CN107256316A - 一种基于高速正演结果训练下人工智能的电磁测井反演方法 - Google Patents
一种基于高速正演结果训练下人工智能的电磁测井反演方法 Download PDFInfo
- Publication number
- CN107256316A CN107256316A CN201710476735.5A CN201710476735A CN107256316A CN 107256316 A CN107256316 A CN 107256316A CN 201710476735 A CN201710476735 A CN 201710476735A CN 107256316 A CN107256316 A CN 107256316A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mfrac
- stratum
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于高速正演结果训练下人工智能的电磁测井反演方法,包括:(1)获取正演数据;(2)收集已经地层信息的仪器采集数据;(3)得到含输入参数的各种信息;(4)以9个磁场分量、测井仪器收发参数和倾斜度为输入,以不同地层垂直电阻率和水平电阻率、地层边界信息为输出,构建训练集;(5)采用逐步回归方法选择最佳预测因子;(6)进行SVM神经网络的回归预测分析,选择合适的核函数构建模型;(7)将未知地层信息的仪器采集数据输入至核函数构建模型中,预测得到其地层反演信息。本发明摒弃了以往的线性反演方法,创新性的将人工智能方法引入到反演算法中,使得能对未知地层信息数据进行精确的反演,得到所需的准确结果。
Description
技术领域
本发明涉及电磁测井反演技术领域,更具体而言,涉及一种基于高速正演结果训练下人工智能的电磁测井反演方法。
背景技术
在油田勘探开发过程中,测井可以了解地层的含油气情况。电阻率测井是地球物理勘探中表征地层的重要测量方法,测得的电阻率曲线可以提供各种地层信息,如岩石类型,层边界,甚至地层各向异性。
电阻率测井是在钻孔中采用布置在不同部位的供电电极和测量电极来测定岩石(包括其中的流体)电阻率的方法。电阻率测井可以分为正演和反演两个部分。正演部分基于对多层地层的解析解计算得到测井仪器的磁场以及电阻率变化的精确数值。而解析解中需要计算Hankel变换,除了少数核函数的Hankel变换有解析解以外,绝大多数的通常只能采用数值积分的方法近似计算。传统的数字滤波方法由于滤波系数的不统一以及直接累加求解积分导致计算结果并不完全准确,甚至某些情况下是错误的。由于计算量限制的原因,目前在实际勘探中,应用最多的为一维线性反演方法,例如建立在一维水平层状介质模型中阻尼最小二乘法。然而由于测井反演是一个复杂非线性问题,线性化的方法进行反演难以得出准确的结果,也经常只得到了局部最优解而非真实最优结果,并且线性算法在计算时间上也颇为缓慢。
中国专利文献CN106446408A公开了一种随钻补偿电磁波仪器的快速正反演处理方法,包含以下步骤:S1、获取补偿电磁波信号;S2、根据随钻补偿电磁波仪器的结构参数、井斜数据及地质信息,选取多界面多参数地质初始模型;S3、将麦克斯韦方程应用到正演模型中进行仿真计算,得到解析解;S4、根据测量原理,得到对应的幅度比和相位差信号,转换后得到不同类型的电阻率;S5、不断迭代并与实测结果比较,得到正演模型中不同层位的电阻率参数值;S6、根据纵向上反演得到的地层模型参数,联合电磁波数据,进行人机交互多参数联合反演,得到各层位不同探测深度的电阻率值。但是,该专利存在以下缺陷:正演的速度慢,并且反演迭代容易陷入局部极值,造成反演结果不准确,并且迭代速度慢。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于高速正演结果训练下人工智能的电磁测井反演方法。
本发明目的在于提高正演计算的速度及稳定性,克服反演算法中容易陷入局部极值的问题,并解决反演因为数据不足而导致的结果不准确。
术语解释:
1、逐步回归方法,先用被解释变量对每一个所考虑的解释变量做简单回归,然后以对被解释变量贡献最大的解释变量所对应的回归方程为基础,再逐步引入其余解释变量。经过逐步回归,使得最后保留在模型中的解释变量既是重要的,又没有严重多重共线性
2、强相关,又称高度相关,即当一列变量变化时,与之相应的另一列变量增大(或减少)的可能性非常大。在坐标图上则表现为散点图较为集中在某条直线的周围。
3、正演模型,即根据已知的地层参数计算出测井的相关数据。
本发明的技术方案为:
一种高速正演结果训练下人工智能的电磁测井反演方法,包括步骤如下:
(1)收集测井仪器对已知地层测得的历史数据,测得的历史数据包括9个磁场分量,即Hxx,Hxy,Hxz,Hyx,Hyy,Hyz,Hzx,Hzy,Hzz;并通过9个磁场分量计算各地层各向异性电导率;
