【技術實現步驟摘要】
本專利技術屬于地質工程和勘探，具體涉及基于幾何因子參數預測欠壓實低速泥巖分布的方法。
技術介紹
1、鶯歌海盆地位于印支地塊與華南地塊之間，是受印藏陸-陸碰撞與南海海底擴張等多重因素控制而形成的nw向新生代大型走滑-伸展盆地，天然氣資源豐富。是當前南海西部天然氣勘探的主戰場之一。鶯歌海盆地近年來在開發過程中經常鉆遇具有“亮點”地震響應特征的低速泥巖層，其與傳統對含氣儲層特征的認識一致，因此經常會給勘探開發對目的層的識別帶來陷阱。
2、大量的學者在通過對低速泥巖井地質、地球物理、測井、錄井及井壁芯資料綜合研究，將低速泥巖的成因分為欠壓實、含氣、裂縫三種成因。鶯歌海盆地是一個快速沉降、快速沉積的盆地，受到超壓保護黃流組以下地層普遍存在欠壓實地層，欠壓實泥巖普遍發育。
技術實現思路
1、本專利技術所為了解決
技術介紹
中存在的技術問題，目的在于提供了基于幾何因子參數預測欠壓實低速泥巖分布的方法，通過多層長短期記憶網絡的深度學習去計算目標區域內幾何因子的展布，泥巖幾何因子的不同范圍值代表了泥巖的壓實程度的強弱，結合低速泥巖欠壓實成因，再與地質等資料結合分析后，在勘探開發前提前降低鉆遇低速泥巖的可能性。
2、為了解決技術問題，本專利技術的技術方案是：
3、基于幾何因子參數預測欠壓實低速泥巖分布的方法，所述方法包括：
4、設置lstm多層長短期記憶網絡結構，通過預設的訓練集和測試集進行訓練，采用時間截斷反向傳播的梯度更新算法來迭代計算目標函數和幾何因子
5、使用平均絕對誤差mae和均方根誤差rms評估模型性能，最后根據優化得到的lstm網絡預測幾何因子并確定欠壓實泥巖及其壓實程度的分布范圍。
6、進一步，所述設置lstm多層長短期記憶網絡結構，具體包括：
7、第一層為遺忘門，用于選擇和保留前階躍時間ct-1和當前階躍時間ct的記憶信息；遺忘門表示為：
8、ft＝σ(wf[st-1,xt]+bf)
9、式中，wf為遺忘柵極層的權系數矩陣，bf為遺忘柵極層的偏移量向量，wfs和wfx為輸入信息st-1和xt對應的權系數矩陣，ft為當前時刻t的遺忘柵極；
10、第二層為輸入柵極結構；輸入門控制信息向單元狀態c的傳輸，并處理當前序列數據的輸入；這一層由兩部分組成，第一部分使用sigmoid函數來確定更新的信息狀態，而第二部分使用tanh單位來計算一個新的向量：
11、it＝σ(wi[st-1,xt]+bi)
12、
13、其中it為輸入門，σ(·)為sigmoid函數，wi和bi分別為輸入門的權系數矩陣和偏移向量，ct為輸入層當前的細胞單元狀態；
14、第三層為單元c的單元狀態；通過遺忘門和輸入門決定信息的添加和刪除；將前一步的單元格狀態乘以遺忘門ft，確定ct-1需要丟棄的信息，再加上輸入門的信息，進行最后的單元格更新：
15、
16、最后一層是輸出柵極結構，先用sigmoid函數確定細胞單元輸出，再用tanh激活函數對細胞單元進行處理，用sigmoid門計算輸出：
17、ot＝σ(wo[st-1,xt]+bo)
18、st＝ot⊙tanh(ct)
19、其中st為隱態輸出，σ(·)為sigmoid函數，wo和bo為權系數矩陣和輸出門的偏移向量。
20、進一步，將彈性參數和測井數據整理成為訓練集和測試集，其中，作為輸入特征的數據包括：孔隙度、滲透率、含水飽和度、縱波速度和橫波速度；作為目標標簽的數據是經過建模得出的幾何因子；分割數據成訓練數據集和測試數據集以評估模型性能。
21、進一步，采用時間截斷反向傳播的梯度更新算法來迭代計算目標函數和幾何因子數據集在時間維度上關聯關系，具體包括：
22、lstm前向傳播中每個神經元的輸出值分別為ft、it、ct、ot、st；在lstm中，誤差項δ通過反向計算的傳播包括以下幾個方向：一是隨著時間的反向傳播；另一個是傳播到前一層的誤差項；使用相應的誤差項計算每個權值的梯度。
23、進一步，使用平均絕對誤差mae和均方根誤差rms誤差評估模型性能，包括：
24、把原始輸入參數定義為x0＝{x1,x2,…，xn}，訓練集xtrain＝{x1,x2,…，xr}和測試集xtest＝{x1,x2,…，xe}按7:3劃分；
25、使用平均絕對誤差(mae)和均方根誤差(rms誤差)來估計模型的性能：
26、
27、其中，yi和pi分別為實際幾何因子和預測幾何因子，n為樣本數。
28、進一步，在訓練完成后，lstm網絡能通過學到的模型關系進行目標區域的預測，預測出相應的幾何因子；與地質特征和沉積環境的結合，識別欠壓實低速泥巖的分布和成熟度。
29、與現有技術相比，本專利技術的優點在于：
30、增強預測能力：通過深度學習有效模擬地質過程中欠壓實泥巖的成因和分布，提高了對泥巖壓實程度的識別能力。
31、降低勘探風險：能夠提前識別低速泥巖的可能發育區域，對后續的勘探和開發起到重要支持作用，降低鉆探風險。
32、實用性和創新性：結合傳統地質模型與現代深度學習方法，突出方法的創新性，并且對地質勘探行業具有實際應用價值。
本文檔來自技高網...【技術保護點】
1.基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，所述設置LSTM多層長短期記憶網絡結構，具體包括：
3.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，將彈性參數和測井數據整理成為訓練集和測試集，其中，作為輸入特征的數據包括：孔隙度、滲透率、含水飽和度、縱波速度和橫波速度；作為目標標簽的數據是經過建模得出的幾何因子；分割數據成訓練數據集和測試數據集以評估模型性能。
4.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，采用時間截斷反向傳播的梯度更新算法來迭代計算目標函數和幾何因子數據集在時間維度上關聯關系，具體包括：
5.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，使用平均絕對誤差MAE和均方根誤差RMS誤差評估模型性能，包括：
6.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，在訓練完成
...【技術特征摘要】
1.基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，所述設置lstm多層長短期記憶網絡結構，具體包括：
3.根據權利要求1所述的基于幾何因子參數預測欠壓實低速泥巖分布的方法，其特征在于，將彈性參數和測井數據整理成為訓練集和測試集，其中，作為輸入特征的數據包括：孔隙度、滲透率、含水飽和度、縱波速度和橫波速度；作為目標標簽的數據是經過建模得出的幾何因子；分割數據成訓練數據集和測試數據集以評估模型性能。
4.根據權利要求1所述...
【專利技術屬性】
技術研發人員：楊圣，黃旭日，李浩源，楊劍，羅堃，崔曉慶，楊冉，任夢宇，周洋，孫明，
申請(專利權)人：西南石油大學，
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。