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】
本专利技术涉及油气田勘探与开发领域,尤其涉及一种矿物组成含量预测方法及预测系统。
技术介绍
1、在油气田勘探与开发过程中,岩石矿物含量对开展岩相类型、孔隙结构、力学性质、润湿性、脆性等研究具有重要意义。由于取心和测试成本高,目前多数油田仅在区块探井的关键层段开展岩样的xrd测试以获取岩石矿物含量。元素录井开展井次更广泛,可直接反映岩石中各类元素的含量;常规测井反映了地层岩石电学、声学、电化学、放射性等地球物理特性;使用多元回归等数学方法可利用元素录井数据或常规测井数据近似计算出矿物含量,但上述计算结果误差较大,参考作用有限,为提升岩石矿物组成含量预测的准确性。
2、因此,有必要提供一种矿物组成含量预测方法及预测系统解决上述技术问题。
技术实现思路
1、为解决上述技术问题,本专利技术提供一种矿物组成含量预测方法及预测系统,同时使用录井数据与测井数据,并构建混合神经网络模型,添加针对矿物含量预测的约束条件,实现精确度更高、连续性更好的岩石矿物组成含量预测。
2、本专利技术提供的一种矿物组成含量预测方法,预测方法包括以下步骤:
3、s1:获取并预处理已测岩石矿物组成含量数据,及其对应深度在预测范围内的测井数据和录井数据,其中,所述测井数据包括至少一个测井响应特征,所述录井数据包括至少一个元素特征;
4、s2:利用相关系数法获取所述测井数据的测井响应特征和所述录井数据的元素特征与矿物含量之间的相关性,并选择出高于预设的相关性阈值的测井响应特征
5、s3:利用主成分分析法对选择出的测井响应特征和/或元素特征进行降维处理,并基于累计贡献率筛选测井响应特征和/或元素特征;
6、s4:基于筛选后的测井响应特征和/或元素特征,以及已测岩石矿物组成含量数据构建多源融合数据集;
7、s5:基于bp神经网络和循环神经网络构建混合神经网络模型,并通过所述多源融合数据集训练所述混合神经网络模型,其中,所述多源融合数据集包括的元素特征作为bp神经网络的输入,多源融合数据集包括的测井响应特征作为循环神经网络的输入,已测岩石矿物组成含量数据同时作为bp神经网络和循环神经网络的输出;
8、s6:基于均方根误差、平均绝对误差和决定系数的评估指标衡量所述混合神经网络模型的预测结果,并根据预测结果优化所述混合神经网络模型;
9、s7:利用优化后的所述混合神经网络模型对未测的岩石矿物组成含量进行预测。
10、优选的,在步骤s1中:
11、测井响应特征包括地层各深度的纵波时差值、伽马测井值、自然电位测井值、电阻率测井值;
12、元素特征包括开展岩屑元素录井层段所获取的na、mg、al、si、k、ca、fe、p、s、cl元素的含量;
13、预处理包括异常值去除和数据标准化处理,其中,数据标准化处理的公式为:
14、;
15、其中,为特征参数的第个数,为该特征参数所有数据的平均值,为该特征参数所有数据的标准差,为标准化后的值。
16、优选的,在步骤s2中,相关系数法采用pearson相关系数法,具体计算公式为:
17、;
18、其中,为特征参数与标签之间的pearson相关系数,为特征参数的数据个数,为特征参数的第个数,为标签数据的第个数。
19、优选的,在步骤s2中,相关系数法采用spearman相关系数法,具体计算公式为:
20、;
21、其中,为特征参数与标签之间的spearman相关系数,、分别是特征参数与标签第个取值的排序等级,、分别是特征参数与标签的平均排序等级。
22、优选的,在步骤s3中,累计贡献率的阈值为95%,测井响应特征和/或元素特征中大于95%累计贡献率的则保留,反之,则剔除。
23、优选的,步骤s5包括:
24、由bp神经网络输出第一结果;
25、由循环神经网络输出第二结果;
26、连接第一结果和第二结果,输出最终预测结果,并对最终预测结果进行约束,其中,约束的限制项公式为:
27、;
28、 其中, 为限制项, 是输出项的数量即岩石矿物类型数量, 是样本的数量, 是 第 个样本的第 个输出项的预测值;
29、基于最终预测结果和mse函数构建新的优化目标函数,其中,mse函数的计算公式为:
30、;
31、其中,是第个样本的第个输出项的真实值;
32、新的优化目标函数的计算公式为:
33、。
