The invention relates to an electromagnetic logging inversion method, high speed forward simulation training based on artificial intelligence includes: (1) to obtain the forward data; (2) instrument to collect data collection has been the formation; (3) get all kinds of information with input parameters; (4) to 9 magnetic field components, logging instrument send and receive parameters and inclination as input to different strata vertical and horizontal resistivity and formation resistivity boundary information as output, constructs the training set; (5) the selection of the best prediction factor stepwise regression method; (6) measuring the regression analysis of pre SVM neural network model, select the appropriate kernel function; (7) the unknown formation information instrument collecting data input to the kernel function model, predict the formation of information retrieval. The present invention abandons the previous linear inversion method and innovatively introduces the artificial intelligence method into the inversion algorithm, so that the accurate inversion of the unknown stratum information data can be obtained, and the required accurate results can be obtained.
【技术实现步骤摘要】
一种基于高速正演结果训练下人工智能的电磁测井反演方法
本专利技术涉及电磁测井反演
,更具体而言,涉及一种基于高速正演结果训练下人工智能的电磁测井反演方法。
技术介绍
在油田勘探开发过程中,测井可以了解地层的含油气情况。电阻率测井是地球物理勘探中表征地层的重要测量方法,测得的电阻率曲线可以提供各种地层信息,如岩石类型,层边界,甚至地层各向异性。电阻率测井是在钻孔中采用布置在不同部位的供电电极和测量电极来测定岩石(包括其中的流体)电阻率的方法。电阻率测井可以分为正演和反演两个部分。正演部分基于对多层地层的解析解计算得到测井仪器的磁场以及电阻率变化的精确数值。而解析解中需要计算Hankel变换,除了少数核函数的Hankel变换有解析解以外,绝大多数的通常只能采用数值积分的方法近似计算。传统的数字滤波方法由于滤波系数的不统一以及直接累加求解积分导致计算结果并不完全准确,甚至某些情况下是错误的。由于计算量限制的原因,目前在实际勘探中,应用最多的为一维线性反演方法,例如建立在一维水平层状介质模型中阻尼最小二乘法。然而由于测井反演是一个复杂非线性问题,线性化的方法进行反演难以得出准确的结果,也经常只得到了局部最优解而非真实最优结果,并且线性算法在计算时间上也颇为缓慢。中国专利文献CN106446408A公开了一种随钻补偿电磁波仪器的快速正反演处理方法,包含以下步骤:S1、获取补偿电磁波信号;S2、根据随钻补偿电磁波仪器的结构参数、井斜数据及地质信息,选取多界面多参数地质初始模型;S3、将麦克斯韦方程应用到正演模型中进行仿真计算,得到解析解;S4、根据测量原理,得到 ...
【技术保护点】
一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,包括步骤如下:(1)收集测井仪器对已知地层测得的历史数据,测得的历史数据包括9个磁场分量,即Hxx,Hxy,Hxz,Hyx,Hyy,Hyz,Hzx,Hzy,Hzz;并通过9个磁场分量计算各地层各向异性电导率;(2)获取正演模型输出数据,即:通过正演模型对步骤(1)之外的其它大量已知地层输出9个磁场分量,即Hxx1,Hxy1,Hxz1,Hyx1,Hyy1,Hyz1,Hzx1,Hzy1,Hzz1;并通过9个磁场分量计算各地层各向异性电导率;已知地层中每层的垂直电阻率、水平电阻率、厚度、相对倾角都是已知的;相对倾角是指测井仪器重心线与地层的夹角;(3)根据步骤(1)及步骤(2)获取的已知地层测得的数据,包括:各个地层的测量点的9个磁场分量、各个地层的垂直电阻率、各个地层的水平电阻率;以各个地层的测量点的9个磁场分量、测井仪器参数为输入,以各个地层的垂直电阻率、各个地层的水平电阻率为输出,构建训练集;测井仪器参数包括测井仪器的收发距、倾角;(4)采用逐步回归方法选择最佳预测因子,即选择与各个地层的垂直电阻率、各个地层的水平电阻率强相 ...
【技术特征摘要】
1.一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,包括步骤如下:(1)收集测井仪器对已知地层测得的历史数据,测得的历史数据包括9个磁场分量,即Hxx,Hxy,Hxz,Hyx,Hyy,Hyz,Hzx,Hzy,Hzz;并通过9个磁场分量计算各地层各向异性电导率;(2)获取正演模型输出数据,即:通过正演模型对步骤(1)之外的其它大量已知地层输出9个磁场分量,即Hxx1,Hxy1,Hxz1,Hyx1,Hyy1,Hyz1,Hzx1,Hzy1,Hzz1;并通过9个磁场分量计算各地层各向异性电导率;已知地层中每层的垂直电阻率、水平电阻率、厚度、相对倾角都是已知的;相对倾角是指测井仪器重心线与地层的夹角;(3)根据步骤(1)及步骤(2)获取的已知地层测得的数据,包括:各个地层的测量点的9个磁场分量、各个地层的垂直电阻率、各个地层的水平电阻率;以各个地层的测量点的9个磁场分量、测井仪器参数为输入,以各个地层的垂直电阻率、各个地层的水平电阻率为输出,构建训练集;测井仪器参数包括测井仪器的收发距、倾角;(4)采用逐步回归方法选择最佳预测因子,即选择与各个地层的垂直电阻率、各个地层的水平电阻率强相关因子;(5)根据步骤(4)选择的最佳预测因子,进行SVM神经网络的回归预测分析,选择合适的核函数构建模型;(6)通过测井仪器对未知地层测得9个磁场分量,将该9个磁场分量作为输入数据集,输入至步骤(5)选择的核函数构建模型中,预测得到未知地层的反演信息,包括未知地层的垂直电阻率、水平电阻率。2.根据权利要求1所述的一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,步骤(1)中,通过9个磁场分量计算各地层各向异性电导率,计算公式如式(Ⅰ)所示:式(Ⅰ)中,σ为异性电导率,L为测井仪器的收发距,μ为磁导率,j为虚数单位,ω是指测井仪器的频率。3.根据权利要求1所述的一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,步骤(2)中,获取正演模型输出数据,包括步骤如下:S1、通过正演模型输入需要模拟的已知地层的层数、垂直电阻率、水平电阻率、厚度,得到已知地层的多层地层模型,取得已知地层的9个磁场分量的解析解;S2、通过梯形可控求得所需精度的权值系数和积分点位置,数值计算求得前面N个积分片段的值;具体包括:将已知地层的9个磁场分量的解析解划分为从0到N个区间,7≤N...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。