[发明专利]一种基于回归委员会机器的储层参数测井解释方法

说明书

本发明公开一种基于回归委员会机器的储层参数测井解释方法，包括以下步骤：1)选择对待预测参数敏感的测井数据作为输入；2)对输入的每个属性值进行归一化；3)根据岩石物理实验结果得到储层参数；4)将每一层的测井数据和储层参数实验数据组合在一起构成数据集；5)将数据集随机分成训练数据集和测试数据集；6)选用若干种智能回归算法作为前置回归预测器；7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。

技术领域

本发明属于石油勘探中储层测井评价技术领域，具体涉及一种基于回归委员会机器的储层参数测井解释方法。

背景技术

地球物理测井是沿井眼的连续和原位地球物理参数测量技术，测量数据主要包括自然伽马、自然电位、深浅电阻率、补偿声波、密度、中子等，利用这些测井数据可以实现储层划分以及孔隙度、渗透率和饱和度的评价。在常规储层测井评价中，上述参数的评价通常采用储层参数测井解释方法模型、方法和理论，或者与地区有关的经验公式。但是，对于低孔低渗储层、低阻油层等复杂地层，孔隙中的流体对测井响应的贡献小，孔隙度、渗透率和饱和度等储层参数与测井响应之间的关系是非线性的，通常的理论模型或者经验公式已经不能照搬使用，计算结果的精度也不高。为此，针对该类储集层，国内外相关学者利用了神经网络等智能算法来解决储层参数测井解释方法的问题。通常的做法是，选用对流体敏感的测井数据作为输入，然后选用某单一智能算法(比如BP神经网络)进行训练，训练集来自于已知岩石物理实验结果的数据，训练好网络后，再输入待预测储层的测井数据，利用训练好的神经网络预测储层孔隙度、渗透率和饱和度等参数，从而实现储层参数的预测。

基于神经网络利用测井数据进行储层参数预测的核心是采用的机器学习算法。目前常采用BP网络、支持向量机等单一学习算法，这些方法都有各自的优缺点。通常情况下，单一智能算法进行训练和预测时往往出现过度训练，会陷入局部极小，而导致泛化能力不佳。因此，单一智能算法具有鲁棒性不好的缺点。

为此，考虑到每种智能算法都有不同的优势和功能，可以采用多种智能算法联合的途径来降低陷入局部极小的风险，本发明拟在核心算法上采用多种智能算法联合的策略，而且通过优良的决策和回归方法使预测结果更准确，精度更高。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。

支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。

自适应神经模糊推理系统是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并能自动产生If-Then规则。基于自适应神经网络的模糊推理系统ANFIS(AdaptiveNetwork-based Fuzzy Inference System)将神经网络与模糊推理有机的结合起来，既发挥了二者的优点，又弥补了各自的不足。

储层参数预测是对储层孔隙度、渗透率与饱和度进行定量评价。回归问题是建立因变量y与自变量x之间关系的问题，孔隙度等储层参数的计算就是建立孔隙度与各个测井数据(如声波时差、补偿中子、补偿密度等)之间的非线性关系模型。

发明内容