CN109740636A

CN109740636A - 基于AdaBoost结合GRU的地层油水层识别方法

Info

Publication number: CN109740636A
Application number: CN201811515475.9A
Authority: CN
Inventors: 石敏; 赵晋川; 朱登明
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2018-12-12
Filing date: 2018-12-12
Publication date: 2019-05-10
Anticipated expiration: 2038-12-12
Also published as: CN109740636B

Abstract

本发明属于油水层智能识别技术领域，尤其涉及一种基于AdaBoost结合GRU的地层油水层识别方法，包括：步骤1：使用测井方法获得某地域的测井数据；步骤2：结合测井数据解释原理，对数据进行预处理；步骤3：对预处理过的测井数据，利用基于AdaBoost结合GRU方法进行学习训练，建立识别模型；步骤4：利用该地域的测井数据和建立的识别模型，预测油水层信息。本发明利用该模型，可以得到准确的地质分层信息，识别准确率不仅较高而且稳定。

Description

基于AdaBoost结合GRU的地层油水层识别方法

技术领域

本发明属于油水层智能识别技术领域，尤其涉及一种基于AdaBoost结合GRU的地层油水层识别方法。

背景技术

油水层识别是测井解释中的一项重要研究课题。如今，测井资料处理与解释自动化及智能化是测井解释领域追求的目标，各种非线性智能算法被不断地引入该领域并取得了较好的应用效果。

人工神经网络技术因具有自适应、非线性和并行性的信息处理能力，在测井解释中取得了长足的发展。然而，人工神经网络仅在样本充足的模式识别中效果较好，当训练样本不足且存在较强的非线性特性时，模型的泛化能力较差。标准支持向量机(SVM)具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，目前已被应用于测井解释方法研究中，与人工神经网络相比能更好地解决小样本、非线性和高维数的分类预测问题。但是，SVM对缺失数据敏感，对非线性问题没有通用的解决方案，必须谨慎选择Kernelfunction来处理，而且在利用测井数据进行油水层识别方面的准确率和泛化能力都不如AdaBoost结合GRU方法。因此，本专利提出利用AdaBoost方法结合GRU网络来建立油水识别模型。

如今，各种非线性智能算法应用在了测井解释的工作中，并取得了较好的应用效果。人工神经网络技术由于其自适应、非线性和并行信息处理能力，在测井解释中取得了很大的发展。BP神经网络比传统方法具有更强的综合性、自适应性和预测性，而且可以拓展测井信息的应用，也指出了神经网络应用于石油测井解释应注意网络结构选择、学习精度、算法收敛、学习样本、输入信息选择以及样本数据归一化、先验知识运用等。然而，人工神经网络仅适用于足够样本的模式识别。标准支持向量机(SVM)具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，它已被应用于测井解释方法研究中，与人工神经网络相比能更好地解决小样本、非线性和高维数的分类预测问题。但是，SVM对缺失数据敏感，对非线性问题没有通用的解决方案。现有的AdaBoost结合BP在油田水淹层识别中的应用提高了BP的识别能力和泛化能力，但是这种方法仅仅是设计用于水淹层识别，本质上仅仅识别出两个类别，无法做到对低层的多类型多层次识别，而且还有地区差异、样本全面性、噪音等多方面的影响。

发明内容

针对上述技术问题，本发明提出了一种基于AdaBoost结合GRU的地层油水层识别方法，包括：

步骤1：使用测井方法获得某地域的测井数据；

步骤2：结合测井数据解释原理，对数据进行预处理；

步骤3：对预处理过的测井数据，利用基于AdaBoost结合GRU方法进行学习训练，建立识别模型；

步骤4：利用该地域的测井数据和建立的识别模型，预测油水层信息。

所述步骤2包括以下子步骤：

21)提取原始测井数据中的有效数据，即所研究地层深度区域内采集的测井数据；

22)去除原始测井数据中的无效数据，即数据采样点没有采集到的但数据文件中用异常值表示的数据；

23)根据测井数据给每条数据添加地层类别信息。

所述步骤3包括以下子步骤：

31)将预处理过的测井数据作为训练数据，GRU和softmax作为弱训练器；

32)训练弱分类器，组合得到强分类器，得到识别模型；

33)利用测试数据测试模型准确率。

所述预测油水层信息利用真实的测井数据结合克里金插值算法预测整个区域各个位置的测井数据。

本专利的目的是提供一种基于AdaBoost算法结合GRU网络的地质油水层识别方法，识别地层中的油层、水层、差油层、含油水层、干层和油水同层，输入测井数据，AdaBoost算法结合GRU方法建立油水层识别模型，利用GRU(Gated Recurrent Unit)网络训练测井数据，并且将GRU网络结合AdaBoost算法得到最终的识别器，得到油水识别模型。利用该模型，可以得到准确的地质分层信息，识别准确率不仅较高而且稳定。

附图说明

图1为基于AdaBoost结合GRU算法的地层油水层识别方法流程图。

图2为一口井的油水层分层示意图。

图3为几口井的油水层分层示意图。

图4为区块油水层预测结果。

具体实施方式

下面结合附图，对实施例作详细说明。

如图1所示，基于AdaBoost结合GRU算法的地层油水层识别方法，包含以下步骤：

1)使用测井方法获得某地域的测井数据

原始的测井数据来源于实地的钻井测井，保存为LAS格式的数据文件。

2)对数据进行预处理

(1)将原始测井数据在Lead4.0中导出txt格式的文件；

(2)提取数据中目的层(地层的某段深度范围)的数据；

(3)对上步骤处理后的数据，我们再将其中的无效数据(数据采样点没有采集的数据但文件中用异常值表示的数据)剔除；

(4)根据测井数据给每条数据添加地层类别信息。

3)对预处理过的测井数据，利用AdaBoost进行学习训练，建立识别模型。本发明根据地理学第一定律(the first law of geography)，地理空间上的所有值都是互相联系的，且距离近的值具有更强的联系和GRU网络结构的输入数据又要求前后数据的相关性，将地理数据与GRU算法结合；在AdaBoost训练弱分类器采用了GRU和softmax。其具体步骤如下：

