一种孔隙度预测方法、装置、电子设备及存储介质与流程

本发明涉及油气勘探工程技术领域，尤其涉及一种孔隙度预测方法、装置、电子设备及存储介质。

背景技术：

孔隙度是指岩样中所有孔隙空间体积之和与该岩样体积的比值，称为该岩样的总孔隙度，以百分数表示，储集层的总孔隙度越大，说明岩石中孔隙空间越大。孔隙度不仅在油气勘探开发过程中是非常重要的参数，而且在油气存储量大小评估过程中也是重要和关键的参数，因此准确地预测地层孔隙度对油气研究具有非常重要的意义。

相关技术中，对于地层孔隙度的预测，普遍采用的方式为：利用孔隙度与测井曲线中测井数据的相关性，以岩心孔隙度为目标变量，以测井曲线中测井数据为自变量，基于线性回归算法进行回归，拟合出本地区地层孔隙度与测井曲线中测井数据的预测模型，基于该预测模型预测本地区地层孔隙度。

然而由于现有预测模型的输入参数(测井曲线中测井数据)比较单一，导致预测模型输出结果与实际本地区地层孔隙度差别较大，孔隙度预测精度较低，为后续工作(诸如油气存储量大小评估)带来不便。

技术实现要素：

为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了一种孔隙度预测方法、装置、电子设备以及存储介质。

第一方面，本发明提供了一种孔隙度预测方法，所述方法包括：

确定目标油井对应的多种类型的测井曲线；

从所述测井曲线中获取目标油井对应的目标测井数据；

将所述目标测井数据输入预先训练的目标孔隙度预测模型；

确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

在本发明的可选实施方式中，所述目标孔隙度预测模型具体通过以下方式得到：

获取多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，其中，所述第一测井曲线对应的类型与所述第二测井曲线对应的类型一致；

基于所述第一测井数据，利用多个非线性回归算法进行有监督训练得到多个孔隙度预测模型；

将所述第二测井数据输入多个所述孔隙度预测模型；

计算多种类型的第二测井曲线中第二测井数据对应的岩心孔隙度，与多个所述孔隙度预测模型输出的孔隙度的匹配度；

根据所述匹配度从多个所述孔隙度预测模型中选取目标孔隙度预测模型。

在本发明的可选实施方式中，所述将所述第二测井数据输入多个所述孔隙度预测模型，包括：

确定孔隙度预测模型的评价参数；

根据所述评价参数对多个所述孔隙度预测模型进行排序；

将所述第二测井数据按照排序结果依次输入多个所述孔隙度预测模型。

在本发明的可选实施方式中，所述多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据具体通过以下方式得到：

获取同一区域不同油井的多种类型的测井曲线中样本测井数据；

基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

在本发明的可选实施方式中，所述基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，包括：

判断所述样本测井数据的数量是否大于第一预设阈值以及小于第二预设阈值；

若所述样本测井数据的数量大于第一预设阈值以及小于第二预设阈值，则基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若所述样本测井数据的数量小于所述第一预设阈值，则基于预设的样本测井数据扩充策略对所述样本测井数据进行扩充；

基于油井数量将经过扩充的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若所述样本测井数据的数量大于所述第二预设阈值，基于预设的样本测井数据缩减策略对所述样本测井数据进行缩减；

基于油井数量将经过缩减的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

在本发明的可选实施方式中，所述样本测井数据扩充策略至少包括下述策略之一：测井曲线求导、测井曲线之间相乘、测井曲线之间相除、测井曲线之间相加或测井曲线之间相减；

所述样本测井数据缩减策略至少包括下述策略：对测井曲线进行降维。

在本发明的可选实施方式中，所述基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，包括：

判断同一区域中任一油井的任一类型的测井曲线中样本测井数据是否存在异常值；

若不存在，基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若存在，执行对存在异常值的测井曲线进行曲线重构，或者删除存在异常值的测井曲线的处理，基于油井数量将经过处理的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

