基于独热编码的神经网络油层水淹级别智能划分方法技术

本发明专利技术提供一种基于独热编码的神经网络油层水淹级别智能划分方法，包括：步骤1，对高精度碳氧比测井波谱数据进行滤波、归一化处理，并作为划分油层水淹级别神经网络输入层的输入信号；步骤2，计算高精度碳氧比测井波谱数据的加权和得到隐藏层；步骤3，把油层水淹级别名称转换为数值向量，并将其作为划分油层水淹级别神经网络输出层的输出信号，同时令输出层神经元个数与油层水淹级别个数相同；步骤4，在误差反向传播的过程中调整权重得到网络模型，将待预测的高精度碳氧比测井波谱数据输入网络模型得到油层水淹级别结果。该方法将经过滤波、归一化的高精度碳氧比测井波谱数据作为输入，极大提高了油层水淹级别划分精度。极大提高了油层水淹级别划分精度。极大提高了油层水淹级别划分精度。

【技术实现步骤摘要】
基于独热编码的神经网络油层水淹级别智能划分方法


[0001]本专利技术涉及油田勘探开发测井
，特别是涉及到一种基于独热编码的神经网络油层水淹级别智能划分方法。

技术介绍

[0002]油田开发后期油层水淹严重，清污交替混合注入油藏水淹情况更为复杂，对于需要调整开发方案的油井，必须查明当前各个储层的油水状况，以便为酸化、压裂、补孔确定潜力层，为水驱油田调剖、老井稳水控油提供依据。人工神经网络通过监督的方式对样本进行学习后可以自动划分油层水淹级别，对于监督学习来说样本都是成对出现的，成对的样本包括输入的测井数据和期望输出的标签数据。现有技术将含水量作为标签数据，而且输出层只有一个神经元，油层水淹级别划分精度低。
[0003]在申请号：CN201110090342.3的中国专利申请中，涉及到神经网络模拟交会图识别油层水淹级别的方法，应用神经网络算法对传统交会图技术进行改进，从而实现交会图的非线性识别和定量分析功能，利用的是BP神经网络算法，其中包括对象特征参数的筛选、网络结构参数的选择、神经网络模型的训练、网络模型的测试和神经网络模拟交会图版的制定五个步骤。根据储层油气水层的多种性质，运用统计学方法从测井计算的参数或与油气解释相关的测井曲线中，来精确选择最能反映储层中油气水层特点的参数样品；然后运用BP神经网络算法，选择适当的权值和阈值来构建网络模型，并对模型进行训练和误差检验；最后通过对网络输出得到的识别向量在平面上的投影点，判断该深度段储层的流体类型或水淹程度。
[0004]在申请号：CN202010696264.0的中国专利申请中，涉及到一种综合GWO
‑
LSSVM算法的水淹层精细解释评价方法，涉及石油工程
该方法依据测井曲线评价和GWO
‑
LSSVM算法理论基础，可通过分析不同水淹强度评价指标的权值来进行数据收集、优化，再输入预测模块计算输出水淹强度结果。水淹级别结果由至少三种核函数参数优化。能够解决传统水淹层评价方法的一种参数带来的局限性，同时评价该方法测试步骤少，难度低，精度高，可以有效地为实际工程或者实验提供参考数据。
[0005]在申请号：CN201911334572.2的中国专利申请中，涉及到一种水淹层评价方法、装置及存储介质。所述方法包括：获取目标井组的实测测井曲线，对所述实测测井曲线进行预处理，得到标准化测井曲线；其中，所述目标井组包括目标井和老井；根据所述标准化测井曲线确定目标井组的泥质含量、储层孔隙度和水淹前地层水矿化度；根据所述老井的泥质含量和水淹前地层水矿化度重构目标井水淹前的自然电位曲线；将目标井的标准化测井曲线、泥质含量曲线和储层孔隙度曲线输入至重构模型中，得到重构的目标井水淹前的电阻率曲线；根据所述重构的目标井水淹前的自然电位曲线和所述重构的目标井水淹前的电阻率曲线，构建综合水淹指标对目标井的水淹层进行评价，从而提高水淹层评价的准确性。
[0006]以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的基于独热编码的神经网络油层水淹级别智能划分方法。

技术实现思路

[0007]本专利技术的目的是提供一种提高了油层水淹级别划分精度的基于独热编码的神经网络油层水淹级别智能划分方法。
[0008]本专利技术的目的可通过如下技术措施来实现：基于独热编码的神经网络油层水淹级别智能划分方法，该基于独热编码的神经网络油层水淹级别智能划分方法包括：
[0009]步骤1，对高精度碳氧比测井波谱数据进行滤波、归一化处理，并作为划分油层水淹级别神经网络输入层的输入信号；
[0010]步骤2，计算高精度碳氧比测井波谱数据的加权和得到隐藏层；
[0011]步骤3，把油层水淹级别名称转换为数值向量，并将其作为划分油层水淹级别神经网络输出层的输出信号，同时令输出层神经元个数与油层水淹级别个数相同；
[0012]步骤4，在误差反向传播的过程中调整权重得到网络模型，将待预测的高精度碳氧比测井波谱数据输入网络模型得到油层水淹级别结果。
[0013]本专利技术的目的还可通过如下技术措施来实现：
[0014]在步骤1中，对高精度碳氧比测井波谱数据进行滤波，n点平滑滤波公式为：
[0015][0016]式中，n为平滑的数据点个数；x
m+1
、x
m+2
到x
m+n
为n个连续的数据点，y
m+1
为平滑后的1个数据点。
[0017]在步骤1中，对n点平滑滤波后的波谱数据进行归一化，最大值与最小值归一化公式为：
[0018][0019]式中，x
max
、x
min
分别为数组中的最大元素与最小元素；x、y分别为归一化前与归一化后的数组元素。
[0020]在步骤1中，将归一化后的高精度碳氧比测井波谱数据作为划分油层水淹级别神经网络输入层的输入信号。
[0021]在步骤2中，计算高精度碳氧比测井波谱数据的加权和得到隐藏层，加权和公式为：
[0022]y
i
＝w
i1
x1+w
i2
x2+
…
+w
in
x
n
ꢀꢀ
(3)
[0023]式中，x1、x2到x
n
为高精度碳氧比测井波谱数据；w
i1
、w
i2
到w
in
为权重；y
n
为加权和。
[0024]在步骤2中，为了让经过加权和的高精度碳氧比测井波谱数据在隐藏层快速收敛，采用Sigmoid函数作为划分油层水淹级别神经网络隐藏层神经元的激活函数。
[0025]在步骤2中，Sigmoid函数的定义为：
[0026][0027]式中，Z
i
是激活输入；f(Z
i
)是激活输出。
[0028]对Sigmoid激活函数求导，得：
[0029]f
′
(z
i
)＝f(z
i
)(1
‑
f(z
i
))
ꢀꢀ
(5)
[0030]式中，f(Z
i
)是激活输出；f
’
(Z
i
)是激活输出的导数。
[0031]Sigmoid函数的输出值范围为(0，1)；当神经元的输入趋向于
‑
∞时，输出趋近于0；当神经元的输入趋向于+∞时，输出趋近于1。
[0032]在步骤3中，通过独热编码技术将油层水淹级别名称转换为数值向量，即
[0033]Class 1：水层
ꢀꢀꢀꢀꢀꢀꢀ→ꢀꢀ
[1 0 0 0 0]，
[0034]Class 2：强水淹层
ꢀꢀꢀ→ꢀꢀ
[0 1 0 0 0]，
[0035]Class本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，该基于独热编码的神经网络油层水淹级别智能划分方法包括：步骤1，对高精度碳氧比测井波谱数据进行滤波、归一化处理，并作为划分油层水淹级别神经网络输入层的输入信号；步骤2，计算高精度碳氧比测井波谱数据的加权和得到隐藏层；步骤3，把油层水淹级别名称转换为数值向量，并将其作为划分油层水淹级别神经网络输出层的输出信号，同时令输出层神经元个数与油层水淹级别个数相同；步骤4，在误差反向传播的过程中调整权重得到网络模型，将待预测的高精度碳氧比测井波谱数据输入网络模型得到油层水淹级别结果。2.根据权利要求1所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤1中，对高精度碳氧比测井波谱数据进行滤波，n点平滑滤波公式为：式中，n为平滑的数据点个数；x
m+1
、x
m+2
到x
m+n
为n个连续的数据点，y
m+1
为平滑后的1个数据点。3.根据权利要求2所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤1中，对n点平滑滤波后的波谱数据进行归一化，最大值与最小值归一化公式为：式中，x
max
、x
min
分别为数组中的最大元素与最小元素；x、y分别为归一化前与归一化后的数组元素。4.根据权利要求1所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤1中，将归一化后的高精度碳氧比测井波谱数据作为划分油层水淹级别神经网络输入层的输入信号。5.根据权利要求1所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤2中，计算高精度碳氧比测井波谱数据的加权和得到隐藏层，加权和公式为：y
i
＝w
i1
x1+w
i2
w2+
…
+w
in
x
n
ꢀꢀꢀꢀꢀꢀꢀ
(3)式中，x1、x2到x
n
为高精度碳氧比测井波谱数据；w
i1
、w
i2
到w
in
为权重；y
n
为加权和。6.根据权利要求5所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤2中，为了让经过加权和的高精度碳氧比测井波谱数据在隐藏层快速收敛，采用Sigmoid函数作为划分油层水淹级别神经网络隐藏层神经元的激活函数。7.根据权利要求6所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤2中，Sigmoid函数的定义为：式中，Z
i
是激活输入；f(Z
i
)是激活输出；对Sigmoid激活函数求导，得：
f
′
(z
i
)＝f(z
i
)(1
‑
f(z
i
))
ꢀꢀꢀꢀꢀ
(5)式中，f(Z
i
)是激活输出；f
’
(Z
i
)是激活输出的导数；Sigmoid函数的输出值范围为(0，1)；当神经元的输入趋向于
‑
∞时，输出趋近于0；当神经元的输入趋向于+∞时，输出趋近于1。8.根据权利要求1所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，在步骤3中，通过独热编码技术将油层水淹级别名称转换为数值向量，即Class 1：水层
→
[1 0 0 0 0]，Class 2：强水淹层
→
[0 1 0 0 0]，Class 3：中水淹层
→
[0 0 1 0 0]，Class 4：弱水淹层
→
[0 0 0 1 0]，Class 5：油层
→
[0 0 0 0 1]，这个转换表明每个输出层都被映射成一个类别向量，而且只在相应的神经元上生成1。9.根据权利要求8所述的基于独热编码的神经网络油层水淹级别智能划分方法，其特征在于，...

【专利技术属性】
技术研发人员：安振芳，柴德民，刘显太，李洋，罗水发，薛辉，孙荣德，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司油藏动态监测中心，
类型：发明
国别省市：