CN111723526A - 动态回归委员会机器测井储层参数预测方法及系统 - Google Patents
动态回归委员会机器测井储层参数预测方法及系统 Download PDFInfo
- Publication number
- CN111723526A CN111723526A CN202010584524.5A CN202010584524A CN111723526A CN 111723526 A CN111723526 A CN 111723526A CN 202010584524 A CN202010584524 A CN 202010584524A CN 111723526 A CN111723526 A CN 111723526A
- Authority
- CN
- China
- Prior art keywords
- parameter prediction
- reservoir parameter
- combiner
- model
- expert
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 4
- 230000035699 permeability Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
- G01V11/002—Details, e.g. power supply systems for logging instruments, transmitting or recording data, specially adapted for well logging, also if the prospecting method is irrelevant
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种动态回归委员会机器测井储层参数预测方法及系统，该方法包括：构建动态回归委员会机器DRCM；通过门网络对用于模型训练的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。本发明在实际油气勘探开发智能测井解释过程中能够提升储层参数预测模型的精度、稳定性和泛化能力。
Description
技术领域
本发明涉及地球物理测井领域，更具体地，涉及一种动态回归委员会机器测井储层参数预测方法及系统。
背景技术
在油气地球物理测井解释工作中，孔隙度、渗透率、饱和度等储层参数对地下储层定量评价具有重要作用。现有方法一般根据实际工区建立简化的物理模型来计算上述参数，或者通过常规测井数据与岩心岩石物理实验数据间的线性关系拟合经验公式；另外，一些成像测井方法在储层参数计算中具有很好的优势，比如，一般情况下核磁共振测井能够提供与岩性无关的较为准确的孔隙度。近年来，人工智能算法发展迅速，强大的非线性逼近能力使其在复杂油气储层参数评价中具有较好的应用效果。采用神经网络、支持向量机等智能算法能够较好的实现孔隙度、渗透率、饱和度等储层参数的预测。
然而，实际油气储层勘探开发过程中，复杂储层常常具有岩性致密、非均质性强、物性关系差等特征，上述方法中简化的体积模型不适用。而且，测井数据与岩心实验数据间常为非线性关系，建立的线性经验公式精度较差，推广能力不佳。核磁共振等成像测井技术虽然能够提供准确的孔隙度等储层参数信息，但这些方法相对昂贵，应用范围较小。智能算法在非线性拟合方面具有显著的优势，但其对数据集质量要求较高，容易过拟合或陷入局部极小值，训练的储层参数模型精度低、稳定性差、泛化能力不佳。联合多专家的委员会机器在一定程度上克服了这一问题，但受限于专家自身性能，集成模型的精度提升能力有限，而且，加权平均等组合策略的权值计算困难，最终模型的可靠性较差。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的动态回归委员会机器测井储层参数预测方法及系统。
根据本发明实施例的第一方面，提供一种动态回归委员会机器测井储层参数预测方法，该方法包括：通过输入层对用于模型训练的第一输入数据进行归一化，通过门网络对所述归一化数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；通过输出层输出并保存所述训练得到的目标测井储层参数预测模型；将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
