[发明专利]一种基于机器学习的页岩含气量人工智能预测方法

说明书

本发明公开了一种基于机器学习的页岩含气量人工智能预测方法，包括以下步骤：步骤1、剔除岩心含气量实测值的异常值，并对纵横波速度、密度、自然伽马和含气实测值分别进行归一化处理；步骤2、引入松弛变量、利用数据映射搭建支持向量回归预测模型；步骤3、将纵横波速度、密度作为输入，页岩岩心含气量作为输出，利用支持向量回归预测模型，根据留一交叉验证得到含气量预测值；或者将自然伽马、纵波速度、密度作为输入，页岩岩心含气量作为输出，利用支持向量回归预测模型，根据留一交叉验证得到含气量预测值。本发明针对岩心、测井和地震数据计算页岩含气量精度较高，具有较高的泛化能力和可靠性。

技术领域

本发明属于地球科学技术领域，适用于岩心、测井和地震数据计算页岩含气量，可为页岩气勘探开发提供支撑，特别涉及一种基于机器学习的页岩含气量人工智能预测方法。

背景技术

页岩气分布面积大且分布连续，资源规模较大，但单井开采量较低，生产周期长，采收效率不能保证。准确预测页岩储层地质信息参数的空间变化，可为天然气开采提供可靠依据，提升页岩储层天然气开采率。

目前，基于测井和地震数据计算含气量的精度不足，不利于储层评价和页岩气勘探开发。利用测井或地震数据计算页岩含气量的基础依据，主要来自岩心测试参数的统计分析、回归拟合或经验公式。简言之，含气量反演或其它直接、间接计算方法，也是以岩心测试数据为指导的。因此，提高测井或地震数据计算含气量关键，是岩心含气量的准确测试和精确分析。

发明内容

本发明的目的在于克服现有技术的不足，提供一种将机器学习应用于预测页岩储层参数可提高预测精度，减少预测时间的基于机器学习的页岩含气量人工智能预测方法。

本发明的目的是通过以下技术方案来实现的：一种基于机器学习的页岩含气量人工智能预测方法，包括以下步骤：

步骤1、剔除岩心含气量实测值的异常值，并对纵横波速度、密度、自然伽马和含气实测值分别进行归一化处理；

步骤2、引入松弛变量、利用数据映射搭建支持向量回归预测模型；

步骤3、将纵横波速度、密度作为输入，页岩岩心含气量作为输出，利用支持向量回归预测模型，根据留一交叉验证得到含气量预测值；

或者将自然伽马、纵波速度、密度作为输入，页岩岩心含气量作为输出，利用支持向量回归预测模型，根据留一交叉验证得到含气量预测值。

进一步地，所述步骤2详细过程如下：定义含气量预测值和真实值的损失函数，在松弛变量范围内不计算损失，只在误差大于松弛变量时计算损失；利用支持向量回归的核函数，将本不线性可分的数据映射到高维空间，搭建支持向量回归预测模型。

进一步地，所述步骤3具体实现方法为：设本次所有数据集为D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)}，其中x_i为归一化后的纵波速度、横波速度和密度构成的向量，或者由归一化后的自然伽马、纵波速度、密度构成的向量；y_i为岩心含气量，m为总样本个数；

在支持向量回归中，利用非线性映射函数φ(x)，将原始样本映射到一个更高维的特征空间中，从而达到线性可分的目的；在此特征空间中划分超平面所对应的模型表示为：

f(x)＝w^Tφ(x)+b (1)

式中，f(x)为预测含气量；w、b为模型参数，前者为权重，后者为截距；

引入硬间隔ε，依据最小化结构风险原则，f(x)求解过程等价于求解：