[发明专利]一种基于非线性自回归神经网络模型的测井曲线重构方法

权利要求书

1.一种基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述基于非线性自回归神经网络模型的测井曲线重构方法包括：

获取第一现有测井曲线数据，按第一现有测井曲线数据获取深度将其划分为训练曲线数据和测试曲线数据；

依据训练曲线数据设立NARX神经网络模型；

通过粒子群算法对NARX神经网络模型进行初始优化；

使用Levenberg-Marquardt算法将训练曲线数据带入NARX神经网络模型完成训练；

将测试曲线数据带入NARX神经网络模型进行测试；

将第二现有测井曲线数据带入测试后的NARX神经网络模型获取重构的测井曲线数据。

2.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述NARX神经网络模型中，输入层节点数量和输出层节点数量依据训练曲线数据的数据类型数量确定。

3.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述粒子群算法对NARX神经网络模型进行初始优化包括：

设定粒子种群数、粒子维数、最大迭代次数、初始粒子信息、惯性权重、粒子自身速度权重值、粒子群体经验权重值，粒子信息包括粒子速度和粒子位置；

带入训练曲线数据获取粒子适应度，计算粒子个体最优值和群体最优值，进行迭代运算；

每次迭代运算后更新粒子信息、NARX神经网络模型的权值和阈值、粒子适应度；

当完成迭代次数或粒子适应度满足预设条件时，完成初始优化；

根据粒子适应度最大值时的粒子位置确定权值、阈值，进行初始优化设置。

4.如权利要求3所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述迭代运算中，粒子信息更新通过粒子速度、粒子位置、粒子自身速度权重值、粒子群体经验权重值、粒子个体最优值、群体最优值、惯性权重获得。

5.如权利要求3所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述粒子适应度的函数为训练曲线数据和重构值的均方误差倒数。

6.如权利要求3所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述惯性权重依据迭代次数线性递减。

7.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述NARX神经网络模型训练包括：

设定训练误差允许值，，，获得初始优化权值矩阵，此时k=0；

带入训练曲线数据获得NARX神经网络模型输出值；

依据输出值和训练曲线数据获得误差函数值；

通过网络误差向量对权值矩阵的一阶导数获得雅可比矩阵；

根据雅可比矩阵、网络误差向量和计算权值矩阵偏差值；

当误差函数值小于时，将权值矩阵更新为，结束训练；

当误差函数值大于等于时，计算权值矩阵为时的误差函数值：

如，令，重新带入训练曲线数据依上述流程更新权值矩阵并对误差函数值再次进行判定，在误差函数值小于时，更新权值矩阵结束训练；

如，令，以、雅可比矩阵、网络误差向量计算权值矩阵偏差值更新权值矩阵并对误差函数值再次进行判定，在误差函数值小于时，更新权值矩阵结束训练；其中k为迭代次数。

8.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述将第二现有测井曲线数据带入测试后的NARX神经网络模型获取重构的测井曲线数据包括：

输入第二现有测井曲线数据通过NARX神经网络模型获得测试重构数据，依据测试重构数据和输入第二现有测井曲线数据中对应数据计算均方根误差RMSE、平均绝对误差MAE、相对误差RE以及决定系数，对NARX神经网络模型进行性能判定。

9.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法，其特征在于，所述训练曲线数据和测试曲线数据均进行归一化处理。

10.一种基于非线性自回归神经网络模型的测井曲线预测方法，其特征在于，包括获取第一现有测井曲线数据，按第一现有测井曲线数据获取深度将其划分为训练曲线数据和测试曲线数据；

依据训练曲线数据设立NARX神经网络模型；

通过粒子群算法对NARX神经网络模型进行初始优化；

使用Levenberg-Marquardt算法将训练曲线数据带入NARX神经网络模型完成训练；

将测试曲线数据带入NARX神经网络模型进行测试；

将第二现有测井曲线数据带入测试后的NARX神经网络模型获取重构的测井曲线数据；

依据重构的测井曲线数据与第二现有测井曲线数据进行对比，通过设置误差阈值，在满足误差阈值的情况下，将待预测测井曲线数据输入NARX神经网络模型获得预测测井曲线。