根据本发明实施例第二方面，提供了一种动态回归委员会机器测井储层参数预测系统，该系统包括：构建模块，用于构建动态回归委员会机器DRCM，其中，DRCM包括输入层、门网络、专家层、组合器和输出层；输入层，用于接收第一输入数据及对数据进行归一化；门网络模块，用于通过门网络对所述归一化数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层模块，专家层包括多个专家，用于将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；组合器模块，接收子模型及其对应的测试误差，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；输出层，输出并保存所述训练得到的目标测井储层参数预测模型；预测模块，用于将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的动态回归委员会机器测井储层参数预测方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的动态回归委员会机器测井储层参数预测方法。
本发明实施例提供的动态回归委员会机器测井储层参数预测方法及系统，采用简化学习任务的方式降低专家训练难度，提升专家训练子模型精度；由于采用了多专家并行训练方式，当单个专家表现较差时，通过优化子模型组合可以消除这一影响，智能系统稳定性增强；组合器建立了子数据集和专家适应关系，实现了专家层模块化学习，实际预测时可以根据不同任务特征将预测任务分配给不同专家，增强训练模型的泛化能力。此外，组合器接收门网络隶属度矩阵并赋值给子模型作为加权系数，建立了子模型模糊规则，提高了最终模型的稳定性。相比其他方法，本方法在实际油气勘探开发智能测井解释过程中能够提升回归储层参数预测模型的精度、稳定性和泛化能力，对油田测井数据动态分析和处理具有重要作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的动态回归委员会机器测井储层参数预测方法的流程示意图；
图2为本发明实施例提供的动态回归委员会机器学习框架示意图；
图3为本发明实施例提供的我国西部某研究区某井动态回归委员会机器测井解释与参数预测示意图；
图4为本发明实施例提供的动态回归委员会机器测井储层参数预测系统的结构示意图；
图5为本发明实施例提供的电子设备的实体结构示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
针对现有技术中存在的上述问题，本发明实施例提供一种动态回归委员会机器测井储层参数预测方法，首先对该方法的整体原理进行说明：动态回归委员会机器测井储层参数预测实际上是将复杂的学习任务进行简化，即通过门网络对数据集内在特征进行预学习，将其划分为多组学习任务并分配给专家层进行训练。由于训练难度降低，训练得到的子模型预测精度相应提升的同时保证了子模型复杂度降低，而相对简单的子模型能够提供了更稳定的预测结果；而且，采用组合器对子模型适应关系进行优化，在预测未知任务时可以利用这一适应关系进一步提升泛化能力。具体地，参见图1，该方法包括但不限于如下步骤：
步骤101、构建动态回归委员会机器DRCM，其中，DRCM包括输入层、门网络、专家层、组合器和输出层。
具体地，输入层和输出层分别用来进行第一输入数据接收(包括归一化)和目标测井储层参数预测模型输出；门网络、专家层和组合器是动态回归委员会机器的主要组成部分，分别承担预学习、专家训练和子模型组合任务。DRCM的结构可参见图2。其中，箭头方向代表学习任务传递方向，连接门网络和组合器的箭头代表将门网络隶属度矩阵传递给组合器的过程。当输出模型性能满足要求后，最佳模型构建完毕，从而可以将待预测数据输入到训练模型后得到储层参数预测结果。
步骤102、通过门网络对归一化后的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器。
其中，作为一种可选实施例，第一输入数据包括测井数据和岩心岩石物理实验数据。
其中，作为一种可选实施例，DRCM还包括输入层；将用于模型训练的第一输入数据输入至门网络中进行预学习之前，即在步骤102之前，该方法还包括：通过输入层对第一输入数据进行归一化计算，获得归一化后的数据集。该步骤具体可参见如下步骤A。
具体地，采用动态回归委员会机器进行测井储层参数预测模型构建和实际储层参数预测步骤如下：
A.在输入层中，对测井数据和岩心数据构建的输入数据集XT进行归一化计算，消除量纲差异对训练过程造成的影响；
在步骤102中，作为一种可选实施例，通过门网络对用于模型训练的第一输入数据进行预学习，将数据集划分为多个子数据集，包括：将归一化后的数据集输入至门网络，采用模糊C均值聚类算法，以类内差异足够小且类间差异足够大的原则将所述归一化数据集划分为多个子数据集。
具体地，该步骤可参见如下步骤B。
B.门网络采用模糊C均值聚类算法，接收归一化后的输入数据X并进行预学习，以类内差异足够小而类间差异足够大为原则将数据集划分为多个子数据集Xk，并将隶属度矩阵U传递给组合器；
式中，J为模糊C均值聚类算法目标函数，V为聚类质心，X为输入数据，M为数据集大小，C为聚类类别，q为模糊指数，uik为第i个数据属于k类的隶属度，‖·‖2为2范数。模糊C均值聚类通过迭代U和V实现目标函数最优，从而得到以隶属度为模糊判别依据的最终聚类结果。
步骤103、专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差。
