CN117150875A - 基于深度学习的钻前测井曲线预测方法 - Google Patents
基于深度学习的钻前测井曲线预测方法 Download PDFInfo
- Publication number
- CN117150875A CN117150875A CN202210561379.8A CN202210561379A CN117150875A CN 117150875 A CN117150875 A CN 117150875A CN 202210561379 A CN202210561379 A CN 202210561379A CN 117150875 A CN117150875 A CN 117150875A
- Authority
- CN
- China
- Prior art keywords
- data
- logging
- well
- training
- deep learning
- 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 52
- 238000005553 drilling Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 239000011435 rock Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008094 contradictory effect Effects 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 abstract description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 101000708009 Homo sapiens Sentrin-specific protease 8 Proteins 0.000 description 1
- 101100058498 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) CNL1 gene Proteins 0.000 description 1
- 101100401683 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mis13 gene Proteins 0.000 description 1
- 102100031407 Sentrin-specific protease 8 Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于深度学习的钻前测井曲线预测方法,该基于深度学习的钻前测井曲线预测方法包括:步骤1,获取测井资料,挑选出有效数据;步骤2,进行数据准备;步骤3,建立数据集,获取预测数据;步骤4,进行模型的搭建、训练及调参;步骤5,根据训练得到的卷积神经网络模型,预测未知段测井数据。该基于深度学习的钻前测井曲线预测方法明显提高了训练网络的性能,可以最大程度地将实际地层变化情况送入神经网络中进行训练。本发明提出的方法可以明显增加钻前曲线预测数据的准确率,进而更加精确求取地层及压力等相关的重要力学参数。因此,本发明克服了现有技术存在的缺陷。
Description
技术领域
本发明涉及地球物理测井工程技术领域,特别是涉及到一种基于深度学习的钻前测井曲线预测方法。
背景技术
在地球物理测井领域,测井数据只能在井中获得,也就是在钻后获得。测井曲线延拓是指钻探过程中,提前获得钻头下方一定深度范围内的测井曲线。钻探过程中,钻前地层及压力(即钻头下方地层)的可靠预测具有重要意义。如能获得钻头下方一定深度范围内的测井曲线,无疑会大幅度提高测井曲线延拓的可靠性,有助于钻井工艺控制调整甚至完井策略的完善。
研究者们提出多种方法来进行测井曲线延拓,传统方法例如通过对钻井岩心、岩屑及地震资料的分析建立三维模型,根据三维模型进行沿井眼轨迹的钻前曲线值预测,或是结合先验分布、条件概率,构建以测井数据为分类目标的贝叶斯分类器,计算基于贝叶斯分类算法的后验概率,即预测测井数据空间分布.也有基于人工智能的方法例如使用以循环神经网络为主的具有记忆功能的神经网络模型来对待预测段进行延拓式的预测,也有基于全连接神经网络的对测井曲线进行补全的方法。这些方法都存在着一定的局限性,一般情况下实际地质情况复杂多变,且非均质性强,经常在采样点深度间距很小的情况下,其测井曲线值之间也表现出极大的波动,数据间的映射关系也极为复杂,因此使用传统方法时难以拟合这复杂的映射关系,而使用循环神经网络的方法则会隐藏实际地层变化,不能有效凸显实际地层的测井情况,难以预测较深的测井曲线值,对于使用全连接神经网络的方法来说也存在着随着网络深度加深,网络效果退化从而导致预测结果不理想的问题,所以采用这些这些方法进行测井曲线延拓的效果并不理想。
在申请号:CN201811099467.0的中国专利申请中,涉及到一种基于深度学习的测井曲线预测方法及其系统,该方法包括步骤:S10:将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;S20、在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;S30、根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;S40:将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。该发明计算更高效且精度更高,进而能够为以后的地震资料处理提供更高精准的曲线。
在申请号:CN201710388429.6的中国专利申请中,涉及到一种油气井的测井曲线数据采集方法,具体是基于径向基函数神经网络模型的测井曲线预测方法,其特征在于:包含所要预测的老井和与老井所处同一油气田的至少一口新井,已知新井的多条测井曲线,运用人工神经网络技术建立预测模型,然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。该发明弥补了由于缺失某种测井曲线而无法对该井进行测井解释的不足,通过预测模型快速、有效而且几乎无成本的得到老井的缺失的测井曲线,有了老井完整的测井曲线,可以充分利用老井的测井曲线对研究区域进行较为客观的地质认识。
在申请号:CN202110913664.7的中国专利申请中,涉及到一种基于混合神经网络的地应力曲线预测方法,包括:收集目标层位的测井数据集,并对测井数据集进行删除异常值的清洗;进行降噪处理;确定模型的输入参数和输出参数;构造特征样本和标签样本以及总样本集;构建CNN- BiLSTM-Attention混合神经网络模型;根据训练集进行训练,预测精度;根据根据几条常规测井曲线快速预测地应力曲线。该发明采用混合神经网络根据几条常规测井曲线预测地应力曲线,其特征样本构造方式上更符合地质学思想,模型本身强大的特征提取能力可以更好的进行特征提取,其次是该模型生成的地应力曲线不仅融合了测井曲线的内在联系,同时兼顾了测井信息在深度序列上的变化特征和前后关联。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的基于深度学习的钻前测井曲线预测方法。
发明内容
本发明的目的是提供一种可以明显增加钻前曲线预测数据的准确率,进而更加精确求取地层及压力等相关的重要力学参数的基于深度学习的钻前测井曲线预测方法。
本发明的目的可通过如下技术措施来实现:基于深度学习的钻前测井曲线预测方法,该基于深度学习的钻前测井曲线预测方法包括:
步骤1,获取测井资料,挑选出有效数据;
步骤2,进行数据准备;
步骤3,建立数据集,获取预测数据;
步骤4,进行模型的搭建、训练及调参;
步骤5,根据训练得到的卷积神经网络模型,预测未知段测井数据。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,收集测井密度数据以及相关的岩石物性参数,并对其进行数据清洗,挑选出有效数据。
在步骤1中,收集岩石的物性参数和密度测井数据,利用不同岩层的电化学特性、导电特性、声学特性、放射性这些地球物理特性的差异,沿钻井或钻孔剖面测量岩石的物性参数,包括电阻率,声波速度,岩石密度,射线俘获及发射能力这些参数。
在步骤1中,在进行数据清洗时,首先对于测井数据中常见的问题包括无效值和缺失值,对其进行清除处理,随后再进行一致性检查,即根据密度数据的合理取值范围,检查数据是否合乎要求,发现超出正常范围、逻辑上不合理或者相互矛盾的数据,也对其进行清除处理。
在步骤2中,挑选出工区中符合实验条件即井位距离相近的井,提取出待预测井以及其邻井的测井曲线数据。
在步骤3中,结合所得测井数据资料,将待预测井已钻部分及其邻井的相应已钻部分作为训练集,对于待预测井未钻得部分,将其对应的邻井该部分数据作为预测数据。
在步骤4中,基于残差模块,搭建卷积神经网络模型,并且调整参数,寻找最优的训练效果。
在步骤4中,在残差模块的基础上搭建了训练网络,训练网络中加入了四个残差模块,并且在卷积层后面采用线性整流函数作为激活函数,避免梯度消失的同时加快模型收敛速度,同时在网络的最后加了三层全连接层,以增强网络对序列数据的回归拟合性能;经过多次调参比对,训练中采用自适应矩估优化器,采用均方误差作为损失函数来评估预测值和真实值之间的误差。
在步骤5中,根据步骤4训练得到的卷积神经网络模型,将步骤3中的预测数据输入模型中,预测未知段测井数据。
本发明中的基于深度学习的钻前测井曲线预测方法,主要思路是以目前深度学习领域性能优越的残差卷积神经网络模型为基础,用本井已知测井曲线段与其对应深度的邻井已知测井曲线段作为训练集训练,得到本井与邻井对应深度测井数据之间的映射关系,从而用邻井已钻得测井曲线数据去预测本井钻前测井曲线数据。通过本发明方法进行测井曲线延拓时,需根据邻井的测井数据对本井待预测数据进行约束。相较于之前的钻前曲线预测方法,该方法首先采用了残差模块(ResidualBlock)作为搭建网络的基础,加入这个模块可以大大加深神经网络的层数,并且不用担心网络退化的问题,明显提高了训练网络的性能,其次采用了邻井数据对待预测段进行约束,这样可以最大程度地将实际地层变化情况送入神经网络中进行训练。本发明提出的方法可以明显增加钻前曲线预测数据的准确率,进而更加精确求取地层及压力等相关的重要力学参数。因此,本发明克服了现有技术存在的缺陷。
附图说明
图1为本发明的一具体实施例中基于残差模块(ResidualBlock)搭建的网络结构图;
图2为本发明的一具体实施例中挑取的五口试验井的井位距离示意图;
图3为本发明的一具体实施例中以D井为例的数据集采样示意图;
图4为本发明的一具体实施例中D井的密度(DEN)、自然伽马(GR)、补偿中子(CNL)和纵波时差(AC)测井曲线预测效果图;
