基于径向基函数神经网络模型的测井曲线预测方法技术

本发明专利技术涉及油气井的测井曲线数据采集方法，具体是基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少一口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。本发明专利技术弥补了由于缺失某种测井曲线而无法对该井进行测井解释的不足，通过预测模型快速、有效而且几乎无成本的得到老井的缺失的测井曲线，有了老井完整的测井曲线，可以充分利用老井的测井曲线对研究区域进行较为客观的地质认识。

Prediction method of well log based on radial basis function neural network model

Well logging data acquisition method of the present invention relates to an oil well, in particular prediction method of logging neural network model based on radial basis function, which is characterized in that: contains to predict the same old wells and the oil and gas wells with at least one new wells, multiple log curves of known Nii, used to establish prediction the model of artificial neural network technology, then the lack of logging curve well logging curve predicted by the logging curve prediction model and known Nii. The invention makes up a log and not due to the lack of the well logging interpretation was insufficient, the logging curve prediction model of fast, effective and almost no cost of production loss, a complete well logging curve, can fully understand the geological objectively in the study area using logging curve wells.

【技术实现步骤摘要】
基于径向基函数神经网络模型的测井曲线预测方法
本专利技术涉及油气井的测井曲线数据采集方法，尤其是一种快速有效、几乎无成本和预测测井曲线准确的基于径向基函数神经网络模型的测井曲线预测方法。
技术介绍
随着油气开采技术的不断进步，测井曲线数据采集一般都是在钻井过程中采用专业设备测量获得，以便后期对油气田所处区域地质结构、油气储层以及油气开采研究提供基础数据。所述的测井曲线数据一般包括声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等相关曲线，这些曲线都是在钻井过程中采用专业测井设备测量获得。然而，一个油气田所处区域油气开采是一个连续性的事件，从勘探至开采最短时间基本都需要几十年，在对油气进行开采过程中，以前的老井，没有获取收集测井曲线数据，或者由于技术条件限制，获取收集的测井曲线数据不全，这对后期研究而言是相当困难，缺失的测井曲线数据是无法重新测量的。因为以前的老井在钻井过程中，都基本采用三层套管，套管之间采用砼浇筑，在钻井过程中不采集测井曲线数据，后期是无法采集的；以前的老井在钻井时，测井曲线检测仪器还没有专利技术制造出来【例如声波曲线AC的检测仪】，也无法完整的采集测井曲线。基于上述情况，老井的测井曲线预测方法就变得很有必要，以实现对老井的测井曲线采集。
技术实现思路
本专利技术的目的是提供一种快速有效、几乎无成本和预测测井曲线准确的基于径向基函数神经网络模型的测井曲线预测方法。为实现上述目的而采用的技术方案是这样的，即一种基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少一口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。运用人工神经网络技术建立预测模型的步骤如下，第一步、选定标准井，所述标准井为测井曲线较全的新井，该新井的测井曲线为常规测井曲线，该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线；第二步、确定老井需要预测的具体测井曲线，假定老井需要预测的某一具体测井曲线为输出且用y表示，老井需要预测的其它具体测井曲线也为输出，其它具体测井曲线的个数为p个，其它具体测井曲线也为输出对应用x1、x2、…、xp表示，其中p为≧2的自然数；假定用于建立预测模型的具体测井曲线有N个取样点，对应的用向量X1、X2、…、XN表示输入，其中N为>1的自然数，其中第k个输入为Xk＝[x1k、x2k、…、xpk]T，k＝1,2，…，N，所对应的N个输出用向量Y＝[y1、y2、…、yN]T表示；T表示转置，写成行向量，转置就是列向量；第三步、构建输入—输出训练样本集，从上述第二步所述N个样本中选择M个样本构成基函数的中心，这里采用的是自组织选取中心法，中心位置是动态变化的，然后将N个样本反复输入，直到中心位置稳定为止。Xj＝[x1j、x2j、…、xpj]T，j＝1,2,…,M，所述M为>1的自然数，选择M个基函数，每个基函数对应一个训练数据，各基函数的形式为训练数据点Xj是基函数的中心，基函数以输入空间的点X与中心Xj的距离作为函数的自变量，由于距离是径向同性的，所以函数称为径向基函数；第四步、建立预测模型，基于第三步所述径向基函数的人工神经网络模型为式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入)；y是对应的输出。将第N个训练样本Xi，yi分别带入上述模型学习训练,得到上式实际上是一个关于M个未知数(权值系数)ωj(j＝1,2,…,M)的线性方程组，令并写成矩阵形式就是：基函数采用Reflectedsigmoidal(反演S型)函数其中δ称为径向基函数的扩展常数，1/δ2称为平滑因子，也称为稳定因子，dmax是样本间的最大距离，N是样本个数。由于N>M，所以上述方程组是一个超定方程组，解此方程组可获得M个未知数(权值系数)ωj(j＝1、2、…、M)的解，于是便可得到基于自组织选择中心法的径向基函数人工神经网络预测模型为式中X表示输入，y表示输出，Xj(j＝1、2、…、M)表示M个训练中心；第五步、预测老井所需要预测的测井曲线，将老井所要预测井段的测井曲线(取样点)值Xi＝[x1i、x2i、…、xpi]T依次带入中，就可得到所需要预测的测井曲线值yii＝1、2、…，。本专利技术所述方法的优点是：快速、有效而且几乎无成本的得到老井的缺失的测井曲线。附图说明本专利技术可以通过附图给出的非限定性实施例进一步说明。图1为本专利技术的新井实测的声波曲线和预测的声波曲线示意图。图2为本专利技术的老井预测的声波曲线示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明：基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少一口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。运用人工神经网络技术建立预测模型的步骤如下，第一步、选定标准井，所述标准井为测井曲线较全的新井，该新井的测井曲线为常规测井曲线，该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线；第二步、确定老井需要预测的具体测井曲线，假定老井需要预测的某一具体测井曲线为输出且用y表示，老井需要预测的其它具体测井曲线也为输出，其它具体测井曲线的个数为p个，其它具体测井曲线也为输出对应用x1、x2、…、xp表示，其中p为≧2的自然数；假定用于建立预测模型的具体测井曲线有N个取样点，对应的用向量X1、X2、…、XN表示输入，其中N为>1的自然数，其中第k个输入为Xk＝[x1k、x2k、…、xpk]T，k＝1,2，…，N，所对应的N个输出用向量Y＝[y1、y2、…、yN]T表示；T表示转置，写成行向量，转置就是列向量；第三步、构建输入—输出训练样本集，从上述第二步所述N个样本中选择M个样本构成基函数的中心，这里采用的是自组织选取中心法，中心位置是动态变化的，然后将N个样本反复输入，直到中心位置稳定为止。Xj＝[x1j、x2j、…、xpj]T，j＝1,2,…,M，所述M为>1的自然数，选择M个基函数，每个基函数对应一个训练数据，各基函数的形式为训练数据点Xj是基函数的中心，基函数以输入空间的点X与中心Xj的距离作为函数的自变量，由于距离是径向同性的，所以函数称为径向基函数；第四步、建立预测模型，基于第三步所述径向基函数的人工神经网络模型为式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入)；y是对应的输出。将第N个训练样本Xi，yi分别带入上述模型学习训练,得到上式实际上是一个关于M个未知数(权值系数)ωj(j＝1,2,…,M)的线性方程组，令并写成矩阵形式就是：基函数采用Reflectedsigmoidal(反演S型)函数其中δ称为径向基函数的扩展常数，1/δ2称为平滑因子，也称为稳定因子，dmax是样本间的最大距离，N是样本个数。由于N>M，所以上述方程组是一本文档来自技高网...