(2)获取正演模型输出数据,即:通过正演模型对步骤(1)之外的其它大量已知地层输出9个磁场分量,即Hxx1,Hxy1,Hxz1,Hyx1,Hyy1,Hyz1,Hzx1,Hzy1,Hzz1;并通过9个磁场分量计算各地层各向异性电导率;已知地层中每层的垂直电阻率、水平电阻率、厚度、相对倾角都是已知的;相对倾角是指测井仪器重心线与地层的夹角;测量点的数目可以根据精度自行选择,测量点越多,精度越高。
(3)根据步骤(1)及步骤(2)获取的已知地层测得的数据,包括:各个地层的测量点的9个磁场分量、各个地层的垂直电阻率、各个地层的水平电阻率;以各个地层的测量点的9个磁场分量、测井仪器参数为输入,以各个地层的垂直电阻率、各个地层的水平电阻率为输出,构建训练集;测井仪器参数包括测井仪器的收发距、倾角;
(4)采用逐步回归方法选择最佳预测因子,即选择与各个地层的垂直电阻率、各个地层的水平电阻率强相关因子;
(5)根据步骤(4)选择的最佳预测因子,进行SVM神经网络的回归预测分析,选择合适的核函数构建模型;
(6)通过测井仪器对未知地层测得9个磁场分量,将该9个磁场分量作为输入数据集,输入至步骤(5)选择的核函数构建模型中,预测得到未知地层的反演信息,包括未知地层的垂直电阻率、水平电阻率。
根据本发明优选的,步骤(1)中,通过9个磁场分量计算各地层各向异性电导率,计算公式如式(Ⅰ)所示:
式(Ⅰ)中,σ为异性电导率,L为测井仪器的收发距,μ为磁导率,j为虚数单位,ω是指测井仪器的频率。
根据本发明优选的,步骤(2)中,获取正演模型输出数据,包括步骤如下:
S1、通过正演模型输入需要模拟的已知地层的层数、垂直电阻率、水平电阻率、厚度,得到已知地层的多层地层模型,取得已知地层的9个磁场分量的解析解;
S2、通过梯形可控求得所需精度的权值系数和积分点位置,数值计算求得前面N个积分片段的值;具体包括:将已知地层的9个磁场分量的解析解划分为从0到N个区间,7≤N≤10,即从0到Bessel函数的第一个零点值的积分片段和后续相邻零点值作为积分限的积分段;
通过正整数参数J控制权值系数、积分点的个数和位置,控制过程如下:
①定义n为迭代变量,n=20=1,定义h0为积分点的位置,定义b为积分片段的上限,即a为积分片段的下限;h0=b-a;定义s0为某一个积分片段的值;积分片段的值的计算公式如式(Ⅱ)所示:
式(Ⅱ)中,f(x)为积分表达式;
②j从1到J递推,并依次代入式(III)、式(Ⅳ),并将n加倍,式(III)、式(Ⅳ)如下所示:
h(j)=0.5h(j-1) (Ⅳ)
通过这种递推过程计算一个积分片段的值;
本发明将高斯求积与连分式求和结合起来,能快速的计算含有无穷贝塞尔函数积分的解析解,使其能够快速收敛,在保证结果准确的情况下大大节省了正演的计算时间,平均正演计算时间最低为现有技术计算方法所用时间的十分之一。
例如,如Hzz的半无限积分为
用上述方法得到区间积分值。把积分区间(0,∞)分解为(0,B1),(B1,B2),...,(B6,B7),(B7,∞),B为Bessel函数从小至大的零点值,只计算前面几个有限积分的准确值。
S3、通过连分式求出无限积分的数值解,代入到正演模型中,得到场值结果;场值结果为每个测量点的9个磁场分量;连分式S如式(Ⅴ)所示:
式(Ⅴ)中,d1到dn即为S2求得的N个积分片段的值,即P1-Pn变换过的值,S为场值结果。
前4位结果如下所示:
d1=D1,D1=p1,
d2=-D2/D1,D1=p2,
d3=-D3/D2,D1=p3+p2d2,
d4=-D4/D3,D1=p4+p3(d2+d3),
5位以后数据使用递归方法推导获得,过程如下:
首先,令n为第n个积分片段的序号。则构建一个L长度的数组X;
然后,X(1)=d2,X(2)=d2+d3,X(1)和X(2)为推导中间值。
将X(1)和X(2)的值互换。
按照公式逐步得到各个X的值。
X(k)=X(k-1)+dn-1X(k-2),k=L,L-2,L-4,....,4
X(2)=X(1)+dn-1
最后按照公式推导出d的值。
dn=-Dn/Dn-1。
根据本发明优选的,所述步骤(4),包括步骤如下:
a、将步骤(3)获取的各个地层的测量点的9个磁场分量、测井仪器参数作为预测因子,不加权;
b、按照以下方法逐个为每个预测因子加入权值:对预测因子由大到小加入权值w,w的取值范围为[0,1],观察输出即各个地层的垂直电阻率、各个地层的水平电阻率的相关性,若为强相关因子,保留该预测因子;否则,删除该预测因子。
该步骤主要是为了筛选排除掉对结果几乎无影响的数据,简化计算,降低预测期望与实际值之间的差距。
根据本发明优选的,所述步骤(5),包括步骤如下:
A、经过步骤(4)筛选后选择的最佳预测因子、步骤(3)的输出及步骤(3)输出的状态分类作为N个变量,各个地层的垂直电阻率状态分类包括0、1,若各个地层的垂直电阻率属于[0,100),则为0,若各个地层的垂直电阻率属于[100,200],则为1,各个地层的水平电阻率状态分类包括0、1,若各个地层的水平电阻率属于[0,100),则为0,若各个地层的水平电阻率属于[100,200],则为1;该N个变量组成一个N维向量,即:Xi=(x1,x2,x3,...,xN),定义目标函数如式(Ⅰ)所示:
