基于神经网络的密度预测方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116027399A(43)申请公布日2023.04.28(21)申请号202111241541.XG06F18/214(2023.01)(22)申请日2021.10.25G06N3/0499(2023.01)G06N3/08(2023.01)(71)申请人中国石油化工股份有限公司地址100728北京市朝阳区朝阳门北大街22号申请人中国石油化工股份有限公司石油物探技术研究院(72)发明人谢玮毕臣臣胡华锋姚铭雷朝阳张克非(74)专利代理机构北京聿宏知识产权代理有限公司11372专利代理师陈超德吴昊(51)Int.Cl.G01V1/28(2006.01)G01V1/30(2006.01)权利要求书2页说明书16页附图3页(54)发明名称基于神经网络的密度预测方法、装置、设备及存储介质(57)摘要本申请提供的一种基于神经网络的密度预测方法、装置、设备及存储介质，包括：数据准备：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；样本集构建：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；模型训练：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；模型应用：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。CN116027399ACN116027399A权利要求书1/2页1.一种基于神经网络的密度预测方法，其特征在于，包括：S1：数据准备：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；S2：样本集构建：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；S3：模型训练：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；S4：模型应用：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。2.根据权利要求1所述的方法，其特征在于，所述研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料具体包括：从常规测井和全波列测井中获得的所述深度域纵波速度、深度域横波速度和密度数据；所述深度域实测深度域纵波速度和深度域横波速度作为神经网络的输入数据；所述密度作为神经网络的输出数据。3.根据权利要求1所述的方法，其特征在于，所述对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理之前，所述方法还包括：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行异常值剔除。4.根据权利要求1所述的方法，其特征在于，所述归一化预处理的具体方法包括：式中，b(z)和a(z)分别为归一化前、后的测井值；b(z)max和b(z)min分别为归一化前测井值的最大值和最小值。5.根据权利要求1所述的方法，其特征在于，所述神经网络为深度前馈神经网络。6.根据权利要求5所述的方法，其特征在于，所述深度前馈神经网络的网络的结构包括：包含输入层h(0)、输出层h(L)和L‑1个隐含层。7.根据权利要求6所述的方法，其特征在于，所述深度前馈神经网络的网络的输入层神经元个数n0＝2，输入层激活函数选择ReLU函数，输出层和隐含层的激活函数选择Sigmoid函数，输出层神经元个数nL＝1。8.一种基于神经网络的密度预测装置，其特征在于，包括：数据准备模块、样本集构建模块、模型训练模块和模型应用模块；数据准备模块：获取研究区的深度域实测深度域纵波速度、深度域横波速度和密度测井资料；样本集构建模块：对所述深度域实测深度域纵波速度、深度域横波速度和密度测井资料进行归一化预处理，从而组成神经网络的训练样本集；2CN116027399A权利要求书2/2页模型训练模块：构建基于深度前馈神经网络的密度预测模型，并利用所述训练样本集对其进行训练，得到深度域纵波速度和深度域横波速度与密度之间的非线性关系模型，实现密度预测功能；模型应用模块：将实测深度域纵波速度、深度域横波速度的预测数据进行归一化预处理，再将归一化预处理后预测数据输入所述非线性关系模型，进行密度的预测。9.一种基于神经网络的密度预测设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1至7任意一项所述的基于神经网络的密度预测方法。10.一种存储介质，其特征在于，该