其中，作为一种可选实施例，测试误差为测试集平均相对误差；多个专家包括BP神经网络、支持向量机、径向基神经网络、极限学习机和Elman神经网络。具体地，步骤103具体可参见如下步骤C。
C.专家层包括N个专家，每个专家均接收上述子数据集Xk进行训练得到同等数量的子模型，记录子模型并输出子模型测试集平均相对误差enk；
式中，E(·)为期望，且在测井储层参数预测中
恒大于零。
步骤104、将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型。
其中，作为一种可选实施例，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型，包括：
通过组合器利用最小误差准则获得每种子数据集分别对应的最佳子模型及其对应的最佳子模型专家，并确定最佳子模型及其对应的最佳子模型专家的最佳适应关系；
通过隶属度矩阵对最佳子模型进行加权，建立最佳子模型的模糊关系，以获得由最佳子模型组成的目标测井储层参数预测模型。
具体地，本步骤可参见如下步骤D。
D.组合器接收上述子模型和对应测试误差，根据最小误差准则优选出每种子数据集对应的最佳子模型及专家，确定子数据集和专家的最佳适应关系D；将上述隶属度矩阵对子模型输出yi进行加权，建立子模型模糊关系，从而得到由最佳子模型共同组成的最终测井储层参数预测模型。
步骤105、将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
其中，在本步骤之前，作为一种可选实施例，DRCM还包括输出层；将待预测的第二输入数据输入至目标测井储层参数预测模型之前，还包括：通过输出层输出目标测井储层参数预测模型。也即如下步骤E。
E.输出层输出上述构建的最终储层参数预测模型。
具体地，在本步骤105中，作为一种可选实施例，第二输入数据包括测井数据。本步骤具体可参见如下步骤F。
F.采用上述最终储层参数预测模型对其他井数据进行储层参数预测。
综上，本发明实施例提供的上述动态回归委员会机器测井储层参数预测方法，通过在委员会机器学习框架中添加门网络，对输入数据进行预学习，得到多个子数据集；再由专家层对这些子数据进行训练或预测，得到多个子模型或预测结果；最后，利用组合器对这些子模型或预测结果进行优选，得到最佳的储层参数预测模型或最终预测结果，从而采用简化学习任务的方式提升储层参数预测模型的性能。
并且，动态回归委员会机器(DRCM)由输入层、门网络、专家层、组合器和输出层构成，将测井数据和岩心数据构建的输入数据集依次通过各层进行子数据集划分、专家训练、子模型组合得到最终储层参数预测模型。该过程采用“分而治之”的工作原理，即利用简化的子数据集训练多个子模型，保证了每个专家的训练性能，建立了子数据集和专家的适应关系评价方法，提高了智能算法在测井储层参数计算工作中动态学习的能力。
应当说明的是，本发明实施例的技术关键点是针对测井解释中的储层参数预测难题，构建了动态回归委员会机器学习方法，该方法通过门网络划分子任务，采用专家层对子任务进行训练得到子模型，利用组合器对上述子模型组合进行优化得到最佳预测模型。
并且，本发明实施例提供的方法至少具有如下有益效果：构建了针对数据集特征，自动进行子数据集划分，降低专家训练难度，简化子模型结构，从而提升模型精度和稳定性；通过多个专家对子数据集进行学习，分析训练得到的子模型性能，并利用组合器建立子数据集与专家间的最佳适应关系，得到最优化子模型组合，即最佳参数预测模型。由于不同的专家对不同特征的子数据集具有不同的适应关系，确立两者之间的关系有利于提升专家自身性能，从而提升整体模型性能。克服了专家性能受限和组合关系难以确定的问题，在实际测井储层参数预测中具有显著的应用效果。
另外，本发明实施例采用简化学习任务的方式降低专家训练难度，提升专家训练子模型精度；由于采用了多专家并行训练方式，当单个专家表现较差时，通过优化子模型组合可以消除这一影响，智能系统稳定性增强；组合器建立了子数据集和专家适应关系，实现了专家层模块化学习，实际预测时可以根据不同任务特征将预测任务分配给不同专家，增强训练模型的泛化能力。此外，组合器接收门网络隶属度矩阵并赋值给子模型作为加权系数，建立了子模型模糊规则，提高了最终模型的稳定性。相比其他方法，本方法在实际油气勘探开发智能测井解释过程中能够提升回归储层参数预测模型的精度、稳定性和泛化能力，对油田测井数据动态分析和处理具有重要作用。
并且，本发明实施例以致密砂岩渗透率预测为例进行了上述技术方案有益效果阐述，实际上可以适用于孔隙度、饱和度以及有机页岩的TOC等多种储层参数模型的构建和数值预测。
为了对上述方法进行说明，以下提供一具体计算实例：
利用我国西部某研究区10口井测井数据构建包含1496组数据的训练集。选取对渗透率敏感的测井系列，即自然伽马测井(GR)、声波测井(AC)、补偿密度测井(DEN)、中子密度测井(CNL)、电阻率测井(RT)作为特征数据，岩心渗透率岩石物理实验数据作为标签数据。将构建的训练集作为输入，依次采用上述动态回归委员会机器储层参数预测步骤进行计算。
A.对数据集进行归一化计算消除量纲差异，提高智能算法计算效率。采用公式1对输入训练集中的特征数据进行归一化计算，标签数据不变。同时，将数据集整体以5：1的比例分为训练集和测试集，为步骤C提供训练优化指标。
B.采用门网络对上述归一化数据集进行预学习。门网络算法采用模糊C均值聚类算法，聚类类别设定为5，采用公式2作为目标函数，通过迭代公式3～4使目标函数达到最优，确定最佳聚类中心V和隶属度矩阵U。特征数据聚类部分结果如表1所示，以最大隶属度原则将数据集反模糊化，划分为5个不同的子数据集，并将隶属度矩阵传递给组合器作为重新构建子模型模糊关系的指标。
表1特征数据模糊C均值聚类部分结果
| 序号 | GR | RT | DEN | CNL | DT | 隶属度矩阵 | 聚类簇 |
| 1 | 45.758 | 184.119 | 2.760 | 10.171 | 41.445 | [0.256 0.118 0.204 0.190 0.233] | 1 |
| 2 | 17.309 | 469.011 | 2.724 | 5.596 | 42.652 | [0.221 0.167 0.192 0.204 0.216] | 1 |
| 3 | 19.060 | 580.184 | 2.684 | 6.034 | 42.954 | [0.215 0.177 0.193 0.204 0.210] | 1 |
| 4 | 41.414 | 53.124 | 2.136 | 7.052 | 58.406 | [0.142 0.297 0.112 0.245 0.204] | 2 |
| 5 | 38.444 | 52.704 | 2.020 | 6.273 | 57.285 | [0.156 0.278 0.130 0.233 0.203] | 2 |
| 6 | 40.024 | 52.738 | 2.089 | 5.475 | 56.838 | [0.153 0.278 0.122 0.240 0.207] | 2 |
| 7 | 105.162 | 61.272 | 2.520 | 22.039 | 58.597 | [0.101 0.046 0.622 0.110 0.122] | 3 |
| 8 | 105.463 | 74.274 | 2.500 | 21.542 | 57.041 | [0.134 0.053 0.519 0.138 0.155] | 3 |
| 9 | 121.356 | 73.222 | 2.580 | 32.402 | 57.703 | [0.140 0.086 0.520 0.123 0.131] | 3 |
| 10 | 45.630 | 55.672 | 2.424 | 6.426 | 57.812 | [0.119 0.158 0.064 0.340 0.320] | 4 |
| 11 | 43.546 | 54.320 | 2.366 | 6.526 | 57.934 | [0.120 0.215 0.073 0.323 0.269] | 4 |
| 12 | 52.628 | 54.057 | 2.242 | 5.131 | 56.035 | [0.150 0.248 0.101 0.270 0.230] | 4 |
| 13 | 63.620 | 52.650 | 2.520 | 10.180 | 58.390 | [0.073 0.041 0.034 0.238 0.614] | 5 |
| 14 | 33.290 | 55.268 | 2.522 | 4.942 | 57.843 | [0.148 0.132 0.078 0.285 0.357] | 5 |
| 15 | 42.484 | 51.806 | 2.520 | 6.650 | 57.949 | [0.133 0.108 0.068 0.292 0.399] | 5 |
C.利用专家层的不同专家对上述子数据集进行训练。专家分别采用BP神经网络、支持向量机、径向基神经网络、极限学习机、Elman神经网络，5个专家同时训练所有子数据集得到25个子模型，并采用公式5计算子模型测试集输出和标签数据的平均相对误差。
D.组合器通过上述子模型测试集平均相对误差对子模型组合进行最优化分析。针对每个子数据集，输出性能最优的子模型，得到最优化的子模型组合。此外，由于门网络实际输出为基于隶属度矩阵的模糊聚类结果，在子数据集构建过程中采用最大隶属度原则明确划分了数据集，因此在组合器中接收门网络传递的隶属度矩阵，并作为权重分配给各个子模型，重新构建子模型间的模糊关系。
E.输出最终渗透率预测模型；
F.采用上述构建的渗透率预测模型对研究区某井进行渗透率预测。针对该井2835～2875m深度段，每隔0.1m取GR、AC、DEN、CNL、RT共5个测井系列实测值作为输入数据，依次通过训练好的门网络、专家层、组合器进行渗透率预测。预测结果如图3所示，第1、4道为不同系列的测井数据，第2道为深度道，第3道包括电阻率测井和渗透率计算结果，第5道为饱和度计算结果，第6道为地层剖面和孔隙度计算结果。对于第3道的渗透率计算结果，品红色圈代表岩心实验渗透率，品红色曲线代表动态回归委员会机器预测渗透率，褐色曲线代表模型计算渗透率。其中，模型渗透率计算结果与岩心数据差距较大，而动态回归委员会机器预测渗透率与岩心数据具有很好的对应关系，其平均相对误差为18.51％，此结果比其他方法的预测结果均好。
此外，采用上述动态回归委员会机器还对上述井同井段的孔隙度和饱和度进行了模型训练和数值预测，预测结果分别显示在图3中的道5和道6。通过对比发现，相对于其他方法，动态回归委员会机器构建的孔隙度、饱和度模型具有更好的精度，其平均相对误差分别为8.86％和8.23％。
基于上述实施例的内容，本发明实施例提供了一种动态回归委员会机器测井储层参数预测系统，该动态回归委员会机器测井储层参数预测系统用于执行上述方法实施例中的动态回归委员会机器测井储层参数预测方法。参见图4，该系统包括：构建模块201，用于构建动态回归委员会机器DRCM，其中，DRCM包括输入层、门网络、专家层、组合器和输出层；门网络模块202，用于通过门网络对输入层归一化后的第一输入数据进行预学习，将数据集划分为多个子数据集，并将隶属度矩阵传递至组合器；专家层模块203，专家层包括多个专家，用于将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；组合器模块204，接收子模型及其对应的测试误差，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；预测模块205，用于将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
本发明实施例提供了一种电子设备，如图5所示，该设备包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序，以执行上述各实施例提供的动态回归委员会机器测井储层参数预测方法，例如包括：构建动态回归委员会机器DRCM，其中，DRCM包括输入层、门网络、专家层、组合器和输出层；通过门网络对用于模型训练的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的动态回归委员会机器测井储层参数预测方法，例如包括：通过输入层对用于模型训练的第一输入数据进行归一化，通过门网络对所述归一化第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至组合器；专家层包括多个专家，将子数据集分别输入至每个专家以进行训练，获得多个子模型及每个子模型对应的测试误差；将子模型及其对应的测试误差输入至组合器，获得组合器输出的由最佳子模型组成的目标测井储层参数预测模型；通过输出层输出并保存所述训练得到的目标测井储层参数预测模型；将待预测的第二输入数据输入至目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动态回归委员会机器测井储层参数预测方法，其特征在于，包括：
构建动态回归委员会机器DRCM，其中，DRCM包括门网络、专家层和组合器；
通过所述门网络对用于模型训练的归一化后的第一输入数据进行预学习，将数据集划分为多个子数据集，并将对应隶属度矩阵传递至所述组合器；
所述专家层包括多个专家，将所述子数据集分别输入至每个所述专家以进行训练，获得多个子模型及每个所述子模型对应的测试误差；
将所述子模型及其对应的所述测试误差输入至所述组合器，获得所述组合器输出的由最佳子模型组成的目标测井储层参数预测模型；
将待预测的第二输入数据输入至所述目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
2.根据权利要求1所述的方法，其特征在于，所述DRCM还包括输入层；所述将用于模型训练的第一输入数据输入至所述门网络中进行预学习之前，还包括：
通过所述输入层对所述第一输入数据进行归一化计算，获得归一化后的所述数据集。
3.根据权利要求1所述的方法，其特征在于，所述DRCM还包括输出层；所述将待预测的第二输入数据输入至所述目标测井储层参数预测模型之前，还包括：
通过所述输出层输出所述目标测井储层参数预测模型。
4.根据权利要求2所述的方法，其特征在于，所述通过所述门网络对用于模型训练的第一输入数据进行预学习，将数据集划分为多个子数据集，包括：
将所述归一化后的数据集输入至所述门网络，采用模糊C均值聚类算法，以类内差异足够小且类间差异足够大的原则将所述归一化后的数据集划分为多个子数据集。
5.根据权利要求1所述的方法，其特征在于，所述测试误差为测试集平均相对误差；所述多个专家包括BP神经网络、支持向量机、径向基神经网络、极限学习机和Elman神经网络。
6.根据权利要求1所述的方法，其特征在于，所述获得所述组合器输出的由最佳子模型组成的目标测井储层参数预测模型，包括：
通过所述组合器，利用最小误差准则获得每种所述子数据集分别对应的所述最佳子模型及其对应的最佳子模型专家，并确定所述最佳子模型及其对应的最佳子模型专家的最佳适应关系；
通过所述隶属度矩阵对所述最佳子模型进行加权，建立所述最佳子模型的模糊关系，以获得由所述最佳子模型组成的所述目标测井储层参数预测模型。