输入：训练数据集T＝{(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)}，其中x_i∈X，表示输入数据，即测井数据，原始数据每条数据的维度是50维，y_i∈Y＝{1，2，3，4，5，6}，表示类别标签；弱分类器，即GRU和softmax方法。

输出：最终分类器G(x)

(1)初始化训练数据的权值分布(初始化的时候每一条数据权重均等)D₁＝(w₁₁，w₁₂，w₁₃，…，w_1M)，其中M表示数据的个数，i＝1，2，3…M

D₁表示，第一次迭代每个样本的权值。D_n表示在第n轮迭代开始前，训练数据的概率分布(或权值分布)，w_ni表示在第n次迭代时第i个样本的权值。

(2)j＝1，2，3，…，J(表示迭代的次数/或者最终分类器的个数)

a)使用具有权值分布D_j的训练数据集学习，得到基本的分类器

G_j(x):X->{1，2，3，4，5，6}

b)计算G_j(x)在训练集上的分类误差率

求的是分错类别的数据的权重值和。

c)计算G_j(x)第j个分类器的系数(权重)，e_j表示的是分类错误率。

d)更新训练数据集的权重D_j+1，数据集的权重是根据上一次权重进行更新的，i＝1，2，3…M(x_i表示第i条数据)

D_j+1＝(w_j+1，1，w_j+1，2，w_j+1，3，…，w_j+1，M)

Z_j是规范化因子，

这样它使D_j+1成为一个概率分布。

e)构建基本分类器的线性组合

得到最终的分类器：

4)利用某区域内测井数据和预测模型，预测整个区域的油水层信息。除了可以直接利用采集的测井数据外，还可以利用真实的测井数据结合克里金算法预测整个区域的测井数据，即输入测井数据，利用克里金插值算法，估计出空间各个位置的预测测井数据，从而得到整个区域空间中的测井数据。

5)利用4)预测得到的测井数据和3)得到的预测模型，预测得到整个区域的油水层信息。

实验结果：

预处理以后的测井数据共26273条数据，来自同一区域的不同位置的8口井。实验过程有下面几种情况，其中，各实验结果表格的表头用No表示井的编号，P表示训练数据占样本数据的百分比，TR表示训练数据样本数据量，TE表示测试数据的数据量，NT表示训练数据来源的井的编号，NTE表示测试数据来源的井的编号，ABG表示AdaBoost算法结合GRU方法，BP表示BP神经网络，SVM表示支持向量机方法。。

1)为了测试本文模型的识别率并且考虑地理位置可能的影响，实验二随机采用8口井中的任意多口井(大于1口井)的测井数据作为训练样本，剩下的几口井的数据作为测试样本，测试该模型的准确率。对比实验结果如下：

表1实验结果一

NT	TR	NTE	TE	ABG	AB	BP	SVM
								4 7 2 1 6 5	19601	8 3	6672	82.468％	82.718％	71.882％	72.086％
4 2 1 3 6 5	20670	8 7	5603	82.384％	82.313％	72.836％	71.356％
								7 6 2 4 8 5	18789	3 1	7484	85.943％	83.337％	74.345％	74.229％
8 7 4 3 2 6	19653	5 1	6626	84.758％	81.797％	74.517％	74.516％
								3 5 4 2 6 7	19527	1 8	6746	79.943％	81.159％	69.878％	70.352％
3 4 8 5	12726	1 7 2 6	13547	86.934％	79.338％	77.138％	77.248％
								5 8 1 4	12800	3 6 2 7	13473	88.332％	86.625％	78.171％	78.241％
1 2 5 6	13752	3 4 7 8	12521	83.148％	82.908％	72.901％	73.121％

实验结果表明，AdaBoost结合GRU方法的单井准确率远高于BP和SVM的准确率，而且也高于传统AdaBoost方法，识别率稳定在85％左右。

2)为了测试该模型的泛化能力，实验二将任意一口井的测井数据作为训练数据(本实验选取的测井数据需包含学习模型所需要的6个类别)，其他井的测井数据分别作为测试数据，比较了AdaBoost结合GRU模型和AdaBoost模型的实验结果，测试了模型的准确率。实验结果如下：

表2实验结果二

实验结果表明，AdaBoost结合GRU方法的识别准确率在85％左右，识别率高于传统AdaBoost方法。

5)利用测井数据预测油水层绘图结果如图2、图3、图4所示。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1.一种基于AdaBoost结合GRU的地层油水层识别方法，其特征在于，包括：

步骤1：使用测井方法获得某地域的测井数据；

步骤2：结合测井数据解释原理，对数据进行预处理；

2.根据权利要求1所述方法，其特征在于，所述步骤2包括以下子步骤：

23)根据测井数据给每条数据添加地层类别信息。

3.根据权利要求1所述方法，其特征在于，所述步骤3包括以下子步骤：

32)训练弱分类器，组合得到强分类器，得到识别模型；

33)利用测试数据测试模型准确率。

4.根据权利要求1所述方法，其特征在于，所述预测油水层信息利用真实的测井数据结合克里金插值算法预测整个区域各个位置的测井数据。