本發明涉及地球物理?,尤其涉及一種儲層測井巖性識別方法、裝置、電子設備及存儲介質。
背景技術:
1、儲層巖性直接影響著油氣的儲存和流動能力,油氣田地下儲層巖性的識別是一項關鍵的地質工作,對于勘探開發油氣資源至關重要。
2、目前,在進行油氣田地下儲層巖性識別的時候,通常有如下兩種方法:
3、一種方法是采用傳統的巖性識別方法,如利用交會圖技術(如孔隙度-滲透率、電阻率-聲波時差等)來識別裂縫、溶洞等儲層特征,直接分析從井下取出的巖心樣品,通過顯微鏡觀察、薄片分析、粒度分析等方法識別巖石的礦物成分、結構和孔隙特征;然而這些巖性識別方法主觀性強、識別精度低;
4、另一種方法是采用單一的人工智能算法實現巖性智能分類,例如利用高精度地震屬性數據結合測井巖性數據,通過xgboost算法預測儲層巖性;然而由于高精度地震資料匱乏,導致該方法在實際應用中難以落實,且采用單一算法的巖性預測模型認為干預大、模型自適應性弱,對巖性識別結果產生較大影響。
5、因此,亟需一種切實可行的高精度儲層測井巖性識別方法。
技術實現思路
1、
2、本發明提供一種儲層測井巖性識別方法、裝置、電子設備及存儲介質,用以解決現有技術中巖性識別方法精度低的缺陷。
3、本發明提供一種儲層測井巖性識別方法,包括如下步驟:
4、構建儲層測井巖性識別模型,所述儲層測井巖性識別模型采用xgboost網絡模型;
5、基于貝葉斯優化算法,對所述儲層測井巖性識別模型中的超參數進行優化;
6、基于儲層測井樣本數據,對優化后的儲層測井巖性識別模型進行訓練,得到目標儲層測井巖性識別模型;
7、將待識別測井數據輸入至所述目標儲層測井巖性識別模型,得到所述目標儲層測井巖性識別模型輸出的巖性類型。
8、根據本發明提供的一種儲層測井巖性識別方法,所述基于貝葉斯優化算法,對所述儲層測井巖性識別模型中的超參數進行優化,包括:
9、基于預置目標函數,確定各超參數的初始值,及其對應的目標函數值;
10、基于各所述超參數初始值和各所述目標函數值,確定代理模型;
11、基于獲取函數,確定下一個采樣點,所述下一個采樣點是使所述獲取函數的函數值最大的超參數點;
12、基于所述預置目標函數,確定所述下一個采樣點新的目標函數值,并更新至歷史數據集中;
13、基于更新后的歷史數據集,對所述代理模型進行更新后,返回至所述基于獲取函數,確定下一個采樣點的步驟,直至達到預設迭代次數或滿足預置收斂條件;
14、基于所述代理模型和/或所述歷史數據集,確定超參數最優值;
15、將所述超參數最優值代入所述儲層測井巖性識別模型。
16、根據本發明提供的一種儲層測井巖性識別方法,所述預置目標函數如下:
17、p=tp/(tp+fp);
18、其中,p表示模型預測準確率,tp表示模型將正樣本預測為正樣本的數量,fp表示模型將負樣本預測為正樣本的數量。
19、根據本發明提供的一種儲層測井巖性識別方法,所述儲層測井巖性識別模型中的超參數包括學習任務參數學習率learning?rate、最大深度max?depth、最小節點權重minchild?weight、子樣本比例subsample?ratio和列樣本比例colsample_bytree中的至少一種。
20、根據本發明提供的一種儲層測井巖性識別方法,在所述基于儲層測井樣本數據,對優化后的儲層測井巖性識別模型進行訓練之前,還包括:
21、獲取儲層測井原始數據;
22、使用平方根濾波法對所述儲層測井原始數據進行插值處理,得到濾波測井數據;
23、對所述濾波測井數據進行分解,得到多個本征模態函數;
24、基于所述多個本征模態函數進行噪音識別與去除,得到降噪測井數據;
25、對所述降噪測井數據進行數據補全,得到所述儲層測井樣本數據。
26、根據本發明提供的一種儲層測井巖性識別方法,所述儲層測井原始數據包括儲層測井數據及其對應的數據標簽,所述儲層測井數據包括聲波時差曲線數據、自然伽馬曲線數據、電阻率曲線數據、中子曲線數據、自然電位曲線數據、井徑曲線數據和密度曲線數據中的至少一種,所述數據標簽是所述儲層測井數據對應的巖屑錄井數據。
