动态回归委员会机器测井储层参数预测方法及系统技术方案

本发明专利技术提供一种动态回归委员会机器测井储层参数预测方法及系统，该方法包括：构建动态回归委员会机器DRCM；通过门网络对用于模型训练的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。本发明专利技术在实际油气勘探开发智能测井解释过程中能够提升储层参数预测模型的精度、稳定性和泛化能力。

【技术实现步骤摘要】
动态回归委员会机器测井储层参数预测方法及系统
本专利技术涉及地球物理测井领域，更具体地，涉及一种动态回归委员会机器测井储层参数预测方法及系统。
技术介绍
在油气地球物理测井解释工作中，孔隙度、渗透率、饱和度等储层参数对地下储层定量评价具有重要作用。现有方法一般根据实际工区建立简化的物理模型来计算上述参数，或者通过常规测井数据与岩心岩石物理实验数据间的线性关系拟合经验公式；另外，一些成像测井方法在储层参数计算中具有很好的优势，比如，一般情况下核磁共振测井能够提供与岩性无关的较为准确的孔隙度。近年来，人工智能算法发展迅速，强大的非线性逼近能力使其在复杂油气储层参数评价中具有较好的应用效果。采用神经网络、支持向量机等智能算法能够较好的实现孔隙度、渗透率、饱和度等储层参数的预测。然而，实际油气储层勘探开发过程中，复杂储层常常具有岩性致密、非均质性强、物性关系差等特征，上述方法中简化的体积模型不适用。而且，测井数据与岩心实验数据间常为非线性关系，建立的线性经验公式精度较差，推广能力不佳。核磁共振等成像测井技术虽然能够提供准确的孔隙度等储层参数信息，但这些方法相对昂贵，应用范围较小。智能算法在非线性拟合方面具有显著的优势，但其对数据集质量要求较高，容易过拟合或陷入局部极小值，训练的储层参数模型精度低、稳定性差、泛化能力不佳。联合多专家的委员会机器在一定程度上克服了这一问题，但受限于专家自身性能，集成模型的精度提升能力有限，而且，加权平均等组合策略的权值计算困难，最终模型的可靠性较差。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的动态回归委员会机器测井储层参数预测方法及系统。根据本专利技术实施例的第一方面，提供一种动态回归委员会机器测井储层参数预测方法，该方法包括：通过输入层对用于模型训练的第一输入数据进行归一化，通过门网络对所述归一化数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；通过输出层输出并保存所述训练得到的目标测井储层参数预测模型；将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。根据本专利技术实施例第二方面，提供了一种动态回归委员会机器测井储层参数预测系统，该系统包括：构建模块，用于构建动态回归委员会机器DRCM，其中，DRCM包括输入层、门网络、专家层、组合器和输出层；输入层，用于接收第一输入数据及对数据进行归一化；门网络模块，用于通过门网络对所述归一化数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层模块，专家层包括多个专家，用于将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；组合器模块，接收子模型及其对应的测试误差，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；输出层，输出并保存所述训练得到的目标测井储层参数预测模型；预测模块，用于将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。根据本专利技术实施例的第三方面，提供了一种电子设备，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，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的动态回归委员会机器测井储层参数预测方法。根据本专利技术实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的动态回归委员会机器测井储层参数预测方法。本专利技术实施例提供的动态回归委员会机器测井储层参数预测方法及系统，采用简化学习任务的方式降低专家训练难度，提升专家训练子模型精度；由于采用了多专家并行训练方式，当单个专家表现较差时，通过优化子模型组合可以消除这一影响，智能系统稳定性增强；组合器建立了子数据集和专家适应关系，实现了专家层模块化学习，实际预测时可以根据不同任务特征将预测任务分配给不同专家，增强训练模型的泛化能力。此外，组合器接收门网络隶属度矩阵并赋值给子模型作为加权系数，建立了子模型模糊规则，提高了最终模型的稳定性。相比其他方法，本方法在实际油气勘探开发智能测井解释过程中能够提升回归储层参数预测模型的精度、稳定性和泛化能力，对油田测井数据动态分析和处理具有重要作用。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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，还可以根据这些图获得其他的附图。图1为本专利技术实施例提供的动态回归委员会机器测井储层参数预测方法的流程示意图；图2为本专利技术实施例提供的动态回归委员会机器学习框架示意图；图3为本专利技术实施例提供的我国西部某研究区某井动态回归委员会机器测井解释与参数预测示意图；图4为本专利技术实施例提供的动态回归委员会机器测井储层参数预测系统的结构示意图；图5为本专利技术实施例提供的电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。针对现有技术中存在的上述问题，本专利技术实施例提供一种动态回归委员会机器测井储层参数预测方法，首先对该方法的整体原理进行说明：动态回归委员会机器测井储层参数预测实际上是将复杂的学习任务进行简化，即通过门网络对数据集内在特征进行预学习，将其划分为多组学习任务并分配给专家层进行训练。由于训练难度降低，训练得到的子模型预测精度相应提升的同时保证了子模型复杂度降低，而相对简单的子模型能够提供了更稳定的预测结果；而且，采用组合器对子模型适应关系进行优化，在预测未知任务时可以利用这一适应关系进一步提升泛化能力。具体地，参见图1，该方法包括但不限于如下步骤：步骤101、构建动态回归委员会机器DRCM，其中，DRCM包括输入层、门网络、专家层、组合器和输出层。具体地，输入层和输出层分别用来进行第一输入数据接收(包括归一化)和目标测井储层参数预测模型输出；门网络、专家层和组合器是动态回归委员会机器的主要组成部分，分别承担预学习、专家训练和子模型组合任务。DRCM的结构可参见图2。其中，箭头方向代表学习任务传递方向，连接门网络和组合器的箭头代表将门网络隶属度矩阵传递给组合器的过程。当输出模型性能满足要求后，最佳模型构建完毕，从而可以将待预测本文档来自技高网...