图5为本发明的基于深度学习的钻前测井曲线预测方法的一具体实施例的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
本发明以目前深度学习领域性能优越的残差网络(ResNet)卷积神经网络模型为基础,用本井已知测井曲线段与其对应深度的邻井已知测井曲线段作为训练集训练,得到本井与邻井对应深度测井数据之间的映射关系,从而用邻井已钻得测井曲线数据去预测本井钻前测井曲线数据。
以下为应用本发明的几个具体实施例
实施例1
在应用本发明的一具体实施例1中,如图5所示,图5为本发明的基于深度学习的钻前测井曲线预测方法的流程图。该基于深度学习的钻前测井曲线预测方法包括了以下步骤:
(101)测井资料的获取:收集测井密度数据以及相关的岩石物性参数,并对其进行数据清洗,挑选出有效数据。
(102)数据准备:挑选出工区中符合实验条件(井位距离相近)的井,提取这些井的测井数据。
(103)建立数据集:结合所得测井数据资料,将待预测井已钻部分及其邻井的相应已钻部分作为训练集,对于待预测井未钻得部分,将其对应的邻井该部分数据作为预测数据。
(104)模型搭建、训练及调参:基于残差模块(ResidualBlock),搭建卷积神经网络模型,并且调整参数,寻找最优的训练效果。
(105)预测未知段测井数据:根据步骤104训练得到的卷积神经网络模型,将步骤103中的预测数据输入模型中,预测未知段测井数据。
实施例2
在应用本发明的一具体实施例2中,基于深度学习的钻前测井曲线预测方法,依次包括以下详细步骤:
步骤一:运用物理学的原理和方法收集岩石的物性参数和密度测井数据,使用专门的仪器设备,利用不同岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性的差异,沿钻井(钻孔)剖面测量岩石的物性参数,包括电阻率,声波速度,岩石密度,射线俘获及发射能力等参数。完成数据收集后还要对其进行数据清洗,首先对于测井数据中常见的问题例如无效值和缺失值等,对其进行清除处理,随后再进行一致性检查(consistencycheck),即根据密度数据的合理取值范围,检查数据是否合乎要求,发现超出正常范围、逻辑上不合理或者相互矛盾的数据,也对其进行清除处理。
步骤二:提取数据,在实验区中提取出待预测井以及其邻井的测井曲线数据,本案例中一共提取了A、B、C、D、E五口井1964m~4109m的完整密度(DEN)、自然伽马(GR)、补偿中子(CNL)和纵波时差(AC)测井曲线数据,这五口井的井位关系由真实工区投影到图2中的坐标系,五口井的井间距离与真实工区完全相同,由图2所示,这五口井的井位距离相近,符合本实验案例条件。
步骤三:数据集分为两部分,分别为训练数据集和验证数据集,训练数据集由该五口井1964~3945m的完整测井段组成,3945~4109m测井曲线数据作为验证数据集,以D井为例,如图3所示,黑线之上部分为训练数据集,黑线之下的部分作为验证数据,采样间隔为0.076m,以A、B、C 和E井的密度(DEN)、自然伽马(GR)、补偿中子(CNL)和纵波时差(AC) 曲线作为输入,D井的密度(DEN)、自然伽马(GR)、补偿中子(CNL)和纵波时差(AC)作为输出。
步骤四:模型搭建、训练及调参,本实验在残差模块(ResidualBlock) 的基础上搭建了训练网络,本网络加入了四个残差模块,并且在卷积层后面采用线性整流函数(RELU)作为激活函数,避免梯度消失的同时加快模型收敛速度,同时在网络的最后加了三层全连接层,以增强网络对序列数据的回归拟合性能,网络结构见图1;经过多次调参比对,训练中采用自适应矩估(Adam)优化器,学习率为0.001,批量大小(Batch_Size)为64,即每次训练随机抽取64组训练数据,训练批次(Epoch)为3000,采用均方误差(MSE)作为损失函数来评估预测值和真实值之间的误差。
步骤五:根据步骤4训练得到的卷积神经网络模型,将步骤3中的预测数据输入模型中,分别为D井的密度(DEN)、自然伽马(GR)、补偿中子(CNL) 和纵波时差(AC)测井曲线。预测结果如图4(注:DEN、GR、CNL、AC 为真实曲线,DEN1、GR1、CNL1、AC1为预测曲线)。
从图中可看出,采用本发明提出的基于残差模块(ResidualBlock) 搭建的卷积神经网络模型并采用邻井数据约束进行的测井曲线延拓取得了一定的效果,对于测井曲线走势较为平缓的情况,本方法的预测值和真实值基本可以吻合,在许多深度范围内预测效果都非常理想,与此同时,在一些深度范围内预测结果也存在偏差,观察可发现,在曲线变化趋势较为平缓的情况下,如3975~4000m这一深度范围内,预测曲线与真实曲线基本重合,而在一些真实曲线出现突变的情况下,本方法虽然存在一定的误差,但是误差也主要集中在测井曲线发生突变的部分,而且本方法显然也可以捕捉到大部分突变点,仅仅是在数值上存在一些误差,这说明,本发明提出的方法在测井曲线延拓方面具有可行性和有效性。
实施例3:
在应用本发明的具体实施例3中,基于深度学习的钻前测井曲线预测方法,依次包括以下详细步骤:
步骤一:运用物理学的原理和方法收集岩石的物性参数和密度测井数据,使用专门的仪器设备,利用不同岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性的差异,沿钻井(钻孔)剖面测量岩石的物性参数,包括电阻率,声波速度,岩石密度,射线俘获及发射能力等参数。完成数据收集后还要对其进行数据清洗,首先对于测井数据中常见的问题例如无效值和缺失值等,对其进行清除处理,随后再进行一致性检查(consistencycheck),即根据密度数据的合理取值范围,检查数据是否合乎要求,发现超出正常范围、逻辑上不合理或者相互矛盾的数据,也对其进行清除处理。
