CN110909931A - 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 - Google Patents

基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 Download PDF

Info

Publication number
CN110909931A
CN110909931A CN201911139494.0A CN201911139494A CN110909931A CN 110909931 A CN110909931 A CN 110909931A CN 201911139494 A CN201911139494 A CN 201911139494A CN 110909931 A CN110909931 A CN 110909931A
Authority
CN
China
Prior art keywords
data
prediction
lstm
predicted
item
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.)
Pending
Application number
CN201911139494.0A
Other languages
English (en)
Inventor
王俊
曹俊兴
尤加春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201911139494.0A priority Critical patent/CN110909931A/zh
Publication of CN110909931A publication Critical patent/CN110909931A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于模态分解重构及深度LSTM‑RNN模型的测井曲线预测方法，步骤包含：利用CEEMD将测井曲线数据分解为有限个具有局部特征且不同频率的本征模态函数IMF分量和剩余RES分量；游程检测法对各分量进行波动程度检测，将具有相似波动频率的CEEMD分解项重构为高频项、低频项及趋势项三个具有典型特征的新分量；对重构的新分量进行数据归一化处理并划分训练和测试数据；对各分量分别建立深度LSTM‑RNN模型并利用训练数据进行网络训练；将训练好的模型用于预测缺失或失真的测井曲线，最后将三个分量的预测结果重构并反归一化得到测井曲线预测结果。该方法减少了预测分量建模数，提高预测精度和速度，简便性和实适用性强，能更为准确有效地预测缺失或失真的测井曲线。

Description

基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法
技术领域
本发明涉及一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，属于深度学习方法和石油地球物理勘技术领域。
背景技术
测井资料作为连接地震与地质的桥梁和纽带，在油气勘探中发挥中至关重要的作用。在实际应用中，由于井径扩大、井壁垮塌、仪器故障等因素的影响，经常会造成部分测井数据失真或缺失，为后续解释工作带来一定困难。而重新测井不仅价格昂贵，且对于已经完井的部分井眼，重新测井甚至不可能实现。为此，探索发展测井曲线预测方法，对失真或缺失井段的测井数据进行校正或预测以增加测井解释的准确性具有重要的意义。
测井曲线预测即是利用资料中已存在的测井曲线和未知曲线之间的关系来预测出未知曲线的方法。目前常用的方法有交会图法、数字模拟法、多元回归分析法等，但是由于地下情况复杂且非均质性较强，测井数据之间经常呈现极强的非线性关系，数据间的映射关系也极为复杂，应用传统方法的效果较差。
近几年发展的机器学习技术理论上可以刻画输入参数与输出数据之间的强非线性映射关系，为测井曲线的重构提供了新的手段。很多研究者尝试使用传统的全连接神经网络方法(如BP神经网络)生成测井曲线。通过该方法能够较好地挖掘出测井数据之间复杂的非线性映射关系，但这些传统神经网络方法与统计分析类似，构造的是一种点对点的映射，预测得到的测井数据只和其他处于同一深度的测井曲线信息有关，而忽略了待预测测井曲线随储层深度变化的趋势及历史数据之间关联。由于地层的沉积作用是时序渐变的，而测井曲线是地层沉积特征的响应，具有一定的时序特征，这便与地质学思想相违背，因此预测测井曲线的准确度还有待进一步提高。
循环神经网络是一种典型的深度神经网络结构，相比于全连接神经网络，其最大的区别就是各隐藏层单元之间并不相互独立，各个隐藏层神经元之间不仅相互联系，而且当前隐藏层单元的状态还受当前时刻之前的历史输入数据的影响，这个特性使其能够很够很好地提取时序数据结构的时序关系，与地质学思想和实际地质分析经验不谋而合。长短期记忆网络(Long Short Term Memory Networks，LSTM)是一种特殊的循环神经网络，相比深度神经网络(DNN)和传统的循环神经网络(RNN)能更准确地学习时间序列中长期依赖性关系，已有学者初步运用其进行了测井曲线的人工合成，取得比传统方法更好的效果。但未见其在测井曲线预测技术领域中的应用。
综上所述，国内外已有大量对测井曲线进行预测的研究，但是上述模型都未充分利用测井曲线数据的时序性、非平稳性及强非线性的特征，这对提高测井曲线预测的精度及鲁棒性具有十分重要的意义。
发明内容
为解决现有技术存在的问题，本发明提供了一种基于模态分解重构及深度LSTM-RNN的测井曲线预测方法。
本发明为实现上述的技术目的，采用如下的技术方案。
一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，包括如下步骤：
S1 CEEMD分解测井曲线
采用CEEMD法将测井曲线数据分解为有限个具有局部特征且不同频率的本征模态函数(IMF)分量和剩余分量(RES)。
S2游程检测重构
对S1得到的IMF分量和RES分量进行重构，将分解结果重构为高频项、低频项及趋势项三个具有典型特征的新分量。
S3深度LSTM-RNN预测测井曲线，具体的，包括以下步骤，
S31对重构的高频项、低频项及趋势项分量进行归一化处理；
