申请/专利权人：兰州大学

申请日：2021-11-12

公开（公告）日：2024-06-28

公开（公告）号：CN114117898B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/2431;G06N3/048;G06N3/08;E21B47/00;E21B49/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.03.18#实质审查的生效;2022.03.01#公开

摘要：本发明公开了一种基于机器学习算法的随钻伽马测井正演方法，涉及石油井探测技术领域。该方法具体包括：建立不同放射性强度、层厚、密度和不同倾角的地层模型；模拟伽马射线在地层中的输运过程，获取不同地质情况下的随钻伽马探测器计数随深度的响应关系；建立不同地层厚度下探测器深度坐标与随钻伽马探测器计数的响应关系；建立不同地层密度下探测器深度坐标与随钻伽马探测器计数的响应关系；建立不同地层倾角下探测器深度坐标与随钻伽马探测器计数的响应关系；建立不同地层界面距离与随钻伽马计数的响应关系；基于响应关系建立数据库，用神经网络算法对模拟数据进行训练，构建适用于随钻伽马正演的神经网络模型，形成随钻伽马测井快速正演方法。

主权项：1.一种基于机器学习算法的随钻伽马测井正演方法，其特征在于，包括以下步骤：a．建立不同地层放射性大小、层厚、密度和不同倾角的测井模型；b．使用蒙特卡罗软件模拟地层中伽马粒子在地层中的输运过程，得到在不同地质情况下随钻伽马探测器计数随深度变化的理论值；c．建立地层放射性大小与随钻伽马探测器计数的响应关系；建立不同地层厚度下探测器深度坐标与随钻伽马探测器计数的响应关系；建立不同地层密度下探测器深度坐标与随钻伽马探测器计数的响应关系；建立不同地层倾角下探测器深度坐标与随钻伽马探测器计数的响应关系；建立不同地层界面距离与随钻伽马计数的响应关系；d．通过决策树分类方法，根据两地层所含放射性大小的不同，将数据分为：放射性相差过大、放射性相差较小、放射性相差适中的三种响应关系分类，建立数据库；e．预处理网络，搭建网络，训练网络，调整参数；f．将数据库的另25%数据，导入已训练好的网络进行机器学习，进行回归预测，得到正演结果，并再次调整网络参数；g．选择数据库中不存在的相同的地层参数，分别使用蒙特卡罗模拟和已训练好的网络模型进行回归预测，对比二者的结果；步骤d中，为消除数据之间的量纲影响，将探测器的最大探测范围在不同地层位置的数据分为：完全处于一种放射性地层的影响中、处于两种不同放射性地层的交叉影响下，将已分类的数据分为两个数据库，即一共产生6个新的数据库；再对每个数据库的数据进行离差标准化、标准差标准化、对数变换、逆序、权重偏置数据处理方法，完善数据库；步骤e的具体过程为：预处理网络与搭建网络：选择深度神经网络作为网络模型，神经网络的结构输入层n个，输入层个数n由不同的数据库决定，根据数据大小，预设置输入值、输入的形状、输出的形状和激励函数；对于更加复杂的标签情况，可选择支持向量机SVM中的SVR模型来进行回归预测，针对不同的数据库选择不同的核函数，对于探测器的最大探测范围完全处于一种放射性地层的影响中的情况下，不论放射性相差多少，均可选取Linear作为核函数；对于探测器的最大探测范围处于两种不同放射性地层的交叉影响下的数据库，地层放射性相差过大时，可以选择polynomial作为核函数;地层放射性相差过小时，选择RBF作为核函数;放射性相差适中时，选择RBF作为核函数；训练网络与调整参数：将分类好的数据库进行随机采样，将数据库中75%的数据作为训练集，对所选择的机器学习模型进行训练，训练时候调整神经元层数与神经元个数，即调整DNN网络的深度与宽度或调整核函数与gamma、coef0、espilon参数；参数的数值取决于网络训练的程度，DNN网络的预测准确率采用平均绝对误差MAE作为计算损失Loss的指标，均方误差MSE作为衡量准确度Acc的依据；根据MAE、MSE、R2_score的评价反馈来调整参数，参数又反馈到评价数值上，直至网络训练完成。

全文数据：

权利要求：

百度查询： 兰州大学 一种基于机器学习算法的随钻伽马测井正演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD