CN114943060A - 基于深度学习与插值回归的页岩气总有机碳预测方法 - Google Patents
基于深度学习与插值回归的页岩气总有机碳预测方法 Download PDFInfo
- Publication number
- CN114943060A CN114943060A CN202210528308.8A CN202210528308A CN114943060A CN 114943060 A CN114943060 A CN 114943060A CN 202210528308 A CN202210528308 A CN 202210528308A CN 114943060 A CN114943060 A CN 114943060A
- Authority
- CN
- China
- Prior art keywords
- organic carbon
- total organic
- toc
- data
- logging
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 230000002285 radioactive effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005553 drilling Methods 0.000 claims description 7
- 229910052776 Thorium Inorganic materials 0.000 claims description 6
- 229910052700 potassium Inorganic materials 0.000 claims description 6
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 claims description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 5
- 239000011591 potassium Substances 0.000 claims description 5
- VBWSWBQVYDBVGA-NAHFVJFTSA-N uranium-234;uranium-235;uranium-238 Chemical compound [234U].[235U].[238U] VBWSWBQVYDBVGA-NAHFVJFTSA-N 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 239000003079 shale oil Substances 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 208000003098 Ganglion Cysts Diseases 0.000 claims description 3
- 208000005400 Synovial Cyst Diseases 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 229910052770 Uranium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Tourism & Hospitality (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Strategic Management (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明公开了一种基于深度学习与插值回归的页岩气总有机碳预测方法,包括:(1)搜集测井与TOC数据;(2)数据清洗与归一化处理;(3)划分训练集、验证集与测试集,并建立总有机碳预测模型;(4)优化总有机碳预测模型,并迭代直至获得稳定的总有机碳深度全连接网络;(5)利用总有机碳深度全连接网络对页岩油气勘探的目标层位进行TOC预测,获取单井TOC值;(6)对缺乏测井数据的数据点进行TOC值的插值回归计算,得到TOC值的时空分布;(7)遍历全工区测井数据,获得工区插值之后的TOC时空分布特征,实现对页岩气总有机碳的预测。本发明能够对页岩(尤其是四川盆地页岩)进行精准、高效、可泛用的总有机碳测井预测。
Description
技术领域
本发明涉及页岩气开发技术领域,特别涉及一种基于深度学习与插值回归的页岩气总有机碳预测方法。
背景技术
随着美国页岩气革命的成功,页岩气资源已经成为全球最为重要的能源之一。在中国,四川盆地页岩气资源丰富,具有分布范围广、富气层系多、厚度大的特征,是中国乃至世界页岩气勘探与开发最为重要的地区之一(邹才能等,2020-“进源找油”;论四川盆地页岩油气)。
