【技术实现步骤摘要】
本专利技术属于地质构造，特别涉及一种基于mt-xgboost模型的储层参数预测方法。
技术介绍
1、在评价储层和评估油气储量时，测井数据具有十分重要的意义。可根据测井数据推断储层构造，构建相应油藏地质模型。传统过程需要基于专家经验，根据经验公式、岩石物理实验、地质沉积构造等方法综合考虑，效率低，人为误差较大。在当前数据驱动方法快速发展的背景下，将测井数据与机器学习相融合，实现测井数据的自动智能解释与分析是未来发展的趋势。
2、碳酸盐岩储层裂缝与溶孔广泛发育，基于经验公式从测井曲线预测储层孔隙度和渗透率具有较大误差。在过去的几十年里，四川盆地挖内掘了数以千计的钻孔并钻入二叠纪地层，从而提供了大量的测井数据来评估孔隙度、渗透性和总有机碳(toc)。这些储层参数可以通过地球物理和地球化学分析直接获得。但测试数千个钻孔的样本是昂贵和耗时的。
3、岩性预测是一个分类问题，主要依靠测井和地球物理数据。测井数据驱动的岩性预测依赖于不同的方法。现有技术是将迁移学习引入进行测井储层参数预测，以孔隙度预测神经网络模型和孔隙度含水饱和度联合预测神经网络模型为基础模型，分别以渗透率及含水饱和度预测作为目标任务进行迁移学习，以提升储层参数预测效果和效率(邵蓉波,肖立志,廖广志等.基于迁移学习的地球物理测井储层参数预测方法研究[j].地球物理学报,2022,65(02):796-808)。
4、上述方法的缺点在于：
5、(1)此技术只能够预测孔隙度、渗透率及含水饱和度三类参数，无法预测总有机碳含量toc，对实
6、(2)此技术并未涉及到预测岩性的方案，对已有数据的分类并未达到充分应用；
7、(3)基于数据域的迁移学习一般只能用于解决小样本的问题，但实际应用中数据总量较大，储层参数预测会存在多解性和不确定性。
8、长期以来，根据测井数据推断储层构造依靠人工进行，推断难度大，考虑因素复杂，周期长，效率低，解释精度严重依赖专家工作经验。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种在可解释学习和多任务学习框架下训练xgboost模型，通过对已有测井数据进行学习，建立岩性、孔隙度、渗透率、toc的预测模型序列，实现利用测井数据对储层物性参数的精准预测的基于基于mt-xgboost模型的储层参数预测方法模型储层参数预测方法。
2、本专利技术的目的是通过以下技术方案来实现的：基于mt-xgboost模型的储层参数预测方法，包括以下步骤：
3、s1、建立多任务学习模型：多任务学习模型使用硬参数共享框架，将框架描述为：
4、tn＝hard-shared{xn,yn} (1)
5、其中，hard和shared为硬参数共享框架结构；xn是测井数据，yn是单个任务的标签；tn表示第n个任务，n＝1,2,3,4；x1和y1和是岩性预测任务的输入数据和任务标签；x2和y2是孔隙度预测任务的输入数据和任务标签；x3和y3是渗透率预测任务的输入数据和任务标签；x4和y4是toc预测任务的输入数据和任务标签；
6、s2、使用one-hot编码对任务标签进行编码，编码结果如下：
7、packstone＝[0,0,0,1]t (2)
8、wackstone＝[0,0,1,0]t (3)
9、mudstone＝[0,1,0,0]t (4)
10、marl_mudstone＝[1,0,0,0]t (5)
11、packstone、wackstone、mudstone、marl_mudstone分别代表颗粒灰岩、泥晶颗粒灰岩、泥晶灰岩、泥质泥晶灰岩；
12、s3、训练多任务的xgboost模型，其中，孔隙度、渗透率和toc预测都是回归任务，岩性预测任务是分类任务；定义xi的预测结果如式(6)所示：
13、
14、
15、其中，w代表叶节点的度，q(f(xi))代表融合函数对应的树结构，t是叶节点数；为融合函数对应的树结构的叶节点的度，rt为叶节点实数集，q:rd→{1,2,…,t}表示为q传入rd的值为1～t；i＝1,2，3,4；x1、x2、x3、x4分别表示颗粒灰岩、泥晶颗粒灰岩、泥晶灰岩、泥质泥晶灰岩的独热编码；
16、x1＝||[packstone],[wackstone],[mudstone],[marl_mudstone]|| (8)
17、x2＝||[wackstone],[packstone],[mudstone],[marl_mudstone]|| (9)
18、x3＝||[mudstone],[packstone],[wackstone],[marl_mudstone]|| (10)
19、x4＝||[marl_mudstone],[mudstone],[packstone],[wackstone]|| (11)
20、其中，||||代表矩阵取模；
21、定义多任务的xgboost模型的优化函数为：
22、
23、是计算预测结果带来的损失的误差函数，分别表示预测值与实际值；在考虑损失函数可微性的基础上，采用平均最小误差函数表征损失函数，并将优化函数定义为：
24、
25、是一个抑制模型复杂性的常规式，k表示训练树的数目；
26、引入l1和l2正则化因子之后，将抑制模型复杂性的常规式表示为：
27、
28、γ和λ分别是l1和l2的正则化因子；
29、将优化函数表示为：
30、
31、采用泰勒展开法对优化函数进行进一步优化，即
32、
33、是一个已知的值，看作是一个常数；同时，和γt也是常数；抛弃常数后，将优化函数近似为：
34、
35、计算出优化函数后通过反向传播算法计算误差对参数的梯度，然后通过梯度下降算法来更新模型参数，直到达到设定的训练次数，从模型中选择效果最好的模型作为最终的分类任务模型；
36、s4、通过译码操作将分类任务模型的输出向量转化为自然语言文本；译码操作是一种搜索机制，包括以下子步骤：
37、s51、逆解计算如下：
38、
39、s52、任务分类，柔性最大激活函数如下：
40、task_classification＝argmax(softmax(inverse_solution)) (19)；
41、s53、计算解码器：
42、
43、task→lith、task→por、task→perm、task→toc分别表示岩性预测任务、孔隙度预测任务、渗透率预测任务和toc预测任务；choose是一种搜索本文档来自技高网...
【技术保护点】
1.基于MT-XGBoost模型的储层参数预测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.基于mt-xgboost模型的储层参...
【专利技术属性】
技术研发人员：宋金民，任杉，李柯然，金鑫，王佳蕊，刘树根，李智武，叶玥豪，王斌，邓豪爽，郭嘉欣，张钊益，
申请(专利权)人：成都理工大学，
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。