智能化横波速度预测方法、装置、设备及存储介质制造方法及图纸

本申请提供的一种智能化横波速度预测方法、装置、设备及存储介质，包括：数据采集，获取常规测井数据和已知的横波速度曲线；测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；优选主成分，对标准化后的测井数据进行主成分分析，得到测井数据主成分；模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型并训练；横波速度预测，采用训练好的横波速度预测模型进行横波速度预测；不确定性评价，通过每个预测点高斯分布的方差量化预测结果的不确定性。本方法有效地提高了横波速度的预测精度，适用性强。性强。性强。

【技术实现步骤摘要】
智能化横波速度预测方法、装置、设备及存储介质


[0001]本申请涉及地球物理勘探领域，特别地涉及一种智能化横波速度预测方法、装置、设备及存储介质。

技术介绍

[0002]横波速度是研究岩石及孔隙流体与地震响应特征的重要参数之一，但是由于横波测试设备与常规测井设备不同，会造成额外费用，往往很多井缺少横波速度资料，因此如何准确有效的预测横波速度显得十分重要。
[0003]现有的横波速度预测方法主要分为以下几种：
[0004](1)经验公式法。最著名的是Castagna等(1985)提出的描述纵波
‑
横波速度关系的泥岩基线公式，但这类方法是针对特定研究区所建立的，普适性不强，且拟合出的横波速度一般与纵波速度呈线性关系，不能满足储层精细流体识别的要求。
[0005](2)岩石物理模型法。针对不同类型的储层，利用不同的岩石物理理论模型预测横波速度，但所需参数众多，且有的参数往往是理论值，难以准确获取，有的参数需要从大量的实验室测试数据中获取，在没有足够的实验数据时，技术人员往往通过调节参数来获取合理的速度值，导致精度降低，流程复杂。
[0006](3)多元线性拟合法：Han等(1986)和马中高等(2005)将横波速度与其他类型测井曲线进行多元拟合，实现横波速度预测，但横波速度与其他类型曲线关系复杂，多元线性拟合难以充分挖掘它们之间的非线性关系。
[0007]近年来，随着计算机技术的飞速发展，智能化方法发展迅速，如姜仁等(2020)利用深度前馈神经网络预测横波速度，但神经网络方法没有坚实的理论基础，受数据数量局限性较大。
[0008]因此，如何提供一种新的横波预测方法，其能够解决上述技术问题是本领域亟待解决的技术难题。

技术实现思路

[0009]针对上述问题，本申请提供一种智能化横波速度预测方法、装置、设备及存储介质。
[0010]本申请提供了一种智能化横波速度预测方法，包括：
[0011]S1：数据采集，获取常规测井数据和已知的横波速度曲线；
[0012]S2：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；
[0013]S3：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；
[0014]S4：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；
[0015]S5：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向
量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；
[0016]S6：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。
[0017]在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：
[0018][0019]其中，
[0020]x
n
表示变换的第n个测井曲线，Y
m
表示变换后的第m个主成分，e
nm
表示变换后第n个的测井曲线与变换前第m个主成分之间的权系数。
[0021]在一些实施例中，相关向量机数学表达式为：
[0022][0023]其中：t
i
表示目标函数，t＝(t1,t2,
…
,t
N
)
T
，N表示样本个数，ε
i
∈N(0,σ2)表示随机噪音，ω
n
表示权系数，ω
T
＝(ω1,ω2,
…
,ω
N
)
T
，K
i
表示核函数，φ∈R
N*L
，φ＝[φ1，φ2，...，φ
N
]，φ
n
＝[1，K(x
n
，x1)，K(x
n
，x2)，...，K(x
n
，x
N
)]；
[0024]假设t
i
相互独立，则样本集的最大似然函数为：
[0025][0026]假设常参数ω
n
相互独立，分别对应一个参数α
n
，且ω
n
满足期望为0，方差为α
n
‑1高斯分布，则先验扰动为：
[0027][0028]基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：
[0029]∑＝(σ
‑2φ
T
φ+A)
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0030]μ＝σ
‑2∑φ
T
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0031]其中，A＝diag(α1,α1,
…
,α
N
)；
[0032]对于新样本t
x
的预测分布为：
[0033]p(t
x
|t)～N(μ
T
φ(x),σ
x2
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0034]其中：
[0035]t
x
＝μ
T
φ(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0036][0037]其中：为使公式(3)中p(t|ω,σ2)取得最大值的解。
[0038]在一些实施例中，所述多核相关向量机的核函数K表示为：
[0039]K＝c1K1+c2K2ꢀꢀꢀꢀꢀꢀꢀ
(10)
[0040]其中，K1和K2表示常规核函数，c1和c2表示加权系数，K表示混合核函数。
[0041]在一些实施例中，所述横波速度预测之前，所述方法还包括：
[0042]模型评估，利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高。
[0043]在一些实施例中，所述横波速度预测之后，所述方法还包括：
[0044]不确定性评价，通过每个预测点高斯分布的方差量化预测结果的不确定性。
[0045]在一些实施例中，所述横波速度预测的具体方法包括：
[0046]采用训练好的横波速度预测模型进行横波速度预测，多核相关向量机模型的每个点的预测输出都服从高斯分布，取该点均值作为最终预测结果。
[0047]本申请实施例提供一种智能化横波速度预测装置，包括：
[0048]数据采集模块、测井数据质控模块、测井数据标准化模块、优选主成分模块、模型训练模块、模型评估模块、横波速度预测模块和不确定性评价模块；
[0049]所述数据采集模块：获取常规测井数据和已知的横波速度曲线；
[0050]所述测井数据质控模块：对受井眼垮塌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能化横波速度预测方法，其特征在于，包括：S1：数据采集，获取常规测井数据和已知的横波速度曲线；S2：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；S3：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；S4：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；S5：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；S6：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。2.根据权利要求1所述的方法，其特征在于，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：其中，x
n
表示变换的第n个测井曲线，Y
m
表示变换后的第m个主成分，e
nm
表示变换后第n个的测井曲线与变换前第m个主成分之间的权系数。3.根据权利要求1所述的方法，其特征在于，相关向量机数学表达式为：其中：t
i
表示目标函数，t＝(t1，t2，...，t
N
)
T
，N表示样本个数，ε
i
∈N(0，σ2)表示随机噪音，ω
n
表示权系数，ω
T
＝(ω1，ω2，...，ω
N
)
T
，K
i
表示核函数，φ∈R
N*L
，φ＝[φ1，Φ2，...，φ
N
]，φ
n
＝[1，K(x
n
，x1)，K(x
n
，x2)，...，K(x
n
，x
N
)]；假设t
i
相互独立，则样本集的最大似然函数为：假设常参数ω
n
相互独立，分别对应一个参数α
n
，且ω
n
满足期望为0，方差为α
n
‑1高斯分布，则先验扰动为：基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：∑＝(σ
‑2φ
T
φ+A)
‑1ꢀꢀꢀꢀ
(5)μ＝σ
‑2∑φ
T
t
ꢀꢀꢀ
(6)其中，A＝diag(α1，α1，...，α
N
)；对于新样本t
x

【专利技术属性】
技术研发人员：李敏，刘卫华，代仕明，王欢，白俊，
申请(专利权)人：中国石油化工股份有限公司石油物探技术研究院，
类型：发明
国别省市：