[发明专利]基于径向基函数神经网络模型的测井曲线预测方法

说明书

技术领域

本发明涉及油气井的测井曲线数据采集方法，尤其是一种快速有效、几乎无成本和预测测井曲线准确的基于径向基函数神经网络模型的测井曲线预测方法。

背景技术

随着油气开采技术的不断进步，测井曲线数据采集一般都是在钻井过程中采用专业设备测量获得，以便后期对油气田所处区域地质结构、油气储层以及油气开采研究提供基础数据。所述的测井曲线数据一般包括声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等相关曲线，这些曲线都是在钻井过程中采用专业测井设备测量获得。然而，一个油气田所处区域油气开采是一个连续性的事件，从勘探至开采最短时间基本都需要几十年，在对油气进行开采过程中，以前的老井，没有获取收集测井曲线数据，或者由于技术条件限制，获取收集的测井曲线数据不全，这对后期研究而言是相当困难，缺失的测井曲线数据是无法重新测量的。因为以前的老井在钻井过程中，都基本采用三层套管，套管之间采用砼浇筑，在钻井过程中不采集测井曲线数据，后期是无法采集的；以前的老井在钻井时，测井曲线检测仪器还没有发明制造出来【例如声波曲线AC的检测仪】，也无法完整的采集测井曲线。

基于上述情况，老井的测井曲线预测方法就变得很有必要，以实现对老井的测井曲线采集。

发明内容

本发明的目的是提供一种快速有效、几乎无成本和预测测井曲线准确的基于径向基函数神经网络模型的测井曲线预测方法。

为实现上述目的而采用的技术方案是这样的，即一种基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少一口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。运用人工神经网络技术建立预测模型的步骤如下，

第一步、选定标准井，

所述标准井为测井曲线较全的新井，该新井的测井曲线为常规测井曲线，该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线；

第二步、确定老井需要预测的具体测井曲线，

假定老井需要预测的某一具体测井曲线为输出且用y表示，老井需要预测的其它具体测井曲线也为输出，其它具体测井曲线的个数为p个，其它具体测井曲线也为输出对应用x₁、x₂、…、x_p表示，其中p为≧2的自然数；

假定用于建立预测模型的具体测井曲线有N个取样点，对应的用向量X₁、X₂、…、X_N表示输入，其中N为>1的自然数，其中第k个输入为X_k＝[x_1k、x_2k、…、x_pk]^T，k＝1,2，…，N，所对应的N个输出用向量Y＝[y_1、y₂、…、y_N]^T表示；T表示转置，写成行向量，转置就是列向量；

第三步、构建输入—输出训练样本集，从上述第二步所述N个样本中选择M个样本构成基函数的中心，这里采用的是自组织选取中心法，中心位置是动态变化的，然后将N个样本反复输入，直到中心位置稳定为止。

X^j＝[x_1j、x_2j、…、x_pj]^T，j＝1,2,…,M，

所述M为>1的自然数，

选择M个基函数，每个基函数对应一个训练数据，各基函数的形式为

训练数据点X^j是基函数的中心，基函数以输入空间的点X与中心X^j的距离作为函数的自变量，由于距离是径向同性的，所以函数称为径向基函数；

第四步、建立预测模型，

基于第三步所述径向基函数的人工神经网络模型为

式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入)；y是对应的输出。

将第N个训练样本X_i，y_i分别带入上述模型学习训练,得到

上式实际上是一个关于M个未知数(权值系数)ω_j(j＝1,2,…,M)的线性方程组，令并写成矩阵形式就是：