为了寻找勘探与开发甜点区,传统的页岩气勘探工作需要获取地层岩心,再对页岩岩心进行岩石热解实验分析岩石中的总有机碳(TOC),从而对地下层系的页岩气勘探价值进行评估。然而这种获取总有机碳的手段费时费力,且往往只能获取不连续的数据点。因此,为了能够进行快速的总有机碳预测,获取连续剖面的总有机碳分布信息,业内通常将测井数据广泛用于对总有机碳进行预测。
目前,传统的TOC评价手段包括:1、地球化学测试;2、地球物理测井评价。传统的地球化学测试的缺点有:(1)需要大量钻孔、岩心样品,工作量大、繁重;(2)测试成本及人工成本高昂;(3)获得的TOC数据不连续,导致预测结果精度较差。而传统的地球物理测井评价方法(例如ΔLogR方法)则存在如下缺点:(1)使用参数信息少;(2)不能进行全工区的时空预测,同样导致总体预测精度同样不高。
此外,随着神经网络技术的发展与进步,在总有机碳预测方面,亦有采用神经网络技术的相关研究,例如基于BP神经网络的预测技术和基于支持向量机的预测技术。基于BP神经网络的预测方法主要利用电阻率、声波、自然伽马、密度测井,对总机碳进行预测。尽管该方法相比传统方法在预测的准确度上有所提高,但是该方法并不具备泛用性,训练好的BP神经网络常常只能应用于很小的范围,并不满足精确、泛用的总有机碳预测需求。而基于支持向量机的预测方法主要利用电阻率、声波、自然伽马、密度测井,运用支持向量机技术对总机碳进行预测。由于该方法对于异常值的响应很差,例如对于具有高总机碳的页岩的预测效果很差,因此也同样不满足精确、泛用的总有机碳预测需求。
另外,公开号:CN113837501A的方案,通过使用深度图神经网络,将多种测井曲线视为具有关联性的多维动态图数据结构输入并分析,能够获得准确的测井曲线与TOC的关系。但该方案采用的模型较为复杂、计算成本高,模型参数冗余且不易更改,容易出现过拟合的问题,并不具备广泛应用的条件。并且该方案也不能进行全工区的时空预测,其只能确保局部预测精度,对总体的预测精度仍然有待提升。
发明内容
针对上述现有技术的不足,本发明提供了一种基于深度学习与插值回归的页岩气总有机碳预测方法,采用深度全连接神经网络+插值回归进行高精度的全工区总有机碳时空预测,能够对页岩(尤其是四川盆地页岩)进行精准、高效、可泛用的总有机碳测井预测。
为实现上述目的,本发明采用的技术方案如下:
基于深度学习与插值回归的页岩气总有机碳预测方法,包括以下步骤:
(1)搜集已公开发表的测井与TOC数据;
(2)对测井数据依次进行数据清洗与归一化处理,实现数据标准化;
(3)利用标准化之后的测井数据与TOC数据划分出训练集、验证集与测试集,并建立总有机碳预测模型;
(4)利用机器学习方法不断优化总有机碳预测模型,获得最优的总有机碳预测模型,并迭代直至获得稳定的总有机碳深度全连接网络;
(5)利用步骤(4)中的总有机碳全连接网络对页岩油气勘探的目标层位进行TOC预测,获取单井TOC值;
(6)对缺乏测井数据的数据点进行TOC值的插值回归计算,得到TOC值的时空分布;
(7)遍历全工区测井数据,获得工区插值之后的TOC时空分布特征,实现对页岩气总有机碳的预测。
作为优选,所述步骤(1)中,采用人工和/或爬虫手段搜集已公开发表的盆地测井与TOC数据。
具体地,所述步骤(1)中,侧近数据包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、深双侧向、电阻率、浅双侧向电阻率、伽马测井、井径测井、随钻电阻曲线,共计12种数据。
具体地,所述步骤(2)中,对侧近数据进行数据清洗包括测井深度与岩心深度校准、异常值与无效值去除。
进一步地,所述步骤(2)中,采用如下公式实现测井数据的归一化处理:
式中,X*为标准化处理后的值,X为当前值,Xmin为数据中最小值,Xmax为数据中最大值。
作为优选,所述步骤(3)中,训练集、验证集与测试集的数据总量按照6∶2∶2进行划分。
具体地,所述步骤(3)中,总有机碳预测模型包含有隐藏层数、隐藏层神经元节点数、激活函数、优化器,并利用格点算法穷举模型超参数;其网络表达式如下:
式中,是第jth层第ith个网络节点的值,其中代表输入的12种测井数据;ReLU是激活函数,且ReLU=max(0,x);l是(j-1)th层的神经节点数;是(j-1)th层第kth个神经元的权重;是第jth层第ith神经元的偏差;为预测的TOC值,且L为模型最后一层的神经元节点。
进一步地,所述步骤(4)中,最优的总有机碳预测模型包含8层隐藏层,且单层50个计算节点,所用优化器为Adam。
再进一步地,所述步骤(4)中,获得稳定的总有机碳深度全连接网络的过程为:
(a)预设隐藏层第一层权重值,其中,设置放射性铀、放射性钍、放射性钾、深双侧向、电阻率、浅双侧向电阻率、伽马测井的权重初始值为10;声波时差、密度的权重初始值为-10;补偿中子、井径测井、随钻电阻的权重初始值为1;
(b)根据权重初始值,进行迭代计算直至获得稳定的总有机碳深度全连接网络。
更进一步地,所述步骤(6)中,采用如下公式对缺乏测井数据的数据点进行TOC值的插值回归计算:
y=β1*TOC强相关+β2*TOC中等相关+β3*TOC弱相关+ξ
式中,y为进行TOC空间插值点的TOC值;β1为0.5到1之间的实数;β2为0.1到0.3之间的实数;β3为0.01到0.1之间的实数;TOC强相关为与预测点有强时空关系的所有数据点均值,即横向距离<200m,垂向深度<50m;TOC中等相关为与预测点有中等时空关系的所有数据点均值,即横向距离200~1000m,垂向深度50~100m;TOC弱相关为与预测点有弱时空关系的所有数据点均值,即横向距离1000~3000m,垂向深度100~200m;ξ为计算误差,取值范围为0到30。
与现有技术相比,本发明具有以下有益效果:
本发明通过合理、全面的参数选用以及节点划分,设计了一种简单、有效的总有机碳预测模型并对其进行了优化(8层隐藏层,单层50个计算节点,ReLU作为激活函数,Adam作为优化器),用于实现对页岩油气勘探的目标层位进行TOC预测,获取单井TOC值,然后结合插值回归计算,实现对页岩气总有机碳的预测。在插值计算中,本发明定义了TOC强相关、中等相关和弱相关的概念和范围,然后以此为基础,融入系数β1、β2、β3以及ξ等参数进行计算,实现插值回归。本发明设计的这种插值回归方案,不仅可以对缺乏测井数据的数据点进行TOC值预测,而且实践表明,其能最大限度保证计算精度和TOC值的有效性,确保获得的TOC数据具有高度相关的连续性,与预测模型结合,直观反映出全工区的时空分布特征,进而为高效的总体预测精度打下坚实基础。
本发明很好地实现了高精度的全工区总有机碳时空预测(经验证,本发明最大能将预测的准确性提高至95%),其预测精度远优于现有技术方案,更利于储层评价和勘探;并且本发明设计的预测模型结构简单、参数易于调整,有效降低了计算成本,更好地符合了实际油气勘探快速高效的需求,减少了实际勘探过程中的计算等待时间。因此,本发明非常适合推广应用。
附图说明
图1为本发明-实施例的流程示意图。
图2为本发明-实施例中采用的总有机碳预测模型的部分示意图。
图3为本发明-实施例中测井数值与总有机碳预测模型获得的预测TOC值示意图。
图4为本发明-实施例中待测点TOC、TOC强相关、TOC中等相关、TOC弱相关之间的关系示意图。
图5为本发明-实施例的TOC值平面预测示意图。
图6为本发明-实施例方案与部分现有技术在总有机碳预测方面的比较示意图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的方式包括但不仅限于以下实施例。
实施例
本实施例提供了一种页岩气总有机碳预测方法,采用了深度全连接神经网络+插值回归进行高精度全工区的总有机碳时空预测。下面对本实施例的主要流程进行阐述,如图1所示。
一、采用人工和/或爬虫技术手段,搜集已公开发表的测井与TOC数据。本实施例中,需要搜集的测井数据包括放射性铀(U)、放射性钍(Th)、放射性钾(K)、声波时差(AC)、补偿中子(CNL)、密度(DEN)、深双侧向(RD)、电阻率(R)、浅双侧向电阻率(RS)、伽马测井(GR)、井径测井(CAL)、随钻电阻(RWD)曲线,共计12种测井曲线。
二、搜集测井数据后,对数据依次进行数据清洗与归一化处理,实现数据标准化。其中,数据清洗处理包括测井深度与岩心深度校准、异常值与无效值去除;对测井数据的归一化处理采用如下公式实现:
式中,X*为标准化处理后的值,X为当前值,Xmin为数据中最小值,Xmax为数据中最大值。
三、在获得标准化的测井数据后,将其与TOC数据分为训练集、验证集与测试集,数据总量按照6∶2∶2进行划分。而后,选择深度全连接网络作为学习模型(即:总有机碳预测模型),该总有机碳预测模型包含有隐藏层数、隐藏层神经元节点数、激活函数、优化器,并利用格点算法穷举模型超参数;其网络表达式如下:
式中,是第jth层第ith个网络节点的值,其中代表输入的12种测井数据;ReLU是激活函数,且ReLU=max(0,x);l是(j-1)th层的神经节点数;是(j-1)th层第kth个神经元的权重;是第jth层第ith神经元的偏差;为预测的TOC值,且L为模型最后一层的神经元节点。
通过机器学习方法,最终确定ReLU算法作为激活函数,Adam作为优化器,8层隐藏层,单层50个计算节点的深度神经网络为最优的总有机碳预测模型,模型的部分示意如图2所示。图3展示了测井数值与最优预测模型获得的预测TOC值的情况。
四、获得稳定的总有机碳深度全连接网络
首先,预设测井隐藏层的第一层权重值。在本实施例中,对U、Th、K、GR、R、RS、RD设置的权重初始值为10,AC、DEN设置的权重初始值为-10,CNL、CAL、RWD设置的权重初始值为1。然后进行1000次迭代计算或者迭代直至获得稳定的总有机碳深度全连接网络。
五、利用总有机碳深度全连接网络对页岩油气勘探的目标层位进行TOC预测,获取单井TOC值。
六、对缺乏测井数据的数据点进行TOC值的插值回归计算,得到TOC值的时空分布,采用的计算公式如下:
y=β1*TOC强相关+β2*TOC中等相关+β3*TOC弱相关+ξ
式中,y为进行TOC空间插值点的TOC值;β1为0.5到1之间的实数;β2为0.1到0.3之间的实数;β3为0.01到0.1之间的实数;TOC强相关为与预测点有强时空关系的所有数据点均值,即横向距离<200m,垂向深度<50m;TOC中等相关为与预测点有中等时空关系的所有数据点均值,即横向距离200~1000m,垂向深度50~100m;TOC弱相关为与预测点有弱时空关系的所有数据点均值,即横向距离1000~3000m,垂向深度100~200m;ξ为计算误差,取值范围为0到30。图4展示了待测点TOC、TOC强相关、TOC中等相关、TOC弱相关之间关系的一种示例。
最后,遍历全工区测井数据,最终获得工区插值之后的TOC时空分布特征,实现对页岩气总有机碳的预测。
图5展示了采用本实施例方案的TOC值平面预测情况,其中,在插值计算上,β1取0.5,β2取0.2,β3取0.06,ξ取21。可以看出,通过深度全连接神经网络+插值回归,可以很好地获得TOC时空分布特征,进而实现对页岩气总有机碳的预测,确定有利的勘探区。
图6展示了在川南地区的龙马溪组页岩上,本实施例方案与部分现有技术在总有机碳预测方面的比较情况。可以看出,与部分现有技术相比,本实施例方案能够将预测的准确性提高至95%(R2=0.95),较ΔLogR技术的准确度提高了17%,较BP神经网络提高了24%的准确度,较支持向量机提高了27%的准确度。并且本实施例方案能够广泛应用于四川盆地诸多富气工区,实现了页岩气资源的高效勘探。进一步地,本发明搜集了众多四川盆地页岩油气钻井测井与TOC数据,基于这些数据所训练的总有机碳预测模型还能准确有效地预测未获取TOC数据的其他四川盆地页岩。
综上,本发明通过采用深度全连接神经网络+插值回归进行高精度全工区的总有机碳时空预测,不仅模型简单、成本低廉、计算效率高,而且很好地实现了精准、高效、可泛用的总有机碳测井预测。本发明与现有技术相比,技术进步明显,具有突出的实质性特点和显著的进步。
上述实施例仅为本发明的优选实施方式之一,不应当用于限制本发明的保护范围,凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (10)
1.基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,包括以下步骤:
(1)搜集已公开发表的测井与TOC数据;
(2)对测井数据依次进行数据清洗与归一化处理,实现数据标准化;
(3)利用标准化之后的测井数据与TOC数据划分出训练集、验证集与测试集,并建立总有机碳预测模型;
(4)利用机器学习方法不断优化总有机碳预测模型,获得最优的总有机碳预测模型,并迭代直至获得稳定的总有机碳深度全连接网络;
(5)利用步骤(4)中的总有机碳全连接网络对页岩油气勘探的目标层位进行TOC预测,获取单井TOC值;
(6)对缺乏测井数据的数据点进行TOC值的插值回归计算,得到TOC值的时空分布;
(7)遍历全工区测井数据,获得工区插值之后的TOC时空分布特征,实现对页岩气总有机碳的预测。
2.根据权利要求1所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(1)中,采用人工和/或爬虫手段搜集已公开发表的盆地测井与TOC数据。
3.根据权利要求1所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(1)中,侧近数据包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、深双侧向、电阻率、浅双侧向电阻率、伽马测井、井径测井、随钻电阻曲线,共计12种数据。
4.根据权利要求3所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(2)中,对侧近数据进行数据清洗包括测井深度与岩心深度校准、异常值与无效值去除。
6.根据权利要求4或5所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(3)中,训练集、验证集与测试集的数据总量按照6∶2∶2进行划分。
8.根据权利要求7所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(4)中,最优的总有机碳预测模型包含8层隐藏层,且单层50个计算节点,所用优化器为Adam。
9.根据权利要求8所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(4)中,获得稳定的总有机碳深度全连接网络的过程为:
(a)预设隐藏层第一层权重值,其中,设置放射性铀、放射性钍、放射性钾、深双侧向、电阻率、浅双侧向电阻率、伽马测井的权重初始值为10;声波时差、密度的权重初始值为-10;补偿中子、井径测井、随钻电阻的权重初始值为1;