第二方面，本发明提供了一种孔隙度预测装置，所述装置包括：

曲线确定模块，用于确定目标油井对应的多种类型的测井曲线；

数据获取模块，用于从所述测井曲线中获取目标油井对应的目标测井数据；

数据输入模块，用于将所述目标测井数据输入预先训练的目标孔隙度预测模型；

孔隙度确定模块，用于确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

第三方面，本发明提供了一种电子设备，包括：至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述第一方面中任一项所述的孔隙度预测方法。

第四方面，本发明实施例提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中任一项所述的孔隙度预测方法。

本发明实施例提供的技术方案，通过确定目标油井对应的多种类型的测井曲线，从多种类型的测井曲线中获取目标油井对应的目标测井数据，将该目标测井数据输入预先训练的目标孔隙度预测模型，确定目标孔隙度预测模型输出结果为目标油井的孔隙度。如此采用多种类型的测井曲线中目标测井数据预测孔隙度，丰富了孔隙度预测模型的输入参数，使孔隙度预测模型输出的孔隙度与实际地层孔隙度的差别较小，提高了孔隙度的预测精度，便于后续工作的开展。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种孔隙度预测方法的实施流程示意图；

图2为本发明实施例提供的一种目标孔隙度预测模型的示意图；

图3为本发明实施例提供的一种得到目标孔隙度预测模型的实施流程示意图；

图4为本发明实施例提供的一种孔隙度预测装置的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例提供的一种孔隙度预测方法的实施流程示意图，该方法具体可以包括以下步骤：

s101，确定目标油井对应的多种类型的测井曲线；

在本发明实施例中，在对油气存储量大小评估等过程中，对于某一区域内的油井，存在预测孔隙度的需求，因此需要确定待预测孔隙度的油井，即目标油井。

其中，对于目标油井，可以由用户指定，也可以随机选择，也可以顺序选择，本发明实施例对此不作限定。本发明实施例可以获取油井标识，根据该油井标识确定目标油井。

例如，对于某一区域内的油井1、油井2、油井3……，用户指定目标油井：油井3，本发明实施例获取用户输入的油井标识(3)，根据该油井标识(3)确定目标油井。

另外，对于某一区域内的油井，可以进行多种类型的测井数据采集，由多种类型的测井数据组成多种类型的测井曲线，并进行存储。

例如，按照1米8个采样点采集多种类型的测井数据，由多种类型的测井数据组成多种类型的测井曲线。

基于预先采集的多种类型的测井曲线，对于上述确定的目标油井，可以确定目标油井对应的多种类型的测井曲线。对于多种类型的测井曲线，例如可以是中子测井曲线，可以是自然伽马测井曲线，可以是自然电位测井曲线，还可以是其它类型的测井曲线，本发明实施例在此不再一一赘述。

s102，从所述测井曲线中获取目标油井对应的目标测井数据；

对于上述确定的目标油井对应的多种类型的测井曲线，可以从目标油井对应的多种类型的测井曲线中获取目标油井对应的目标测井数据。

例如，对于确定的目标油井3，确定目标油井3对应的中子测井曲线、自然伽马测井曲线、自然电位测井曲线，获取与该目标油井3对应的中子测井曲线中目标测井数据、自然伽马测井曲线中目标测井数据、自然电位测井曲线中目标测井数据。

s103，将所述目标测井数据输入预先训练的目标孔隙度预测模型；

在本发明实施例中，为了使孔隙度预测模型输出的孔隙度与实际地层孔隙度更为贴近，提高孔隙度的预测精度，在目标孔隙度预测模型中增加输入维度，同时采用非线性回归算法。

基于上述目标孔隙度预测模型，对于上述获取的多种类型的测井曲线中目标测井数据，输入至该目标孔隙度预测模型，以输出孔隙度。

例如，如图2所示，对于获取的中子测井曲线中目标测井数据、自然伽马测井曲线中目标测井数据、自然电位测井曲线中目标测井数据，输入至目标孔隙度预测模型，输出孔隙度。

需要说明的是，对于目标孔隙度预测模型，其输入维度可以一个或者多个，本发明实施例对此不作限定。例如可以是中子测井曲线中测井数据、自然伽马测井曲线中测井数据和/或自然电位测井曲线中测井数据。

