本公开涉及地质勘探中测井储层预测领域,尤其涉及一种孔隙度预测方法、装置、设备及介质。
背景技术:
1、储层参数通常由测井资料确定,传统的测井资料解释基于储层均质性假设建立测井解释方程,难以摆脱线性方程的束缚。随着非常规油气成为目前勘探开发的主体,储层预测的目标介质发生了很大变化,具有明显的非均质、各向异性特征,常规测井储层预测技术难以满足勘探领域的要求。
2、需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开提供一种孔隙度预测方法、装置、设备及介质,至少在一定程度上解决常规测井储层预测技术预测效果不佳的问题。
2、本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
3、根据本公开的一个方面,提供了一种孔隙度预测方法,包括:
4、采集测井曲线数据,测井曲线数据包含自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率;
5、将自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率,输入到预先训练的elman神经网络模型中,得到孔隙度值;
6、其中,elman神经网络模型的隐含层节点数为10。
7、在本公开的一个实施例中,方法还包括:
8、构建elman神经网络模型,其中输入层包含自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率,输出层是实测孔隙度值,隐含层节点数为10;
9、采集测井曲线数据,测井曲线数据包含自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率;
10、进行室内孔隙度测定实验得到孔隙度数据;
11、基于测井曲线数据和室内孔隙度测定实验得到孔隙度数据构建训练样本集,训练样本集包括多个训练样本,每个训练样本包括自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率,以及一个实测孔隙度值;
12、基于训练样本集,训练elman神经网络模型。
13、在本公开的一个实施例中,方法还包括:
14、利用测井曲线数据和室内测定孔隙度数据,采用灰狼搜索优化算法对elman神经网络模型进行优化,其中,种群规模为20,最大迭代次数为50。
15、在本公开的一个实施例中,方法还包括:
16、利用性能评价指标对采用灰狼搜索优化算法优化后的elman神经网络模型进行评价;
17、如果指标符合标准,则对全井进行部署;
18、其中,性能评价指标包括如下指标中的一个或多个:
19、rmse、r2、mae和vaf;
20、rmse是预测值与真实值偏差的平方与观测次数n比值的平方根;
21、mae指示符是一个百分比值,用于表示误差,0%表示完美的模型;
22、r2的值表示预测和实际值之间的相关性的平方的百分比,r2的价值越接近1,模型越完美;
23、vaf的值越接近100表示模型越完美。
24、根据本公开的另一个方面,提供一种孔隙度预测装置,包括:
25、数据采集模块,用于采集测井曲线数据,测井曲线数据包含自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率;
26、预测模块,用于将自然电位、密度、声波时差、自然伽马、2.5米底部梯度电阻率、地层真电阻率和冲洗带地层电阻率,输入到预先训练的elman神经网络模型中,得到孔隙度值;其中,elman神经网络模型的隐含层节点数为10。
27、根据本公开的又一个方面,提供一种电子设备,包括:存储器,用于存储指令;处理器,用于调用所述存储器中存储的指令,实现上述的孔隙度预测方法。
28、根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现上述的孔隙度预测方法。
29、根据本公开的又一个方面,提供一种计算机程序产品,计算机程序产品存储有指令,所述指令在由计算机执行时,使得计算机实施上述的孔隙度预测方法。
30、根据本公开的又一个方面,提供一种芯片,包括至少一个处理器和接口;
31、接口,用于为至少一个处理器提供程序指令或者数据;
32、至少一个处理器用于执行程序指令,以实现上述的孔隙度预测方法。
33、本公开实施例所提供的孔隙度预测方法,引入机器学习的方法,预先训练的elman神经网络模型,然后通过采集测井曲线数据,利用测井曲线数据和预先训练的elman神经网络模型对孔隙度进行预测,预测结果更为准确。
34、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
1.一种孔隙度预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,构建elman神经网络模型,包括:
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,利用测井曲线数据和室内测定孔隙度数据,采用灰狼搜索优化算法对elman神经网络模型进行优化,包括:
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
7.根据权利要求6所述的方法,其特征在于,采用如下公式计算性能评价指标:
8.一种孔隙度预测装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-7中任意一项所述孔隙度预测方法。