(b)根据权重初始值,进行迭代计算直至获得稳定的总有机碳深度全连接网络。
10.根据权利要求6~9任一项所述的基于深度学习与插值回归的页岩气总有机碳预测方法,其特征在于,所述步骤(6)中,采用如下公式对缺乏测井数据的数据点进行TOC值的插值回归计算:
y=β1*TOC强相关+β2*TOC中等相关+β3*TOC弱相关+ξ
式中,y为进行TOC空间插值点的TOC值;β1为0.5到1之间的实数;β2为0.1到0.3之间的实数;β3为0.01到0.1之间的实数;TOC强相关为与预测点有强时空关系的所有数据点均值,即横向距离<200m,垂向深度<50m;TOC中等相关为与预测点有中等时空关系的所有数据点均值,即横向距离200~1000m,垂向深度50~100m;TOC弱相关为与预测点有弱时空关系的所有数据点均值,即横向距离1000~3000m,垂向深度100~200m;ξ为计算误差,取值范围为0到30。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528308.8A CN114943060B (zh) | 2022-05-16 | 2022-05-16 | 基于深度学习与插值回归的页岩气总有机碳预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528308.8A CN114943060B (zh) | 2022-05-16 | 2022-05-16 | 基于深度学习与插值回归的页岩气总有机碳预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943060A true CN114943060A (zh) | 2022-08-26 |
CN114943060B CN114943060B (zh) | 2023-04-21 |
Family
ID=82906256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210528308.8A Active CN114943060B (zh) | 2022-05-16 | 2022-05-16 | 基于深度学习与插值回归的页岩气总有机碳预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943060B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014117A (zh) * | 2023-12-28 | 2024-05-10 | 中国石油大学(北京) | 湖相混积页岩中总有机碳含量确定方法、装置及相关产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016085466A1 (en) * | 2014-11-25 | 2016-06-02 | Halliburton Energy Services, Inc. | Predicting total organic cargbon (toc) using a radial basis function (rbf) model and nuclear magnetic resonance (nmr) data |
CN110728197A (zh) * | 2019-09-19 | 2020-01-24 | 中山大学 | 基于深度学习的单木级树种识别方法 |
CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
CN113835138A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于深度编码解码网络预测页岩总有机碳含量的方法 |
CN113837501A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
CN114384604A (zh) * | 2021-12-31 | 2022-04-22 | 核工业北京地质研究院 | 一种基于铀成矿要素优选砂岩型铀矿有利含铀区的方法 |
-
2022
- 2022-05-16 CN CN202210528308.8A patent/CN114943060B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016085466A1 (en) * | 2014-11-25 | 2016-06-02 | Halliburton Energy Services, Inc. | Predicting total organic cargbon (toc) using a radial basis function (rbf) model and nuclear magnetic resonance (nmr) data |