步骤二:提取数据,在实验区中提取出待预测井以及其邻井的测井曲线数据,本案例中仅使用了提取到的自然电位(SP)数据,一共提取了A、B、 C、D、E五口井的自然电位(SP)测井曲线,这五口井的井位关系由真实工区投影到的坐标系,五口井的井间距离与真实工区完全相同,由此可知,这五口井的井位距离相近,符合本实验案例条件。
步骤三:建立数据集,本案例中截取了这五口井850m~1346.5m的完整测井数据,采样间隔为0.125m,即每口井有3969个采样点,本案例假设 D井未钻探井段这一部分深度范围为1320~1346.5m,共212个采样点,将用虚线下其他四口井的数据来预测虚线框部分,至于850m~1320m这一部分的数据会被当作训练集去训练模型。
步骤四:模型搭建、训练及调参,本实验在残差模块(ResidualBlock) 的基础上搭建了训练网络,本网络加入了四个残差模块,并且在卷积层后面采用线性整流函数(RELU)作为激活函数,避免梯度消失的同时加快模型收敛速度,同时在网络的最后加了三层全连接层,以增强网络对序列数据的回归拟合性能,网络结构见;经过多次调参比对,训练中采用自适应矩估(Adam)优化器,学习率为0.001,批量大小(Batch_Size)为8,训练批次(Epoch)为300,采用均方误差(MSE)作为损失函数来评估预测值和真实值之间的误差。
步骤五:根据步骤三训练得到的卷积神经网络模型,将步骤二中的预测数据输入模型中,分别预测B井和D井的未知段自然电位(SP)测井曲线数据。
本发明以目前深度学习领域性能优越的残差网络(ResNet)卷积神经网络模型为基础,用本井已知测井曲线段与其对应深度的邻井已知测井曲线段作为训练集训练,得到本井与邻井对应深度测井数据之间的映射关系,从而用邻井已钻得测井曲线数据去预测本井钻前测井曲线数据,对于本井中变化较为平缓的待预测段,ResNet模型显然可以很好地完成预测任务,其预测值与真实值不仅走势相像,而且数值也十分接近,对于本井中待预测测井曲线段有突变的情况下,ResNet模型能给出走势相似的预测,但在数值上存在一点误差,从总整体效果上看,本文提出的方法完全可行,在现实应用中,可以针对本方法的特点,使用一些地质解释的结论来约束数据集的选取,即选择与本井构造相近、地层差异小的邻井数据或者数据段作为数据集进行训练。
本发明所提出的基于深度学习的钻前测井曲线预测方法克服了现有测井曲线延拓方法所存在的缺陷,具有更强的实用性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (9)
1.基于深度学习的钻前测井曲线预测方法,其特征在于,该基于深度学习的钻前测井曲线预测方法包括:
步骤1,获取测井资料,挑选出有效数据;
步骤2,进行数据准备;
步骤3,建立数据集,获取预测数据;
步骤4,进行模型的搭建、训练及调参;
步骤5,根据训练得到的卷积神经网络模型,预测未知段测井数据。
2.根据权利要求1所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤1中,收集测井密度数据以及相关的岩石物性参数,并对其进行数据清洗,挑选出有效数据。
3.根据权利要求2所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤1中,收集岩石的物性参数和密度测井数据,利用不同岩层的电化学特性、导电特性、声学特性、放射性这些地球物理特性的差异,沿钻井或钻孔剖面测量岩石的物性参数,包括电阻率,声波速度,岩石密度,射线俘获及发射能力这些参数。
4.根据权利要求2所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤1中,在进行数据清洗时,首先对于测井数据中常见的问题包括无效值和缺失值,对其进行清除处理,随后再进行一致性检查,即根据密度数据的合理取值范围,检查数据是否合乎要求,发现超出正常范围、逻辑上不合理或者相互矛盾的数据,也对其进行清除处理。
5.根据权利要求1所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤2中,挑选出工区中符合实验条件即井位距离相近的井,提取出待预测井以及其邻井的测井曲线数据。
6.根据权利要求1所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤3中,结合所得测井数据资料,将待预测井已钻部分及其邻井的相应已钻部分作为训练集,对于待预测井未钻得部分,将其对应的邻井该部分数据作为预测数据。
7.根据权利要求1所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤4中,基于残差模块,搭建卷积神经网络模型,并且调整参数,寻找最优的训练效果。
8.根据权利要求7所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤4中,在残差模块的基础上搭建了训练网络,训练网络中加入了四个残差模块,并且在卷积层后面采用线性整流函数作为激活函数,避免梯度消失的同时加快模型收敛速度,同时在网络的最后加了三层全连接层,以增强网络对序列数据的回归拟合性能;经过多次调参比对,训练中采用自适应矩估优化器,采用均方误差作为损失函数来评估预测值和真实值之间的误差。
