[发明专利]一种基于深度学习的测井曲线预测方法及其系统

权利要求书

1.一种基于深度学习的测井曲线预测方法，其特征在于，包括步骤：

S10：将其中一口资料井的测井曲线数据作为标签数据，将剩余的资料井的测井曲线数据作为输入数据，并计算所述输入数据的特征值；

S20、在所述特征值中获取聚集值及最大特征值，计算所述聚集值与所述最大特征值的比值；

S30、根据所述比值获取深度学习DNN模型的初始参数及浮动范围，并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型；

S40：将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型，预测其他虚拟井的测井曲线数据；

所述步骤S20中获取所述聚集值时，包括：

在所述特征值中选择一个特征值，作为第一特征值；

计算所述特征值中大于所述第一特征值的个数，记为第一个数；

判断所述第一个数与所述特征值的总个数的比值是否达到预设阈值；若是，则将所述第一特征值记为所述聚集值；

所述深度学习DNN模型的参数包括层数m以及每一层的节点数n；所述步骤S30包括：

当所述比值越接近1，则使初始参数m的取值越大，初始参数n的取值越小；反之，则使初始参数m的取值越小，初始参数n的取值越大。

2.根据权利要求1所述基于深度学习的测井曲线预测方法，其特征在于，所述预设阈值大于0.85。

3.根据权利要求1所述基于深度学习的测井曲线预测方法，其特征在于，记所述比值为b，则：

当0.9≤b＜1时，初始参数15＞m＞10，15＞n＞8；

当0.8≤b＜0.9时，初始参数12＞m＞7，15＞n＞10；

当0.5≤b＜0.8时，初始参数9＞m＞4，25＞n＞15；

当0＜b＜0.5时，初始参数6＞m＞2，30＞n＞20。

4.根据权利要求1所述基于深度学习的测井曲线预测方法，其特征在于，所述步骤S30包括：

若根据当前深度学习DNN模型预测出测井曲线结果与所述标签数据之间的误差值在预设范围值内，则将所述当前深度学习DNN模型记为所述最佳深度学习DNN模型的训练模型。

5.一种基于深度学习的测井曲线预测系统，其特征在于，包括：

特征值获取模块，用于将其中一口资料井的测井曲线数据作为标签数据，将剩余的资料井的测井曲线数据作为输入数据，并计算所述输入数据的特征值；

参数调整模块，用于在所述特征值中获取聚集值及最大特征值，计算所述聚集值与所述最大特征值的比值；根据所述比值获取深度学习DNN模型的初始参数及浮动范围，并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型；

预测模块，用于将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型，预测其他虚拟井的测井曲线数据；

所述参数调整模块用于：在所述特征值中选择一个特征值，作为第一特征值；计算所述特征值中大于所述第一特征值的个数，记为第一个数；若所述第一个数与所述特征值的总个数的比值达到预设阈值，则将所述第一特征值记为所述聚集值；

所述参数调整模块用于当所述比值越接近1，则使初始参数m的取值越大，初始参数n的取值越小；反之，则使初始参数m的取值越小，初始参数n的取值越大。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行的至少一个程序，其特征在于，所述至少一个程序被所述计算机执行时使所述计算机执行上述权利要求1～4任一项所述的方法中的步骤。