34、优选的,步骤s5中,bp神经网络包括输入层、隐藏层和输出层,且输入层、隐藏层和输出层的输出计算公式为:
35、;
36、;
37、;
38、其中,为经过步骤s4处理后的录井数据的特征矩阵,、、为各层的权重矩阵,、、为各层的偏置参数,、为两个隐藏层的激活函数,为输出结果。
39、优选的,步骤s5中,循环神经网络采用gru门循环单元,且gru门循环单元的输出计算公式为:
40、;
41、;
42、;
43、;
44、其中,t为时间步,为步骤s4处理后的测井数据的特征矩阵,、分别是时间步t的重置门、更新门的输出结果,、分别是时间步t的候选隐藏状态、隐藏状态,是激活函数,、、、、、是权重参数,、、是偏置参数,是哈达玛乘积运算符。
45、一种矿物组成含量预测系统,应用于上述一种矿物组成含量预测方法,包括:
46、数据获取模块,用于获取并预处理已测岩石矿物组成含量数据,及其对应深度在预测范围内的测井数据和录井数据,其中,所述测井数据包括至少一个测井响应特征,所述录井数据包括至少一个元素特征;
47、相关性分析模块,用于利用相关系数法获取所述测井数据的测井响应特征和所述录井数据的元素特征与矿物含量之间的相关性,并选择出高于预设的相关性阈值的测井响应特征和/或元素特征;
48、降维处理模块,用于利用主成分分析法对选择出的测井响应特征和/或元素特征进行降维处理,并基于累计贡献率筛选测井响应特征和/或元素特征;
49、数据集构建模块,用于基于筛选后的测井响应特征和/或元素特征,以及已测岩石矿物组成含量数据构建多源融合数据集;
50、混合模块构建模块,用于基于bp神经网络和循环神经网络构建混合神经网络模型,并通过所述多源融合数据集训练所述混合神经网络模型,其中,所述多源融合数据集包括的元素特征作为bp神经网络的输入,多源融合数本文档来自技高网...
【技术保护点】
1.一种矿物组成含量预测方法,其特征在于,预测方法包括以下步骤:
2.根据权利要求1所述的一种矿物组成含量预测方法,其特征在于,在步骤S1中:
3.根据权利要求2所述的一种矿物组成含量预测方法,其特征在于,在步骤S2中,相关系数法采用Pearson相关系数法,具体计算公式为:
4.根据权利要求2所述的一种矿物组成含量预测方法,其特征在于,在步骤S2中,相关系数法采用Spearman相关系数法,具体计算公式为:
5.根据权利要求2所述的一种矿物组成含量预测方法,其特征在于,在步骤S3中,累计贡献率的阈值为95%,测井响应特征和/或元素特征中大于95%累计贡献率的则保留,反之,则剔除。
6.根据权利要求5所述的一种矿物组成含量预测方法,其特征在于,步骤S5包括:
7.根据权利要求6所述的一种矿物组成含量预测方法,其特征在于,步骤S5中,BP神经网络包括输入层、隐藏层和输出层,且输入层、隐藏层和输出层的输出计算公式为:
8.根据权利要求7所述的一种矿物组成含量预测方法,其特征在于,步骤S5中,循环神经网
9.一种矿物组成含量预测系统,其特征在于,应用于上述权利要求1-8任意一项所述的一种矿物组成含量预测方法,包括:数据获取模块,用于获取并预处理已测岩石矿物组成含量数据,及其对应深度在预测范围内的测井数据和录井数据,其中,所述测井数据包括至少一个测井响应特征,所述录井数据包括至少一个元素特征;
...【技术特征摘要】
1.一种矿物组成含量预测方法,其特征在于,预测方法包括以下步骤:
2.根据权利要求1所述的一种矿物组成含量预测方法,其特征在于,在步骤s1中:
3.根据权利要求2所述的一种矿物组成含量预测方法,其特征在于,在步骤s2中,相关系数法采用pearson相关系数法,具体计算公式为:
4.根据权利要求2所述的一种矿物组成含量预测方法,其特征在于,在步骤s2中,相关系数法采用spearman相关系数法,具体计算公式为:
5.根据权利要求2所述的一种矿物组成含量预测方法,其特征在于,在步骤s3中,累计贡献率的阈值为95%,测井响应特征和/或元素特征中大于95%累计贡献率的则保留,反之,则剔除。
6.根据权利要求5所述的一种矿...
【专利技术属性】
技术研发人员:黄维安,赵福豪,宿振国,赵志强,杜焕福,侯文辉,朱立鑫,龚武镇,
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。