CN117076921A - 基于残差全连接网络的随钻测井电阻率曲线的预测方法 - Google Patents
基于残差全连接网络的随钻测井电阻率曲线的预测方法 Download PDFInfo
- Publication number
- CN117076921A CN117076921A CN202310900581.3A CN202310900581A CN117076921A CN 117076921 A CN117076921 A CN 117076921A CN 202310900581 A CN202310900581 A CN 202310900581A CN 117076921 A CN117076921 A CN 117076921A
- Authority
- CN
- China
- Prior art keywords
- data
- logging
- seismic
- drilling
- resistivity
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011160 research Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 101150050927 Fcgrt gene Proteins 0.000 description 1
- 102100026120 IgG receptor FcRn large subunit p51 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于残差全连接网络的随钻测井电阻率曲线的预测方法包括:基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集;其中数据集包括训练数据集和测试数据集;将训练数据集输入基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型,输出预测的电阻率结果,并与训练数据集中实际电阻率值代入损失函数计算获得损失值;根据损失值计算梯度,并利用梯度和反向传播对预测模型的权重进行修正;基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果。本发明的方法对钻头前方随钻测井的电阻率曲线进行预测,基于预测结果指导待钻区域的岩性识别工作,进一步降低钻探风险和提高随钻决策依据。
Description
技术领域
本发明属于海洋油气地质勘探和人工智能与深度学习技术领域,具体涉及基于残差全连接网络的随钻测井电阻率曲线的预测方法。
背景技术
随着信息技术的深入发展,人工智能技术被广泛地应用于各个领域。人工智能技术是依据机器学习与深度学习的算法,对历史大数据进行挖掘。深度学习(Deep Learning,DL)是机器学习(Machine Learning,ML)领域中的一个新的研究方向,是一种学习数据的内在规律,对数据进行表征学习的算法模型。
残差全连接网络(Fully Connected Residual Networks,FCRN)是一类将残差结构引入全连接网络中解决深度神经网络反向传播时梯度消失或爆炸,以及网络退化等问题。但在地球物理领域较少采用该网络结构,但在军事领域评估目标威胁、电力行业监控异常行为、图像领域识别动态手势有较为广泛的应用。
目前工程中,由于钻井过程中泥浆冲洗液对地层进行污染,导致测井数据的误差,对随钻测井的需求与日俱增,但随钻所测得的参数较少仅有电阻率与自然伽马。同时,在异常高压油气藏和复杂构造油气藏勘探过程中,钻头前深度和压力预测精度不高、复杂构造探明不清易产生钻井灾害。
发明内容
发明目的:为了克服现有技术中的不足,本发明提供一种基于残差全连接网络的随钻测井电阻率曲线的预测方法,通过本发明的方法对钻头前方随钻测井的电阻率曲线进行预测,基于预测结果指导待钻区域的岩性识别工作,进一步降低钻探风险和提高随钻决策依据。
技术方案:第一方面本发明提供一种基于残差全连接网络的测井电阻率曲线的预测方法,包括:
分别获取研究区待钻区域的地震背景数据、地质背景数据以及测井数据;
基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集;其中数据集包括训练数据集和测试数据集;
将训练数据集输入基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型,输出预测的电阻率结果;
将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值;
根据损失值计算梯度,并利用梯度获得优化后的损失值,以及基于优化后的损失值进行反向传播用于修正预测模型的权重,获得修正后的预测模型;
基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果。
在进一步的实施例中,所述地震背景数据包括:地震属性、地震构造解释模型、地震反演结果;其中,地震属性包括层速度、瞬时频率和地震震幅;
所述地质背景数据包括岩性框架模型;
所述测井数据包括时间序列和电阻率曲线。
在进一步的实施例中,基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集的方法包括:
对研究区待钻区域地震背景数据、地质背景数据以及测井数据分别进行异常值剔除、标准化处理以及根据主控因素设置优选地震属性数据,获得异常值剔除、标准化以按照地震属性数据优先级排序的数据集;
将数据集中的数据按照70%:30%的比例划分为训练数据集和测试数据集。
在进一步的实施例中,对研究区待钻区域地震背景数据、地质背景数据以及测井数据分别进行异常值剔除、标准化处理以及根据主控因素设置优选地震属性数据,获得异常值剔除、标准化以按照地震属性数据优先级排序的数据集的方法包括:
对研究区待钻区域的地震背景数据、地质背景数据以及测井数据中存在的异常突变点进行删除或基于异常点上下点进行插值,获得研究区待钻区域剔除异常值的数据;
对研究区待钻区域剔除异常值的数据进行标准化处理,获得研究区待钻区域标准化的数据集;
对研究区待钻区域标准化后数据集中的地震属性与电阻率曲线进行主控因素分析,获得因变量和自变量,其中,因变量为电阻率曲线值,自变量为地震属性包括层速度、瞬时频率和地震震幅;
