【技术实现步骤摘要】
本专利技术属于基于特定计算模型的压力预测，更具体地，涉及基于迁移学习tca-lstm模型的地层孔隙压力预测方法。
技术介绍
1、地层孔隙压力始终贯穿整个油气田勘探开发的各个重要环节，因此，精准地预测地层孔隙压力对油气田勘探开发至关重要。已钻井地层孔隙压力预测是钻井完成后利用测井等实钻资料对地层信息的再认识，对于提高区域地层信息的掌握程度、降低待钻井工程方案潜在风险等具有重要意义。随着机器学习、大数据等技术的发展，地层孔隙压力预测正从基于经验系数的传统模型向基于数据驱动的智能模型转变，由于智能模型在捕捉多维数据之间复杂映射关系方面的优势，已成为该领域的研究热点之一。
2、中国专利技术专利cn114077867a公开了一种基于可迁移神经网络的航空发动机故障诊断方法，通过结合域自适应思想和rvfl算法，提出了两种故障诊断算法ud-rvfl和ujd-rvfl，使其在保留原始rvfl网络拓扑结构简单这一主要优点的前提下，可通过学习可迁移的数据特征表示，减少源域和目标域数据之间分布差异，同时尽可能保留源域的数据属性和特征结构。
3、综上，迁移学习作为机器学习的一个重要分支，侧重于将已经学习过的知识迁移应用于新的问题中以增强解决新问题的能力、提高解决新问题的速度，迁移学习已应用在医学领域、视觉分类等领域，成为解决数据驱动训练样本局限性和模型泛化能力不佳问题的有效手段之一。然而，现有技术中对训练样本的数量和质量要求较高，且模型常面临泛化能力不佳、预测精度不高等问题。
技术实现思路>
1、本专利技术旨在克服上述现有技术的至少一种缺陷，提供基于迁移学习tca-lstm模型的地层孔隙压力预测方法，以解决现有技术在处理海量数据时，出现的识别速度慢、准确率低的问题。
2、本专利技术基于测井数据以及钻井参数等实际现场测量值，利用长短期记忆循环神经网络，将tca迁移学习算法与长短期记忆循环神经网络耦合，采用最大均值差异，将源域与目标域数据领域的分布差异最小化，确保源域和目标域的数据在特征空间上具有相似的分布，建立tca-lstm网络模型，对地层孔隙压力进行精准预测。
3、本专利技术详细的技术方案如下：
4、s1、获取测井数据并对测井数据中的单个值即测井值数据进行异常值剔除，其中，测井值数据是测井数据中的单个值，测井数据里面有多个特征参数以及多个值；
5、所述测井数据包含源域和目标域，源域在本专利技术指一区块多口井的测井数据，目标域为同一区块一口井且与源域中的井不同的测井数据，具体包括：
6、s11、测井曲线中出现的毛刺或突变由异常跳动引起或是真实的岩体环境变化导致的，针对异常跳动、毛刺或突变的情况，要将其排除或过滤掉；而对于真实的岩体环境突变，应该予以保留；
7、然而，简单地剔除异常值或只计算某一段内的平均值可能难以有效地消除异常值的影响；
8、为了解决这些问题，未确知滤波方法被引入，用于从监测数据序列中检测和剔除粗差，同时保留有用的异常值，未确知滤波将未确知理论与滤波技术相结合，能够更准确地处理测井曲线中的异常值；
9、使用未确知有理数a表示井深处测井值数据：
10、
11、公式（1）中，a为未确知有理数，为测井值数据的可信度分布函数，为以i测点为中心上下滑窗内的测井值数据，n为滑窗内测点总数量。
12、s12、把粗差和异常值两种情况进行分析比较发现：如果是异常值，则是孤立的，在的滑窗内的个数为零；若是偶然粗差，由于其相邻观测数据的连续性和趋势性，的滑窗内的个数不为零且会随着监测时间的推进而越来越多，由此通过对的特殊定义区别粗差和异常值，本专利技术将可信度小于0.3的作为异常值；
13、
14、公式（2）中，为测井值数据的可信度分布函数，表示滑窗内包括的个数，为的滑窗内的测井值数据，，，λ为判别粗差的阈值参数；
15、s13、使用有理数a的数学期望表示异常值：；
16、其中，，实现异常值剔除。
17、s2、对异常值剔除后的测井数据进行相关性分析筛选后作为tca-lstm模型的输入特征参数；
18、在数据预处理中，特征参数相关性分析即对异常值剔除后的测井数据进行相关性分析是一个不可或缺的环节，本专利技术使用皮尔森相关系数衡量地层孔隙压力与测井数据之间线性关系强度的指标；