7.根据权利要求1所述的方法，其特征在于，所述第一输入数据包括测井数据和岩心岩石物理实验数据；所述第二输入数据包括测井数据。
8.一种动态回归委员会机器测井储层参数预测系统，其特征在于，包括：
构建模块，用于构建动态回归委员会机器DRCM，其中，DRCM包括门网络、专家层和组合器；
门网络模块，用于通过所述门网络对用于模型训练的归一化后的第一输入数据进行预学习，将数据集划分为多个子数据集，并将隶属度矩阵传递至所述组合器；
专家层模块，所述专家层包括多个专家，用于将所述子数据集分别输入至每个所述专家以进行训练，获得多个子模型及每个所述子模型对应的测试误差；
组合器模块，接收所述子模型及其对应的所述测试误差，获得所述组合器输出的由最佳子模型组成的目标测井储层参数预测模型；
预测模块，用于将待预测的第二输入数据输入至所述目标测井储层参数预测模型，获得输出的测井储层参数预测结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述动态回归委员会机器测井储层参数预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述动态回归委员会机器测井储层参数预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010584524.5A CN111723526A (zh) | 2020-06-24 | 2020-06-24 | 动态回归委员会机器测井储层参数预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010584524.5A CN111723526A (zh) | 2020-06-24 | 2020-06-24 | 动态回归委员会机器测井储层参数预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111723526A true CN111723526A (zh) | 2020-09-29 |
Family
ID=72568562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010584524.5A Pending CN111723526A (zh) | 2020-06-24 | 2020-06-24 | 动态回归委员会机器测井储层参数预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723526A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052250A (zh) * | 2021-03-31 | 2021-06-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于气象灾害决策支持方法、系统、装置及介质 |
| CN113139568A (zh) * | 2021-02-22 | 2021-07-20 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO930575D0 (no) * | 1992-03-16 | 1993-02-18 | Texaco Development Corp | Fremgangsmaate for aa vurdere permeabiliteten til formasjoner ut fra logger som anvender nervenettverk |
| US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
| US20130318016A1 (en) * | 2012-05-23 | 2013-11-28 | King Fahd University Of Petroleum And Minerals | Method of predicting gas composition |
| CN108665109A (zh) * | 2018-05-15 | 2018-10-16 | 中国地质大学（北京） | 一种基于回归委员会机器的储层参数测井解释方法 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
-
2020
- 2020-06-24 CN CN202010584524.5A patent/CN111723526A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO930575D0 (no) * | 1992-03-16 | 1993-02-18 | Texaco Development Corp | Fremgangsmaate for aa vurdere permeabiliteten til formasjoner ut fra logger som anvender nervenettverk |