s104，确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

对于目标孔隙度预测模型的输出结果，确定该输出结果为上述目标油井的孔隙度，如此基于多种类型的测井曲线中目标测井数据，完成目标油井的孔隙度的预测。

通过上述对本发明实施例提供的技术方案的描述，通过确定目标油井对应的多种类型的测井曲线，从多种类型的测井曲线中获取目标油井对应的目标测井数据，将该目标测井数据输入预先训练的目标孔隙度预测模型，确定目标孔隙度预测模型输出结果为目标油井的孔隙度。如此采用多种类型的测井曲线中目标测井数据预测孔隙度，丰富了孔隙度预测模型的输入参数，使孔隙度预测模型输出的孔隙度与实际地层孔隙度的差别较小，提高了孔隙度的预测精度，便于后续工作的开展。

其中，对于本发明实施例中的目标孔隙度预测模型，如图3所示，具体可以通过以下方式得到：

s301，获取多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

在本发明实施例中，需要经过先训练再测试的方式得到目标孔隙度预测模型，基于此，本发明实施例获取多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

对于多种类型的第一测井曲线中第一测井数据，可以作为模型训练的训练数据，对于多种类型的第二测井曲线中第二测井数据，可以作为模型测试的测试数据。其中，第一测井曲线对应的类型与第二测井曲线对应的类型一致。

例如，本发明实施例获取第一中子测井曲线中第一测井数据、第一自然伽马测井曲线中第一测井数据和第一自然电位测井曲线中第一测井数据(作为训练数据)，以及第二中子测井曲线中第二测井数据、第二自然伽马测井曲线中第二测井数据和第二自然电位测井曲线中第二测井数据(作为测试数据)。

s302，基于所述第一测井数据，利用多个非线性回归算法进行有监督训练得到多个孔隙度预测模型；

对于上述多种类型的第一测井曲线中第一测井数据，可以基于该多种类型的第一测井曲线中第一测井数据，利用多个非线性回归算法进行有监督训练得到多个孔隙度预测模型。

例如，对于非线性回归算法：huberregressor、lasso、ridge、sgdregressor、linearsvr、svr、decisiontreeregressor、adaboostregressor、baggingregressor、gradientboostregressor、randomforestregressor等，基于第一中子测井曲线中第一测井数据、第一自然伽马测井曲线中第一测井数据和第一自然电位测井曲线中第一测井数据(即作为上述11个非线性回归算法中任一非线性回归算法的3个输入维度)，利用上述11个非线性回归算法进行有监督训练得到11个孔隙度预测模型。其中，在利用上述11个非线性回归算法进行有监督训练的过程中，可以设定最大迭代次数，当迭代次数超过最大迭代次数可以停止模型训练，或者对于非线性回归算法中的参数，如果两次迭代之间参数变化较小(即小于设定阈值)，可以停止模型训练。当然决定模型训练终止的因素也可以是其它因素，本发明实施例在此不再一一赘述。

s303，将所述第二测井数据输入多个所述孔隙度预测模型；

对于上述多种类型的第二测井曲线中第二测井数据，可以将该多种类型的第二测井曲线中第二测井数据输入至上述多个孔隙度预测模型。

例如，对于第二中子测井曲线中第二测井数据、第二自然伽马测井曲线中第二测井数据和第二自然电位测井曲线中第二测井数据，输入至上述11个孔隙度预测模型。

其中，在将该多种类型的第二测井曲线中第二测井数据输入至上述多个孔隙度预测模型之前，可以确定孔隙度预测模型的评价参数，根据评价参数对多个孔隙度预测模型进行排序，将该多种类型的第二测井曲线中第二测井数据，按照排序结果依次输入多个孔隙度预测模型。如此根据评价参数对多个孔隙度预测模型进行排序，方便用户查看模型训练结果。

