【技术实现步骤摘要】
本专利技术属于石油地质中的储层孔隙度预测，具体涉及一种基于tcn-transformer的储层孔隙度预测方法。
技术介绍
1、自然资源是人类生活和发展不可或缺的物质基础，对其进行合理规划、开发和有效利用与人类生活息息相关。与此同时，石油和天然气的勘探和生产正面临着巨大的挑战，迫切需要采用新的方法以降低石油在勘探和开发中的工作难度。储层孔隙度是描述岩石中孔隙空间大小的一个重要地质参数，也是描述油气储层特性的重要参数之一，其具体指的是岩石中未被固体物质填充的空间体积与岩石总体积的比值，它直接影响到油气资源的存储量及其在岩石孔隙中的流动性能，通过对孔隙度的研究和测量，可以更好地理解和评估油气藏的潜力。
2、目前，常用的孔隙度预测方法主要分为直接测量法和间接测量法。其中直接测量法，例如通过使用岩心分析的方法对储层孔隙度进行测量，但这也面临着一系列的挑战，特别是在岩心的提取与运输环节中，很难保存完整的岩心。因此，在实际操作中，人们往往采用侧壁岩心或岩心塞的样本作为完整岩心的替代品来进行测量，但这种方法不可避免地会牺牲一定的测量准确性；并且岩心样本的采集、处理和分析岩心样本的过程既耗时又费力，也需要大量的成本投入。而基于测井曲线对储层孔隙度进行测量是一种有效且快速的间接测量方法，其中测井曲线是指在地质勘探和石油工程中，利用测井技术测量并绘制出的地层岩石的物理性质变化曲线。通过测井曲线，可以获取地层中多种物理参数的数据，这些数据与孔隙度呈现出紧密的相关性。借助测井曲线数据，可以对储层孔隙度进行精确的预测，从而更加快速和准确地评估储
3、这促使人们寻找新的技术和方法提高储层孔隙度预测的准确性，以节约成本并缩短预测时间。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，本专利技术提供了基于tcn-transformer的储层孔隙度预测方法。
2、为解决上述技术问题，本专利技术采用的技术方案是：
3、一种基于tcn-transformer的储层孔隙度预测的方法，包括以下步骤：
4、1)收集测井曲线数据，并对其进行缺失值补全和异常值处理；
5、2)将步骤1)得到的数据集转换成适合模型训练和预测的格式；
6、3)对步骤2)转换后的数据进行数据集划分；
7、4)采用随机森林算法对测井曲线数据进行特征重要性分析，并与皮尔逊相关性分析所得结果进行对比，保留与储层孔隙度相关性较高的属性，构建测井曲线特征数据集；
8、5)将步骤4)构建的测井曲线特征训练集数据依次输入至时间卷积网络(temporalconvolutional network，tcn)模块和transformer模块进行学习和模型训练，构建储层孔隙度预测模型；
9、6)计算损失函数，并采用贝叶斯优化对模型进行调优，得到最优的模型参数组合；
10、7)根据训练所得的储层孔隙度模型，使用独立的测试集数据验证模型性能，计算出平均绝对误差(mean absolute error，mae)和均方根误差(root mean square error，rmse)，并对储层孔隙度进行预测，得到输出的预测结果。
11、进一步的，所述步骤1)中，查找输入数据中是否存在缺失值或异常值，对缺失值通过均值填补，在一定程度上弥补数据的不完整性并删除那些超出正常范围的异常数据和重复数据，以确保数据集的统一性。
12、进一步的，所述步骤2)中，采用最大最小归一化对测井曲线数据集进行归一化处理，将数据集中的各个特征取值范围转换至[0，1]区间内，防止数据的极值范围过大对孔隙度预测模型的准确度产生不利的影响。最大最小归一化公式如(1)所示：
13、
14、上式中，x′为输入值的运算结果，x输入值，xmin为数据所在列的最小值，xmax为数据所在列的最大值。
15、进一步的，所述步骤3)，选择不同井的测井曲线数据作为训练集和测试集，此操作可以确保数据的独立性和模型的泛化能力。
16、进一步的，所述步骤4)中在采用随机森林算法对测井曲线数据进行特征重要性分析时，通过统计每个测井曲线特征在构建决策树时被使用的次数和效果来评估该特征对孔隙度预测的重要性，并根据特征的重要性得分，对特征重要性按照从高到低的顺序进行排序。
17、进一步的，所述步骤4)中，皮尔逊相关性分析公式如(2)所示：
18、
19、上式中，xi和yi分别为测井曲线数据与储层孔隙度的观测值，和为两个变量的平均值。其中相关系数值r介于[-1，1]，值越接近1表示正相关越强，值越接近-1则表示负相关越强，值接近0表示没有相关性。根据r的值，可以判断孔隙度与测井曲线之间的相关性强度。
20、进一步的，所述步骤5)中，具体过程是：