S32对重构的高频项、低频项及趋势项分量分别构造LSTM-RNN模型；
S33对重构的高频项、低频项及趋势项分量分别划分训练数据和测试数据，对深度LSTM-RNN模型进行训练及测试，得到预测低频项、预测高频项及预测趋势项，将预测低频项、预测高频项及预测趋势项进行重构得到预测结果，实现测井曲线的预测。
由于测井数据具有强非线性、非平稳性以及一定时序性的特点，直接利用原始测井数据进行建模，难以充分挖掘和利用各特征信息，对测井曲线进行预测的误差较大，所以对测井曲线序列进行分解处理十分必要。故本发明采用数据分解处理方法对原始数据的分解，降低数据复杂度。
现有技术中，经验模态分解(Empirical Mode Decomposition,EMD)可对信号局部时变特征做自适应时频分解，非常适用于非平稳、非线性信号分析，但其存在模态混叠和端点效应问题。而完备总体经验模态分解(Complete Ensemble Empirical ModeDecomposition，CEEMD))弥补了EMD存在的缺陷，在分解信号的每一阶段添加种特定白噪声，同时计算唯一的残差以获取每个符合定义的固有模态分量(IMF)，这是一个完备的包分解过程。CEEMD提供的模态分离效果明显好于的EMD，不仅具有更高的分辨率与很强的非线性处理能力，同时对原始信号的重构更为精确，能较好的运用于井曲线的数据处理。故本发明采用CEEMD分解测井曲线。
基于此，进一步的，本发明提供一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其中，S1 CEEMD分解测井曲线的具体方法如下。
采用CEEMD法将测井曲线数据分解为有限个具有局部特征且不同频率的本征模态函数(IMF)分量和剩余分量(RES)，获取数据非平稳、非线性的特征。
在这一步骤，将测井曲线数据视为一段由连续平滑的信号及异常噪声组成的数据，利用CEEMD对测井曲线原始数据进行分解处理。对于给定的数据y(t)，采用CEEMD将其分解得到一组频率由高到低的本征模态函数。
具体的，CEEMD分解测井曲线包括如下步骤：
S11将不同的白噪声分别与原来信号合成T个混合信号，应用CEEMD对其进行处理，计算集合平均并将其作为原来信号的第一个固有模态函数IMF1：
Figure BDA0002280518670000031
式中：Fj(·)为EMD处理后获取的第j阶模态；ωi为i个高斯白噪声；εk为每一阶段白噪声加入的比例大小；x(t)为初始信号。
S12令r0(t)＝x(t)，对k＝1,···,K计算第k阶残差rk(t)：
rk(t)＝rk-1(t)-IMFk(t) (2)
S13对rk(t)+εkFk[ωi(t)]做EMD处理，获取对应的IMF1，计算总体平均并将其作为IMFk+1：
Figure BDA0002280518670000032
S14重复步骤S12和步骤S13，直到残差信号不能分解为止，得到最终残差：
Figure BDA0002280518670000033
其剩余分量即为RES分量。
但如果对CEEMD分解后的多个分量一一建立预测型模，不仅会加大工作量，降低预测速度，而且对多个分量预测的结果进行叠加重构，无疑也会增大预测误差。本发明进一步采用S2游程检测重构解决此问题。
进一步的，本发明提供一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其中，S2游程检测重构的具体方法如下。
对S1得到的IMF分量和RES余量进行重构，将分解结果重构为高频项、低频项及趋势项三个新分量。更为细节的，采用游程检测法对IMF分量和RES余量进行波动程度检测，将具有相似波动频率的CEEMD分解项进行重构，并依照fine-to-coarse顺序将分解结果重构为高频项、低频项及趋势项三个具有典型特征的新分量，在降低IMF维度的同时充分保留数据信息。
游程检测也叫做连贯检验，是根据样本标志表现排列所形成的游程的多少进行判断的检验方法。
具体的，包括以下步骤。
S21计算每个IMF和余量RES的游程数；
S22根据每个分量的游程数，将各个本征模态函数重构成高频分量、低频分量和趋势项，得到所需的测井曲线数据重构新分量序列。
设某分量所对应的时间序列为{T(t)}(t＝1,2,···,N)，设其平均值为Tavg。
Figure BDA0002280518670000041
比平均值Tavg小的观察值就是负流程，记作“0”，比平均值Tavg大的观察值就是正流程，记作“1”，如此得到一个0-1的序列。游程就是连续1的个数和连续0的个数，游程长度就是一个游程中的数据个数。通过0和1出现的集中程度可以判断CEEMD分量的波动程度。游程总数过多，说明这个序列波动变化频繁；反之，游程总数少，意味着波动变化不频繁。进而，根据计算得到的游程数，将各个本征模态函数重构成高频分量、低频分量和趋势项，最终将CEEMD分解后的序列重构为三个新分量序列。
由于RNN特有的链式结构具有保持信息持久性的特性这个特性使其能够很够很好地提取时序数据结构的时序关系。长短期记忆网络(Long ShortTermMemoryNetworks,LSTM)是一种特殊的循环神经网络，由学者Hochreiter提出，有效解决了传统RNN神经网络易出现梯度爆炸或梯度消失的问题，相比深度神经网络(DNN)和传统的循环神经网络(RNN)能更准确地学习时间序列中长期依赖性关系，符合地质学思想与实际地质分析经验，更符合测井曲线预测的需求。
基于此，进一步的，本发明提供一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其中，S3深度LSTM-RNN预测测井曲线的具体方法如下。
S31对重构的高频项、低频项及趋势项分量进行归一化处理。
具体的，按照如下公式将重构分量数据归一化到0～1之间：
Figure BDA0002280518670000051
其中，y为模型的输入或输出分量，y*为经过归一化处理后的输入或输出分量，ymax和ymin分别为模型输入或输出量的最大值和最小值。
S32对重构的高频项、低频项及趋势项分量分别构造LSTM-RNN模型。
具体的，使用TensorFlow搭建LSTM模型，time_step为20；batch_size为50，学习速率选择为0.005，训练次数选择为500，input_dim与输入数据特征数相同，隐含层中层为3层，隐藏节点数为32，激活函数为Sigmoid函数，并且采用Adam梯度下降算法更新LSTM-RNN模型中的权重和偏置。损失函数选择平均绝对误差MAE：