CN110728197A (zh) * | 2019-09-19 | 2020-01-24 | 中山大学 | 基于深度学习的单木级树种识别方法 |
CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
CN113835138A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于深度编码解码网络预测页岩总有机碳含量的方法 |
CN113837501A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
CN114384604A (zh) * | 2021-12-31 | 2022-04-22 | 核工业北京地质研究院 | 一种基于铀成矿要素优选砂岩型铀矿有利含铀区的方法 |
Non-Patent Citations (3)
Title |
---|
DONGYU ZHENG 等: "Fully connected deep network: An improved method to predict TOC of shale reservoirs from well logs" * |
任向宁;董玉祥;: "基于地理探测器的区域土壤耕层有机碳含量多元复合模型构建――以珠三角核心区为例" * |
耿广坡;高鹏;吕圣桥;张杰;: "鲁中南山区马蹄峪小流域土壤有机质和全氮空间分布特征" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014117A (zh) * | 2023-12-28 | 2024-05-10 | 中国石油大学(北京) | 湖相混积页岩中总有机碳含量确定方法、装置及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114943060B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107100611B (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
CN112733443B (zh) | 一种基于虚拟监测点的供水管网模型参数优化校核方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN114943060A (zh) | 基于深度学习与插值回归的页岩气总有机碳预测方法 | |
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
CN109558615B (zh) | 油气勘探决策树分析方法及系统 | |
Shi et al. | Acoustic impedance inversion in coal strata using the priori constraint-based TCN-BiGRU method | |
CN115204277A (zh) | 一种基于多阈值量化输出观测的渐近最优岩性预测方法 | |
CN114841892A (zh) | 一种基于全连接网络的稀疏导波数据恢复方法 | |
CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
CN114722702A (zh) | 一种耦合bpnn回归和bn分类的供水管道破损预测模型的建立方法 | |
CN112464483A (zh) | 一种基于遗传神经网络算法的测井曲线重构方法 | |
CN116859467A (zh) | 一种烃源岩toc预测方法 | |
CN114021804B (zh) | 一种断层-岩性油气藏油气储量预测模型的构建方法 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
Yin et al. | FOA Application in the GRNN Optimization for CBM Productivity Prediction | |
Cui et al. | Rapid construction of Rayleigh wave dispersion curve based on deep learning | |
CN109521176B (zh) | 一种基于改进深度极限学习机的虚拟水质监测方法 | |
Maroufi et al. | Accurate Estimation of Residual Hydrocarbon Potential by Removing the Adverse Effects of Lithological Variations on the Training Process of Adaptive Neuro-Fuzzy Inference System |
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 |