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】
本申请涉及储集层分类的,尤其是涉及一种储集层分类模型训练方法、分类方法、系统、设备及介质。
技术介绍
1、测井数据为油气勘探中的重要角色,可以通过对测井数据的分析,得到当前井的油气分布。目前基于测井数据进行油气分类的方法包括人工分析和计算机处理两种方案。
2、人工分析方法主要依赖于测井专家和地质学家的经验,地质学家通过地质勘探会在疑似有油藏位置进行钻井和测井数据收录并通过对测井数据不同的响应特征进行油气分类判定。这种判断方法依赖于测井专家对当前的地质情况的了解和地质勘探的经验且分析时间较长。
3、计算机处理方法虽然可以通过训练模型对测井数据进行分析,完成储集层中是否含油的标注。一方面,目前的计算机处理方法依然需要测井专家参与,测井专家会根据实际地质情况,给出对测井数据的处理需求,在计算机处理的模型训练中需要结合测井专家的处理需求进行进一步分析。另一方面,通过这种方式训练得到的模型只能应用于一部分地质情况,模型的使用场景受限,对于其他地质情况下储集层分类的准确性低。
技术实现思路
1、为了提高储集层分类的准确性,本申请提供了一种储集层分类模型训练方法、分类方法、系统、设备及介质。
2、在本申请的第一方面,提供了一种储集层分类模型训练方法。该方法包括:
3、获取历史测井数据、历史测井数据对应的历史层位数据和历史测井数据对应的储层类别,历史层位数据表示历史测井数据对应测试井的所在位置;
4、根据历史测井数据和储层类别的第一相关系
5、根据目标测井数据之间的第二相关系数和历史层位数据,对目标测井数据层进行分类,得到数据训练子集;
6、分别对数据训练子集进行模型训练,得到与数据训练子集对应的储集层分类模型。
7、由以上技术方案可知,通过分析历史测井数据和储层类别的相关性得到第一相关系数,根据第一相关系数将历史测井数据中与储层类别相关性低的数据剔除得到目标测井数据,然后根据目标测井数据之间的相关性即第二相关系数和位置即历史层位数据,将目标测井数据划分得到数据训练子集,训练数据子集中的目标测井数据对应的实际地质情况更加接近,可以提高不同地质情况对应的储集层分类模型的准确性。
8、在一种可能的实现方式中,历史测井数据中包括多条特征曲线,目标测井数据包括多条目标特征曲线;
9、根据历史测井数据和储层类别的第一相关系数,对历史测井数据进行筛选,得到目标测井数据,包括:
10、分别计算每个特征曲线和每个特征曲线对应的储层类别的相关性,得到第一相关系数;
11、当第一相关系数在预设的相关范围内,则特征曲线为目标特征曲线。
12、由以上技术方案可知,通过分析历史测井数据中特征曲线与储层类别的相关性,得到第一相关系数,将与储层类别相关性低的特征曲线剔除,保留与储层类别相关性高的特征曲线作为目标特征曲线参与模型训练,在不影响模型训练效果的基础上,降低模型训练数据的数据量,提高模型训练效率,同时也可以降低不相关的特征曲线在模型训练过程中产生的负面影响,实现对储集层分类准确率的提高。
13、在一种可能的实现方式中,根据目标测井数据之间的第二相关系数和历史层位数据,对目标测井数据层进行分类,得到数据训练子集,包括:
14、根据历史层位数据,对目标测井数据进行聚类,得到位置训练子集;
15、计算位置训练子集中的任意两个目标测井数据之间的第二相关系数;
16、根据第二相关系数,对每个位置训练子集中的目标测井数据进行分类,得到数据训练子集。
17、在一种可能的实现方式中,数据训练子集中至少包括一个测试井的目标测井数据;分别对数据训练子集进行模型训练,得到与数据训练子集对应的储集层分类模型,包括:确定与数据训练子集对应的多个中间模型,中间模型通过数据训练子集中至少一个测试井的目标测井数据训练得到,任意两个中间模型训练使用的数据不同;
18、对多个中间模型进行测试,确定中间模型的预测正确率;
19、根据预测正确率,从多个中间模型中确定与数据训练子集对应的储集层分类模型。
20、由以上技术方案可知,通过将数据训练子集中的不同测试井的目标测井数据按照顺序进行训练,分析不同测试井的目标测井数据对模型训练产生的影响,进而对数据训练子集中的不同测试井的目标测井数据进行筛选,将预测正确率最高的中间模型作为储集层分类模型,实现对储集层分类正确率的提高。
21、在一种可能的实现方式中,在根据目标测井数据之间的第二相关系数和历史层位数据,对目标测井数据层进行分类,得到数据训练子集之后,使用粒子群算法对数据训练子集进行特征优化。
22、在一种可能的实现方式中,储集层分类模型包括极值梯度提升模型和长短期记忆网络模型。