Figure BDA0002280518670000054
其中，yi表示
真实值，
Figure BDA0002280518670000055
表示预测值。
所述LSTM细胞层的内部设置有若干门限，包含遗忘门ft、输入门it、输出门ot；
并且LSTM-RNN的前向传播函数为：
it＝σ(Wi·[ht-1,xt]+bi) (7)
Figure BDA0002280518670000052
ot＝σ(Wo·[ht-1,xt]+bo) (9)
ht＝ot*tanh(ct) (10)
ft＝σ(Wf·[ht-1,xt]+bf) (11)
Figure BDA0002280518670000053
其中，it，ot，ft分别为LSTM神经网络某节点在t时刻输入门、输出门和遗忘门的激活向量值；bi，bo，bf分别为各结构对应的偏置项；xt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；Wo为隐藏层细胞单元与输出层之间的连接参数矩阵；ht为LSTM神经元在t时刻的输出；ht-1为LSTM神经元在t-1时刻的输出；ct-1为t-1时刻记忆单元的向量值；ct为神经元细胞状态；σ为sigmoid激活函数；tanh为双曲正切函数。
S33对重构的高频项、低频项及趋势项分量分别划分训练数据和测试数据，对深度LSTM-RNN模型进行训练及测试，得到预测低频项、预测高频项及预测趋势项，将预测低频项、预测高频项及预测趋势项进行重构得到预测结果，实现测井曲线的预测。其具体步骤如下。
S331使用训练数据集训练S332中建立的深度LSTM-RNN模型，并将训练好的模型进行保存。
S332使用保存好的模型，对测试数据集进行预测，将三个不同分量的预测值反归一化处理后进行重构叠加。
进一步的，还包括对模型预测效果的评价的步骤，具体的，选用均方根误差(RMSE)和平均绝对误差(MAE)作为模型预测效果的评价指标。RMSE、MAE越小，表明模型预测越准确。
Figure BDA0002280518670000061
Figure BDA0002280518670000062
其中，yi—预测值，
Figure BDA0002280518670000063
—实际值，N—样本总数。
进一步的，本发明的一种基于模态分解及深度LSTM-RNN模型的测井曲线预测方法，所述测井曲线为缺失或失真的测井曲线，进一步的，所述的测井曲线包括自然伽马、密度、补偿中子、声波时差、以及自然电位等曲线。
本发明采用上述的技术方案，取得了如下的技术效果。
1、随着大数据战略的全面推进，基于机器学习的数据挖掘技术不断延伸到各种研究领域，尤其是人工智能的发展，为数据挖掘提供了新的思路。在深度神经网络中，循环神经网络能够考虑到数据的时序性特点，对历史的信息进行记忆并应用于当前的计算当中，因此在处理序列数据方面具有独特的优势。长短时记忆网络作为循环神经网络的一种成功变体，能够克服原始循环神经网络中存在的梯度消失或梯度爆炸问题，学习到数据之间的长期依赖关系。将深度LSTM-RNN应用到测井曲线预测中，符合地质学思想和实际地质分析经验，可以有效捕捉到测井数据之间的强非线性与时序性关系，进一步提高曲线预测精度。
2、稳定性：本发明采用CEEMD作为测井曲线数据的分析方法，可有效获得测井曲线数据非线性、非平稳的特性，有效提升曲线数据分析的稳定性。
3、平衡性：本发明采用了基于游程检测法的重构算法，该算法能将CEEMD分解得到的IMF分量和剩余RES分量重构为高频项、低频项及趋势项，在降低IMF维度的同时，基本保留的原始数据的所有内在信息，一定程度上实现了数据量与信息量的平衡。
4、优越性：本发明采用了深度LSTM-RNN作为测井曲线预测的预测方法，该模型特有的链式结构具有保持信息持久性的特性，使其能够很够很好地提取时序数据结构的时序关系，符合地质学研究思想与实际地质分析经验。且该模型在克服传统RNN模型梯度爆炸缺陷的同时具有计算较易等优点，在时序性与非线性测井数据预测中具有独特的优越性。与传统方法相比，使用深度学习的方法进行测井曲线预测，不仅节约了人力物力资源，且具有更好的学习和泛化能力。
附图说明
图1为本发明的基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法结构示意图；
图2为本发明的LSTM-RNN的结构图；
图3为本发明基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法的流程示意图；
图4为本发明实施例的自然伽马的测井曲线数据进行CEEMD分解的分解结果图；
图5为本发明实施例的对CEEMD分解得到的IMF和RES分量游程检测重构结果图；
图6为本发明实施例失真或缺失的GR、CNL、AC测井数据还原后的预测数据与真实数据对比结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一些实施例，而不是全部的实施例。应当注意，为了清楚的目的，说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，参见图1和图3，包括CEEMD分解、游程检测重构和深度LSTM-RNN预测步骤，具体步骤如下：
S1 CEEMD分解测井曲线
采用CEEMD法将测井曲线数据分解为有限个具有局部特征且不同频率的本征模态函数(IMF)分量和剩余(RES)余量，获取数据非平稳、非线性的特征。
在这一步骤，将测井曲线数据视为一段由连续平滑的信号及异常噪声组成的数据，利用CEEMD对测井曲线原始数据进行分解处理。对于给定的数据y(t)，采用CEEMD将其分解得到一组频率由高到低的本征模态函数。
具体的，请参考图3，CEEMD分解测井曲线包括如下步骤：
S11将不同的白噪声分别与原来信号合成T个混合信号，应用CEEMD对其进行处理，计算集合平均并将其作为原来信号的第一个固有模态函数IMF1：
Figure BDA0002280518670000081
式中：Fj(·)为EMD处理后获取的第j阶模态；ωi为i个高斯白噪声；εk为每一阶段白噪声加入的比例大小；x(t)为初始信号。