27、本發明還提供一種層測井巖性識別裝置,包括如下模塊:
28、模型構建模塊,用于:構建儲層測井巖性識別模型,所述儲層測井巖性識別模型采用xgboost網絡模型;
29、參數優化模塊,用于:基于貝葉斯優化算法,對所述儲層測井巖性識別模型中的超參數進行優化;
30、模型訓練模塊,用于:基于儲層測井樣本數據,對優化后的儲層測井巖性識別模型進行訓練,得到目標儲層測井巖性識別模型;
31、巖性識別模塊,用于:將待識別測井數據輸入至所述目標儲層測井巖性識別模型,得到所述目標儲層測井巖性識別模型輸出的巖性類型。
32、本發明還提供一種電子設備,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,所述處理器執行所述程序時實現如上述任一種所述層測井巖性識別方法。
33、本發明還提供一種非暫態計算機可讀存儲介質,其上存儲有計算機程序,該計算機程序被處理器執行時實現如上述任一種所述層測井巖性識別方法。
34、本發明還提供一種計算機程序產品,包括計算機程序,所述計算機程序被處理器執行時實現如上述任一種所述層測井巖性識別方法。
35、本發明提供的儲層測井巖性識別方法、裝置、電子設備及存儲介質,構建儲層測井巖性識別模型,所述儲層測井巖性識別模型采用xgboost網絡模型;基于貝葉斯優化算法,對所述儲層測井巖性識別模型中的超參數進行優化;基于儲層測井樣本數據,對優化后的儲層測井巖性識別模型進行訓練,得到目標儲層測井巖性識別模型;將待識別測井數據輸入至所述目標儲層測井巖性識別模型,得到所述目標儲層測井巖性識別模型輸出的巖性類型。本方案無需使用高精度地震屬性數據即可進行儲層巖性識別,克服了高精度地震資料匱乏的問題;通過貝葉斯優化算法對xgboost模型的超參數進行優化,實現自動調整模型的超參數,顯著減少手動試錯的時間和資源消耗,減少人為對模型的干預,提高模型自適應性,從而有效提高測井資料利用率及測井巖性識別精度。
1.一種儲層測井巖性識別方法,其特征在于,包括:
2.根據權利要求1所述的儲層測井巖性識別方法,其特征在于,所述基于貝葉斯優化算法,對所述儲層測井巖性識別模型中的超參數進行優化,包括:
3.根據權利要求2所述的儲層測井巖性識別方法,其特征在于,所述預置目標函數如下:
4.根據權利要求1或2所述的儲層測井巖性識別方法,其特征在于,所述儲層測井巖性識別模型中的超參數包括學習任務參數學習率learning?rate、最大深度max?depth、最小節點權重min?child?weight、子樣本比例subsample?ratio和列樣本比例colsample_bytree中的至少一種。
5.根據權利要求1所述的儲層測井巖性識別方法,其特征在于,在所述基于儲層測井樣本數據,對優化后的儲層測井巖性識別模型進行訓練之前,還包括:
6.根據權利要求5所述的儲層測井巖性識別方法,其特征在于,所述儲層測井原始數據包括儲層測井數據及其對應的數據標簽,所述儲層測井數據包括聲波時差曲線數據、自然伽馬曲線數據、電阻率曲線數據、中子曲線數據、自然電位曲線數據、井徑曲線數據和密度曲線數據中的至少一種,所述數據標簽是所述儲層測井數據對應的巖屑錄井數據。
7.一種儲層測井巖性識別裝置,其特征在于,包括:
8.一種電子設備,包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序,其特征在于,所述處理器執行所述程序時實現如權利要求1至6任一項所述儲層測井巖性識別方法。
9.一種非暫態計算機可讀存儲介質,其上存儲有計算機程序,其特征在于,所述計算機程序被處理器執行時實現如權利要求1至6任一項所述儲層測井巖性識別方法。
10.一種計算機程序產品,包括計算機程序,其特征在于,所述計算機程序被處理器執行時實現如權利要求1至6任一項所述儲層測井巖性識別方法。