对自变量进行计算,获得每个自变量即不同地震属性与电阻率曲线值的灰色关联系数;
按照从大到小原则对灰色关联系数进行排序,并基于排序结果选择三类排名高于其它的灰色关联系数作为训练实际采用的地震属性数据。
在进一步的实施例中,对研究区待钻区域剔除异常值的数据进行标准化处理中,所述标准化处理的表达式为:
式中x指数据集;mean()指数据集的均值;std()指数据集的标准差。
在进一步的实施例中,基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型中的网络结构由多个双重残差块组成,单个双重残差块包含两个全连接层,全连接层包含输入层、隐含层、BN层、输出层。
在进一步的实施例中,将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值,所述损失函数的表达式为:
Loss(y)=ω(η)[J(x)-J(y)]2
式中,x是输入的参数向量;y是电阻率曲线标签;J代表残差全连接网络所得到的预测电阻率值;Loss()表示目标函数;ω(η)表示预测电阻率值的权重,即残差全连接网络中输出层前一层的权重。
在进一步的实施例中,根据损失值计算梯度,并利用梯度进行反向传播对预测模型的权重进行修正,获得修正后的预测模型的方法包括:
在进一步的实施例中,基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果还包括:
将钻头前方随钻测井电阻率曲线预测结果与测试数据集中实际电阻率对比,并基于对比结果评估预测模型效果;
将通过效果评估的预测模型用于实际生产中,在实际生产中实时获取研究区的电阻率曲线更新训练数据集,用于在线学习优化预测模型。
第二方面本发明提供一种处理装置,包括存储器和处理器,存储器存储有计算机程序,该程序被处理器执行时实现基于残差全连接网络的测井电阻率曲线的预测方法。
第三方面本发明提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求上述方法的步骤。
有益效果:本发明与现有技术相比具有以下优点:
在本方法中通过将残差全连接神经网络引入油气勘探和钻井作业领域,利用研究区地震与地质背景信息,经过不断地训练残差全连接网络,能够应用于整个研究区的钻头前方随钻测井电阻率曲线预测,基于预测结果辅助岩性识别,进而改善钻井方案,降低钻井风险和成本。
附图说明
图1是本发明基于残差全连接网络的钻头前方随钻测井电阻率曲线预测方法的整体流程图;
图2是本发明基于残差全连接网络的钻头前方随钻测井电阻率曲线预测方法中残差全连接网络的训练流程示意图与双重残差模块的结构图;
图3是本发明研究区地震属性中地震振幅示意图。
具体实施方式
为了更充分理解本发明的技术内容,下面结合具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
结合图1进一步说明本实施例中的基于残差全连接网络的测井电阻率曲线的预测方法,包括:
步骤1:分别获取研究区待钻区域的地震背景数据、地质背景数据以及测井数据;本实施例中,地震背景数据包括:地震属性、地震构造解释模型、地震反演结果;其中,地震属性包括层速度、瞬时频率和地震震幅如图3所示的地震振幅属性表示;
所述地质背景数据包括岩性框架模型;
所述测井数据包括时间序列和电阻率曲线。
步骤2:基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集;其中数据集包括训练数据集和测试数据集;
步骤2.1:对地震背景数据、地质背景数据以及测井数据分别进行异常值剔除、标准化处理以及根据主控因素设置优选地震属性数据,获得异常值剔除、标准化以按照地震属性数据优先级排序的数据集;
步骤2.2:将数据集中的数据按照70%:30%的比例划分为训练数据集和测试数据集。
步骤2.1包括:
步骤2.1.1:对研究区待钻区域的地震背景数据、地质背景数据以及测井数据中存在的异常突变点进行删除或基于异常点上下点进行插值,获得剔除异常值的数据;
步骤2.1.2:对剔除异常值的数据进行标准化处理,获得统一标准化的数据集;优选的,对剔除异常值的数据进行标准化处理中,所述标准化处理的表达式为:
式中x指数据集;mean()指数据集的均值;std()指数据集的标准差。
步骤2.1.3:对研究区待钻区域标准化后数据集中的地震属性与电阻率曲线进行主控因素分析,获得因变量和自变量,其中,因变量为电阻率曲线值,自变量为地震属性包括层速度、瞬时频率和地震震幅;
步骤2.1.4:对自变量进行计算,获得每个自变量即不同地震属性与电阻率曲线值的灰色关联系数;
步骤2.1.5:按照从大到小原则对灰色关联系数进行排序,并基于排序结果选择三类排名高于其它的灰色关联系数作为训练实际采用的地震属性数据。
步骤3:将训练数据集输入基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型,输出预测的电阻率结果;
如图2所示本实施例中基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型中的网络结构由多个双重残差块组成,单个双重残差块包含两个全连接层,全连接层包含输入层、隐含层、BN层、输出层。
步骤4:将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值;其中,损失函数的表达式为:
Loss(y)=ω(η)[J(x)-J(y)]2
式中,x是输入的参数向量;y是电阻率曲线标签;J代表残差全连接网络所得到的预测电阻率值;Loss()表示目标函数;ω(η)表示预测电阻率值的权重,即残差全连接网络中输出层前一层的权重。
步骤5:根据损失值计算梯度,并利用梯度获得优化后的损失值,以及基于优化后的损失值进行反向传播用于修正预测模型的权重,获得修正后的预测模型;具体为根据损失值计算梯度,并在上述预测模型网络结构中进行反向传播对模型的权重进行修正,重复步骤3至5循环优化损失值,直到损失值较小且稳定时输出优化后的损失值;损失值利用反向传播调整参数,从而获得稳定且修正后的预测模型。
步骤6:基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果;本实施例中还包括:
将钻头前方随钻测井电阻率曲线预测结果与测试数据集中实际电阻率对比,并基于对比结果评估预测模型效果;
