本公开提供了一种模型建立方法和测井曲线构建方法。其中，模型建立方法包括：获取标签数据和特征数据；将标签数据和特征数据随机混合，并将混合后的数据按比例分割为训练集和验证集；根据标签数据和特征数据，进行基于时间卷积神经网络的序列建模；基于训练集对建立的模型进行训练，并通过验证集验证模型的有效性；当模型的损失函数的值满足预设条件且不再降低时，保存模型。测井曲线构建方法包括：获取目标井的已知测井曲线的数据；将目标井的已知测井曲线的数据输入模型中，构建目标井的未知测井曲线。本公开能够实现具有地质强非均质性的页岩气藏的未知测井曲线的预测。的页岩气藏的未知测井曲线的预测。的页岩气藏的未知测井曲线的预测。
【技术实现步骤摘要】
基于时间卷积神经网络的测井曲线构建方法及装置
[0001]本公开涉及油田开发和测井
，尤其涉及一种基于时间卷积神经网络的测井曲线构建方法及装置。
技术介绍
[0002]测井曲线包含了大量的岩性信息，为解决岩性识别问题提供了重要的数据源，对于油气资源勘探开发研究至关重要。
[0003]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的问题，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预测以增加测井解释的准确性具有重要的意义。
[0004]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。由于地下情况复杂且非均质性较强，同一口井的测井数据之间经常呈现极强的非线性映射关系，传统插值方法无法准确预测测井曲线，而基于物理模型的方法又有很强的假设条件，极大简化真实地层信息。
[0005]随着大数据和人工智能的发展，深度学习已广泛应用于各行各业，其中，神经网络有强大的非线性数据处理能力，因而可以用于未知测井曲线的有效构建。
技术实现思路
[0006]本公开针对未知测井曲线预测问题，特别是具有地质强非均质性的页岩气藏的未知测井曲线预测，提供一种基于时间卷积神经网络的未知测井曲线构建方法及装置。
[0007]一方面，本公开一些实施例提供一种模型建立方法，该方法包括S1～S5。
[0008]S1，获取标签数据和特征数据。其中，所述标签数据为一种测井曲线的数据，所述特征数据为另外至少一种测井曲线的数据；任一种所述测井曲线的数据为同一区块中多口样本井的同种测井曲线的数据的数据集。
[0009]S2，将所述标签数据和所述特征数据随机混合，并将混合后的数据按比例分割为训练集和验证集。
[0010]S3，根据所述标签数据和所述特征数据，进行基于时间卷积神经网络的序列建模。
[0011]S4，基于所述训练集对建立的模型进行训练，并通过所述验证集验证所述模型的有效性。
[0012]S5，当所述模型的损失函数的值满足预设条件且不再降低时，保存所述模型。
[0013]另一方面，本公开一些实施例还提供一种模型建立装置，所述装置包括第一处理器和第一存储器，所述第一存储器中存储有适于所述第一处理器执行的计算机程序指令，所述计算机程序指令被所述第一处理器运行时执行如上述任一实施例所述的模型建立方法中的步骤。
[0014]又一方面，本公开一些实施例还提供一种测井曲线构建方法。所述方法利用上述
任一实施例所述的模型建立方法建立的模型；所述方法包括S10～S20。
[0015]S10，获取目标井的已知测井曲线的数据；
[0016]S20，将所述目标井的已知测井曲线的数据输入所述模型中，构建所述目标井的未知测井曲线。
[0017]其中，所述目标井的已知测井曲线的种类与所述特征数据中的测井曲线的种类相同，所述目标井的未知测井曲线的种类与所述标签数据中的测井曲线的种类相同。
[0018]又一方面，本公开一些实施例还提供一种测井曲线构建装置，所述装置包括第二处理器和第二存储器，所述第二存储器中存储有适于所述第二处理器执行的计算机程序指令，所述计算机程序指令被所述第二处理器运行时执行上述任一实施例所述的测井曲线构建方法中的步骤。
[0019]又一方面，本公开一些实施例还提供一种计算机可读存储介质，存储介质中存储有计算机程序指令，当计算机程序指令由用户设备的处理器执行时，使得用户设备执行如上述任一实施例所述的测井曲线构建方法。
附图说明
[0020]附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
[0021]图1为根据一些实施例的模型建立方法的流程图；
[0022]图2为根据一些实施例的测井曲线构建方法的流程图；