S12令r0(t)＝x(t)，对k＝1,···,K计算第k阶残差rk(t)：
rk(t)＝rk-1(t)-IMFk(t) (2)
S13对rk(t)+εkFk[ωi(t)]做EMD处理，获取对应的IMF1，计算总体平均并将其作为IMFk+1：
Figure BDA0002280518670000082
S14重复步骤S12和步骤S13，直到残差信号不能分解为止，得到最终残差：
Figure BDA0002280518670000083
S2游程检测重构
对S1得到的IMF分量和RES余量进行重构，将分解结果重构为高频项、低频项及趋势项三个新分量。
采用游程检测法对各上述分量进行波动程度检测，将具有相似波动频率的CEEMD分解项进行重构，并依照fine-to-coarse顺序将分解结果重构为高频项、低频项及趋势项三个具有典型特征的新分量，在降低IMF维度的同时充分保留数据信息。
游程检测也叫做连贯检验，是根据样本标志表现排列所形成的游程的多少进行判断的检验方法。
具体的，包括以下步骤：
S21计算每个IMF和余量RES的游程数；
S22根据每个分量的游程数，将各个本征模态函数重构成高频分量、低频分量和趋势项，得到所需的测井曲线数据重构新分量序列。
设某分量所对应的时间序列为{T(t)}(t＝1,2,···,N)，设其平均值为Tavg。
Figure BDA0002280518670000084
比平均值Tavg小的观察值就是负流程，记作“0”，比平均值Tavg大的观察值就是正流程，记作“1”，如此得到一个0-的序列。游程就是连续1的个数和连续0的个数，游程长度就是一个游程中的数据个数。通过0和1出现的集中程度可以判断CEEMD分量的波动程度。游程总数过多，说明这个序列波动变化频繁；反之，游程总数少，意味着波动变化不频繁。进而，根据计算得到的游程数，将各个本征模态函数重构成高频分量、低频分量和趋势项，最终将CEEMD分解后的序列重构为三个新分量序列。
S3深度LSTM-RNN预测测井曲线
由于RNN特有的链式结构具有保持信息持久性的特性这个特性使其能够很够很好地提取时序数据结构的时序关系。长短期记忆网络(Long Short Term Memory Networks,LSTM)是一种特殊的循环神经网络，由学者Hochreiter等提出，有效解决了传统RNN神经网络易出现梯度爆炸或梯度消失的问题，相比DNN和传统的RNN能更准确地学习时间序列中长期依赖性关系，符合地质学思想与实际地质分析经验，更符合测井曲线预测的需求。
具体的，深度LSTM-RNN预测包含如下步骤：
S31对重构的新分量数据进行归一化处理，并划分训和测试数据；
S32对各分量分别构造LSTM-RNN模型；
S33进行深度LSTM-RNN模型训练与测井曲线预测。
其中，S31对重构的新分量得到的高频项、低频项及趋势项分量数据进行归一化处理中，按照如下公式将重构分量数据归一化到0～1之间：
Figure BDA0002280518670000091
其中，y为模型的输入或输出分量，y*为经过归一化处理后的输入或输出分量，ymax和ymin分别为模型输入或输出量的最大值和最小值。
S32对各分量分别构造LSTM-RNN模型。参见图2，LSTM-RNN模型结构图。
具体的，使用TensorFlow搭建LSTM模型，time_step为20；batch_size为50，学习速率选择为0.005，训练次数选择为500，input_dim与输入数据特征数相同，隐含层中层为3层，隐藏节点数为32，激活函数为Sigmoid函数，并且采用Adam梯度下降算法更新LSTM-RNN模型中的权重和偏置。损失函数选择平均绝对误差MAE：
Figure BDA0002280518670000092
其中，yi表示真实值，
Figure BDA0002280518670000093
表示预测值。
所述LSTM细胞层的内部设置有若干门限，包含遗忘门ft、输入门it、输出门ot；
并且LSTM-RNN的前向传播函数为：
it＝σ(Wi·[ht-1,xt]+bi) (7)
Figure BDA0002280518670000101
ot＝σ(Wo·[ht-1,xt]+bo) (9)
ht＝ot*tanh(ct) (10)
ft＝σ(Wf·[ht-1,xt]+bf) (11)
Figure BDA0002280518670000102
其中，it，ot，ft分别为LSTM神经网络某节点在t时刻输入门、输出门和遗忘门的激活向量值；bi，bo，bf分别为各结构对应的偏置项；xt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；Wo为隐藏层细胞单元与输出层之间的连接参数矩阵；ht为LSTM神经元在t时刻的输出；ht-1为LSTM神经元在t-1时刻的输出；ct-1为t-1时刻记忆单元的向量值；ct为神经元细胞状态；σ为sigmoid激活函数；tanh为双曲正切函数。
S33进行深度LSTM-RNN模型训练与测井曲线预测的步骤如下，
S331使用训练数据集训练S332中建立的深度LSTM-RNN模型，并将训练好的模型进行保存。
S332使用保存好的模型，对测试数据集进行预测，将三个不同分量的预测值反归一化处理后进行重构叠加。
得到的预测结果如图3所示，其中蓝色线表示模型预测值，红色线表示测井曲线真实值。并且图中显示的真实值与预测值之间的拟合程度较好，这说明该模型可靠。
进一步的，还包括对模型预测效果的评价的步骤，具体的，选用均方根误差(RMSE)和平均绝对误差(MAE)作为模型预测效果的评价指标。RMSE、MAE越小，表明模型预测越准确。
Figure BDA0002280518670000103
Figure BDA0002280518670000104
其中，yi—预测值，
Figure BDA0002280518670000105
—实际值，N—样本总数。
进一步的，本发明的一种基于模态分解及深度LSTM-RNN模型的测井曲线预测方法，所述测井曲线为缺失或失真的测井曲线，进一步的，所述的测井曲线包括自然伽马、密度、补偿中子、声波时差、以及自然电位等曲线。
本发明的有效性及有益技术效果可以通过下面的实施例来进一步说明，实验中的参数不影响本发明的一般应用性。下面结合具体的实施例对本发明的基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法的预测效果、精确度进行分析。