对于孔隙度预测模型的评价参数，例如可以是mean_absolute_error(平均绝对值误差)、mean_squared_error(均方差)、median_absolute_error(中值绝对误差)和r2_score(r2决定系数或者拟合优度)，用户可以根据实际情况选择孔隙度预测模型的评价参数，根据孔隙度预测模型的评价参数对多个孔隙度预测模型进行排序，后续在对孔隙度预测模型进行测试的过程中，可以按照排序结果，将该多种类型的第二测井曲线中第二测井数据依次输入多个孔隙度预测模型。

s304，计算多种类型的第二测井曲线中第二测井数据对应的岩心孔隙度，与多个所述孔隙度预测模型输出的孔隙度的匹配度；

对于多个孔隙度预测模型输出的多个孔隙度，计算与多种类型的第二测井曲线中第二测井数据对应的岩心孔隙度的匹配度。

例如，如下表1所示：

表1

由上述表1可知，对于第二中子测井曲线中第二测井数据、第二自然伽马测井曲线中第二测井数据和第二自然电位测井曲线中第二测井数据，对应于岩心孔隙度a，计算岩心孔隙度a与上述11个孔隙度预测模型输出的11个孔隙度的匹配度，例如可以计算差值作为匹配度。

s305，根据所述匹配度从多个所述孔隙度预测模型中选取目标孔隙度预测模型。

对于上述计算的多个匹配度，根据该匹配度从多个孔隙度预测模型中选取目标孔隙度预测模型，如此选择最优的孔隙度预测模型作为目标孔隙度预测模型。

例如，对于上述11个孔隙度预测模型，其中孔隙度预测模型1输出的孔隙度与多种类型的第二测井曲线中第二测井数据对应的岩心孔隙度a最为接近，即匹配度最高，可以确定孔隙度预测模型1为目标孔隙度预测模型。

在本发明实施例中，对于上述多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，具体通过以下方式得到：

获取同一区域不同油井的多种类型的测井曲线中样本测井数据，其中，多种类型的测井曲线中样本测井数据的样本标签为孔隙度；基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

例如，对于某一区域，存在10口油井，获取这10口油井的多种类型的测井曲线中样本测井数据，基于油井数量将这些样本测井数据分为10份，将其中8份作为多种类型的第一测井曲线中第一测井数据，另外2份作为多种类型的第二测井曲线中第二测井数据。

或者，随机选择8口油井的多种类型的测井曲线中样本测井数据作为多种类型的第一测井曲线中第一测井数据，剩余2口油井的多种类型的测井曲线中样本测井数据作为第二测井曲线中第二测井数据。

由于测井曲线中测井数据在现场采集过程中受仪器自身重量以及张力变化影响，使得不同仪器在测井数据采集过程中对同一地层在深度显示上存在差异。例如对于深度100米，仪器1在测井数据采集过程中显示的是100米，仪器2在测井数据采集过程中显示的是101米。

基于此，本发明实施例中对同一区域中任一油井的任一类型的测井曲线中样本测井数据进行校深，保证在同一深度上都有相同的响应。

例如，对于同一区域中油井1，油井1中的10条测井曲线中样本测井数据，其中5条测井曲线中样本测井数据在深度显示上一致，对于另外5条测井曲线中样本测井数据，在垂直方向上上移1米，以使在深度显示上与上述5条测井曲线中样本测井数据一致。

另外，由于测井曲线中测井数据受环境等各种因素影响，存在异常值。

基于此，本发明实施例判断同一区域中任一油井的任一类型的测井曲线中样本测井数据是否存在异常值；如果不存在，可以直接基于油井数量将样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；如果存在，执行对存在异常值的测井曲线进行曲线重构，或者删除该存在异常值的测井曲线等处理，基于油井数量将经过处理的样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

例如，对于同一区域中油井1的10条测井曲线，根据曲线响应值或相关曲线的响应值，判断油井1的这10条测井曲线中样本测井数据是否存在异常值。

假设其中1条测井曲线(例如中子测井曲线)存在异常值，利用其余9条测井曲线重构该存在异常值的中子测井曲线，可选的方式为加权求和，后续可以基于油井数量将经过处理的样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

再者，对于同一区域不同油井的多种类型的测井曲线中样本测井数据的数量，需要根据实际情况进行扩充或者缩减，便于有足够的样本测井数据用于模型训练，或者节省时间、提高模型训练效率。

基于此，本发明实施例判断同一区域不同油井的多种类型的测井曲线中样本测井数据的数量是否大于第一预设阈值以及小于第二预设阈值；如果同一区域不同油井的多种类型的测井曲线中样本测井数据的数量大于第一预设阈值以及小于第二预设阈值，则基于油井数量将该样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

如果该样本测井数据的数量小于第一预设阈值，则可以基于预设的样本测井数据扩充策略对样本测井数据进行扩充；基于油井数量将经过扩充的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

其中，本发明实施例中的样本测井数据扩充策略包括但不限于下述策略之一：测井曲线求导、测井曲线之间相乘、测井曲线之间相除、测井曲线之间相加和测井曲线之间相减等，如此可以生成二次特征曲线，将二次特征曲线中数据作为样本测井数据。

如果该样本测井数据的数量大于第二预设阈值，基于预设的样本测井数据缩减策略对所述样本测井数据进行缩减；基于油井数量将经过缩减的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

其中，本发明实施例中的样本测井数据缩减策略包括但不限于：对测井曲线进行降维。

例如，对于同一区域中油井1的10条测井曲线，以任意组合，分配权重，计算加权和，统计加权和作为样本测井数据，如此可以达到测井曲线降维的目的。

需要说明的是，对于测井曲线进行降维的可选方式存在很多种，本发明实施例在此不再一一赘述。

与上述方法实施例相对应，本发明实施例还提供了一种孔隙度预测装置，如图4所示，该装置包括：曲线确定模块410、数据获取模块420、数据输入模块430、孔隙度确定模块440。

曲线确定模块410，用于确定目标油井对应的多种类型的测井曲线；

数据获取模块420，用于从所述测井曲线中获取目标油井对应的目标测井数据；

数据输入模块430，用于将所述目标测井数据输入预先训练的目标孔隙度预测模型；

孔隙度确定模块440，用于确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

所述孔隙度预测装置包括处理器和存储器，上述曲线确定模块410、数据获取模块420、数据输入模块430、孔隙度确定模块440等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。

本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。

当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在孔隙度预测设备侧执行的孔隙度预测方法。

所述处理器用于执行存储器中存储的孔隙度预测程序，以实现以下在孔隙度预测设备侧执行的孔隙度预测方法的步骤：

确定目标油井对应的多种类型的测井曲线；

从所述测井曲线中获取目标油井对应的目标测井数据；

将所述目标测井数据输入预先训练的目标孔隙度预测模型；

确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

在本发明的可选实施方式中，所述目标孔隙度预测模型具体通过以下方式得到：

获取多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，其中，所述第一测井曲线对应的类型与所述第二测井曲线对应的类型一致；

基于所述第一测井数据，利用多个非线性回归算法进行有监督训练得到多个孔隙度预测模型；

将所述第二测井数据输入多个所述孔隙度预测模型；

计算多种类型的第二测井曲线中第二测井数据对应的岩心孔隙度，与多个所述孔隙度预测模型输出的孔隙度的匹配度；

根据所述匹配度从多个所述孔隙度预测模型中选取目标孔隙度预测模型。

在本发明的可选实施方式中，所述将所述第二测井数据输入多个所述孔隙度预测模型，包括：

确定孔隙度预测模型的评价参数；

根据所述评价参数对多个所述孔隙度预测模型进行排序；

将所述第二测井数据按照排序结果依次输入多个所述孔隙度预测模型。

在本发明的可选实施方式中，所述多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据具体通过以下方式得到：

获取同一区域不同油井的多种类型的测井曲线中样本测井数据；

基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

在本发明的可选实施方式中，所述基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，包括：

判断所述样本测井数据的数量是否大于第一预设阈值以及小于第二预设阈值；

若所述样本测井数据的数量大于第一预设阈值以及小于第二预设阈值，则基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若所述样本测井数据的数量小于所述第一预设阈值，则基于预设的样本测井数据扩充策略对所述样本测井数据进行扩充；

