[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

说明书

本发明公开了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，包括：按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；使用测试后的NARX神经网络模型获取重构的测井曲线数据；本申请有效避免了陷入局部最优的问题，能够以高精度逼近非线性的测井曲线重构系统，充分利用测井数据的非线性、序列性特点，能够准确反映各曲线间的对应关系，具有良好测井曲线重构能力。

技术领域

本申请属于地球物理数据处理技术领域，特别涉及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。

背景技术

测井曲线能够描述地层岩性、物性和含油气性。地质工作者通过研究和分析测井曲线数可以建立较为精确的地质模型。如声波测井曲线可以用于储层反演以及地震层位标定。

然而由于井径扩大，井眼垮塌和仪器故障等原因会造成测井曲线缺失，但是重新进行测井在经济成本上通常并不具备可行性。因此，找到一种高效、简便、低成本的测井曲线生成方法具有重要意义。研究者们提出，可以采用多种方法利用已有的测井数据人工生成测井曲线，例如岩石物理建模、经验模型、线性回归、交会图等方法。岩石物理模型通常基于很多假设，简化了真实储层情况，同时需要确定很多经验参数，且人为主观因素容易造成干扰，生成测井曲线与真实值具有较大差异。经验模型如利用一条电阻率或自然伽马曲线找出拟合经验公式对进行声波时差曲线进行重构。但大多为重构声波时差曲线而提出，不仅精度较低，且不适用于其他曲线的重构。由于地下储层情况复杂且非均质性较强，测井数据之间经常呈现极强的非线性关系，不能用简单的线性关系描述，应用线性回归和交会图等传统方法不能表现出不同测井曲线之间的关联性，效果较差。

随着大数据、机器学习和深度学习技术的不断发展，将机器学习和深度学习方法应用到地球物理勘探领域当中已经成为研究热点，且效果普遍优于传统统计回归等方法。测井曲线重构属于有监督回归问题，支持向量机，决策树，随机森林，人工神经网络等方法都被很多研究者用于尝试重构测井曲线。由于地下情况不但复杂而且非均质性也较强，测井数据之间常常呈现极强的非线性映射关系，这些方法能够较好地学习到测井曲线之间的非线性数据映射关系。然而，测井曲线信息是具有序列化的数据结构，随着深度变化，且深度级的重构结果同时受当前输入数据和浅层级重构结果的影响。因此，简单使用传统的机器学习重构模型存在一定局限性。

支持向量机是一种适用于小样本学习的方法，相比较其它方法，对异常值不敏感，能把握关键样本，但是支持向量机的一个主要缺点是它的输入变量存储在高维特征空间中，需要很高的计算时间和大量的内存来存储特性，且对参数和核函数选择敏感，要调节松弛因子和核函数因子参数，调优过程困难。决策树方法引入了信息熵，使得算法可以得到节点数最小的决策树，但是决策树需要多次扫描数据，导致算法低效，且具有高方差和不稳定性，小的改变可能会导致完全不同的结果。随机森林在解决回归问题时，并没有像其在分类中表现的那么好。BP神经网络能实现非线性映射的功能，适合求解复杂问题，网络通过学习带标签的样本自动提取合理的映射规则，具有自学习的能力，但BP神经网络忽略了测井曲线随深度的变化趋势和数据的前后关联，无法保存和利用先前信息，无法重构序列数据。并且存在由于网络连接权值和阈值是随机初始化方式生成，而导致的易陷入局部最优的问题。

因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。

发明内容

本发明的目的在于提供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以解决上述至少一方面的问题。

本发明提供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，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；