一种基于深度学习的薄储层空间分布预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936234A(43)申请公布日2023.04.07(21)申请号202211648358.6(22)申请日2022.12.21(71)申请人成都理工大学地址610059四川省成都市成华区二仙桥东三路1号(72)发明人潘科韩素月何祖栎夏鑫宇周仲礼刘斌胡先莉樊鑫月(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223专利代理师张举(51)Int.Cl.G06Q10/04(2023.01)G06Q50/02(2012.01)G06N3/047(2023.01)G06N3/086(2023.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于深度学习的薄储层空间分布预测方法(57)摘要本发明公开了一种基于深度学习的薄储层空间分布预测方法，涉及油气勘探技术领域，包括以下步骤：获取多种地层数据；进行相关性分析得到多种优选参数；采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定，构建GA‑DBN薄储层预测模型；GA‑DBN模型的输入层包括与多种优选参数对应的多个节点，输出层包括与储层类型对应的多个节点；将多种优选参数输入至GA‑DBN薄储层预测模型，得到储层类型，根据多个储层类型对区域薄储层进行纵向预测。本发明利用GA‑DBN模型所得的预测效果相比于传统方法有显著的提升，根据预测结果生成的井柱状图与实际储层分布吻合，能较好的反映上、下储层各自的薄储层分布特征。CN115936234ACN115936234A权利要求书1/2页1.一种基于深度学习的薄储层空间分布预测方法，其特征在于，包括以下步骤：获取多种地层数据；对多种所述地层数据进行相关性分析得到多种优选参数；采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定，构建GA‑DBN薄储层预测模型；所述GA‑DBN模型的输入层包括与多种优选参数对应的多个节点，输出层包括与储层类型对应的多个节点；将多种所述优选参数输入至GA‑DBN薄储层预测模型，得到储层类型，根据多个储层类型对区域薄储层进行纵向预测。2.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，采用GA算法对DBN模型中的激活函数、隐藏层数和神经元个数进行确定，包括以下步骤：初始化DBN模型中的激活函数、隐藏层数和神经元个数；对上述三个参数进行初始值编码，产生初始种群；通过适应度函数对初始种群的个体进行计算，得到个体适应度评价结果；基于个体适应度评价结果，采用轮盘赌法对初始种群中的染色体进行选择操作，并利用交叉和变异操作对选中的个体进行优化，产生新的种群；判断新的种群是否满足终止条件，不满足则重新确定种群，进行多次迭代优化得到最终种群；对所述最终种群进行解码，得到优化过后的激活函数、隐藏层数和神经元个数。3.如权利要求2所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，所述适应度函数如下所示：式中，yi代表地层数据的期望输出，y代表地层数据的实际输出，n代表地层数据个数。4.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，多种所述优选参数包括浅侧向电阻率、不可压缩性、自然伽马、杨氏模量、泊松比和岩性密度。5.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，所述GA‑DBN薄储层预测模型的输入层包括6个节点，输出层包括2个节点。6.如权利要求5所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，所述输出层的输出表示为1和0。7.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，所述地层数据包括测井参数和弹性参数。8.如权利要求1所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，将多种所述优选数据输入至GA‑DBN薄储层预测模型之前，需要对多种优选数据进行交会分析和归一化预处理。9.如权利要求8所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，通过下式进行归一化计算：2CN115936234A权利要求书2/2页式中，X代表原始地层数据，Xmin代表原始地层数据中的最小值，Xmax代表原始地层数据中的最大值，Y代表归一化之后的数据。10.如权利要求8所述的一种基于深度学习的薄储层空间分布预测方法，其特征在于，将预处理后的多个多种优选数据作为数据集，随机选取其中70％作为训练集，剩余的30％作为验证集，通过训练集对GA‑DBN薄储层预测模型进行训练，通过验证集对GA‑DBN薄储层预测模型进行验证。3CN115936234A说明书1/6页一种基于深度学习的薄储层空间分布预测方法技术领域[0001]本发明涉及油气勘探技术领域，特别是涉及一种基于深度学习的薄储层空间分布预测方法。背景技术[0002