩特征,构建砂泥岩的岩石物理方程,基于Gassmann方程及Xu-White方程进行不同饱和度的流体替换及不同孔隙度的孔隙替换。
式中和/>为饱和流体的岩石体积模量和剪切模量,/>和/>为干燥岩石骨架的体积模量和剪切模量,可通过Xu-White方程计算获得,/>为骨架基质的体积模量可通过VRH平均方程计算获得,/>为基质孔隙度度,/>为孔隙内流体的体积模量,/>为水的体积模量,为气的体积模量,/>为含水饱和度,/>为纵波速度,/>为横波速度。通过变换水饱和度和孔隙度可完成流体和孔隙替换。
计算含水饱和度Sw=[0%,20%,40%,60%,80%,100%]下纵、横波速度及密度曲线,如图3;计算孔隙度按照ratio=[0.6 0.8 1 1.1 1.2 1.3]比例进行放大缩小后的纵、横波速度及密度曲线,如图4,将这些曲线扩充到样本集中x。
步骤4:将横波速度设定为标签样本y,将纵波速度、密度、含水饱和度、泥质含量及孔隙度和分类曲线L定为学习样本x,构建贝叶斯深度学习网络,贝叶斯公式可以写为如下形式:
式中,我们想要得到的是网络权重 w的后验概率 p(w|x,y),先验概率 p(w)是我们可以根据经验也好瞎猜也好是知道的,例如初始时将p(w)设成标准正态分布,似然p(y|x,w)是一个关于网络权重 w的函数。可是p (w|x,y)往往难以计算,因此使用变分估计,利用一个分布q (w|θ)来逼近p (w|x,y),利用KL散度度量q (w|θ)、p (w|x,y)两个分布之间的相似性。变分推断的BNN(贝叶斯深度学习)的损失函数如下:
其中i为节点个数,j为样点个数。基于微积分的链式法则,我们可以利用自动微分工具有效地计算对数似然关于模型参数的梯度,并根据计算的梯度迭代训练模型参数,找到对数似然的局部最优。网络模型包含七层神经网络,一个输入层,一个输出层,四个中间层,一个隐变量层,中间层包含生成器和判别器模型,隐变量层使用高斯分布概率密度函数。采用多元高斯分布拟合已知数据样本数据的概率分布及设定权重函数为正态分布,利用蒙特卡洛随机抽样方法模拟生成一定量的模拟样本logq(w|θ)、log p (w)、 log p (y|w, x)(模型生成器),送入损失函数中进行数据真伪的判别(判断器),更新分布(其中θ为分布参数,α为更新权重,E为损失函数),利用梯度下降算法训练判别器各层权重参数w,优化判别器模型;然后训练生成器-判别器模型,在保证判别器各层网络参数不变的情况下,优化生成器各层参数;重复上述两个优化过程,交替训练生成器和判别器来实现整体神经网络的训练。
步骤5:选择一口测试井,利用输入纵波速度、密度、泥质含量、孔隙度及含水饱和度x,通过模型优化预测横波速度y。如图5,预测横波曲线与实际横波曲线相关值达到0.991155。
实施例四
本发明还提出了一种基于混合贝叶斯深度网络测井曲线预测***,其包括:
获取模块,其用于获取复杂岩性地区的多口井的测井曲线数据;
关联模块,其用于将所述测井曲线数据与岩性类型进行关联,形成分类标签;
样本扩充模块,其用于基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;
模型构建模块,其用于基于所述样本集,构建混合贝叶斯深度网络模型;
模型优化模块,其用于优化所述混合贝叶斯深度网络模型;
预测模块,其用于基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测。
实施例五、
本公开实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式,旨在使得本发明的精神更加清楚和便于理解,并不是为了限制本发明,凡在本发明的精神和原则之内,所做的修改、替换、改进,均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (6)
1.一种基于混合贝叶斯深度网络测井曲线预测方法,包括以下步骤:
获取复杂岩性地区的多口井的测井曲线数据;
将所述测井曲线数据与岩性类型进行关联,形成分类标签;
基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;
基于所述样本集,构建混合贝叶斯深度网络模型;
优化所述混合贝叶斯深度网络模型;
基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测;
其中所述基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集,包括:
根据不同岩性下岩石物理模型,构建不同含水饱和度、不同孔隙度的纵波速度、横波速度及密度曲线;
其中所述基于所述样本集,构建混合贝叶斯深度网络模型包括:
利用多元高斯分布拟合已知数据样本数据的概率分布,利用蒙特卡洛随机采样方法模拟构建生成器,送入判别器中判断所述分布数据真伪;
其中所述生成器用于生成一定量的模拟样本;其中所述判别器通过损失函数进行判断,其中所述损失函数表示如下:
其中,i为节点个数,j为样点个数,为权重/>的后验概率,/>为网络权重,/>为学习样本最大后验估计,/>为先验概率,/>为标签样本的后验概率。
2.如权利要求1所述方法,其中所述测井曲线数据包括,所述多口井的测井纵波速度、横波速度、密度、自然伽马、泥质含量、孔隙度和含水饱和度。
3.如权利要求1所述方法,其中所述将所述测井曲线数据与岩性类型进行关联,形成分类标签,包括:
利用谱分类对测井曲线数据进行岩性分类。
4.如权利要求1所述方法,其中所述优化所述混合贝叶斯深度网络模型,包括:
通过模型迭代训练所述判别器各层参数,优化判别器模型;然后训练生成器-判别器模型,在保证判别器各层网络参数不变的情况下,优化生成器各层参数;重复上述两个优化过程,交替训练生成器和判别器来实现整体神经网络的训练。
5.如权利要求4所述方法,在网络的训练过程中,使用梯度下降的优化算法来更新权重,所述梯度下降算法根据损失函数对权重的梯度信息来调整模型参数wi,k,使得模型在训练数据上的预测结果更接近于真实标签,其中