【技术保护点】
一种基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少1口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。

【技术特征摘要】
1.一种基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少1口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。2.根据权利要求1所述的基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：所述运用人工神经网络技术建立预测模型的步骤如下，第一步、选定标准井，所述标准井为测井曲线较全的新井，该新井的测井曲线为常规测井曲线，该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线；第二步、确定老井需要预测的具体测井曲线，假定老井需要预测的某一具体测井曲线为输出且用y表示，老井需要预测的其它具体测井曲线也为输出，其它具体测井曲线的个数为p个，其它具体测井曲线也为输出对应用x1、x2、…、xp表示，其中p为≧2的自然数；假定用于建立预测模型的具体测井曲线有N个取样点，对应的用向量X1、X2、…、XN表示输入，其中N为>1的自然数，其中第k个输入为Xk＝[x1k、x2k、…、xpk]T，k＝1,2，…，N，所对应的N个输出用向量Y＝[y1、y2、…、yN]T表示；T表示转置，写成行向量，转置就是列向量；第三步、构建输入—输出训练样本集，从上述第二步所述N个样本中选择M个样本构成基函数的中心，这里采用的是自组织选取中心法，中心位置是动态变化的，然后将...

【专利技术属性】
技术研发人员：张瀛，李丽，刘忠华，李娜，刘卫华，齐成伟，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50