【技术实现步骤摘要】
本专利技术涉及一种基于卷积神经网络的致密砂岩产能预测方法和系统，属于气藏勘探领域。
技术介绍
1、致密气井产能预测对致密气气藏勘探开发具有重要意义，通过致密气井产能预测，可以准确地了解气藏，合理安排生产作业和生产周期，优化生产效率，提高气井的产量，科学地制定开发方案，提高气藏的开发效率和经济效益。
2、目前，致密气井产能预测方法主要包括经验模型法、解析法、数值模拟等方法。与常规气藏相比，致密气藏储层致密，采用常规开发模式难以获得经济产量，需采用压裂等措施进行开发，导致渗流异常复杂。由于致密砂岩储层渗流复杂、非均质性强，物性参数(孔隙度、渗透率、含气饱和度)与产能之间存在着复杂的非线性关系，传统预测方法误差较大。同时这些传统方法应用的前提是需要明确储层物性参数，进而进行产能预测。而储层物性参数预测主要基于测井曲线通过回归分析、经验公式进行计算。在实际测井过程中，储层复杂，测井数据可能受噪声和异常值的影响，一定程度上影响模型预测精度。这种基于测井曲线预测物性参数再进行传统预测会导致误差的层层叠加。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种基于卷积神经网络的致密砂岩产能预测方法和系统。
2、为实现上述目的，本专利技术采取以下技术方案：
3、第一方面，本专利技术提供一种基于卷积神经网络的致密砂岩产能预测方法，包括以下步骤：
4、获取待预测井的测井图像数据；
5、将获取的测井图像数据输入预先训练好的卷积神经网络模型
6、进一步，所述将获取的测井图像数据输入预先训练好的卷积神经网络模型，得到待预测井的产能预测结果，包括：
7、搭建卷积神经网络模型；
8、利用预先获取的训练数据集对搭建的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
9、对获取的测井图像数据进行预处理后输入训练好的卷积神经网络模型，得到待预测井的产能预测结果。
10、进一步，所述卷积神经网络模型，包括：
11、输入层，用于获取测井图像数据；
12、隐含层，包括若干个顺序相连的卷积层、池化层和全连接层，各所述卷积层用于提取测井图像数据的图像特征，各所述池化层用于降低图像特征的数据维度和提取主要特征，各所述全连接层用于对所有特征进行整合，产生回归预测结果；
13、输出层，用于输出预测结果；
14、所述卷积层和池化层之间、各全连接层之间以及全连接层与输出层之间还设置有激活函数。
15、进一步，所述利用预先获取的训练数据集对搭建的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，包括：
16、获取研究区数据，并随机划分为训练集和验证集；
17、利用训练集对卷积神经网络模型进行训练；
18、利用验证集对训练好的卷积神经网络模型的预测效果进行评估，得到满足预设指标的卷积神经网络模型。
19、进一步，所述获取研究区数据，并随机划分为训练集和验证集，包括：
20、收集研究区的测井图像数据及该井对应的无阻流量数据；其中，测井图像包含气测全烃、深感应电阻率、深侧向、浅侧向、体积密度、补偿中子、声波时差、自然伽马曲线；
21、对各测井图像数据进行裁剪处理后，与对应的无阻流量数据组成训练数据集；
22、按照预设比例将训练数据集随机划分为训练集和验证集。
23、进一步，所述利用训练集对卷积神经网络模型进行训练，包括：通过向前传播和优化器对卷积神经网络模型的模型参数进行调整，使得模型预测结果与实际值之间的误差最小化；
24、所述向前传播的原理为：
25、z[l]＝w[l]a[l-1]+b[l]
26、a[l]＝g(z[l])
27、式中，a[l-1]为上一层输入值，a[l]为l层输出；w[l]为系数值，b[l]为偏差，z[l]为卷积输出，g()为relu激活函数。
28、进一步，所述利用验证集对训练好的卷积神经网络模型的预测效果进行评估时，采用决定系数进行评估，其计算公式为：
29、
30、式中，r2为决定系数；为预测无阻流量；为平均无阻流量；i为样本编号。
31、第二方面，本专利技术提供一种基于卷积神经网络的致密砂岩产能预测系统，包括：
32、数据获取模块，用于获取待预测井的测井图像数据；
33、产能预测模块，用于将获取的测井图像数据输入预先训练好的卷积神经网络模型，得到待预测井的产能预测结果。
34、第三方面，本专利技术提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行任一方法。
35、第四方面，本专利技术提供一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行任一方法的指令。
36、本专利技术由于采取以上技术方案，其具有以下优点：
37、1、通过卷积神经网络直接将测井数据与产能数据进行耦合预测，进行产能预测，避免了误差的叠加，同时通过深度学习方法进行非线性拟合，提高了模型预测精度。
38、2、本专利技术提出的卷积神经网络模型结构简单，大幅地减少了网络的计算量和训练时间，泛化能力强，能够有效地预测无阻流量。
39、因此，本专利技术可以广泛应用于气藏勘探领域。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述将获取的测井图像数据输入预先训练好的卷积神经网络模型，得到待预测井的产能预测结果，包括：
3.如权利要求2所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述卷积神经网络模型，包括：
4.如权利要求2所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述利用预先获取的训练数据集对搭建的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，包括：
5.如权利要求4所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述获取研究区数据，并随机划分为训练集和验证集，包括：
6.如权利要求2所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述利用训练集对卷积神经网络模型进行训练，包括：通过向前传播和优化器对卷积神经网络模型的模型参数进行调整，使得模型预测结果与实际值之间的误差最小化；
7.如权利要求2所述的一种
8.一种基于卷积神经网络的致密砂岩产能预测系统，其特征在于，包括：
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述将获取的测井图像数据输入预先训练好的卷积神经网络模型，得到待预测井的产能预测结果，包括：
3.如权利要求2所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述卷积神经网络模型，包括：
4.如权利要求2所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述利用预先获取的训练数据集对搭建的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，包括：
5.如权利要求4所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述获取研究区数据，并随机划分为训练集和验证集，包括：
6.如权利要求2所述的一种基于卷积神经网络的致密砂岩产能预测方法，其特征在于，所述利用训练集对卷积...
【专利技术属性】
技术研发人员：白玉湖，姜宝胜，徐兵祥，王苏冉，马晓强，樊伟鹏，李津，盖少华，晁嘉豪，胡傲然，
申请(专利权)人：中海石油中国有限公司，
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。