一种基于混合贝叶斯深度网络测井曲线预测方法及系统技术方案

本发明专利技术公开了一种基于混合贝叶斯深度网络测井曲线预测方法及系统，其中所述方法包括：获取复杂岩性地区的多口井的测井曲线数据；将所述测井曲线数据与岩性类型进行关联，形成分类标签；基于分类标签和所述测井曲线数据，结合岩石物理方程，得到不同分类标签关联的样本集；基于所述样本集，构建混合贝叶斯深度网络模型；优化所述混合贝叶斯深度网络模型；基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测

【技术实现步骤摘要】
一种基于混合贝叶斯深度网络测井曲线预测方法及系统


[0001]本专利技术属于计算机系统工程领域，尤其涉及一种基于混合贝叶斯深度网络测井曲线预测方法及系统
。

技术介绍

[0002]油气资源大数据中，测井数据是进行油气资源勘探与开发过程中最主要的油藏描述基础数据
。
然而，在实际应用中，由于井筒扩径
、
泥浆或泥饼干扰等问题，经常会出现部分井段测井数据失真或缺失的情况，甚至出于经济可行性考虑而放弃获取某些测井曲线的情况
。
并且实现测井大数据高效应用以促进油气资源大数据有效应用的关键在于井间数据的联合应用及纵向测井信息的有效挖掘
。
[0003]在理论研究方法方面，当前测井曲线预测技术主要采用三类方法：（1）以地质统计学为基础建立经典模型；（2）利用机器学习方法实现测井曲线预测；（3）利用集成学习和深度学习方法实现测井曲线预测
。
统计学方式依赖于现有数据的完备性，需统计出母曲线与子曲线的地质学规律，对应复杂储层的描述及推广能力有限
。
人工神经网络，
BP
神经网络等传统神经网络模型往往需要依赖于较大的训练样本，且网络层数浅，泛化能力弱，容易造成过拟合，因此直接应用神经网络解决测井曲线问题存在一定挑战
。
集成学习和深度学习方法一定程度上能解决常规神经网络泛化能力弱，过拟合问题，预测结果更优，但是现有深度学习测井数据预测方法并没有考虑到数据的复杂性，只是将数据相关性分析及分类问题都交由更为深层的网络模型来进行处理
。

