一种基于深度学习简单循环单元的测井曲线延拓方法技术

本发明专利技术涉及测井工程技术领域，公开了一种基于深度学习简单循环单元的测井曲线延拓方法，包括以下步骤：数据获取：收集测井数据以及岩石物性参数；数据准备：提取测井数据；建立数据集：将待延拓井已钻部分数据作为训练集，待延拓井未钻的部分数据作为延拓数据；搭建模型：根据简单循环单元搭建神经网络模型；延拓未知段测井数据：将延拓数据输入神经网络模型中，延拓未知段测井数据。本发明专利技术采用了简单循环单元作为搭建网络的基础，这个模块相对于其他循环神经网络模块具有更加简单的结构、更少的参数、更好的收敛性；其次，延拓方法明显提高了训练网络性能，在训练过程中进行了并行化处理，大大提高了训练速度，在随钻工程中也有很强的实用性。强的实用性。强的实用性。

【技术实现步骤摘要】
一种基于深度学习简单循环单元的测井曲线延拓方法


[0001]本专利技术涉及测井工程
，具体涉及一种基于深度学习简单循环单元的测井曲线延拓方法。

技术介绍

[0002]在地球物理测井领域，测井曲线参数是表征储层的基本地震弹性参数之一，测井曲线参数与储层孔隙度、饱和度、泥质含量地相关系数非常高，能够最直观地反映地下储层和流体的变化规律。此外，测井曲线参数数据与其他许多地球物理领域重要参数的计算有关，如上覆地层压力等。因此，测井曲线参数数据的准确与否又制约了这些地球物理领域重要参数的结果精度。所以测井曲线参数数据在储集层描述和油气资源评估中具有十分重要的作用。地质学家和工程师通过对测井曲线参数数据进行分析可以极大地加深对地下储集层情况的认知，并在其支持下建立较为精确的地质模型。然而在实际测井作业过程中，由于井径扩大、仪器故障等原因，经常出现部分井段测井曲线参数数据失真或缺失的情况，有时甚至出于成本考虑，测井计划中仅要求取得某一目标储层层段的测井曲线参数测井数据而不是获取整套测井曲线参数测井数据。而当后续研究当中需要用到其他层段的测井数据时，这时去重新测井往往需要很高的成本，甚至对于一些已经实现完井操作的井眼，其重新测井都是不可能实现的。针对这些情况，研究者们提出可以采用测井曲线参数延拓的方法人工生成测井曲线参数测井曲线，从而去补全缺失层段的测井曲线参数数据。
[0003]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测井曲线延拓，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，然而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，数据间的映射关系极为复杂，因此使用传统方法会隐藏实际地层变化，不能有效凸显实际地层的测井情况，应用传统方法的效果较差。
[0004]近年来随着机器学习方法在科学和工程领域的广泛应用，很多研究者也建议使用数据驱动方法来解决地质问题，此前有学者尝试使用人工神经网络生成测井曲线。这些人工神经网络都是传统的全连接神经网络(FCNN)，构造的是一种点对点的映射，即通过该方法生成的某一深度的测井数据只和其他测井曲线同处于该深度的信息有关，而忽略了测井曲线随深度的变化趋势和数据的前后关联。在成藏模式多样、构造复杂、储集层差异大、各向异性强且具有显著三弱特性(弱非均质、弱地震响应、弱孔隙流体信息)的碳酸盐岩储层，该关联就显得更无突出。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习简单循环单元的测井曲线延拓方法，解决现有测井神经网络模型的训练速度有待提高的问题。
[0006]为实现上述专利技术目的，本专利技术所采用的技术方案是：一种基于深度学习简单循环单元的测井曲线延拓方法，包括以下步骤：
[0007]数据获取：收集测井数据以及岩石物性参数；
[0008]数据准备：提取测井数据；
[0009]建立数据集：将待延拓井已钻部分数据作为训练集，对于待延拓井未钻的部分数据作为延拓数据；
[0010]搭建模型：根据简单循环单元搭建神经网络模型；
[0011]延拓未知段测井数据：将延拓数据输入神经网络模型中，延拓未知段测井数据。
[0012]优选地，在延拓未知段测井数据过程中，包含以下延拓处理子步骤：