基于油井数量将经过扩充的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若所述样本测井数据的数量大于所述第二预设阈值，基于预设的样本测井数据缩减策略对所述样本测井数据进行缩减；

基于油井数量将经过缩减的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

在本发明的可选实施方式中，所述样本测井数据扩充策略至少包括下述策略之一：测井曲线求导、测井曲线之间相乘、测井曲线之间相除、测井曲线之间相加或测井曲线之间相减；

所述样本测井数据缩减策略至少包括下述策略：对测井曲线进行降维。

在本发明的可选实施方式中，所述基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，包括：

判断同一区域中任一油井的任一类型的测井曲线中样本测井数据是否存在异常值；

若不存在，基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若存在，执行对存在异常值的测井曲线进行曲线重构，或者删除存在异常值的测井曲线的处理，基于油井数量将经过处理的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行：确定目标油井对应的多种类型的测井曲线；从所述测井曲线中获取目标油井对应的目标测井数据；将所述目标测井数据输入预先训练的目标孔隙度预测模型；确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

图5为本发明实施例提供的一种电子设备的结构示意图，图5所示的电子设备50包括：至少一个处理器501、以及与处理器501连接的至少一个存储器502、总线503；其中，处理器501、存储器502通过总线503完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的孔隙度预测方法。本文中的电子设备可以是服务器、pc、pad、手机等。

本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

确定目标油井对应的多种类型的测井曲线；

从所述测井曲线中获取目标油井对应的目标测井数据；

将所述目标测井数据输入预先训练的目标孔隙度预测模型；

确定所述目标孔隙度预测模型输出结果为所述目标油井的孔隙度。

在本发明的可选实施方式中，所述目标孔隙度预测模型具体通过以下方式得到：

获取多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，其中，所述第一测井曲线对应的类型与所述第二测井曲线对应的类型一致；

基于所述第一测井数据，利用多个非线性回归算法进行有监督训练得到多个孔隙度预测模型；

将所述第二测井数据输入多个所述孔隙度预测模型；

计算多种类型的第二测井曲线中第二测井数据对应的岩心孔隙度，与多个所述孔隙度预测模型输出的孔隙度的匹配度；

根据所述匹配度从多个所述孔隙度预测模型中选取目标孔隙度预测模型。

在本发明的可选实施方式中，所述将所述第二测井数据输入多个所述孔隙度预测模型，包括：

确定孔隙度预测模型的评价参数；

根据所述评价参数对多个所述孔隙度预测模型进行排序；

将所述第二测井数据按照排序结果依次输入多个所述孔隙度预测模型。

在本发明的可选实施方式中，所述多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据具体通过以下方式得到：

获取同一区域不同油井的多种类型的测井曲线中样本测井数据；

基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

在本发明的可选实施方式中，所述基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，包括：

判断所述样本测井数据的数量是否大于第一预设阈值以及小于第二预设阈值；

若所述样本测井数据的数量大于第一预设阈值以及小于第二预设阈值，则基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若所述样本测井数据的数量小于所述第一预设阈值，则基于预设的样本测井数据扩充策略对所述样本测井数据进行扩充；

基于油井数量将经过扩充的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若所述样本测井数据的数量大于所述第二预设阈值，基于预设的样本测井数据缩减策略对所述样本测井数据进行缩减；

基于油井数量将经过缩减的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

在本发明的可选实施方式中，所述样本测井数据扩充策略至少包括下述策略之一：测井曲线求导、测井曲线之间相乘、测井曲线之间相除、测井曲线之间相加或测井曲线之间相减；

所述样本测井数据缩减策略至少包括下述策略：对测井曲线进行降维。

在本发明的可选实施方式中，所述基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据，包括：

判断同一区域中任一油井的任一类型的测井曲线中样本测井数据是否存在异常值；

若不存在，基于油井数量将所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据；

若存在，执行对存在异常值的测井曲线进行曲线重构，或者删除存在异常值的测井曲线的处理，基于油井数量将经过处理的所述样本测井数据分为多种类型的第一测井曲线中第一测井数据，以及多种类型的第二测井曲线中第二测井数据。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(cpu)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。