本实施例中，利用上述的基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法来对同一口井中缺失或失真部分测井数据预测，即假设某井中某一层段部分测井曲线失真或缺失，利用该井中完整的测井数据作为输入数据的多个维度变量，来估计缺失的测井数据，以评价该预测方法根据不完整测井曲线自身的信息自动预测缺失段测井数据的能力。
具体的，实验平台：CPU为intel(R)Core(TM)i7-4710MQ，主频为2.5GHz，内存为8GB，深度学习框架TensorFlow1.7.0，Anaconda3-4.1.1，scikit-lean0.19.1，Pandas0.22.0，NumPy1.14.2和Matplotlib2.1.2，编程语言为Python3.6。
本实施例数据来源于四川盆地中部某勘探区的实际测井数据，包括自然伽马(GR)，密度(DEN)，补偿中子(CNL)，声波时差(AC)以及自然电位(SP)曲线五条测井曲线。测深为1150～2055mm，本实施例中，假设测深1670～1855m井段的GR与CNL测井数据、测深1900～2055m井段的AC测井数据失真或缺失，利用上述的基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法进行预测。
本实施例以上述为例，其余的测井数据预测方法相同，预测效果类似。
采用本发明的预测方法对自然伽马的测井曲线数据进行CEEMD分解，结果参见图4。
对上述CEEMD分解得到的IMF和RES分量进行游程检测重构，计算其游程数从而实现波动程度检测，其计算结果汇总如表1所示：
表1各分量和余量的游程数
Figure BDA0002280518670000111
由表1可知，部分分量的游程数相差不大，而有些分量的游程数差距明显。上述结果体现了分量间的异同与相似性。根据计算获得的游程数，将IMF1、IMF2叠加作为高频项，将IMF3～IMF5叠加作为低频项，将IMF6与剩余分量RES叠加作为趋势项。重构的新分量组成成分如表2，重构结果如图5所示。
表2各新分量的组成成分
Figure BDA0002280518670000112
使用训练好的深度LSTM-RNN模型对测深1670～1855m井段失真或缺失的GR与CNL测井数据、测深1900～2055m井段失真或缺失的的AC测井数据进行预测，并对各分量预测值进行反归一化和重构，还原后的预测数据与真实数据对比结果如图6所示。
预测值与真实值的均方根误差(RMSE)和平均绝对误差(MAE)如表3所示。
表3预测值与真实值的均方根误差和平均绝对误差
Figure BDA0002280518670000121
由表3可以看出，该测井曲线预测方法在测井曲线预测中均具有较小的均方根误差和平均绝对误差，表明利用本发明方法进行测井曲线预测具有较好的稳定性和较高的准确度。证明利用本发明能够有效开展曲线预测，满足实际工作对曲线预测方法的需求；同时，本发明方法普适性较好，过程中无过多的人为因素影响，值得在实际生产应用中推广。
所述实施例失真或缺失部分曲线预测仅为测井曲线预测的一种情况的一个实施例，实际应用中的测井曲线预测不局限于实施例情况，还可以用于另外两种情况：1、一个勘探区有多口井时，其中某口井某一层段的测井曲线全部缺失，这时利用这口井未缺失层段的曲线以及该工区内其他具有完整曲线的井训练模型，然后对缺失层段的曲线进行预测；2、一个勘探区有多口井时，其中某口井某几条测井曲线全部缺失或未测量，这时利用这口井已有的曲线以及该勘探区内其他具有完整曲线的井训练模型，然后对其进行重构。但预测过程均与所述实施例相同，不再详细赘述。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，应当认识到上述的描述不应被认为是本发明的限制。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于包括如下步骤：
S1 CEEMD分解测井曲线
采用CEEMD将测井曲线数据分解为有限个具有局部特征且不同频率的本征模态函数(IMF)分量和剩余分量(RES)；
S2游程检测重构
对S1得到的IMF分量和RES分量进行重构，将分解结果重构为高频项、低频项及趋势项三个具有典型特征的新分量；
S3深度LSTM-RNN预测测井曲线，包括以下步骤，
S31对重构的高频项、低频项及趋势项分量进行归一化处理；
S32对重构的高频项、低频项及趋势项分量分别构造LSTM-RNN模型；
S33对重构的高频项、低频项及趋势项分量分别划分训练数据和测试数据，对深度LSTM-RNN模型进行训练及测试，得到预测低频项、预测高频项及预测趋势项，将预测低频项、预测高频项及预测趋势项进行重构得到预测结果，实现测井曲线的预测。
2.根据权利要求1所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：
S1 CEEMD分解测井曲线包括如下步骤，
S11将不同的白噪声分别与原来信号合成T个混合信号，应用EMD对其进行处理，计算集合平均并将其作为原来信号的第一个固有模态函数IMF，
Figure RE-FDA0002356381850000011
式中：Fj(·)为EMD处理后获取的第j阶模态；ωi为i个高斯白噪声；εk为每一阶段白噪声加入的比例大小；x(t)为初始信号；
S12令r0(t)＝x(t)，对k＝1,…,K计算第k阶残差rk(t)，
rk(t)＝rk-1(t)-IMFk(t)
S13对rk(t)+εkFk[ωi(t)]做EMD处理，获取对应的IMF1；计算总体平均并将其作为IMFk+1：
Figure RE-FDA0002356381850000012
S14重复步骤(2)和步骤(3)，直到残差信号不能分解为止，得到最终残差，
Figure RE-FDA0002356381850000013
3.根据权利要求1所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：S2游程检测重构包括如下步骤，
其重组步骤如下：
S21计算每个IMF和余量RES的游程数；
设某分量所对应的时间序列为{T(t)}(t＝1,2,…,N)，设其平均值为Tavg，