技术实现思路

[0004]针对上述现有技术中存在的缺陷，本专利技术提出了基于谱分类的测井曲线分类，通过人工进行岩性分类的组合和调整，确定好岩性曲线后，针对不同分类的样本集，利用岩石物理方程扩充样本集，利用贝叶斯深度学习网络进行样本训练，然后通过模型进行曲线的预测
。
[0005]本专利技术提供一种基于混合贝叶斯深度网络测井曲线预测方法，包括以下步骤：获取复杂岩性地区的多口井的测井曲线数据；将所述测井曲线数据与岩性类型进行关联，形成分类标签；基于分类标签和所述测井曲线数据，结合岩石物理方程，得到不同分类标签关联的样本集；基于所述样本集，构建混合贝叶斯深度网络模型；优化所述混合贝叶斯深度网络模型；基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测
。
[0006]其中，所述测井曲线数据包括，所述多口井的测井纵波速度
、
横波速度
、
密度
、
自然伽马
、
泥质含量
、
孔隙度和含水饱和度
。
[0007]其中，所述将所述测井曲线数据与岩性类型进行关联，形成分类标签，包括：
利用谱分类对测井曲线数据进行岩性分类
。
[0008]其中，所述基于分类标签和所述测井曲线数据，结合岩石物理方程，得到不同分类标签关联的样本集，包括：根据不同岩性下岩石物理模型，构建不同含水饱和度
、
不同孔隙度的纵波速度
、
横波速度及密度曲线
。
[0009]其中，所述基于所述样本集，构建混合贝叶斯深度网络模型包括：利用多元高斯分布拟合已知数据样本数据的概率分布，利用蒙特卡洛随机采样方法模拟构建生成器，送入判别器中判断所述分布数据真伪
。
[0010]其中，所述生成器用于生成一定量的模拟样本
。
[0011]其中，所述判别器通过损失函数进行判断，其中所述损失函数表示如下：其中，
i
为节点个数，
j
为样本个数，为权重的后验概率，为网络权重，为学习样本最大后验估计，为先验概率，为标签样本的后验概率
。
[0012]其中，所述优化所述混合贝叶斯深度网络模型，包括
:
通过模型迭代训练所述判别器各层参数，优化判别器模型；然后训练生成器
‑
判别器模型，在保证判别器各层网络参数不变的情况下，优化生成器各层参数；重复上述两个优化过程，交替训练生成器和判别器来实现整体神经网络的训练
。
[0013]其中，在网络的训练过程中，使用梯度下降的优化算法来更新权重
。
梯度下降算法根据损失函数对权重的梯度信息来调整模型参数
w
i,k
，使得模型在训练数据上的预测结果更接近于真实标签
。
[0014]其中，
k
为迭代次数，
i
为节点个数，为第
k
次迭代网络权重，
lr
为学习率，
E
为损失函数
。
[0015]本专利技术还提出了一种基于混合贝叶斯深度网络测井曲线预测系统，其包括：获取模块，其用于获取复杂岩性地区的多口井的测井曲线数据；关联模块，其用于将所述测井曲线数据与岩性类型进行关联，形成分类标签；样本扩充模块，其用于基于分类标签和所述测井曲线数据，结合岩石物理方程，得到不同分类标签关联的样本集；模型构建模块，其用于基于所述样本集，构建混合贝叶斯深度网络模型；模型优化模块，其用于优化所述混合贝叶斯深度网络模型；预测模块，其用于基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测
。
[0016]与现有技术相比，本专利技术针对复杂岩性地区，利用谱分类方式将学习样本数据进行分类，又将人工干预测方式，让分类特征更为符合岩石物理学的分类标准，有效解决后续针对小样本数据基础上贝叶斯深度学习对于复杂岩性分类拟合难的问题
。
同时，将人工智能贝叶斯深度学习技术
、
大数据技术融合到岩石物理学的测井曲线预测中，将地球物理学
科中复杂数学关系通过样本的学习训练，逐步从低层特征形成更加抽象的高层来表示，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测问题更加容易，处理速度更快，系统响应更加迅速
。
附图说明
[0017]通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的
、
特征和优点将变得易于理解
。
在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是示出根据本专利技术实施例的一种基于混合贝叶斯深度网络测井曲线预测方法流程图；图2是示出根据本专利技术实施例的谱分类获得测井曲线岩性分类示意图；图3是示出根据本专利技术实施例的不同含水饱和度下曲线样本示意图；图4是示出根据本专利技术实施例的不同孔隙度下曲线样本示意图；图5是示出根据本专利技术实施例的一种基于混合贝叶斯深度网络测井曲线预测模型的预测横波的示意图
。
具体实施方式
[0018]为了使本专利技术的目的
、
技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于混合贝叶斯深度网络测井曲线预测方法，包括以下步骤：获取复杂岩性地区的多口井的测井曲线数据；将所述测井曲线数据与岩性类型进行关联，形成分类标签；基于分类标签和所述测井曲线数据，结合岩石物理方程，得到不同分类标签关联的样本集；基于所述样本集，构建混合贝叶斯深度网络模型；优化所述混合贝叶斯深度网络模型；基于优化后的混合贝叶斯深度网络模型对新输入的测井曲线进行预测
。2.
如权利要求1所述方法，其中所述测井曲线数据包括，所述多口井的测井纵波速度
、
横波速度
、
密度
、
自然伽马
、
泥质含量
、
孔隙度和含水饱和度
。3.
如权利要求1所述方法，其中所述将所述测井曲线数据与岩性类型进行关联，形成分类标签，包括：利用谱分类对测井曲线数据进行岩性分类
。4.
如权利要求1所述方法，其中所述基于分类标签和所述测井曲线数据，结合岩石物理方程，得到不同分类标签关联的样本集，包括：根据不同岩性下岩石物理模型，构建不同含水饱和度
、
不同孔隙度的纵波速度
、
横波速度及密度曲线
。5.
如权利要求1所述方法，其中所述基于所述样本集，构建混合贝叶斯深度网络模型包括：利用多元高斯分布拟合已知数据样本数据的概率分布，利用蒙特卡洛随机采样方法模拟构建生成器，送入判别器中判断所述分布数据真伪
。6.
如权利要求5所述方法，其中所述生成器用于生成一定量的模拟样本
。7.
如权利要求6所述方法，其中所述判别器通过损失函数进行判断，其中所述损失函数表示如下：...

【专利技术属性】
技术研发人员：刘宇，
申请(专利权)人：天津花栗鼠软件科技有限公司，
类型：发明
国别省市：