[0013]将待延拓段之前的部分序列数据作为预热数据；
[0014]通过预热数据对简单循环单元的隐状态及处理器状态进行更新；
[0015]将更新后的隐状态与处理器状态顺序计算待延拓段数据的延拓值。
[0016]优选地，所述神经网络模型的搭建还包括过拟合处理步骤，所述过拟合处理步骤为：在神经网络模型中加入drop out层。
[0017]优选地，所述神经网络模型搭建后需对其进行调参优化，所述调参优化包括以下子步骤：
[0018]根据将待延拓段的已钻部分数据计算出理论输出；
[0019]将训练集输入神经网络模型中进行训练并得出模型训练输出；
[0020]利用损失函数来计算出理论输出和模型训练输出之间的误差值；
[0021]利用自适应矩估优化器对误差值进行调整。
[0022]优选地，所述岩石物性参数包括电阻率、声波速度、岩石密度、射线俘获或发射能力中的一种或多种。
[0023]本专利技术的有益效果集中体现在：
[0024]1、本专利技术采用了简单循环单元作为搭建网络的基础，这个模块相对于其他循环神经网络模块具有更加简单的结构、更少的参数、更好的收敛性。
[0025]2、本专利技术的延拓方法明显提高了训练网络性能，同时在训练过程中进行了并行化处理，大大提高了训练速度；并且优异的训练速度使得本专利技术在随钻工程中也有很强的实用性。
附图说明
[0026]图1是本专利技术延拓方法流程图；
[0027]图2是本专利技术神经网络模型结构简易示意图；
[0028]图3是本专利技术的五条测井曲线纵览图；
[0029]图4是本专利技术的SRU网络延拓框架图；
[0030]图5是本专利技术测井曲线延拓效果图。
具体实施方式
[0031]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施例对本专利技术作进一步的详细说明。
[0032]如图1
‑
5所示，一种基于深度学习简单循环单元的测井曲线延拓方法，包括以下步骤：
[0033]S1、数据获取：运用物理学的原理和方法收集测井数据以及岩石物性参数，使用专门的仪器设备，仪器设备均为现有设备，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(consistency check)，即根据测井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。
[0034]S2、数据准备：在实验区中提取出待延拓井的测井数据；本实施例中本案例中使用了提取到的测井曲线数据中的声波时差(AC)、补偿中子(CNL)、密度(DEN)、自然伽马(GR)和自然电位(SP)数据，如图3所示。
[0035]S3、建立数据集：将待延拓井已钻部分数据作为训练集，对于待延拓井未钻得的分数据作为延拓数据；在本实施例中采用某油田探区实际钻井数据，包含一口井的声波时差(AC)、补偿中子(CNL)、密度(DEN)、自然伽马(GR)和自然电位(SP)数据，并对其中声波时差(AC)曲线和密度(DEN)曲线进行延拓；截取这一口井深度域上从3103m～3477.875m的完整测井数据，采样间隔为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习简单循环单元的测井曲线延拓方法，其特征在于：包括以下步骤：数据获取：收集测井数据以及岩石物性参数；数据准备：提取测井数据；建立数据集：将待延拓井已钻部分数据作为训练集，对于待延拓井未钻的部分数据作为延拓数据；搭建模型：根据简单循环单元搭建神经网络模型；延拓未知段测井数据：将延拓数据输入神经网络模型中，延拓未知段测井数据。2.根据权利要求1所述的一种基于深度学习简单循环单元的测井曲线延拓方法，其特征在于：在延拓未知段测井数据过程中，包含以下延拓处理子步骤：将待延拓段之前的部分序列数据作为预热数据；通过预热数据对简单循环单元的隐状态及处理器状态进行更新；将更新后的隐状态与处理器状态顺序计算待延拓段数据的延拓值。3.根据权利要求1所述的一种基于深度学习...

【专利技术属性】
技术研发人员：王横，徐云贵，贺训云，黄旭日，曹卫平，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：