基于神经网络的密度预测方法、装置、设备及存储介质制造方法及图纸

本申请提供的一种基于神经网络的密度预测方法、装置、设备及存储介质，包括：数据准备：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；样本集构建：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；模型训练：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；模型应用：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。进行密度的预测。进行密度的预测。

【技术实现步骤摘要】
基于神经网络的密度预测方法、装置、设备及存储介质


[0001]本申请涉及油气地球物理勘探领域，特别地涉及一种基于神经网络的密度预测方法、装置、设备及存储介质。

技术介绍

[0002]在油气勘探领域，作为连接岩石物理性质与地震波勘探的桥梁，纵波速度、横波速度和密度在地震资料AVO分析、叠前反演以及储层的岩性、物性和流体识别等方面有着重要的应用。然而在实际生产中由于各种原因导致密度参数的缺失与不完整，给后续勘探工作的开展带来了影响。
[0003]在生产应用中，通常会利用声波(纵波)速度来对密度进行拟合，其中最常用的方法是Gardner经验公式。该公式是对大量岩石密度数据的统计拟合，但如果细化到具体的地区，仍会出现较为明显的误差，不能满足当前高精度地震解释的需求。国内外学者根据不同地区实验数据对Gardner经验公式的系数进行了拟合，但从本质上来讲仍然只是纵波速度的幂函数，一旦纵波速度的实测数据出现系统误差或者随机误差，那么得到的密度也会出现误差的累积和放大。因此，需要寻找一种方法来提高密度的预测精度。
[0004]本专利技术针对以上不足，以纵波速度和横波速度为基础，通过深度前馈神经网络来充分挖掘岩石物理参数之间的内在联系，建立纵横波速度与密度之间的非线性关系模型，得到基于深度前馈神经网络的密度预测模型，从而提高密度的预测精度。

技术实现思路

[0005]针对上述问题，本申请提供一种基于神经网络的密度预测方法、装置、设备及存储介质。
[0006]本申请提供了一种基于神经网络的密度预测方法，包括：
[0007]S1：数据准备：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；
[0008]S2：样本集构建：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；
[0009]S3：模型训练：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；
[0010]S4：模型应用：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。
[0011]在一些实施例中，所述研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料具体包括：
[0012]从常规测井和全波列测井中获得的所述深度域纵波速度、深度域横波速度和密度数据；
[0013]所述深度域实测深度域纵波速度和深度域横波速度作为神经网络的输入数据；
[0014]所述密度作为神经网络的输出数据。
[0015]在一些实施例中，所述对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理之前，所述方法还包括：
[0016]对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行异常值剔除。
[0017]在一些实施例中，所述归一化预处理的具体方法包括：
[0018][0019]式中，b(z)和a(z)分别为归一化前、后的测井值；b(z)
max
和b(z)
min
分别为归一化前测井值的最大值和最小值。
[0020]在一些实施例中，所述神经网络为深度前馈神经网络。
[0021]在一些实施例中，所述深度前馈神经网络的网络的结构包括：
[0022]包含输入层h
(0)
、输出层h
(L)
和L
‑
1个隐含层。
[0023]在一些实施例中，所述深度前馈神经网络的网络的输入层神经元个数n0＝2，输入层激活函数选择ReLU函数，输出层和隐含层的激活函数选择Sigmoid 函数，输出层神经元个数n
L
＝1。
[0024]本申请实施例提供一种基于神经网络的密度预测装置，包括：
[0025]数据准备模块、样本集构建模块、模型训练模块和模型应用模块；
[0026]数据准备模块：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；
[0027]样本集构建模块：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；
[0028]模型训练模块：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；
[0029]模型应用模块：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。
[0030]本申请实施例提供一种基于神经网络的密度预测设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行上述任意一项所述基于神经网络的密度预测方法。
[0031]本申请实施例提供一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述任一项所述基于神经网络的密度预测方法。
[0032]本申请提供的一种基于神经网络的密度预测方法、装置、设备及存储介质，
[0033]利用深度前馈神经网络模型来替代常规的Gardner经验公式，可以充分挖掘岩石物理参数之间的内在联系。深度神经网络模型只需训练一次，就可以建立纵横波速度与密度之间的非线性关系模型，得到高精度的密度参数。
附图说明
[0034]在下文中将基于实施例并参考附图来对本申请进行更详细的描述。
[0035]图1为本申请实施例提供的基于神经网络的密度预测方法的实现流程图；
[0036]图2为本申请实施例提供的深度前馈神经网络结构图；
[0037]图3为本申请实施例提供的目标井深度域测井曲线；
[0038]图4为本申请实施例提供的预测结果及误差；
[0039]图5为本申请实施例提供的基于神经网络的密度预测方法的实现流程图。
[0040]在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
[0041]为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
[0042]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0043]如果申请文件中出现“第一\第二\第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的密度预测方法，其特征在于，包括：S1：数据准备：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；S2：样本集构建：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；S3：模型训练：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；S4：模型应用：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。2.根据权利要求1所述的方法，其特征在于，所述研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料具体包括：从常规测井和全波列测井中获得的所述深度域纵波速度、深度域横波速度和密度数据；所述深度域实测深度域纵波速度和深度域横波速度作为神经网络的输入数据；所述密度作为神经网络的输出数据。3.根据权利要求1所述的方法，其特征在于，所述对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理之前，所述方法还包括：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行异常值剔除。4.根据权利要求1所述的方法，其特征在于，所述归一化预处理的具体方法包括：式中，b(z)和a(z)分别为归一化前、后的测井值；b(z)
max
和b(z)
min
分别为归一化前测井值的最大值和最小值。5.根据权利要求1所述的方法，其特征在于，所述神经网络为深度前馈神经网络。6.根据权利要求5...

【专利技术属性】
技术研发人员：谢玮，毕臣臣，胡华锋，姚铭，雷朝阳，张克非，
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：