其中,k为迭代次数,i为节点个数,为第k次迭代网络权重,lr为学习率,E为损失函数。
6.一种基于混合贝叶斯深度网络测井曲线预测***,其包括:
获取模块,其用于获取复杂岩性地区的多口井的测井曲线数据;
关联模块,其用于将所述测井曲线数据与岩性类型进行关联,形成分类标签;
样本扩充模块,其用于基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集;
模型构建模块,其用于基于所述样本集,构建混合贝叶斯深度网络模型;
模型优化模块,其用于优化所述混合贝叶斯深度网络模型;
预测模块,其用于基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测;
其中所述基于分类标签和所述测井曲线数据,结合岩石物理方程,得到不同分类标签关联的样本集,包括:
根据不同岩性下岩石物理模型,构建不同含水饱和度、不同孔隙度的纵波速度、横波速度及密度曲线;
其中所述基于所述样本集,构建混合贝叶斯深度网络模型包括:
利用多元高斯分布拟合已知数据样本数据的概率分布,利用蒙特卡洛随机采样方法模拟构建生成器,送入判别器中判断所述分布数据真伪;
其中所述生成器用于生成一定量的模拟样本;其中所述判别器通过损失函数进行判断,其中所述损失函数表示如下:
其中,i为节点个数,j为样点个数,为权重/>的后验概率,/>为网络权重,/>为学习样本最大后验估计,/>为先验概率,/>为标签样本的后验概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311493247.7A CN117235628B (zh) | 2023-11-10 | 2023-11-10 | 一种基于混合贝叶斯深度网络测井曲线预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311493247.7A CN117235628B (zh) | 2023-11-10 | 2023-11-10 | 一种基于混合贝叶斯深度网络测井曲线预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235628A CN117235628A (zh) | 2023-12-15 |
CN117235628B true CN117235628B (zh) | 2024-01-26 |
Family
ID=89088330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311493247.7A Active CN117235628B (zh) | 2023-11-10 | 2023-11-10 | 一种基于混合贝叶斯深度网络测井曲线预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235628B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556867A (zh) * | 2015-09-29 | 2017-04-05 | 中国石油天然气股份有限公司 | 基于贝叶斯分类的相控孔隙度反演方法 |
CN109577972A (zh) * | 2018-12-21 | 2019-04-05 | 西南石油大学 | 基于岩性分类的砂砾岩储层岩石力学参数测井评价方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及*** |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
CN116244657A (zh) * | 2023-04-13 | 2023-06-09 | 南京理工大学 | 基于生成对抗网络和集成学习的列车轴温异常识别方法 |
CN116451859A (zh) * | 2023-04-19 | 2023-07-18 | 淮阴工学院 | 一种基于贝叶斯优化的生成对抗网络股票预测方法 |
CN116821786A (zh) * | 2023-05-26 | 2023-09-29 | 中海石油(中国)有限公司 | 一种低渗储层分类方法、装置及介质 |
-
2023
- 2023-11-10 CN CN202311493247.7A patent/CN117235628B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556867A (zh) * | 2015-09-29 | 2017-04-05 | 中国石油天然气股份有限公司 | 基于贝叶斯分类的相控孔隙度反演方法 |
CN109577972A (zh) * | 2018-12-21 | 2019-04-05 | 西南石油大学 | 基于岩性分类的砂砾岩储层岩石力学参数测井评价方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及*** |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
CN116244657A (zh) * | 2023-04-13 | 2023-06-09 | 南京理工大学 | 基于生成对抗网络和集成学习的列车轴温异常识别方法 |
CN116451859A (zh) * | 2023-04-19 | 2023-07-18 | 淮阴工学院 | 一种基于贝叶斯优化的生成对抗网络股票预测方法 |
CN116821786A (zh) * | 2023-05-26 | 2023-09-29 | 中海石油(中国)有限公司 | 一种低渗储层分类方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