Figure RE-FDA0002356381850000021
其中，比平均值Tavg小的观察值就是负流程，记作“0”，比平均值Tavg大的观察值就是正流程，记作“1”，从而得到一个0-1的序列，游程数就是连续1的个数和连续0的个数，游程长度就是一个游程中的数据个数；
S22根据每个分量的游程数，将各个本征模态函数重构成高频分量、低频分量和趋势项，得到所需的测井曲线数据重构新分量序列。
4.根据权利要求1所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：S31对重构的高频项、低频项及趋势项分量进行归一化处理的方法为，
按照如下公式将重构分量数据归一化到0～1之间：
Figure RE-FDA0002356381850000022
其中，y为模型的输入或输出分量，y*为经过归一化处理后的输入或输出分量，ymax和ymin分别为模型输入或输出量的最大值和最小值。
5.根据权利要求4所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：S32对重构的高频项、低频项及趋势项分量分别构造LSTM-RNN模型的方法为，
使用TensorFlow搭建LSTM模型，time_step为20；batch_size为50，input_dim与输入数据特征数相同，隐含层中层为3层，隐藏节点数为32，激活函数为Sigmoid函数，损失函数选择平均绝对误差MAE：
Figure RE-FDA0002356381850000023
其中，yi表示真实值，
Figure RE-FDA0002356381850000024
表示预测值，深度LSTM-RNN预测阶段的深度LSTM-RNN网络按如下计算公式进行计算迭代，
it＝σ(Wi·[ht-1,xt]+bi)
Figure RE-FDA0002356381850000025
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(ct)
ft＝σ(Wf·[ht-1,xt]+bf)
Figure RE-FDA0002356381850000031
式中，it，ot，ft分别为LSTM神经网络某节点在t时刻输入门、输出门和遗忘门的激活向量值；bi，bo，bf分别为各结构对应的偏置项；xt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；Wo为隐藏层细胞单元与输出层之间的连接参数矩阵；ht为LSTM神经元在t时刻的输出；ht-1为LSTM神经元在t-1时刻的输出；ct-1为t-1时刻记忆单元的向量值；ct为神经元细胞状态；σ为sigmoid激活函数；tanh为双曲正切函数。
6.根据权利要求5所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：S33对重构的高频项、低频项及趋势项分量分别划分训练数据和测试数据，对深度LSTM-RNN模型进行训练及测试，得到预测低频项、预测高频项及预测趋势项，将预测低频项、预测高频项及预测趋势项进行重构得到预测结果，实现测井曲线的预测，其方法包括如下步骤，
S331使用训练数据集训练S32中建立的深度LSTM-RNN模型，并将训练好的模型进行保存；
S332使用保存好的模型，对测试数据集进行预测，将三个不同分量的预测值反归一化处理后进行重构叠加。
7.根据权利要求6所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：还包括对深度LSTM-RNN预测阶段的预测效果评价的步骤，方法为，
将预测数据同实际数据进行误差计算，所述误差计算采用均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标，还原预测数据进行输出，在预测中，均方根误差(RMSE)和平均绝对误差(MAE)的值越小，代表预预测精度越高，其中：
均方根误差：
Figure RE-FDA0002356381850000032
平均绝对误差：
Figure RE-FDA0002356381850000033
式中，yi—预测值，
Figure RE-FDA0002356381850000034
—实际值，N—样本总数。
8.根据权利要求1至7任一所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：所述的测井曲线为缺失或失真的测井曲线。
9.根据权利要求8所述的一种基于模态分解重构及深度LSTM-RNN模型的测井曲线预测方法，其特征在于：所述的测井曲线包括自然伽马、密度、补偿中子、声波时差、以及自然电位曲线。
CN201911139494.0A 2019-11-20 2019-11-20 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 Pending CN110909931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911139494.0A CN110909931A (zh) 2019-11-20 2019-11-20 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911139494.0A CN110909931A (zh) 2019-11-20 2019-11-20 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法

Publications (1)

Publication Number Publication Date
CN110909931A true CN110909931A (zh) 2020-03-24

Family

ID=69818235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911139494.0A Pending CN110909931A (zh) 2019-11-20 2019-11-20 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法