[0023]图3为根据一些实施例的测井曲线构建方法的DEN曲线的构建结果示意图。
具体实施方式
[0024]下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
[0025]需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
[0026]需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。
[0027]本公开一些实施例提供的方法可以由相关的处理器执行，且下文均以处理器作为执行主体为例进行说明。其中，执行主体可以根据具体案例进行调整，如服务器、电子设备、计算机等。
[0028]页岩气藏的地质非均质性强，同一口井的测井数据之间非线性映射关系复杂，目前的测井方法在预测页岩气藏同一口井的未知测井曲线方面存在较大误差。本公开针对未知测井曲线预测问题，特别是具有地质强非均质性的页岩气藏的未知测井曲线预测，提供一种基于时间卷积神经网络的模型建立方法及装置、测井曲线构建方法及装置、计算机可读存储介质。
[0029]如图1所示，本公开一些实施例提供一种模型建立方法，该方法包括S1～S5。
[0030]S1，获取标签数据和特征数据。其中，标签数据为一种测井曲线的数据，特征数据为另外至少一种测井曲线的数据；任一种测井曲线的数据为同一区块中多口样本井的同种测井曲线的数据的数据集。
[0031]示例性的，测井曲线的种类可以包括深度曲线、井径曲线、密度曲线、自然电位曲线、自然伽马曲线、补偿中子曲线、岩性密度曲线、中子孔隙度曲线、声波时差曲线、深侧向电阻率曲线以及浅侧向电阻率曲线等。其中的任一种测井曲线的数据均可作为标签数据，其他种类测井曲线对应的数据可以作为特征数据。任一种测井曲线的数据可以是多口井的测井数据合并后的数据集。例如，A、B、C三口井位于同一区块，深度曲线的数据可以是A井的深度曲线数据、B井的深度曲线数据、C井的深度曲线数据合并后的数据集。
[0032]S2，将标签数据和特征数据随机混合，并将混合后的数据按比例分割为训练集和验证集。
[0033]可选的，训练集和验证集的测试比例可以为8:2。
[0034]S3，根据标签数据和特征数据，进行基于时间卷积神经网络的序列建模。
[0035]S4，基于训练集对建立的模型进行训练，并通过验证集验证模型的有效性。
[0036]S5，当模型的损失函数的值满足预设条件时，保存模型。
[0037]本公开一些实施例提供的模型建立方法，将同一区块中一口或几口井的已知测井曲线作为建模训练的数据源，基于时间卷积神本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种模型建立方法，其特征在于，所述模型建立方法包括：获取标签数据和特征数据；其中，所述标签数据为一种测井曲线的数据，所述特征数据为另外至少一种测井曲线的数据；任一种所述测井曲线的数据为同一区块中多口样本井的同种测井曲线的数据的数据集；将所述标签数据和所述特征数据随机混合，并将混合后的数据按比例分割为训练集和验证集；根据所述标签数据和所述特征数据，进行基于时间卷积神经网络的序列建模；基于所述训练集对建立的模型进行训练，并通过所述验证集验证所述模型的有效性；当所述模型的损失函数的值满足预设条件时，保存所述模型。2.根据权利要求1所述的模型建立方法，其特征在于，获取所述特征数据之前，所述模型建立方法还包括：获取特征源数据，所述特征源数据包括至少一种测井曲线的数据；分别分析所述特征源数据包括的每种测井曲线的数据与所述标签数据的相关性，将相关性分析结果满足预设条件的数据作为特征数据。3.根据权利要求2所述的模型建立方法，其特征在于，相关性分析采用Pearson相关系数、Kendall秩相关系数以及Spearman秩相关系数中的至少一种。4.根据权利要求3所述的模型建立方法，其特征在于，当相关性分析采用Pearson相关系数时，所述特征数据的相关性分析结果满足：0.5＜|ρ
xy
|≤1，其中，ρ
xy
表示Pearson相关系数，x为标签数据，y为特征源数据中任一种测井曲线的数据；当相关性分析采用Kendall秩相关系数时，所述特征数据的相关性分析结果满足：Kendall秩相关系数τ的绝对值等于1；当相关性分析采用Spearman秩相关系数时，所述特征数据的相关性分析结果满足：Spearman秩相关系...
【专利技术属性】
技术研发人员：岳明，王鸣川，宋田茹，朱维耀，宋洪庆，范琳，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。