本发明专利技术公开了一种基于深度学习与插值回归的页岩气总有机碳预测方法，包括：(1)搜集测井与TOC数据；(2)数据清洗与归一化处理；(3)划分训练集、验证集与测试集，并建立总有机碳预测模型；(4)优化总有机碳预测模型，并迭代直至获得稳定的总有机碳深度全连接网络；(5)利用总有机碳深度全连接网络对页岩油气勘探的目标层位进行TOC预测，获取单井TOC值；(6)对缺乏测井数据的数据点进行TOC值的插值回归计算，得到TOC值的时空分布；(7)遍历全工区测井数据，获得工区插值之后的TOC时空分布特征，实现对页岩气总有机碳的预测。本发明专利技术能够对页岩(尤其是四川盆地页岩)进行精准、高效、可泛用的总有机碳测井预测。的总有机碳测井预测。的总有机碳测井预测。
【技术实现步骤摘要】
基于深度学习与插值回归的页岩气总有机碳预测方法
[0001]本专利技术涉及页岩气开发
，特别涉及一种基于深度学习与插值回归的页岩气总有机碳预测方法。
技术介绍
[0002]随着美国页岩气革命的成功，页岩气资源已经成为全球最为重要的能源之一。在中国，四川盆地页岩气资源丰富，具有分布范围广、富气层系多、厚度大的特征，是中国乃至世界页岩气勘探与开发最为重要的地区之一(邹才能等，2020
‑“
进源找油”；论四川盆地页岩油气)。
[0003]为了寻找勘探与开发甜点区，传统的页岩气勘探工作需要获取地层岩心，再对页岩岩心进行岩石热解实验分析岩石中的总有机碳(TOC)，从而对地下层系的页岩气勘探价值进行评估。然而这种获取总有机碳的手段费时费力，且往往只能获取不连续的数据点。因此，为了能够进行快速的总有机碳预测，获取连续剖面的总有机碳分布信息，业内通常将测井数据广泛用于对总有机碳进行预测。
[0004]目前，传统的TOC评价手段包括：1、地球化学测试；2、地球物理测井评价。传统的地球化学测试的缺点有：(1)需要大量钻孔、岩心样品，工作量大、繁重；(2)测试成本及人工成本高昂；(3)获得的TOC数据不连续，导致预测结果精度较差。而传统的地球物理测井评价方法(例如ΔLogR方法)则存在如下缺点：(1)使用参数信息少；(2)不能进行全工区的时空预测，同样导致总体预测精度同样不高。
[0005]此外，随着神经网络技术的发展与进步，在总有机碳预测方面，亦有采用神经网络技术的相关研究，例如基于BP神经网络的预测技术和基于支持向量机的预测技术。基于BP神经网络的预测方法主要利用电阻率、声波、自然伽马、密度测井，对总机碳进行预测。尽管该方法相比传统方法在预测的准确度上有所提高，但是该方法并不具备泛用性，训练好的BP神经网络常常只能应用于很小的范围，并不满足精确、泛用的总有机碳预测需求。而基于支持向量机的预测方法主要利用电阻率、声波、自然伽马、密度测井，运用支持向量机技术对总机碳进行预测。由于该方法对于异常值的响应很差，例如对于具有高总机碳的页岩的预测效果很差，因此也同样不满足精确、泛用的总有机碳预测需求。
[0006]另外，公开号：CN113837501A的方案，通过使用深度图神经网络，将多种测井曲线视为具有关联性的多维动态图数据结构输入并分析，能够获得准确的测井曲线与TOC的关系。但该方案采用的模型较为复杂、计算成本高，模型参数冗余且不易更改，容易出现过拟合的问题，并不具备广泛应用的条件。并且该方案也不能进行全工区的时空预测，其只能确保局部预测精度，对总体的预测精度仍然有待提升。
技术实现思路
[0007]针对上述现有技术的不足，本专利技术提供了一种基于深度学习与插值回归的页岩气总有机碳预测方法，采用深度全连接神经网络+插值回归进行高精度的全工区总有机碳时
空预测，能够对页岩(尤其是四川盆地页岩)进行精准、高效、可泛用的总有机碳测井预测。
[0008]为实现上述目的，本专利技术采用的技术方案如下：
[0009]基于深度学习与插值回归的页岩气总有机碳预测方法，包括以下步骤：
[0010](1)搜集已公开发表的测井与TOC数据；
[0011](2)对测井数据依次进行数据清洗与归一化处理，实现数据标准化；
[0012](3)利用标准化之后的测井数据与TOC数据划分出训练集、验证集与测试集，并建立总有机碳预测模型；
[0013](4)利用机器学习方法不断优化总有机碳预测模型，获得最优的总有机碳预测模型，并迭代直至获得稳定的总有机碳深度全连接网络；
[0014](5)利用步骤(4)中的总有机碳全连接网络对页岩油气勘探的目标层位进行TOC预测，获取单井TOC值；
[0015](6)对缺乏测井数据的数据点进行TOC值的插值回归计算，得到TOC值的时空分布；
[0016](7)遍历全工区测井数据，获得工区插值之后的TOC时空分布特征，实现对页岩气总有机碳的预测。
[0017]作为优选，所述步骤(1)中，采用人工和/或爬虫手段搜集已公开发表的盆地测井与TOC数据。
[0018]具体地，所述步骤(1)中，侧近数据包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、深双侧向、电阻率、浅双侧向电阻率、伽马测井、井径测井、随钻电阻曲线，共计12种数据。
[0019]具体地，所述步骤(2)中，对侧近数据进行数据清洗包括测井深度与岩心深度校准、异常值与无效值去除。