21、5.1)将步骤4)得到的测井曲线特征训练集数据输入至tcn模块中，该模块由若干个残差块堆叠而成，每个残差块包括两个因果扩张卷积层、权重归一化层、激活函数层和dropout层，其中因果扩张卷积层通过优化卷积核大小和步长，实现对输入的测井曲线数据进行局部特征提取。卷积核通过膨胀系数(以2的指数增加，d＝1、2、4、8…)以增大感受野，通过权重归一化进行加速计算和收敛。具体流程为：
22、5.1.1)输入测井序列数据通过第一个卷积模块，得到输出out1；
23、5.1.2)out1与第二个卷积模块的输入进行残差连接；
24、5.1.3)残差连接后的数据通过relu(rectified linear units)激活函数进行非线性映射得到输出out2。
25、5.1.4)第三个和第四个卷积模块与前两个卷积模块在结构相似，重复步骤5.1.1)至步骤5.1.3)，得到最终输出out。其中因果扩张卷积的感受野大小为：
26、
27、上式中，l为感受野大小；kernel_size为卷积核大小；dilation为膨胀系数；n为网络层数。
28、5.2)将上层的输出数据输入至transformer模块中，该模块通过多头自注意力本文档来自技高网...
【技术保护点】
1.一种基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤1)中，查找输入数据中是否存在缺失值或异常值，对缺失值通过均值填补，在一定程度上弥补数据的不完整性并删除那些超出正常范围的异常数据和重复数据，以确保数据集的统一性。
3.根据权利要求2所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤2)中，采用最大最小归一化对测井曲线数据集进行归一化处理，将数据集中的各个特征取值范围转换至[0，1]区间内，防止数据的极值范围过大对孔隙度预测模型的准确度产生不利的影响。最大最小归一化公式如(1)所示：
4.根据权利要求3所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤3)中，选择不同井的测井曲线数据作为训练集和测试集，此操作可以确保数据的独立性和模型的泛化能力。
5.根据权利要求4所述的基于TCN-Transformer的储层孔隙度预测的
6.根据权利要求5所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤4)中皮尔逊相关性分析公式如(2)所示：
7.根据权利要求6所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤5)中的具体过程是：
8.根据权利要求7所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤6)中，模型中选用均方误差(Mean Squared Error，MSE)作为损失函数，并将其作为贝叶斯优化算法的目标函数。均方误差MSE公式如(5)所示：
9.根据权利要求8所述的基于TCN-Transformer的储层孔隙度预测的方法，其特征在于，所述步骤7)中，选用平均绝对误差(MAE)和均方根误差(RMSE)对预测准确度进行评估，最终评估模型的性能，并通过与孔隙度数据进行比较来确定其准确性。平均绝对误差MAE和均方根误差RMSE具体计算公式分别是：
...【技术特征摘要】
1.一种基于tcn-transformer的储层孔隙度预测的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于tcn-transformer的储层孔隙度预测的方法，其特征在于，所述步骤1)中，查找输入数据中是否存在缺失值或异常值，对缺失值通过均值填补，在一定程度上弥补数据的不完整性并删除那些超出正常范围的异常数据和重复数据，以确保数据集的统一性。
3.根据权利要求2所述的基于tcn-transformer的储层孔隙度预测的方法，其特征在于，所述步骤2)中，采用最大最小归一化对测井曲线数据集进行归一化处理，将数据集中的各个特征取值范围转换至[0，1]区间内，防止数据的极值范围过大对孔隙度预测模型的准确度产生不利的影响。最大最小归一化公式如(1)所示：
4.根据权利要求3所述的基于tcn-transformer的储层孔隙度预测的方法，其特征在于，所述步骤3)中，选择不同井的测井曲线数据作为训练集和测试集，此操作可以确保数据的独立性和模型的泛化能力。
5.根据权利要求4所述的基于tcn-transformer的储层孔隙度预测的方法，其特征在于，所述步骤4)中，在采用随机森林算法对测井曲线数据...
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。