将通过效果评估的预测模型用于实际生产中,在实际生产中实时获取研究区的电阻率曲线更新训练数据集,保持预测模型的在线学习优化状态。其中,需要说明的是生产中会实时获取研究区的电阻率曲线,此类数据可以作为新的训练数据让模型进行在线学习,达到实时优化的目的。
实施例2:
本实施例说一种处理装置,包括存储器和处理器,存储器存储有计算机程序,该程序被处理器执行时实现下述基于残差全连接网络的随钻测井电阻率曲线的预测方法。
分别获取研究区待钻区域的地震背景数据、地质背景数据以及测井数据;
基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集;其中数据集包括训练数据集和测试数据集;
将训练数据集输入基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型,输出预测的电阻率结果;
将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值;
根据损失值计算梯度,并利用梯度和反向传播对预测模型的权重进行修正,获得修正后的预测模型;
基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果。
实施例3:
本实施例说明一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求下述方法的步骤。
分别获取研究区待钻区域的地震背景数据、地质背景数据以及测井数据;
基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集;其中数据集包括训练数据集和测试数据集;
将训练数据集输入基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型,输出预测的电阻率结果;
将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值;
根据损失值计算梯度,并利用梯度和反向传播对预测模型的权重进行修正,获得修正后的预测模型;
基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果。
综上所述,在本方法中通过将残差全连接神经网络引入油气勘探和钻井作业领域,利用研究区地震与地质背景信息,经过不断地训练残差全连接网络,能够应用于整个研究区的钻头前方随钻测井电阻率曲线预测,由此辅助岩性识别,进而改善钻井方案,降低钻井风险和成本。且本方法的泛化性能取决于研究区构造复杂程度和残差全连接网络在线学习与训练的效果。
本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,包括:
分别获取研究区待钻区域的地震背景数据、地质背景数据以及测井数据;
基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集;其中数据集包括训练数据集和测试数据集;
将训练数据集输入基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型,输出预测的电阻率结果;
将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值;
根据损失值计算梯度,并利用梯度获得优化后的损失值,以及基于优化后的损失值进行反向传播用于修正预测模型的权重,获得修正后的预测模型;
基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果。
2.根据权利要求1所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,所述地震背景数据包括:地震属性、地震构造解释模型、地震反演结果;其中,地震属性包括层速度、瞬时频率和地震震幅;
所述地质背景数据包括岩性框架模型;
所述测井数据包括时间序列和电阻率曲线。
3.根据权利要求1所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,基于研究区待钻区域的地震背景数据、地质背景数据以及测井数据建立数据集的方法包括:
对研究区待钻区域地震背景数据、地质背景数据以及测井数据分别进行异常值剔除、标准化处理以及根据主控因素设置优选地震属性数据,获得异常值剔除、标准化以按照地震属性数据优先级排序的数据集;
将数据集中的数据按照70%:30%的比例划分为训练数据集和测试数据集。
4.根据权利要求3所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,对地震背景数据、地质背景数据以及测井数据分别进行异常值剔除、标准化处理以及根据主控因素设置优选地震属性数据,获得异常值剔除、标准化以按照地震属性数据优先级排序的数据集的方法包括:
对研究区待钻区域的地震背景数据、地质背景数据以及测井数据中存在的异常突变点进行删除或基于异常点上下点进行插值,获得研究区待钻区域剔除异常值的数据;
对研究区待钻区域剔除异常值的数据进行标准化处理,获得研究区待钻区域标准化后的数据集;
对研究区待钻区域标准化后数据集中的地震属性与电阻率曲线进行主控因素分析,获得因变量和自变量,其中,因变量为电阻率曲线值,自变量为地震属性包括层速度、瞬时频率和地震震幅;
对自变量进行计算,获得每个自变量即不同地震属性与电阻率曲线值的灰色关联系数;
按照从大到小原则对灰色关联系数进行排序,并基于排序结果选择三类排名高于其它的灰色关联系数作为训练实际采用的地震属性数据。
5.根据权利要求4所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,对研究区待钻区域剔除异常值的数据进行标准化处理中,所述标准化处理的表达式为:
式中x指数据集;mean()指数据集的均值;std()指数据集的标准差。
6.根据权利要求1所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,基于残差全连接网络的钻头前方随钻测井电阻率曲线预测模型中的网络结构由多个双重残差块组成,单个双重残差块包含两个全连接层,全连接层包含输入层、隐含层、BN层、输出层。
