[发明专利]一种基于门控循环单元的井震联合钻前测井曲线预测方法

说明书

本发明涉及测井工程技术领域，目的在于提供一种基于门控循环单元的井震联合钻前测井曲线预测方法，解决现有的预测方法的预测结果不理想的问题。采用的技术方案为：一种基于门控循环单元的井震联合钻前测井曲线预测方法，包括以下步骤：数据获取：收集测井数据以及岩石物性参数；数据准备：提取测井数据和井旁道地震数据；建立数据集：将待预测井的已钻部分数据作为训练集，将未钻部分数据作为预测数据；搭建模型：根据门控循环单元搭建神经网络模型；预测未知段测井数据：将预测数据输入神经网络模型中，预测出未知段测井数据。本发明具有数据模型更加简单的结构、更少的参数、更好的收敛性，明显提高了训练网络的性能；且预测结果更加准确。

技术领域

本发明涉及测井工程技术领域，具体涉及一种基于门控循环单元的井震联合钻前测井曲线预测方法。

背景技术

在地球物理测井领域，测井数据只能在井中获得，也就是在钻后获得。钻前预测是指钻探过程中，提前获得钻头下方一定深度范围内的测井曲线。钻探过程中，钻前地层及压力(即钻头下方地层)的可靠预测具有重要意义。如能获得钻头下方一定深度范围内的测井曲线，无疑会大幅度提高钻前预测的可靠性，有助于钻井工艺控制调整甚至完井策略的完善。

研究者们提出多种方法来进行钻前曲线预测，传统方法例如通过对钻井岩心、岩屑及地震资料的分析建立三维模型，根据三维模型进行沿井眼轨迹的钻前曲线值预测，或是结合先验分布、条件概率，构建以测井数据为分类目标的贝叶斯分类器，计算基于贝叶斯分类算法的后验概率，即预测测井数据空间分布，然而实际地质情况复杂多变，且非均质性强，经常在采样点深度间距很小的情况下，其测井曲线值之间也表现出极大的波动，数据间的映射关系极为复杂，因此使用传统方法会隐藏实际地层变化，不能有效凸显实际地层的测井情况，应用传统方法的效果较差。

近年来随着机器学习方法在科学和工程领域的广泛应用，很多研究者也建议使用数据驱动方法来解决地质问题，此前有学者尝试使用人工神经网络生成测井曲线。这些人工神经网络都是传统的全连接神经网络（FCNN），构造的是一种点对点的映射，即通过该方法生成的某一深度的测井数据只和其他测井曲线同处于该深度的信息有关，而忽略了测井曲线随深度的变化趋势和数据的前后关联。在成藏模式多样、构造复杂、储集层差异大、各向异性强且具有显著三弱特性(弱非均质、弱地震响应、弱孔隙流体信息)的碳酸盐岩储层，该关联就显得更无突出。

也有基于人工智能的方法例如使用以循环神经网络为主的具有记忆功能的神经网络模型来对待预测段进行延拓式的预测，也有基于全连接神经网络的对测井曲线进行补全的方法。

上述预测方法都存在着一定的局限性，使用循环神经网络进行延拓的方法会隐藏实际地层变化，不能有效凸显实际地层的测井情况，难以预测较深的测井曲线值，对于使用全连接神经网络的方法来说也存在着随着网络性能不足从而导致预测结果不理想的问题，所以采用这些方法进行钻前测井曲线预测的结果并不理想。

发明内容

本发明的目的在于提供一种基于门控循环单元的井震联合钻前测井曲线预测方法，解决现有的预测方法的预测结果不理想的问题。

为实现上述发明目的，本发明所采用的技术方案是：一种基于门控循环单元的井震联合钻前测井曲线预测方法，包括以下步骤：

数据获取：收集测井数据以及岩石物性参数；

数据准备：提取测井数据和井旁道地震数据；

建立数据集：将待预测井的已钻部分数据作为训练集，将未钻部分数据作为预测数据；

搭建模型：根据门控循环单元搭建神经网络模型；

预测未知段测井数据：将预测数据输入神经网络模型中，预测出未知段测井数据。

优选地，数据获取后需对测井数据和岩石物性参数进行清洗处理，所述清洗处理为：

挑选并清除测井数据和岩石物性参数的异常数据，异常数据包括无效值、缺失值、数值超范围或数值逻辑矛盾中的至少一种数据。