f=w1·Xi+b (Ⅰ)
式(Ⅰ)中,w1为权重向量,b为偏移量;
B、对N维向量中的每一位进行训练,训练方法如下:设定训练第i位xi,不断调整权重向量w1和偏移量b使得xi·f=xi(w1x1+w2x2+w2x2+...+wi-1xi-1+b)≥1,确定权重向量w1的值,并确定目标函数,即合适的核函数构建模型。例如训练第k位时,假设第k位信息范围为(-5,5),我们令k大于0时,xk=1,k小于0时xk=-1。则不断调整权重向量和偏移量使得xk·f=xk(w1x1+w2x2+w2x2+,,,,+wk-1xk-1+b)≥1对所有的训练输入数据都成立。然后在(-5,0)和[0,5)中重复步骤,最后直至以0.01为精度,在(-5,5)中分出各种状态。然后根据这个步骤对其他k-1位状态分类进行训练。核函数的使用是为了替代复杂的向量内积计算,可选用S型核函数,高斯径向核函数等。
本发明的有益效果为:
1、正演部分,本发明将高斯求积与连分式求和结合起来,能快速的计算含有无穷贝塞尔函数积分的解析解,使其能够快速收敛,在保证结果准确的情况下平均正演计算时间约为现有技术的四分之一。
2、反演部分,本发明摒弃了以往的线性反演方法,创新性的将人工智能方法引入到反演算法中,通过快速正演算法得到大量数据,构建反演训练集,从而得到反演模型,得到所需的准确结果。本发明中的反演比之前的算法计算速度更快而且结果更加准确。
附图说明
图1为本发明一种基于高速正演结果训练下人工智能的电磁测井反演方法的流程框图;
图2为磁场分量Hzz的磁场虚部曲线图;
图3为磁场分量Hyx的磁场虚部曲线图;
图4为磁场分量Hyy的磁场虚部曲线图;
图5为磁场分量Hxx的磁场虚部曲线图;
图6为磁场分量Hxy的磁场虚部曲线图;
图7为磁场分量Hyz的磁场虚部曲线图;
图8为磁场分量Hzx的磁场虚部曲线图;
图9为磁场分量Hzy的磁场虚部曲线图;
图10为磁场分量Hxz的磁场虚部曲线图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种高速正演结果训练下人工智能的电磁测井反演方法,包括步骤如下:
(1)收集测井仪器对已知地层测得的历史数据,测得的历史数据包括9个磁场分量,即Hxx,Hxy,Hxz,Hyx,Hyy,Hyz,Hzx,Hzy,Hzz;并通过9个磁场分量计算各地层各向异性电导率;计算公式如式(Ⅰ)所示:
(2)获取正演模型输出数据,即:通过正演模型对步骤(1)之外的其它大量已知地层输出9个磁场分量,即Hxx1,Hxy1,Hxz1,Hyx1,Hyy1,Hyz1,Hzx1,Hzy1,Hzz1;并通过9个磁场分量计算各地层各向异性电导率;已知地层中每层的垂直电阻率、水平电阻率、厚度、相对倾角都是已知的;相对倾角是指测井仪器重心线与地层的夹角;测量点的数目可以根据精度自行选择,测量点越多,精度越高。包括步骤如下:
S1、通过正演模型输入需要模拟的已知地层的层数、垂直电阻率、水平电阻率、厚度,得到已知地层的多层地层模型,取得已知地层的9个磁场分量的解析解;
S2、通过梯形可控求得所需精度的权值系数和积分点位置,数值计算求得前面N个积分片段的值;具体包括:将已知地层的9个磁场分量的解析解划分为从0到N个区间,7≤N≤10,即从0到Bessel函数的第一个零点值的积分片段和后续相邻零点值作为积分限的积分段;
通过正整数参数J控制权值系数、积分点的个数和位置,控制过程如下:
①定义n为迭代变量,n=20=1,定义h0为积分点的位置,定义b为积分片段的上限,即a为积分片段的下限;h0=b-a;定义s0为某一个积分片段的值;积分片段的值的计算公式如式(Ⅱ)所示:
式(Ⅱ)中,f(x)为积分表达式;
②j从1到J递推,并依次代入式(III)、式(Ⅳ),并将n加倍,式(III)、式(Ⅳ)如下所示:
h(j)=0.5h(j-1) (Ⅳ)
通过这种递推过程计算一个积分片段的值;
本发明将高斯求积与连分式求和结合起来,能快速的计算含有无穷贝塞尔函数积分的解析解,使其能够快速收敛,在保证结果准确的情况下大大节省了正演的计算时间,平均正演计算时间最低为现有技术计算方法所用时间的十分之一。
例如,如Hzz的半无限积分为
用上述方法得到区间积分值。把积分区间(0,∞)分解为(0,B1),(B1,B2),...,(B6,B7),(B7,∞),B为Bessel函数从小至大的零点值,只计算前面几个有限积分的准确值。随机选取一个模型为例,垂直电阻率分别为1、25、2ohm,0.5、40、1ohm,其地层厚度分别为1.5m,3m,1.5m,一共有60个测量点,间隔0.05m。磁场分量Hzz、磁场分量Hyx、磁场分量Hyy、磁场分量Hxx、磁场分量Hxy、磁场分量Hyz、磁场分量Hzx、磁场分量Hzy、磁场分量Hxz的磁场虚部曲线图如图2-图10所示;图2-图10中,横坐标是地层的深度,单位为m,纵坐标是磁场强度大小,单位为A/m,曲线是随着深度变化磁场强度的值。
S3、通过连分式求出无限积分的数值解,代入到正演模型中,得到场值结果;场值结果为每个测量点的9个磁场分量;连分式S如式(Ⅴ)所示:
式(Ⅴ)中,d1到dn即为S2求得的N个积分片段的值,即P1-Pn变换过的值,S为场值结果。
前4位结果如下所示:
d1=D1,D1=p1,
d2=-D2/D1,D1=p2,
d3=-D3/D2,D1=p3+p2d2,
d4=-D4/D3,D1=p4+p3(d2+d3),
5位以后数据使用递归方法推导获得,过程如下:
首先,令n为第n个积分片段的序号。则构建一个L长度的数组X;
然后,X(1)=d2,X(2)=d2+d3,X(1)和X(2)为推导中间值。
将X(1)和X(2)的值互换。
按照公式逐步得到各个X的值。
X(k)=X(k-1)+dn-1X(k-2),k=L,L-2,L-4,....,4
X(2)=X(1)+dn-1
最后按照公式推导出d的值。
dn=-Dn/Dn-1。
(3)根据步骤(1)及步骤(2)获取的已知地层测得的数据,包括:各个地层的测量点的9个磁场分量、各个地层的垂直电阻率、各个地层的水平电阻率;以各个地层的测量点的9个磁场分量、测井仪器参数为输入,以各个地层的垂直电阻率、各个地层的水平电阻率为输出,构建训练集;测井仪器参数包括测井仪器的收发距、倾角;
(4)采用逐步回归方法选择最佳预测因子,即选择与各个地层的垂直电阻率、各个地层的水平电阻率强相关因子;包括步骤如下:
a、将步骤(3)获取的各个地层的测量点的9个磁场分量、测井仪器参数作为预测因子,不加权;
b、按照以下方法逐个为每个预测因子加入权值:对预测因子由大到小加入权值w,w的取值范围为[0,1],观察输出即各个地层的垂直电阻率、各个地层的水平电阻率的相关性,若为强相关因子,保留该预测因子;否则,删除该预测因子。
该步骤主要是为了筛选排除掉对结果几乎无影响的数据,简化计算,降低预测期望与实际值之间的差距。
(5)根据步骤(4)选择的最佳预测因子,进行SVM神经网络的回归预测分析,选择合适的核函数构建模型;包括步骤如下:
A、经过步骤(4)筛选后选择的最佳预测因子、步骤(3)的输出及步骤(3)输出的状态分类作为N个变量,各个地层的垂直电阻率状态分类包括0、1,若各个地层的垂直电阻率属于[0,100),则为0,若各个地层的垂直电阻率属于[100,200],则为1,各个地层的水平电阻率状态分类包括0、1,若各个地层的水平电阻率属于[0,100),则为0,若各个地层的水平电阻率属于[100,200],则为1;该N个变量组成一个N维向量,即:Xi=(x1,x2,x3,...,xN),定义目标函数如式(Ⅰ)所示:
f=w1·Xi+b (Ⅰ)
式(Ⅰ)中,w1为权重向量,b为偏移量;
B、对N维向量中的每一位进行训练,训练方法如下:设定训练第i位xi,不断调整权重向量w1和偏移量b使得xi·f=xi(w1x1+w2x2+w2x2+...+wi-1xi-1+b)≥1,确定权重向量w1的值,并确定目标函数,即合适的核函数构建模型。例如训练第k位时,假设第k位信息范围为(-5,5),我们令k大于0时,xk=1,k小于0时xk=-1。则不断调整权重向量和偏移量使得xk·f=xk(w1x1+w2x2+w2x2+,,,,+wk-1xk-1+b)≥1对所有的训练输入数据都成立。然后在(-5,0)和[0,5)中重复步骤,最后直至以0.01为精度,在(-5,5)中分出各种状态。然后根据这个步骤对其他k-1位状态分类进行训练。核函数的使用是为了替代复杂的向量内积计算,可选用S型核函数,高斯径向核函数等。
(6)通过测井仪器对未知地层测得9个磁场分量,将该9个磁场分量作为输入数据集,输入至步骤(5)选择的核函数构建模型中,预测得到未知地层的反演信息,包括未知地层的垂直电阻率、水平电阻率。
以一个垂直电阻率真实值分别为0.5、20、1ohm,0.5、50、1ohm的三层地层测量数据为例,其地层厚度分别为30m,2.4m,20m。分别用1000、5000、10000、20000组本实施例中正演模型数据(地层厚度、地层垂直电阻率和水平电阻率、地层层数在实际范围内随机)训练反演模型,得到的结果如表1所示;表1中,Rh1、Rh2、Rh3是垂直电阻率,Rv1、Rv2、Rv3是水平电阻率;
表1
随着训练样本的增加,反演精确度增加,能够得到所需地层的水平电阻率和垂直电阻率信息。
使用本实施例的正演模型每次构建所需时间给出随机抽取的几次时间:0.470s,0.452s,0.445s,0.452s。统计平均值为0.461s。
对比例1
以如实施例1所述的一个垂直电阻率真实值分别为0.5、20、1ohm,0.5、50、1ohm的三层地层测量数据为例,其地层厚度分别为30m,2.4m,20m。使用背景技术中方法的正演模型每次构建所需的时间随机抽取几次:2.082s,1.606s,1.623s,3.020s。统计平均值为2.134s。如表2所示;表2中,Rh1、Rh2、Rh3是垂直电阻率,Rv1、Rv2、Rv3是水平电阻率;
表2
随着训练样本的增加,反演精确度增加,但是和真实值还有一定差距,并不是很准确。
Claims (5)
1.一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,包括步骤如下:
(1)收集测井仪器对已知地层测得的历史数据,测得的历史数据包括9个磁场分量,即Hxx,Hxy,Hxz,Hyx,Hyy,Hyz,Hzx,Hzy,Hzz;并通过9个磁场分量计算各地层各向异性电导率;
(2)获取正演模型输出数据,即:通过正演模型对步骤(1)之外的其它大量已知地层输出9个磁场分量,即Hxx1,Hxy1,Hxz1,Hyx1,Hyy1,Hyz1,Hzx1,Hzy1,Hzz1;并通过9个磁场分量计算各地层各向异性电导率;已知地层中每层的垂直电阻率、水平电阻率、厚度、相对倾角都是已知的;相对倾角是指测井仪器重心线与地层的夹角;
(3)根据步骤(1)及步骤(2)获取的已知地层测得的数据,包括:各个地层的测量点的9个磁场分量、各个地层的垂直电阻率、各个地层的水平电阻率;以各个地层的测量点的9个磁场分量、测井仪器参数为输入,以各个地层的垂直电阻率、各个地层的水平电阻率为输出,构建训练集;测井仪器参数包括测井仪器的收发距、倾角;
(4)采用逐步回归方法选择最佳预测因子,即选择与各个地层的垂直电阻率、各个地层的水平电阻率强相关因子;
(5)根据步骤(4)选择的最佳预测因子,进行SVM神经网络的回归预测分析,选择合适的核函数构建模型;
(6)通过测井仪器对未知地层测得9个磁场分量,将该9个磁场分量作为输入数据集,输入至步骤(5)选择的核函数构建模型中,预测得到未知地层的反演信息,包括未知地层的垂直电阻率、水平电阻率。
2.根据权利要求1所述的一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,步骤(1)中,通过9个磁场分量计算各地层各向异性电导率,计算公式如式(Ⅰ)所示:
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>8</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>8</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>16</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>8</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>8</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>16</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>16</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>16</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mfrac>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
<mi>L</mi>
</mrow>
<mrow>
<mi>&omega;</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&CenterDot;</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>z</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>z</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mi>z</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>y</mi>
<mi>z</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>H</mi>
<mrow>
<mi>z</mi>
<mi>z</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
式(Ⅰ)中,σ为异性电导率,L为测井仪器的收发距,μ为磁导率,j为虚数单位,ω是指测井仪器的频率。
3.根据权利要求1所述的一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,步骤(2)中,获取正演模型输出数据,包括步骤如下:
S1、通过正演模型输入需要模拟的已知地层的层数、垂直电阻率、水平电阻率、厚度,得到已知地层的多层地层模型,取得已知地层的9个磁场分量的解析解;
S2、通过梯形可控求得所需精度的权值系数和积分点位置,数值计算求得前面N个积分片段的值;具体包括:将已知地层的9个磁场分量的解析解划分为从0到N个区间,7≤N≤10,即从0到Bessel函数的第一个零点值的积分片段和后续相邻零点值作为积分限的积分段;
通过正整数参数J控制权值系数、积分点的个数和位置,控制过程如下:
①定义n为迭代变量,n=20=1,定义h0为积分点的位置,定义b为积分片段的上限,即a为积分片段的下限;h0=b-a;定义s0为某一个积分片段的值;积分片段的值的计算公式如式(Ⅱ)所示:
<mrow>
<msub>
<mi>s</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
式(Ⅱ)中,f(x)为积分表达式;
②j从1到J递推,并依次代入式(III)、式(Ⅳ),并将n加倍,式(III)、式(Ⅳ)如下所示:
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>a</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>0.5</mn>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>I</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
h(j)=0.5h(j-1)(Ⅳ)
通过这种递推过程计算一个积分片段的值;
S3、通过连分式求出无限积分的数值解,代入到正演模型中,得到场值结果;场值结果为每个测量点的9个磁场分量;连分式S如式(Ⅴ)所示:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mo>...</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<msub>
<mi>d</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mi>n</mi>
</msub>
</mfrac>
</mrow>
</mfrac>
</mrow>
</mfrac>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mrow>
式(Ⅴ)中,d1到dn即为S2求得的N个积分片段的值,即P1-Pn变换过的值,S为场值结果。
4.根据权利要求3所述的一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,所述步骤(4),包括步骤如下:
a、将步骤(3)获取的各个地层的测量点的9个磁场分量、测井仪器参数作为预测因子,不加权;
b、按照以下方法逐个为每个预测因子加入权值:对预测因子由大到小加入权值w,w的取值范围为[0,1],观察输出即各个地层的垂直电阻率、各个地层的水平电阻率的相关性,若为强相关因子,保留该预测因子;否则,删除该预测因子。
5.根据权利要求4所述的一种高速正演结果训练下人工智能的电磁测井反演方法,其特征在于,所述步骤(5),包括步骤如下:
A、经过步骤(4)筛选后选择的最佳预测因子、步骤(3)的输出及步骤(3)输出的状态分类作为N个变量,各个地层的垂直电阻率状态分类包括0、1,若各个地层的垂直电阻率属于[0,100),则为0,若各个地层的垂直电阻率属于[100,200],则为1,各个地层的水平电阻率状态分类包括0、1,若各个地层的水平电阻率属于[0,100),则为0,若各个地层的水平电阻率属于[100,200],则为1;该N个变量组成一个N维向量,即:Xi=(x1,x2,x3,...,xN),定义目标函数如式(Ⅰ)所示:
f=w1·Xi+b (Ⅰ)
式(Ⅰ)中,w1为权重向量,b为偏移量;
B、对N维向量中的每一位进行训练,训练方法如下:设定训练第i位xi,不断调整权重向量w1和偏移量b使得xi·f=xi(w1x1+w2x2+w2x2+...+wi-1xi-1+b)≥1,确定权重向量w1的值,并确定目标函数,即合适的核函数构建模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476735.5A CN107256316B (zh) | 2017-06-21 | 2017-06-21 | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476735.5A CN107256316B (zh) | 2017-06-21 | 2017-06-21 | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256316A true CN107256316A (zh) | 2017-10-17 |
CN107256316B CN107256316B (zh) | 2020-12-18 |
Family
ID=60023800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710476735.5A Active CN107256316B (zh) | 2017-06-21 | 2017-06-21 | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256316B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182316A (zh) * | 2017-12-27 | 2018-06-19 | 杭州泛利科技有限公司 | 一种基于人工智能的电磁仿真方法及其电磁大脑 |
