[发明专利]一种基于测井数据的流体相预测方法与设备

权利要求书

1.一种基于测井数据的流体相预测方法，其特征在于，包括：

步骤1：根据地质资料，确定某区域的岩相分类，对该区域内的既有测井数据进行PCA和聚类分析，确定能够用于区分流体相的敏感属性对；根据所述敏感属性对对区域内的既有测井数据进行岩相分类标注以构建训练样本；

步骤2：利用所述训练样本对深度学习概率模型进行迭代训练，直到所述深度学习概率模型满足条件收敛；

步骤3：利用反演法从所该区域的地震数据中计算得到该区域内待测井的敏感属性对的值，将计算结果输入至训练好的深度学习概率模型中，利用所述深度学习概率模型预测该区域内待测井的流体相分布数据。

2.根据权利要求1所述的基于测井数据的流体相预测方法，其特征在于，所述步骤1，包括：

步骤101，根据地质资料，确定某区域的岩相分类；

步骤102，依据经验公式对该区域内的既有测井数据进行校正，从校正后的测井数据中优选出N种属性；其中，N≥5；

步骤103，以N种属性为待分析属性对岩相样本进行PCA分析，根据PCA分析结果从N种属性中选取部分属性进行两两聚类交会分析，根据聚类交会分析结果找到能够用于区分流体相的敏感属性对；

步骤104，根据所述敏感属性对对区域内的既有测井数据进行岩相分类标注以构建训练样本。

3.根据权利要求2所述的基于测井数据的流体相预测方法，其特征在于，所述步骤101中，依据经验公式对历史测井数据进行校正，包括：

利用Faust公式对测井数据中的纵波速度与电阻率进行校正，利用Gardner公式对测井数据中的纵波速度与密度进行校正，利用泥岩线公式对测井数据中的纵波速度与横波速度进行校正。

4.根据权利要求1所述的基于测井数据的流体相预测方法，其特征在于，基于二维反卷积CNN神经网络构建所述深度学习概率模型。

5.根据权利要求4所述的基于测井数据的流体相预测方法，其特征在于，采用交叉熵损失函数作为所述深度学习概率模型的损失函数。

6.根据权利要求1-5任一所述的基于测井数据的流体相预测方法，其特征在于，所述敏感属性对为：纵波阻抗与伽马。

7.根据权利要求6所述的基于测井数据的流体相预测方法，其特征在于，采用地震反演法从所述地震数据中计算得到该区域的纵波阻抗值与伽马值，对所述纵波阻抗实测值与伽马实测值进行归一化处理，将归一化处理后的纵波阻抗实测值与伽马实测值输入至所述深度学习概率模型中。

8.一种基于测井数据的流体相预测设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。