【技術實現步驟摘要】
本申請涉及儲集層分類的，尤其是涉及一種儲集層分類模型訓練方法、分類方法、系統、設備及介質。
技術介紹
1、測井數據為油氣勘探中的重要角色，可以通過對測井數據的分析，得到當前井的油氣分布。目前基于測井數據進行油氣分類的方法包括人工分析和計算機處理兩種方案。
2、人工分析方法主要依賴于測井專家和地質學家的經驗，地質學家通過地質勘探會在疑似有油藏位置進行鉆井和測井數據收錄并通過對測井數據不同的響應特征進行油氣分類判定。這種判斷方法依賴于測井專家對當前的地質情況的了解和地質勘探的經驗且分析時間較長。
3、計算機處理方法雖然可以通過訓練模型對測井數據進行分析，完成儲集層中是否含油的標注。一方面，目前的計算機處理方法依然需要測井專家參與，測井專家會根據實際地質情況，給出對測井數據的處理需求，在計算機處理的模型訓練中需要結合測井專家的處理需求進行進一步分析。另一方面，通過這種方式訓練得到的模型只能應用于一部分地質情況，模型的使用場景受限，對于其他地質情況下儲集層分類的準確性低。
技術實現思路
1、為了提高儲集層分類的準確性，本申請提供了一種儲集層分類模型訓練方法、分類方法、系統、設備及介質。
2、在本申請的第一方面，提供了一種儲集層分類模型訓練方法。該方法包括：
3、獲取歷史測井數據、歷史測井數據對應的歷史層位數據和歷史測井數據對應的儲層類別，歷史層位數據表示歷史測井數據對應測試井的所在位置；
4、根據歷史測井數據和儲層類別的第一相關系
5、根據目標測井數據之間的第二相關系數和歷史層位數據，對目標測井數據層進行分類，得到數據訓練子集；
6、分別對數據訓練子集進行模型訓練，得到與數據訓練子集對應的儲集層分類模型。
7、由以上技術方案可知，通過分析歷史測井數據和儲層類別的相關性得到第一相關系數，根據第一相關系數將歷史測井數據中與儲層類別相關性低的數據剔除得到目標測井數據，然后根據目標測井數據之間的相關性即第二相關系數和位置即歷史層位數據，將目標測井數據劃分得到數據訓練子集，訓練數據子集中的目標測井數據對應的實際地質情況更加接近，可以提高不同地質情況對應的儲集層分類模型的準確性。
8、在一種可能的實現方式中，歷史測井數據中包括多條特征曲線，目標測井數據包括多條目標特征曲線；
9、根據歷史測井數據和儲層類別的第一相關系數，對歷史測井數據進行篩選，得到目標測井數據，包括：
10、分別計算每個特征曲線和每個特征曲線對應的儲層類別的相關性，得到第一相關系數；
11、當第一相關系數在預設的相關范圍內，則特征曲線為目標特征曲線。
12、由以上技術方案可知，通過分析歷史測井數據中特征曲線與儲層類別的相關性，得到第一相關系數，將與儲層類別相關性低的特征曲線剔除，保留與儲層類別相關性高的特征曲線作為目標特征曲線參與模型訓練，在不影響模型訓練效果的基礎上，降低模型訓練數據的數據量，提高模型訓練效率，同時也可以降低不相關的特征曲線在模型訓練過程中產生的負面影響，實現對儲集層分類準確率的提高。
13、在一種可能的實現方式中，根據目標測井數據之間的第二相關系數和歷史層位數據，對目標測井數據層進行分類，得到數據訓練子集，包括：
14、根據歷史層位數據，對目標測井數據進行聚類，得到位置訓練子集；
15、計算位置訓練子集中的任意兩個目標測井數據之間的第二相關系數；
16、根據第二相關系數，對每個位置訓練子集中的目標測井數據進行分類，得到數據訓練子集。
17、在一種可能的實現方式中，數據訓練子集中至少包括一個測試井的目標測井數據；分別對數據訓練子集進行模型訓練，得到與數據訓練子集對應的儲集層分類模型，包括：確定與數據訓練子集對應的多個中間模型，中間模型通過數據訓練子集中至少一個測試井的目標測井數據訓練得到，任意兩個中間模型訓練使用的數據不同；
18、對多個中間模型進行測試，確定中間模型的預測正確率；
19、根據預測正確率，從多個中間模型中確定與數據訓練子集對應的儲集層分類模型。
20、由以上技術方案可知，通過將數據訓練子集中的不同測試井的目標測井數據按照順序進行訓練，分析不同測試井的目標測井數據對模型訓練產生的影響，進而對數據訓練子集中的不同測試井的目標測井數據進行篩選，將預測正確率最高的中間模型作為儲集層分類模型，實現對儲集層分類正確率的提高。
21、在一種可能的實現方式中，在根據目標測井數據之間的第二相關系數和歷史層位數據，對目標測井數據層進行分類，得到數據訓練子集之后，使用粒子群算法對數據訓練子集進行特征優化。
22、在一種可能的實現方式中，儲集層分類模型包括極值梯度提升模型和長短期記憶網絡模型。
23、在本申請的第二方面，提供了一種儲集層分類方法。該方法包括：