Country Status (1)

Country Link
CN (1) CN110909931A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613054A (zh) * 2020-05-07 2020-09-01 浙江大学 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
CN111894551A (zh) * 2020-07-13 2020-11-06 太仓中科信息技术研究院 基于lstm的油气层预测方法
CN112287607A (zh) * 2020-11-13 2021-01-29 华东交通大学 一种多尺度电离层tec预测方法
CN112580876A (zh) * 2020-12-21 2021-03-30 国网甘肃省电力公司电力科学研究院 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法
CN112945162A (zh) * 2021-01-26 2021-06-11 山西大学 一种堆积层滑坡位移预测模型及预测方法
CN113093020A (zh) * 2021-04-02 2021-07-09 中国矿业大学 基于lstm神经网络预测锂离子电池剩余使用寿命方法
CN113537540A (zh) * 2020-04-14 2021-10-22 天津科技大学 一种基于自动特征工程的供热用气量预测模型
CN113688773A (zh) * 2021-09-03 2021-11-23 重庆大学 一种基于深度学习的储罐穹顶位移数据修复方法及其装置
CN113743297A (zh) * 2021-09-03 2021-12-03 重庆大学 基于深度学习的储罐穹顶位移数据修复方法及装置
CN113836756A (zh) * 2021-11-29 2021-12-24 山东华尚电气有限公司 一种立体卷铁心变压器的退火工艺智能监测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373856A (zh) * 2015-11-23 2016-03-02 江苏省电力公司南通供电公司 一种考虑游程检测法重构的风电功率短时组合预测方法
CN106126896A (zh) * 2016-06-20 2016-11-16 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN108038565A (zh) * 2017-11-30 2018-05-15 常州大学 一种游程检测法重构eemd的养殖水质溶解氧预测方法
CN109919082A (zh) * 2019-03-05 2019-06-21 东南大学 基于lstm与emd的模态识别方法
CN109948861A (zh) * 2019-03-26 2019-06-28 西南交通大学 一种基于模态分解及深度学习的城轨短时客流预测方法
CN110059844A (zh) * 2019-02-01 2019-07-26 东华大学 基于集合经验模态分解和lstm的储能装置控制方法
CN110322032A (zh) * 2019-04-17 2019-10-11 四川大学 一种基于ceemdan的金融时间序列组合预测方法
CN110334881A (zh) * 2019-07-17 2019-10-15 深圳大学 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法，装置及服务器
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373856A (zh) * 2015-11-23 2016-03-02 江苏省电力公司南通供电公司 一种考虑游程检测法重构的风电功率短时组合预测方法
CN106126896A (zh) * 2016-06-20 2016-11-16 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN108038565A (zh) * 2017-11-30 2018-05-15 常州大学 一种游程检测法重构eemd的养殖水质溶解氧预测方法
CN110059844A (zh) * 2019-02-01 2019-07-26 东华大学 基于集合经验模态分解和lstm的储能装置控制方法
CN109919082A (zh) * 2019-03-05 2019-06-21 东南大学 基于lstm与emd的模态识别方法
CN109948861A (zh) * 2019-03-26 2019-06-28 西南交通大学 一种基于模态分解及深度学习的城轨短时客流预测方法
CN110322032A (zh) * 2019-04-17 2019-10-11 四川大学 一种基于ceemdan的金融时间序列组合预测方法
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
CN110334881A (zh) * 2019-07-17 2019-10-15 深圳大学 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法，装置及服务器

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIANGENG LI 等: "Prediction of PM2.5 concentration based on CEEME-LSTM model", 《2019 CHINESE CONTROL CONFERENCE》 *
宦娟 等: "基于游程检测法重构集合经验模态的养殖水质溶解氧预测", 《农业工程学报》 *
赵妮 等: "经验模态分解法在测井层序界面识别中的应用", 《测井技术》 *
郑薇: "基于分解—重组模式的风速中短期预测方法的研究与应用", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537540A (zh) * 2020-04-14 2021-10-22 天津科技大学 一种基于自动特征工程的供热用气量预测模型