23、在本申请的第二方面,提供了一种储集层分类方法。该方法包括:
24、获取待分类测井数据和待分类测井数据的层位数据;
25、从如根据本申请的第一方面的方法得到的储集层分类模型中匹配到与层位数据对应的储集层分类模型;
26、将待分类测井数据输入与层位数据对应的储集层分类模型,得到储集层分类结果。
27、在本申请的第三方面,提供了一种储集层分类模型训练系统。该系统包括:
28、数据获取模块,用于获取历史测井数据、历史测井数据对应的历史层位数据和历史测井数据对应的储层类别,历史层位数据表示历史测井数据对应测试井的所在位置;
29、数据筛选模块,用于根据历史测井数据和储层类别的第一相关系数,对历史测井数据进行筛选,得到目标测井数据;
30、数据划分模块,用于根据目标测井数据之间的第二相关系数和历史层位数据,对目标测井数据层进行分类,得到数据训练子集;
31、模型训练模块,用于分别对数据训练子集进行模型训练,得到与数据训练子集对应的储集层分类模型。
32、在本申请的第四方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
33、在本申请的第五方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本申请的第一方面的方法。
34、综上所述,本申请包括至少一种有益技术效果:
35、通过分析历史测井数据和储层类别的相关性得到第一相关系数,根据第一相关系数将历史测井数据中与储层类别相关性低的数据剔除得到目标测井数据,然后根据目标测井数据之间的相关性即第二相关系数和位置即历史层位数据,将目标测井数据划分得到数据训练子集,训练数据子集中的目标测井数据对应的实际地质情况更加接近,可以提高不同地质情况对应的储集层分类模型的准确性。
本文档来自技高网...【技术保护点】
1.一种储集层分类模型训练方法,其特征在于,包括:
2.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述历史测井数据中包括多条特征曲线,所述目标测井数据包括多条目标特征曲线;
3.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述根据所述目标测井数据之间的第二相关系数和所述历史层位数据,对所述目标测井数据层进行分类,得到数据训练子集,包括:
4.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述数据训练子集中至少包括一个所述测试井的所述目标测井数据;
5.根据权利要求1所述的储集层分类模型训练方法,其特征在于,在所述根据所述目标测井数据之间的第二相关系数和所述历史层位数据,对所述目标测井数据层进行分类,得到数据训练子集之后,使用粒子群算法对所述数据训练子集进行特征优化。
6.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述储集层分类模型包括极值梯度提升模型和长短期记忆网络模型。
7.一种储集层分类方法,其特征在于,包括:
8.一种储集层分类模型训练系统,
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至6或7中任一种所述方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至6或7中任一种所述方法的计算机程序。
...【技术特征摘要】
1.一种储集层分类模型训练方法,其特征在于,包括:
2.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述历史测井数据中包括多条特征曲线,所述目标测井数据包括多条目标特征曲线;
3.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述根据所述目标测井数据之间的第二相关系数和所述历史层位数据,对所述目标测井数据层进行分类,得到数据训练子集,包括:
4.根据权利要求1所述的储集层分类模型训练方法,其特征在于,所述数据训练子集中至少包括一个所述测试井的所述目标测井数据;
5.根据权利要求1所述的储集层分类模型训练方法,其特征在于,在所述根据所述目标测井数据之间的第二相关系数和所述历史...
【专利技术属性】
技术研发人员:王博涵,刘晓庆,任钰,方杰,单聪,
申请(专利权)人:北京月新时代科技股份有限公司,
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。