[0020]进一步地，所述步骤(2)中，采用如下公式实现测井数据的归一化处理：
[0021][0022]式中，X*为标准化处理后的值，X为当前值，X
min
为数据中最小值，X
max
为数据中最大值。
[0023]作为优选，所述步骤(3)中，训练集、验证集与测试集的数据总量按照6∶2∶2进行划分。
[0024]具体地，所述步骤(3)中，总有机碳预测模型包含有隐藏层数、隐藏层神经元节点数、激活函数、优化器，并利用格点算法穷举模型超参数；其网络表达式如下：
[0025][0026]式中，是第j
th
层第i
th
个网络节点的值，其中代表输入的12种测井数据；ReLU是激活函数，且ReLU＝max(0，x)；l是(j
‑
1)
th
层的神经节点数；是(j
‑
1)
th
层第k
th
个神经元的权重；是第j
th
层第i
th
神经元的偏差；为预测的TOC值，且L为模型最后一层的神经元节点。
[0027]进一步地，所述步骤(4)中，最优的总有机碳预测模型包含8层隐藏层，且单层50个计算节点，所用优化器为Adam。
[0028]再进一步地，所述步骤(4)中，获得稳定的总有机碳深度全连接网络的过程为：
[0029](a)预设隐藏层第一层权重值，其中，设置放射性铀、放射性钍、放射性钾、深双侧向、电阻率、浅双侧向电阻率、伽马测井的权重初始值为10；声波时差、密度的权重初始值为
‑
10；补偿中子、井径测井、随钻电阻的权重初始值为1；
[0030](b)根据权重初始值，进行迭代计算直至获得稳定的总有机碳深度全连接网络。
[0031]更进一步地，所述步骤(6)中，采用如下公式对缺乏测井数据的数据点进行TOC值的插值回归计算：
[0032]y＝β1*TOC
强相关
+β2*TOC
中等相关
+β3*TOC
弱相关
+ξ
[0033]式中，y为进行TOC空间插值点的TOC值；β1为0.5到1之间的实数；β2为0.1到0.3之间的实数；β3为0.01到0.1之间的实数；TOC
强相关
为与预测点有强时空关系的所有数据点均值，即横向距离＜200m，垂向深本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，包括以下步骤：(1)搜集已公开发表的测井与TOC数据；(2)对测井数据依次进行数据清洗与归一化处理，实现数据标准化；(3)利用标准化之后的测井数据与TOC数据划分出训练集、验证集与测试集，并建立总有机碳预测模型；(4)利用机器学习方法不断优化总有机碳预测模型，获得最优的总有机碳预测模型，并迭代直至获得稳定的总有机碳深度全连接网络；(5)利用步骤(4)中的总有机碳全连接网络对页岩油气勘探的目标层位进行TOC预测，获取单井TOC值；(6)对缺乏测井数据的数据点进行TOC值的插值回归计算，得到TOC值的时空分布；(7)遍历全工区测井数据，获得工区插值之后的TOC时空分布特征，实现对页岩气总有机碳的预测。2.根据权利要求1所述的基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，所述步骤(1)中，采用人工和/或爬虫手段搜集已公开发表的盆地测井与TOC数据。3.根据权利要求1所述的基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，所述步骤(1)中，侧近数据包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、深双侧向、电阻率、浅双侧向电阻率、伽马测井、井径测井、随钻电阻曲线，共计12种数据。4.根据权利要求3所述的基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，所述步骤(2)中，对侧近数据进行数据清洗包括测井深度与岩心深度校准、异常值与无效值去除。5.根据权利要求4所述的基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，所述步骤(2)中，采用如下公式实现测井数据的归一化处理：式中，X*为标准化处理后的值，X为当前值，X
min
为数据中最小值，X
max
为数据中最大值。6.根据权利要求4或5所述的基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，所述步骤(3)中，训练集、验证集与测试集的数据总量按照6∶2∶2进行划分。7.根据权利要求6所述的基于深度学习与插值回归的页岩气总有机碳预测方法，其特征在于，所述步骤(3)中，总有机碳预测模型包含有隐藏层数、隐藏层神经元节点数、激活函数、优化器，并利用格点算法穷举模型超参数；其网络表达式如下：式中，是第j
th
层第i
th
个网络节点的值，其...
【专利技术属性】
技术研发人员：郑栋宇，侯明才，吴思萱，陈安清，马超，向坤，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
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。