CN113537540B (zh) * 2020-04-14 2022-09-30 天津科技大学 一种基于自动特征工程的供热用气量预测模型
CN111613054A (zh) * 2020-05-07 2020-09-01 浙江大学 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
CN111894551A (zh) * 2020-07-13 2020-11-06 太仓中科信息技术研究院 基于lstm的油气层预测方法
CN112287607A (zh) * 2020-11-13 2021-01-29 华东交通大学 一种多尺度电离层tec预测方法
CN112580876A (zh) * 2020-12-21 2021-03-30 国网甘肃省电力公司电力科学研究院 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法
CN112945162B (zh) * 2021-01-26 2022-05-31 山西大学 一种堆积层滑坡位移预测模型及预测方法
CN112945162A (zh) * 2021-01-26 2021-06-11 山西大学 一种堆积层滑坡位移预测模型及预测方法
CN113093020A (zh) * 2021-04-02 2021-07-09 中国矿业大学 基于lstm神经网络预测锂离子电池剩余使用寿命方法
CN113093020B (zh) * 2021-04-02 2022-07-12 中国矿业大学 基于lstm神经网络预测锂离子电池剩余使用寿命方法
CN113688773A (zh) * 2021-09-03 2021-11-23 重庆大学 一种基于深度学习的储罐穹顶位移数据修复方法及其装置
CN113743297A (zh) * 2021-09-03 2021-12-03 重庆大学 基于深度学习的储罐穹顶位移数据修复方法及装置
CN113688773B (zh) * 2021-09-03 2023-09-26 重庆大学 一种基于深度学习的储罐穹顶位移数据修复方法及其装置
CN113836756A (zh) * 2021-11-29 2021-12-24 山东华尚电气有限公司 一种立体卷铁心变压器的退火工艺智能监测方法及系统
CN113836756B (zh) * 2021-11-29 2022-03-18 山东华尚电气有限公司 一种立体卷铁心变压器的退火工艺智能监测方法及系统

Similar Documents

Publication Publication Date Title
CN110909931A (zh) 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法
CN110852527B (zh) 一种结合深度学习的储层物性参数预测方法
Wu et al. Machine learning-based method for automated well-log processing and interpretation
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN113687433B (zh) 一种基于Bi-LSTM的大地电磁信号去噪方法及系统
CN113359212B (zh) 一种基于深度学习的储层特征预测方法及模型
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN111723949A (zh) 基于选择性集成学习的孔隙度预测方法
CN113610945A (zh) 一种基于混合神经网络的地应力曲线预测方法
CN114358434A (zh) 基于lstm循环神经网络模型的钻井机械钻速预测方法
CN115561005A (zh) 基于eemd分解和轻量化神经网络的化工过程故障诊断方法
US20220137245A1 (en) Systems and methods for seismic well tie domain conversion and neural network modeling
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
Zhang et al. Seismic impedance inversion based on geophysical-guided cycle-consistent generative adversarial networks
Pham et al. Missing sonic log prediction using convolutional long short-term memory
CN113156492A (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法
CN110118994B (zh) 一种基于地震反演和机器学习的陆相烃源岩定量预测方法
Guo et al. Logging Data Completion Based on an MC-GAN-BiLSTM Model
CN111751878A (zh) 横波速度的预测方法和装置
CN113608258B (zh) 一种构建高分辨率波阻抗反演标签的自洽深度学习方法
Silva et al. Generative network-based reduced-order model for prediction, data assimilation and uncertainty quantification
Dai et al. Stratigraphic automatic correlation using SegNet semantic segmentation model
Luo et al. Multi-level reservoir identification with logs based on machine learning
CN112907698A (zh) 一种动态融合时序与非时序特征的测井曲线生成方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324