| US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
| US20130318016A1 (en) * | 2012-05-23 | 2013-11-28 | King Fahd University Of Petroleum And Minerals | Method of predicting gas composition |
| CN108665109A (zh) * | 2018-05-15 | 2018-10-16 | 中国地质大学（北京） | 一种基于回归委员会机器的储层参数测井解释方法 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| GOODBAND J H等: "A mixture of experts committee machine to design compensators for intensity modulated radiation therapy", 《PATTERN RECOGNITION》 * |
| 姚尚锋等: "基于支持向量机委员会机器的个人信用评估模型", 《数学的实践与认识》 * |
| 李洪奇等: "复杂储层测井评价数据挖掘方法研究", 《石油学报》 * |
| 潘意: "专家混合系统研究及其应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139568A (zh) * | 2021-02-22 | 2021-07-20 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
| CN113139568B (zh) * | 2021-02-22 | 2022-05-10 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
| CN113052250A (zh) * | 2021-03-31 | 2021-06-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于气象灾害决策支持方法、系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN104866578B (zh) | 一种不完整物联网数据混合填充方法 | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN111324990A (zh) | 基于多层长短期记忆神经网络模型的孔隙度预测方法 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN110619084B (zh) | 一种根据图书馆读者借阅行为进行图书推荐的方法 | |
| CN112733449A (zh) | 一种cnn井震联合反演方法、系统、存储介质、设备及应用 | |
| CN112836802A (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN111723526A (zh) | 动态回归委员会机器测井储层参数预测方法及系统 | |
| KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
| CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
| CN113359212A (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
| CN113627607B (zh) | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 | |
| CN113343574A (zh) | 基于神经网络的Mishrif组岩性测井识别方法 | |
| CN114091333A (zh) | 一种基于机器学习的页岩含气量人工智能预测方法 | |
| CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
| CN117726939A (zh) | 一种基于多特征融合的高光谱图像分类方法 | |
| CN117195089A (zh) | 基于机器学习的低渗透油气藏储层损害评价及预测方法 | |
| CN116398114A (zh) | 一种小样本条件下的储层物性参数智能预测方法及系统 |
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 |
Application publication date: 20200929 |
|
| RJ01 | Rejection of invention patent application after publication |