"基于贝叶斯深度学习的高维小样本数据分类研究";魏波涛;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第C042-3183页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235628A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tahmasebi et al. | Data mining and machine learning for identifying sweet spots in shale reservoirs | |
Gholami et al. | Applications of artificial intelligence methods in prediction of permeability in hydrocarbon reservoirs | |
Wang et al. | Marcellus shale lithofacies prediction by multiclass neural network classification in the Appalachian Basin | |
Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
Rostamian et al. | Evaluation of different machine learning frameworks to predict CNL-FDC-PEF logs via hyperparameters optimization and feature selection | |
Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
J Al-Mudhafar | Integrating lithofacies and well logging data into smooth generalized additive model for improved permeability estimation: Zubair formation, South Rumaila oil field | |
Tan et al. | Evaluation of complex petroleum reservoirs based on data mining methods | |
CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
Xue et al. | An automated data-driven pressure transient analysis of water-drive gas reservoir through the coupled machine learning and ensemble Kalman filter method | |
CN114741944A (zh) | 一种利用机器学习和深度学习算法预测测井曲线的方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
Verma et al. | Quantification of sand fraction from seismic attributes using Neuro-Fuzzy approach | |
Du et al. | A deep learning framework using graph convolutional networks for adaptive correction of interwell connectivity and gated recurrent unit for performance prediction | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及*** | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
Djebbas et al. | Integrating hydraulic flow unit concept and adaptive neuro-fuzzy inference system to accurately estimate permeability in heterogeneous reservoirs: Case study Sif Fatima oilfield, southern Algeria | |
CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及*** | |
Verga et al. | Improved application of assisted history matching techniques | |
Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
Li et al. | Lithology classification based on set-valued identification method | |
Huang et al. | Quantitative analysis of the main controlling factors of oil saturation variation | |
CN112147679B (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 | |
Temizel et al. | Hybrid modeling in unconventional reservoirs to forecast estimated ultimate recovery |
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 |