【技术实现步骤摘要】
本专利技术涉及页岩储层脆性指数预测方法，具体为一种基于改进的bp神经网络的页岩储层脆性指数地震智能预测方法。
技术介绍
1、叠前同时反演是目前应用最为广泛的反演方法，其理论基础是zoeppritz方程及其简化表达式。该反演技术通过利用叠前道集数据、测井曲线以及地震层位数据进行反演，从而得到纵、横波以及密度数据体。bp神经网络由rumelhart等人于1986年提出，是目前应用最广泛的神经网络模型之一。bp神经网络模型结构包括一个输入层、一个输出层和任意多个隐含层，每层都由若干个神经元组成。在训练过程中，该模型遵循减少目标输出与实际输出之间误差的原则，通过输出层误差反向传播的方式不断更新各隐含层以及输入层神经元的权重w和阈值b，所以称其为“误差反向传播算法”，即bp算法(back propagation)。
2、目前常用的页岩脆性指数地震预测方法，采用应用多个叠前地震数据体进行联立反演，获得杨氏模量、泊松比等弹性参数数据体。再将弹性参数数据体经过线性数学关系计算或者采用非线性多元回归模型转换，直接或间接地得到脆性指数数据体，进而获得页岩气储层三维横向和纵向的脆性指数分布。
3、然而上述方法的研究与实践过程中，本专利技术的专利技术人发现弹性参数与脆性指数的数学关系转换公式仅以其中几种弹性参数基于简单线性数学关系转换，且多元回归模型易受到模型参数选择、误差校验等因素影响，脆性指数预测结果精度有待进一步提高。
4、因此需要对以上问题提出一种新的解决方案。
技术实现思路>
1、本专利技术的目的在于提供一种基于改进的bp神经网络的页岩储层脆性指数地震智能预测方法，能够提高脆性指数的地震预测精度，从而更精确地识别页岩储层压裂有利区分布，以解决
技术介绍
中提出的技术问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于改进的bp神经网络的页岩储层脆性指数地震预测方法，包括以下步骤：
3、s1：获得已知数口井的测井数据与实验数据，所述测井数据为井内n个不同深度处的测井参数，所述测井数据包括纵波速度vp、横波速度vs和密度ρ，所述实验数据为各岩石参数，所述实验数据包括杨氏模量、泊松比、剪切模量、拉梅系数和体积模量，利用实验数据拟合校正测井数据计算的岩石动态参数为静态岩石参数，为神经网络模型训练提供充足的数据点，并随机选择一口井作为验证井，其余为训练井；
4、s2：将训练井中的每个岩石参数分别与矿物脆性指数进行相关性分析并对比，选择相关系数绝对值在前三的三个岩石参数作为自变量，分别标记为自变量a、自变量b、自变量c，矿物脆性指数作为因变量；
5、s3：构建模型数据集，将所有井同一深度处的三个自变量构成样本xi＝{xai，xbi，xci}，i表示第i个深度，i＝1,2,3,…,n，xai，xbi，xci分别表示第i个深度处自变量a的值、自变量b的值、自变量c的值，该深度对应的脆性指数为yi，将yi作为该样本的标签，样本数据和样本标签构成模型数据集；
6、s4：建立训练矩阵，将所有样本数据构成矩阵x＝{xa，xb，xc}，其中xa、xb、xc分别为所有xai、xbi、xci构成的列向量，将深度对应的脆性指数yi构成矩阵y；预设一个迭代矩阵xk＝{xak，xbk，xck}，迭代次数n，k＝1～n；且当k＝1时，xak＝xa，xbk＝xb，xck＝xc；
7、s5：采用试凑法计算不同隐含层节点模型的误差，明确bp神经网络模型隐含层神经元个数，确定bp神经网络模型结构；
8、s6：改进梯度下降法中的学习率，利用改进的bp神经网络模型获得模型训练最优参数；
9、s7：选取验证井，获取其在模型数据集中对应的数据，输入改进的bp神经网络脆性指数预测模型中，输出其预测值与真实值对比，采用决定系数评价指标验证模型稳定性；
10、s8：采用叠前反演方法，计算得到s2中三个岩石参数数据体；
11、s9：基于改进的bp神经网络模型，采用s8中计算得到的岩石参数数据体作为神经网络输入数据，预测得到页岩储层脆性指数数据体，进而确定页岩储层脆性指数地震预测结果。
12、进一步地，所述s1中，用下式计算岩石参数杨氏模量(e)、泊松比(μ)、体积模量(k)、剪切模量(g)以及拉梅系数(λ)；
13、
14、vp为纵波速度，vs为横波速度。
15、进一步地，所述s6至少包括以下步骤：
16、s61：对矩阵x中的元素分别进行归一化处理，得到归一化后的矩阵x’；
17、s62：对矩阵xk中的元素分别进行归一化处理，得到归一化后的矩阵xk’；
18、s63：对矩阵y中的元素分别进行归一化处理，得到归一化后的矩阵y’；
19、s64：计算矩阵xk’的预测值；
20、进一步地，所述s64至少包括以下步骤：
21、s641：采用sigmoid激活函数将矩阵xk’输入到神经网络的隐含层，得到隐含层输出矩阵xkh’；
22、s642：将隐含层输出矩阵xkh’采用purelin激活函数输入至输出层，并得到输出结果yk；
23、s643：计算yk和y’之间的误差，记为误差函数j(θ)；
24、s644：确定误差函数在迭代次数为k时的梯度▽j(θk)；
25、s645：用学习率αk乘以误差函数的梯度得当前迭代次数为k时梯度下降的距离αk*▽j(θk)；
26、s646：迭代次数为k时，模型参数θk为更新后的模型训练的参数，确定误差函数j(θ)的值小于迭代终止条件ε，此时模型训练结束，否则进入步骤s647；
27、s647：更新学习率αk，更新完毕后继续转入步骤s644。
28、进一步地，所述s64中的误差函数j(θ)、模型参数θk和学习率αk具体采用以下公式计算：
29、j(θ)＝||yk(θ)-y'||22
30、
31、θ为输入数据的权重，yk(θ)为预测输出结果，y'为输入数据的实际输出，αk为在迭代次数为k时的学习率，为误差函数在迭代次数为k时的梯度，α为学习率，k为迭代次数，α0为初始学习率，常数，取0.5。
32、进一步地，所述s641-s643中，用下式进行归一化处理：
33、
34、zi为各弹性参数标准化后的值，无量纲；xi为各弹性参数的原始值；max(xi)、min(xi)为目的层段各弹性参数最大值与最小值。
35、进一步地，所述s7决定系数采用以下公式计算：
36、
37、n为样本数，为第i个样本的预测值，yi为第i个样本的真实值，为样本预测值中的平均值，为样本真实值的平均值。
38、进一步地，所述s8至少包括以下步骤：
39、s81：对地震数据进行超道集处理，并进一步转换为叠前角道集；
本文档来自技高网...
【技术保护点】
1.一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述S1中，用下式计算岩石参数杨氏模量(E)、泊松比(μ)、体积模量(K)、剪切模量(G)以及拉梅系数(λ)；
3.根据权利要求1所述的一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述S6至少包括以下步骤：
4.根据权利要求2所述的一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述S64至少包括以下步骤：
5.根据权利要求3所述的一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述S64中的误差函数J(θ)、模型参数θk和学习率αk具体采用以下公式计算：
6.根据权利要求3所述的一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述S641-S643中，用下式进行归一化处理：
7.根据权利要求1所述的一种基于改进的BP神经网络的页岩储层脆
8.根据权利要求1所述的一种基于改进的BP神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述S8至少包括以下步骤：
...【技术特征摘要】
1.一种基于改进的bp神经网络的页岩储层脆性指数地震预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进的bp神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述s1中，用下式计算岩石参数杨氏模量(e)、泊松比(μ)、体积模量(k)、剪切模量(g)以及拉梅系数(λ)；
3.根据权利要求1所述的一种基于改进的bp神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述s6至少包括以下步骤：
4.根据权利要求2所述的一种基于改进的bp神经网络的页岩储层脆性指数地震预测方法，其特征在于：所述s64至少包括以下步骤：
5.根据...
【专利技术属性】
技术研发人员：张学娟，佘海燕，张雷，刘如昊，李明，王鑫锐，周雪松，冯加阳，李若霖，
申请(专利权)人：重庆科技大学，
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。