CN108875122A (zh) * | 2018-04-25 | 2018-11-23 | 杭州迅美科技有限公司 | 利用随钻测井数据计算地质参数的人工智能方法和系统 |
CN107630697B (zh) * | 2017-09-26 | 2020-07-10 | 长江大学 | 基于随钻电磁波电阻率测井的地层电阻率联合反演方法 |
CN115795994A (zh) * | 2022-09-29 | 2023-03-14 | 西安石油大学 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201288549Y (zh) * | 2008-11-17 | 2009-08-12 | 陕西巨丰思源科技有限公司 | 数字聚焦阵列感应测井仪 |
WO2011123379A1 (en) * | 2010-03-31 | 2011-10-06 | Halliburton Energy Services, Inc. | Multi-step borehole correction scheme for multi-component induction tools |
US20120026314A1 (en) * | 2010-08-02 | 2012-02-02 | Technoimaging, Llc | Methods of electromagnetic migration imaging of geologic formation |
CN105677937A (zh) * | 2015-07-16 | 2016-06-15 | 同济大学 | 一种电磁逆散射重构介质目标的方法 |
CN105893678A (zh) * | 2016-04-01 | 2016-08-24 | 吉林大学 | 一种时域有限差分的三维感应-极化双场数值模拟方法 |
CN106772644A (zh) * | 2016-12-14 | 2017-05-31 | 中国矿业大学 | 矿井瞬变电磁三分量探测方法 |
-
2017
- 2017-06-21 CN CN201710476735.5A patent/CN107256316B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201288549Y (zh) * | 2008-11-17 | 2009-08-12 | 陕西巨丰思源科技有限公司 | 数字聚焦阵列感应测井仪 |
WO2011123379A1 (en) * | 2010-03-31 | 2011-10-06 | Halliburton Energy Services, Inc. | Multi-step borehole correction scheme for multi-component induction tools |
US20120026314A1 (en) * | 2010-08-02 | 2012-02-02 | Technoimaging, Llc | Methods of electromagnetic migration imaging of geologic formation |
CN105677937A (zh) * | 2015-07-16 | 2016-06-15 | 同济大学 | 一种电磁逆散射重构介质目标的方法 |
CN105893678A (zh) * | 2016-04-01 | 2016-08-24 | 吉林大学 | 一种时域有限差分的三维感应-极化双场数值模拟方法 |
CN106772644A (zh) * | 2016-12-14 | 2017-05-31 | 中国矿业大学 | 矿井瞬变电磁三分量探测方法 |
Non-Patent Citations (2)
Title |
---|
LIU H 等: "Identification of Oil/Gas and Water Zones in Geological Logging with Supportvector", 《COGNITIVE INFORMATICS & COGNITIVE COMPUTING (ICCI*CC), 2012 IEEE 11TH INTERNATIONAL CONFERENCE ON IEEE 2012》 * |
邴萍萍 等: "基于支持向量机的非线性AVO反演", 《地球物理学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107630697B (zh) * | 2017-09-26 | 2020-07-10 | 长江大学 | 基于随钻电磁波电阻率测井的地层电阻率联合反演方法 |
