[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

说明书

本发明提供一种基于深度学习的测井曲线预测方法及其系统，该方法包括步骤：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。本发明计算更高效且精度更高，进而能够为以后的地震资料处理提供更高精准的曲线。

技术领域

本发明涉及勘探领域的地震数据处理技术领域，尤其涉及一种基于深度学习的测井曲线预测方法及其系统。

背景技术

测井曲线的预测或重构成为了井震联合反演技术前期一项必不可少的工作。然而在实际的勘探当中，测井不可能很密，因为涉及到测井的成本问题。测井曲线的预测对于后期的油气的预测和弹性参数的反演具有重要的作用。

目前勘探中有采用经验法来预测测井曲线，这种方法只能用于一种或者多种曲线进行数学转换，速度上快且整个操作过程容易，但是缺点是结果准确度不高。还有采用地震属性分析法来预测测井曲线，这种方法主要是通过横纵方向上的线性数据来模拟出地震属性的曲线，这种方法的精确度高于经验法测量，但首先需要导入三维地震数据体，而且存在过度训练的问题。

因此，急需设计出一种操作容易且准确度高的测井曲线预测方法。

发明内容

本发明的特征和优点在下文的描述中部分地陈述，或者可从该描述显而易见，或者可通过实践本发明而学习。

为克服现有技术的问题，本发明提供一种基于深度学习的测井曲线预测方法，包括：

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。

可选地，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。

可选地，所述预设阈值大于0.85。

可选地，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。

可选地，记所述比值为b，则：

当所述比值大于0.9≥b＞1时，初始参数15＞m＞10，15＞n＞8；

当所述比值大于0.8≥b＞0.9时，初始参数12＞m＞7，15＞n＞10；

当所述比值大于0.5≥b＞0.8时，初始参数9＞m＞4，25＞n＞15；

当所述比值大于0＞b＞0.5时，初始参数6＞m＞2，30＞n＞20。