碳酸盐岩储层沉积相识别方法、装置、电子设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113627607A(43)申请公布日2021.11.09(21)申请号202010378218.6(22)申请日2020.05.07(71)申请人中国石油化工股份有限公司地址100027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勘探开发研究院(72)发明人廉培庆段太忠张文彪王鸣川刘彦锋吴双肖萌马琦琦(74)专利代理机构北京思创毕升专利事务所11218代理人孙向民廉莉莉(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书9页附图7页(54)发明名称碳酸盐岩储层沉积相识别方法、装置、电子设备及介质(57)摘要公开了一种碳酸盐岩储层沉积相识别方法、装置、电子设备及介质。该方法可以包括：将储层划分为多个沉积相，针对测井数据预处理，获得预处理后的测井数据；根据多个沉积相的预处理后的测井数据，建立标准训练库；构建长短时记忆神经网络模型，设置神经网络初始参数；将标准训练库的样本输入至长短时记忆神经网络模型进行学习训练，调节神经网络参数，获得最终的长短时记忆神经网络模型；将目标井的预处理后的测井数据输入至最终的长短时记忆神经网络模型，预测目标井的储层沉积相类型。本发明通过长短时记忆网络，实现一种自动划分储层沉积相的方法，具有较高自动识别精度，可以减少人工工作量，提高工作效率。CN113627607ACN113627607A权利要求书1/2页1.一种碳酸盐岩储层沉积相识别方法，其特征在于，包括：将储层划分为多个沉积相，针对测井数据预处理，获得预处理后的测井数据；根据多个沉积相的预处理后的测井数据，建立标准训练库，其中，标准训练库包括训练集与测试集；构建长短时记忆神经网络模型，设置神经网络初始参数；将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练，调节神经网络参数，获得最终的长短时记忆神经网络模型；将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型，预测所述目标井的储层沉积相类型。2.根据权利要求1所述的碳酸盐岩储层沉积相识别方法，其中，所述预处理包括对测井数据进行滤波除噪以及标准化。3.根据权利要求2所述的碳酸盐岩储层沉积相识别方法，其中，通过公式(1)对测井数据进行标准化：其中，x为测井数据，mean(x)代表测井数据x的平均值，std(x)为测井数据x的标准差，y为标准化数据。4.根据权利要求1所述的碳酸盐岩储层沉积相识别方法，其中，所述神经网络初始参数包括网络层数、隐藏单元个数、误差函数、学习率、学习次数、单次训练选取的样本数初始值。5.根据权利要求4所述的碳酸盐岩储层沉积相识别方法，其中，将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练，调节神经网络参数，获得最终的长短时记忆神经网络模型包括：将所述训练集的样本输入至长短时记忆神经网络模型，进行单次训练，输出模拟岩相标签；根据所述训练集对应的的样本的岩相标签与所述模拟岩相标签，计算标签误差；通过梯度下降法调节所述神经网络参数，直至标签误差小于设定阈值或达到设定的学习次数，获得优化的长短时记忆神经网络模型；通过测试集验证所述优化的长短时记忆神经网络模型，调整网络的层数与隐藏单元个数，获得最终的长短时记忆神经网络模型。6.根据权利要求5所述的碳酸盐岩储层沉积相识别方法，其中，进行单次训练包括：将所述训练集的样本输入至所述长短时记忆神经网络模型，进行学习训练；当前t时刻计算完成后，通过遗忘门、输入门与输出门对样本计算结果进行交互，转向下一时刻t+1，再次学习训练；重复上述过程至单次训练完成。7.根据权利要求6所述的碳酸盐岩储层沉积相识别方法，其中，通过公式(2)计算所述标签误差：2CN113627607A权利要求书2/2页其中，L为标签误差，为t时刻模拟岩相标签的第k个样本，为对应的t时刻岩相标签的第k个样本，n为样本数量，T为迭代时间。8.一种碳酸盐岩储层沉积相识别装置，其特征在于，包括：预处理模块，将储层划分为多个沉积相，针对测井数据预处理，获得预处理后的测井数据；建库模块，根据多个沉积相的预处理后的测井数据，建立标准训练库，其中，标准训练库包括训练集与测试集；建模模块，构建长短时记忆神经网络模型，设置神经网络初始参数；调节模块，将所述标准训练库的样本输入至长短时记忆神经网络模型进行学习训练，调节神经网络参数，获得最终的长短时记忆神经网络模型；计算模块，将目标井的预处理后的测井数据输入至所述最终的长短时记忆神经网络模型，预测所述目标井的储层沉积相类型。9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有可执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求