CN108182316A (zh) * | 2017-12-27 | 2018-06-19 | 杭州泛利科技有限公司 | 一种基于人工智能的电磁仿真方法及其电磁大脑 |
CN108182316B (zh) * | 2017-12-27 | 2021-12-07 | 杭州泛利科技有限公司 | 一种基于人工智能的电磁仿真方法及其电磁大脑 |
CN108875122A (zh) * | 2018-04-25 | 2018-11-23 | 杭州迅美科技有限公司 | 利用随钻测井数据计算地质参数的人工智能方法和系统 |
CN115795994A (zh) * | 2022-09-29 | 2023-03-14 | 西安石油大学 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
CN115795994B (zh) * | 2022-09-29 | 2023-10-20 | 西安石油大学 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107256316B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256316A (zh) | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 | |
Xue et al. | A new fracture prediction method by combining genetic algorithm with neural network in low-permeability reservoirs | |
CN105259572B (zh) | 基于地震多属性参数非线性自动分类的地震相计算方法 | |
CN107563574A (zh) | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 | |
CN102789003B (zh) | 利用阵列感应测井资料进行地层参数反演的方法及装置 | |
CN105093313B (zh) | 一种岩溶型油藏单井油气产能预测方法及装置 | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN105319589B (zh) | 一种利用局部同相轴斜率的全自动立体层析反演方法 | |
CN115879648B (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
CN110442666A (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
Liu et al. | Deep learning audio magnetotellurics inversion using residual-based deep convolution neural network | |
US11782183B2 (en) | Magnetotelluric inversion method based on fully convolutional neural network | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN105738952B (zh) | 一种水平井区储层岩石相建模方法 | |
CN115047531A (zh) | 一种基于elm网络的瞬变电磁数据反演方法 | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
CN109633745A (zh) | 一种三维构造图的制图方法及装置 | |
CN109425900A (zh) | 一种地震储层预测方法 | |
CN106650192A (zh) | 一种火山岩型铀矿床磁性界面反演方法 | |
CN108318937A (zh) | 地质解释方法和装置 | |
CN104422969A (zh) | 一种减小电磁测深反演结果非唯一性的方法 | |
CN108169802A (zh) | 一种粗糙介质模型的时域电磁数据慢扩散成像方法 | |
Acworth et al. | Simple data processing of tripotential apparent resistivity measurements as an aid to the interpretation of subsurface structure | |
Qifeng et al. | Logging-while-drilling formation dip interpretation based on long short-term memory | |
CN114386464A (zh) | 一种瞬变电磁激电信息的深度学习提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |