[发明专利]一种结合深度学习的储层物性参数预测方法

权利要求书

1.一种结合深度学习的储层物性参数预测方法，其特征在于包括以下步骤：

S1获得测井曲线并对曲线进行异常值剔除；

S2通过最大信息系数定量测度物性参数与测井曲线之间的非线性相关性，选取对物性参数响应明显的多条测井曲线；

S3对物性参数序列进行基于自适应噪声的完全集合经验模态分解，获得相对平稳但具有不同特征的本征模态函数IMF分量和剩余RES分量，实现物性参数数据序列平稳化处理；

S4通过复杂统计理论下的样本熵对各IMF分量和RES余量的复杂度进行评价分析，将熵值相近的分量序列重组得到新本征模态分量；

S5对新本征模态分量进行数据归一化处理，构造预测模型的训练和测试数据集；

S6对新分量分别采用基于深度学习的长短时记忆循环神经网络分别建立预测模型，利用训练数据训练模型，获得各新本征模态分量的预测值；

S7对各新本征模态分量的预测值反归一化并进行叠加，得到最终的物性参数预测结果；

所述测井曲线包含自然伽马、补偿中子、声波时差、密度、井径、井斜、泥质含量、地层真电阻率、冲洗带地层电阻率以及油田测井解释专家根据本工区实际情况计算得出的物性参数；

其中，S3的具体步骤为：

S31在原始信号x(t)中多次加入具有均值为零，幅值标准差为常数的白噪声v_i(t)，即：

x_i(t)＝x(t)+v_i(t)

式中：x_i(t)表示第i次加入高斯白噪声的信号；

S32对所得的含有白噪声的信号x_i(t)分别进行EMD分解，得到各自的IMF分量记为G_ij(t)，得到的一个余量记为u_i(t)，其中G_ij(t)表示第i次加入白噪声后分解所得的第j个IMF；

S33将上述对应的IMF进行总体平均运算，得到EEMD分解后最终的IMF，即：

式中：G_j(t)表示对原始信号进行EEMD分解后所得到的第j个IMF；

S34在CEEMDAN算法中，设原始测井物性参数信号为y(t)，ω(t)为不同幅值ε的高斯白噪声，E_i(·)表示对信号进行EMD分解后的第i个IMF分量，则CEEMDAN的算法步骤如下：

S341根据EEMD中的方法分解信号y(t)+ε₀ω(t)，得到第一个IMF分量：

S342 k＝1时，计算第一个唯一的余量：

r₁(t)＝y(t)-c₁(t)

S343分解信号r₁(t)+ε₁ω₁[ω_i(t)](i＝1,2,…,n)，直到得出第一个EMD模态分量，第二个IMF分量的计算如下：

S344对于k＝1,2,…,K，与S343的计算过程一样，计算第k个余量和第k+1个分量：

r_k(t)＝r_k-1-c_k(t)

S345将k加1，执行S344，当余量信号不再可能被分解时，即余量的极值点不超过两个，停止分解最终的余量为：

式中：K为所有模态分量的数量，分解过程中n取10²数量级，ε一般取10^-2数量级，

原始孔隙度序列y(t)可被分解为：