24、獲取待分類測井數據和待分類測井數據的層位數據；
25、從如根據本申請的第一方面的方法得到的儲集層分類模型中匹配到與層位數據對應的儲集層分類模型；
26、將待分類測井數據輸入與層位數據對應的儲集層分類模型，得到儲集層分類結果。
27、在本申請的第三方面，提供了一種儲集層分類模型訓練系統。該系統包括：
28、數據獲取模塊，用于獲取歷史測井數據、歷史測井數據對應的歷史層位數據和歷史測井數據對應的儲層類別，歷史層位數據表示歷史測井數據對應測試井的所在位置；
29、數據篩選模塊，用于根據歷史測井數據和儲層類別的第一相關系數，對歷史測井數據進行篩選，得到目標測井數據；
30、數據劃分模塊，用于根據目標測井數據之間的第二相關系數和歷史層位數據，對目標測井數據層進行分類，得到數據訓練子集；
31、模型訓練模塊，用于分別對數據訓練子集進行模型訓練，得到與數據訓練子集對應的儲集層分類模型。
32、在本申請的第四方面，提供了一種電子設備。該電子設備包括：存儲器和處理器，所述存儲器上存儲有計算機程序，所述處理器執行所述程序時實現如以上所述的方法。
33、在本申請的第五方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現如根據本申請的第一方面的方法。
34、綜上所述，本申請包括至少一種有益技術效果：
35、通過分析歷史測井數據和儲層類別的相關性得到第一相關系數，根據第一相關系數將歷史測井數據中與儲層類別相關性低的數據剔除得到目標測井數據，然后根據目標測井數據之間的相關性即第二相關系數和位置即歷史層位數據，將目標測井數據劃分得到數據訓練子集，訓練數據子集中的目標測井數據對應的實際地質情況更加接近，可以提高不同地質情況對應的儲集層分類模型的準確性。
本文檔來自技高網...【技術保護點】
1.一種儲集層分類模型訓練方法，其特征在于，包括：
2.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述歷史測井數據中包括多條特征曲線，所述目標測井數據包括多條目標特征曲線；
3.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述根據所述目標測井數據之間的第二相關系數和所述歷史層位數據，對所述目標測井數據層進行分類，得到數據訓練子集，包括：
4.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述數據訓練子集中至少包括一個所述測試井的所述目標測井數據；
5.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，在所述根據所述目標測井數據之間的第二相關系數和所述歷史層位數據，對所述目標測井數據層進行分類，得到數據訓練子集之后，使用粒子群算法對所述數據訓練子集進行特征優化。
6.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述儲集層分類模型包括極值梯度提升模型和長短期記憶網絡模型。
7.一種儲集層分類方法，其特征在于，包括：
8.一種儲集層分類模型訓練系統，
9.一種電子設備，其特征在于，包括存儲器和處理器，所述存儲器上存儲有能夠被處理器加載并執行如權利要求1至6或7中任一種所述方法的計算機程序。
10.一種計算機可讀存儲介質，其特征在于，存儲有能夠被處理器加載并執行如權利要求1至6或7中任一種所述方法的計算機程序。
...【技術特征摘要】
1.一種儲集層分類模型訓練方法，其特征在于，包括：
2.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述歷史測井數據中包括多條特征曲線，所述目標測井數據包括多條目標特征曲線；
3.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述根據所述目標測井數據之間的第二相關系數和所述歷史層位數據，對所述目標測井數據層進行分類，得到數據訓練子集，包括：
4.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，所述數據訓練子集中至少包括一個所述測試井的所述目標測井數據；
5.根據權利要求1所述的儲集層分類模型訓練方法，其特征在于，在所述根據所述目標測井數據之間的第二相關系數和所述歷史...
【專利技術屬性】
技術研發人員：王博涵，劉曉慶，任鈺，方杰，單聰，
申請(專利權)人：北京月新時代科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。