[发明专利]横波速度的预测方法和装置

权利要求书

1.一种横波速度的预测方法，其特征在于，包括：

获取常规测井曲线和已知井横波速度曲线；所述已知井横波速度曲线，包括多个已知井的实测横波速度曲线；

根据常规测井曲线和已知井横波速度曲线，确定优选曲线；

对优选曲线进行归一化处理，确定归一化后的优选曲线；

结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型；

将归一化后的优选曲线输入横波速度预测模型，确定横波速度；

其中，结合常规测井曲线建立深度前馈神经网络模型，利用已知井横波速度进行训练，确定横波速度预测模型，包括：

结合常规测井曲线建立深度前馈神经网络模型，将已知井横波速度分为训练集和测试集，对激活函数进行优选，选出训练误差与测试误差均较小的激活函数；

采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值；

随机初始化权重矩阵，将训练集和测试集输入深度前馈神经网络模型，根据激活函数和全局最优值对深度前馈神经网络模型进行训练，监控训练集与测试集的误差；

在训练集与测试集的误差未达到设定值时，重新随机初始化权重矩阵；

在训练集与测试集的误差达到设定值时，对模型进行保存；

将保存的模型进行并联取平均，确定横波速度预测模型。

2.如权利要求1所述的方法，其特征在于，根据常规测井曲线和已知井横波速度曲线，确定优选曲线，包括：

根据向量相关计算方法，计算常规测井曲线和已知井横波速度曲线之间的相关系数，将常规测井曲线按照相关系数进行相关系数矩阵评价，确定优选曲线。

3.如权利要求1所述的方法，其特征在于，对优选曲线进行归一化处理，确定归一化后的优选曲线，包括：

采用高斯分布函数去拟合优选曲线的统计分布特征，确定优选曲线的均值和方差；

根据优选曲线的均值和方差，对优选曲线进行归一化处理，确定归一化后的优选曲线。

4.如权利要求3所述的方法，其特征在于，按照如下方式，确定归一化后的优选曲线：

其中，x'为归一化后的优选曲线；x为优选曲线；μ为优选曲线的均值；σ为优选曲线的方差。

5.如权利要求1所述的方法，其特征在于，采用二分法进行学习率的选取，确定深度前馈神经网络模型的全局最优值，包括：

选择第一学习率对深度前馈神经网络模型进行训练，观测第一学习率的训练误差；同时选择第二学习率对深度前馈神经网络模型进行训练，观测第二学习率的训练误差；其中，第一学习率大于第二学习率；

取第一学习率与第二学习率的中点作为中点学习率，对深度前馈神经网络模型进行训练，确定中点学习率训练误差；

根据第一学习率的训练误差、第二学习率的训练误差和中点学习率训练误差，判断深度前馈神经网络模型是否收敛；

若深度前馈神经网络模型未收敛，则从中点学习率向第二学习率的方向再次取中点，直至深度前馈神经网络模型收敛，确定深度前馈神经网络模型的全局最优值。