19、其相关系数的计算公式如下：
20、
21、公式（3）中，为数据总行数，的取值为1到n之间的整数，xa表示测点a的测井值数据，ya表示测点a的地层孔隙压力数据，表示测井值数据x的平均值，表示地层孔隙压力y的平均值。
22、所述的大小可根据实际运算的需要进行选择，pearson相关性显示的是两个变量之间相关性的强弱程度，取值在（-1，1），值越大，相关性越强，把称为高度相关，pearson相关性越高，证明该测井数据与地层孔隙压力的相关性越高，使用算法后的效果越好；
23、基于pearson相关性结果分析，选择中等程度相关及以上的特征参数即作为模型输入。
24、s3、对筛选出的测井相关数据进行归一化处理；
25、考虑到消除不同特征之间的量纲差异，避免某些特征对模型训练产生过大影响，同时能够较好地保留原始数据的特征，本专利技术采用最大-最小规范化方法通过对测井值数据的线性变换，如下：
26、
27、公式（4）中，为归一化后的数据；xi为输入数据；为数据区间最小值；为数据区间最大值。
28、s4、搭建tca-lstm模型。
29、本专利技术包括双层lstm神经网络和dropout层神经网络，所述双层lstm神经网络门控的神经单元数分别为32个、1个，dropout层神经网络的神经单元数为0.1，所述tca-lstm模型采用adam优化器进行训练。
30、搭建tca-lstm模型，tca-lstm首先对源域和目标域的原始数据通过 tca 进行分布适配，分布间距离由最大均值差异mmd度量，将tca映射后的特征，输入双层lstm网络中进行训练，最终得到tca-lstm预测模型。输出为地层孔隙压力预测值。
31、将归一化处理后的数据用tca进行特征提取，迁移成分分析法即tca是一种基于最大均值差异的迁移学习方法，其mmd距离可以被表示为：
32、
33、公式（5）中，表示映射后源域和目标域的均值之差，和分别为源域中的第i个样本与目标域的第j个样本，ns与nt分别为源域与目标域的样本数，为rkhs。
34、然而，公式（5）不能直接计算，要通过某种核方法将样本转换到映射空间，为了将源域和目标域的数据映射到共享的低维潜在空间中，tca引入了核矩阵以及分布差异矩阵lij；
35、将公式（5）可以改写为，求解的问题转化为如下优化问题：
36、
37、公式（8）中，最小化分布之间的距离，第本文档来自技高网...
【技术保护点】
1.基于迁移学习TCA-LSTM模型的地层孔隙压力预测方法，其特征在于，包括；
2.根据权利要求1所述的基于迁移学习TCA-LSTM模型的地层孔隙压力预测方法，其特征在于，所述S1具体包括：
3.根据权利要求2所述的基于迁移学习TCA-LSTM模型的地层孔隙压力预测方法，其特征在于，所述对异常值剔除后的测井值数据进行相关性分析包括：
4.根据权利要求1所述的基于迁移学习TCA-LSTM模型的地层孔隙压力预测方法，其特征在于，搭建的TCA-LSTM模型包括双层LSTM神经网络和Dropout层的神经网络；
5.根据权利要求4所述的基于迁移学习TCA-LSTM模型的地层孔隙压力预测方法，其特征在于，所述搭建TCA-LSTM模型对经归一化处理后的测井值数据进行分析，即将归一化处理后的数据进行迁移学习算法TCA处理：
【技术特征摘要】
1.基于迁移学习tca-lstm模型的地层孔隙压力预测方法，其特征在于，包括；
2.根据权利要求1所述的基于迁移学习tca-lstm模型的地层孔隙压力预测方法，其特征在于，所述s1具体包括：
3.根据权利要求2所述的基于迁移学习tca-lstm模型的地层孔隙压力预测方法，其特征在于，所述对异常值剔除后的测井值数据进行相关性分析包括：
4.根据权利...
【专利技术属性】
技术研发人员：许玉强，杨磊，聂嘉骏，王玉聪，李富祥，何保伦，刘宽，
申请(专利权)人：中国石油大学华东，
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。