System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及石油勘探开发,具体地涉及一种横波时差预测方法、一种横波时差预测装置、一种电子设备及一种机器可读存储介质。
技术介绍
1、横波测井资料是用于岩石物理分析、岩性识别、计算岩石弹性力学参数、油藏描述和流体识别的重要参数之一,对提高储层预测精度工作起到重要作用。常规的声波测井可以得到纵波、横波测井资料,但获得的横波质量较差或存在缺失,不足以满足生产需要。采用偶极子声波测井仪器可以得到较好质量的横波数据,但采集成本较高,只在重点井或风险探井中采集,大多数井缺少横波测井资料。井况、测井技术和成本是造成缺失的主要原因,准确地预测横波显得尤为重要。
2、预测横波常用的方法包括经验公式法和岩石物理模型法。经验公式法通过分析纵波横波关系,得到拟合后的线性公式,从而计算横波。该方法简单便捷,能够快速的预测横波,但采用经验公式法预测的横波精度不高且存在区域适用性不佳的问题。岩石物理模型法通过构建岩石骨架模型及流体参数模型,由模型计算出横波,该方法能够准确的预测横波,但该模型需要较多的准确的参数,如岩石矿物组分、孔隙度、孔隙结构等,参数较多难以采集,不易建立准确的岩石物理模型且计算效率较低。综上所述,经验公式法和岩石物理模型法都有一定的局限性,因此,本申请提出一种基于机器学习法的预测方法。
技术实现思路
1、本专利技术实施例的目的是提供一种横波时差预测方法及装置,该横波时差预测方法及装置用以解决上述方法预测精度不高,存在区域适用性不佳,计算效率较低的问题。
2、为了实现
3、获取测井样本数据作为预测模型的训练数据集;
4、对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集;
5、将处理后的训练数据集分别输入cnn和lstm混合搭建的神经网络进行训练,得到横波时差预测模型;
6、获取待预测横波时差的测井数据;
7、对所述测井数据进行预处理、基于峰度和偏度进行测井数据分组,得到处理后的测井数据;
8、将处理后的测井数据分别作为所述横波时差预测模型的输入,得到横波时差。
9、可选的,所述横波时差预测模型中的cnn神经网络和lstm神经网络通过dropout层连接。
10、可选的,所述测井数据包括:自然伽马测井数据、井径测井数据、自然电位测井数据、电阻率测井数据、中子测井数据、声波测井数据和密度测井数据。
11、可选的,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,包括:
12、对所述训练数据集进行数据清洗、数据滤波和归一化,得到第一训练数据。
13、可选的,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,还包括:
14、从所述第一训练数据中筛选出与横波时差之间的相关性系数大于第一预设系数值的数据,作为第二训练数据;
15、分别计算所述第二训练数据中两个不同类型数据之间的相关性系数;
16、若存在相关性系数大于第二预设系数值的两个不同类型数据,则从两个不同类型数据中筛选出任一个类型数据,与所述第二训练数据中其余相关性系数小于等于第二预设系数值的不同类型数据作为第三训练数据。
17、可选的,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,还包括:
18、基于预设峰态系数和预设偏态系数,将所述第三训练数据划分为至少两组测井数据,作为所述处理后的训练数据。
19、可选的,所述相关性系数采用皮尔逊相关系数计算公式计算得到。
20、本专利技术实施例还提供一种横波时差预测装置,包括:
21、训练数据获取模块,用于获取测井样本数据作为预测模型的训练数据集;
22、第一数据处理模块,用于对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集;
23、模型训练模块,用于将处理后的训练数据集分别输入cnn和lstm混合搭建的神经网络进行训练,得到横波时差预测模型;
24、输入数据获取模块,用于获取待预测横波时差的测井数据;
25、第二数据处理模块,用于对所述测井数据进行预处理、基于峰度和偏度进行测井数据分组,得到处理后的测井数据;
26、结果输出模块,用于将处理后的测井数据分别作为所述横波时差预测模型的输入,得到横波时差。
27、本专利技术实施例还提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的横波时差预测方法的步骤。
28、另一方面,本专利技术提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的横波时差预测方法。
29、本技术方案结合cnn和lstm混合搭建的神经网络构建出横波时差预测模型,并将待预测横波时差的测井数据进行预处理、基于峰度和偏度进行测井数据分组后的数据输入到横波时差预测模型得到横波时差,计算简单,实用性强,能够精确的预测横波时差,可为岩石物理分析、岩性识别、岩石弹性力学参数计算、油藏描述以及流体识别等提供必要的参数。
30、本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种横波时差预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述横波时差预测模型中的CNN神经网络和LSTM神经网络通过Dropout层连接。
3.根据权利要求1所述的方法,其特征在于,所述测井数据包括:自然伽马测井数据、井径测井数据、自然电位测井数据、电阻率测井数据、中子测井数据、声波测井数据和密度测井数据。
4.根据权利要求1所述的方法,其特征在于,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,包括:
5.根据权利要求4所述的方法,其特征在于,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,还包括:
6.根据权利要求5所述的方法,其特征在于,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,还包括:
7.根据权利要求5所述的方法,其特征在于,所述相关性系数采用皮尔逊相关系数计算公式计算得到。
< ...【技术特征摘要】
1.一种横波时差预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述横波时差预测模型中的cnn神经网络和lstm神经网络通过dropout层连接。
3.根据权利要求1所述的方法,其特征在于,所述测井数据包括:自然伽马测井数据、井径测井数据、自然电位测井数据、电阻率测井数据、中子测井数据、声波测井数据和密度测井数据。
4.根据权利要求1所述的方法,其特征在于,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集,包括:
5.根据权利要求4所述的方法,其特征在于,对所述训练数据集进行预处理、基于重要性分析进行数据筛选、基于峰度和偏度进行数据分组,得到处理后的训练数据集...
【专利技术属性】
技术研发人员:宋连腾,刘忠华,李潮流,袁超,宁从前,
申请(专利权)人:中国石油天然气股份有限公司,
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。