7.根据权利要求1所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,将预测的电阻率结果与训练数据集中实际电阻率值代入损失函数计算获得损失值,所述损失函数的表达式为:
Loss(y)=ω(η)[J(x)-J(y)]2
式中,x是输入的参数向量;y是电阻率曲线标签;J代表残差全连接网络所得到的预测电阻率值;Loss()表示目标函数;ω(η)表示预测电阻率值的权重。
8.根据权利要求1所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法,其特征在于,基于修正后的预测模型输入测试数据集,获得钻头前方随钻测井电阻率曲线预测结果还包括:
将钻头前方随钻测井电阻率曲线预测结果与测试数据集中实际电阻率对比,并基于对比结果评估预测模型效果;
将通过效果评估的预测模型用于实际生产中,在实际生产中实时获取研究区的电阻率曲线更新训练数据集,用于在线学习优化预测模型。
9.一种处理装置,包括存储器和处理器,其特征在于,存储器存储有计算机程序,该程序被处理器执行时实现权利要求1~8中任一项所述的基于残差全连接网络的随钻测井电阻率曲线的预测方法。
10.一种可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1~8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310900581.3A CN117076921A (zh) | 2023-07-21 | 2023-07-21 | 基于残差全连接网络的随钻测井电阻率曲线的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310900581.3A CN117076921A (zh) | 2023-07-21 | 2023-07-21 | 基于残差全连接网络的随钻测井电阻率曲线的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117076921A true CN117076921A (zh) | 2023-11-17 |
Family
ID=88708785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310900581.3A Pending CN117076921A (zh) | 2023-07-21 | 2023-07-21 | 基于残差全连接网络的随钻测井电阻率曲线的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076921A (zh) |
-
2023
- 2023-07-21 CN CN202310900581.3A patent/CN117076921A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Klyuchnikov et al. | Data-driven model for the identification of the rock type at a drilling bit | |
CN112989708A (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
Cornelio et al. | Physics-assisted transfer learning for production prediction in unconventional reservoirs | |
Maschio et al. | Data assimilation for uncertainty reduction using different fidelity numerical models | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN111948718B (zh) | 页岩气储层总有机碳含量预测方法及装置 | |
WO2019023255A1 (en) | DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION | |
CN116050285B (zh) | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
Deng et al. | A hybrid machine learning optimization algorithm for multivariable pore pressure prediction | |
Ma et al. | Optimization of subsurface flow operations using a dynamic proxy strategy | |
CN117076921A (zh) | 基于残差全连接网络的随钻测井电阻率曲线的预测方法 | |
CN115049627B (zh) | 基于域自适应深度迁移网络的钢表面缺陷检测方法及系统 | |
Zhang et al. | PSO-BP neural network in reservoir parameter dynamic prediction | |
CN114492174A (zh) | 一种全生命周期盾构掘进参数预测方法及装置 | |
Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN115828072B (zh) | 不可通约测井曲线缺失段重构方法及存储介质 | |
CN116822971B (zh) | 一种井壁风险等级预测方法 | |
Dong et al. | A back propagation artificial neural network application in lithofacies identification | |
Alshehhi et al. | Paleo-to Present-day-in-Situ Stress Discrepancies | |
CN114910960A (zh) | 储层参数预测方法及装置 |
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 |