【技术保护点】
1.一种动态回归委员会机器测井储层参数预测方法，其特征在于，包括：/n构建动态回归委员会机器DRCM，其中，DRCM包括门网络、专家层和组合器；/n通过所述门网络对用于模型训练的归一化后的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至所述组合器；/n所述专家层包括多个专家，将所述子数据集分别输入至每个所述专家以进行训练，获得多个子模型及每个所述子模型对应的测试误差；/n将所述子模型及其对应的所述测试误差输入至所述组合器，获得所述组合器输出的由最佳子模型组成的目标测井储层参数预测模型；/n将待预测的第二输入数据输入至所述目标测井储层参数预测模型，获得输出的测井储层参数预测结果。/n

【技术特征摘要】
1.一种动态回归委员会机器测井储层参数预测方法，其特征在于，包括：
构建动态回归委员会机器DRCM，其中，DRCM包括门网络、专家层和组合器；
通过所述门网络对用于模型训练的归一化后的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至所述组合器；
所述专家层包括多个专家，将所述子数据集分别输入至每个所述专家以进行训练，获得多个子模型及每个所述子模型对应的测试误差；
将所述子模型及其对应的所述测试误差输入至所述组合器，获得所述组合器输出的由最佳子模型组成的目标测井储层参数预测模型；
将待预测的第二输入数据输入至所述目标测井储层参数预测模型，获得输出的测井储层参数预测结果。


2.根据权利要求1所述的方法，其特征在于，所述DRCM还包括输入层；所述将用于模型训练的第一输入数据输入至所述门网络中进行预学习之前，还包括：
通过所述输入层对所述第一输入数据进行归一化计算，获得归一化后的所述数据集。


3.根据权利要求1所述的方法，其特征在于，所述DRCM还包括输出层；所述将待预测的第二输入数据输入至所述目标测井储层参数预测模型之前，还包括：
通过所述输出层输出所述目标测井储层参数预测模型。


4.根据权利要求2所述的方法，其特征在于，所述通过所述门网络对用于模型训练的第一输入数据进行预学习，将数据集划分为多个子数据集，包括：
将所述归一化后的数据集输入至所述门网络，采用模糊C均值聚类算法，以类内差异足够小且类间差异足够大的原则将所述归一化后的数据集划分为多个子数据集。


5.根据权利要求1所述的方法，其特征在于，所述测试误差为测试集平均相对误差；所述多个专家包括BP神经网络、支持向量机、径向基神经网络、极限学习机和Elman神经网络。


6.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：白洋，谭茂金，高世臣，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：北京;11