9.根据权利要求1所述的基于深度学习的钻前测井曲线预测方法,其特征在于,在步骤5中,根据步骤4训练得到的卷积神经网络模型,将步骤3中的预测数据输入模型中,预测未知段测井数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210561379.8A CN117150875A (zh) | 2022-05-23 | 2022-05-23 | 基于深度学习的钻前测井曲线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210561379.8A CN117150875A (zh) | 2022-05-23 | 2022-05-23 | 基于深度学习的钻前测井曲线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117150875A true CN117150875A (zh) | 2023-12-01 |
Family
ID=88906766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210561379.8A Pending CN117150875A (zh) | 2022-05-23 | 2022-05-23 | 基于深度学习的钻前测井曲线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150875A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649529A (zh) * | 2024-01-30 | 2024-03-05 | 中国科学技术大学 | 一种基于多维信号分析神经网络的测井数据解释方法 |
CN117805938A (zh) * | 2024-02-29 | 2024-04-02 | 山东科技大学 | 一种基于深度学习的围岩地质力学参数智能预测方法 |
-
2022
- 2022-05-23 CN CN202210561379.8A patent/CN117150875A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649529A (zh) * | 2024-01-30 | 2024-03-05 | 中国科学技术大学 | 一种基于多维信号分析神经网络的测井数据解释方法 |
CN117805938A (zh) * | 2024-02-29 | 2024-04-02 | 山东科技大学 | 一种基于深度学习的围岩地质力学参数智能预测方法 |
CN117805938B (zh) * | 2024-02-29 | 2024-05-28 | 山东科技大学 | 一种基于深度学习的围岩地质力学参数智能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
CN105954804B (zh) | 页岩气储层脆性地震预测方法及装置 | |
CN117150875A (zh) | 基于深度学习的钻前测井曲线预测方法 | |
CN113723838A (zh) | 基于卷积神经网络的随钻安全风险智能识别方法 | |
CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN115267905A (zh) | 一种复杂构造区钻井工程中裂缝性井漏预测方法 | |
CN103628816B (zh) | 地震属性指导水平井导向的方法及其装置 | |
CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
CN113946790B (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN114065909A (zh) | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
Zeng et al. | Local coupled Markov chain model for simulating varied stratigraphy | |
CN110674868A (zh) | 一种基于高维钻进参数信息的地层岩性识别系统及其方法 | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN115629188A (zh) | 一种岩心产能模拟实验系统 | |
CN114114452B (zh) | 一种针对断溶体型碳酸盐岩储层的表征方法及系统 | |
Chao et al. | A prediction of borehole stability while drilling preliminary prospecting wells based on seismic impedance | |
CN116559938A (zh) | 一种油气藏裂缝模型建立方法及电子设备 | |
CN105824042A (zh) | 基于照明能量最优的最大纵向距设计方法 |
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 |