一种岩石物理模型驱动的人工智能测井数据预测方法与流程

本发明涉及岩石物理和测井资料处理，尤其涉及一种岩石物理模型驱动的人工智能测井数据预测方法。

背景技术：

1、测井是进行地下储层解释与评价的手段，通过记录多种不同的物理参数来间接反映地质信息。实际应用中，由于测井仪器故障、井壁垮塌等各种难以预料的因素，经常会造成部分测井数据缺失，给进一步储层表征和地质建模等工作带来了巨大的困难和阻碍。而重新测井不仅价格昂贵，且对于已经完井的井眼甚至不可能实现。国内外学者们尝试从多方面对缺失测井数据进行重构，发展了一些有效的方法，主要包括岩石物理模型法和经验公式法两类。岩石物理模型法是根据地质、力学参数等信息构建物理模型，直接估计缺失的测井数据。然而建立物理模型通常需要很多假设，极大简化了真实地层情况，同时需要依赖专家经验与领域知识，针对不同的地层情况构建合适的物理模型，具有较强的主观性，重构测井数据的质量难以得到有效保证。

2、经验公式法是基于已有的部分完整测井数据，通过分析不同测井数据之间的隐含关系和内在联系，进而根据数据之间的关联关系估计缺失的测井数据，例如交会图、多元回归等传统的分析方法可以用来完成这一任务。这类方法避开了地球物理建模和参数选择等环节，计算结果具有受主观因素影响小，操作性更强，高效快捷的优点。但由于地下地质情况极其复杂和强的非均质性，输入和输出测井数据之间往往存在极其复杂的非线性映射关系，很难用确定性的函数表达，面对测井数据间如此复杂的映射关系，传统的多元线性回归分析等方法往往无能为力，估计准确性和可靠性难以满足当前测井解释和储层精细描述的需求。

3、考虑到测井数据是由实际测井仪器采集的随深度变化的序列，近年来众多学者利用循环神经网络及其衍生方法来重构失真或缺失的测井数据。相比于全连接网络、多元线性回归分析等方法只考虑来自同一深度或时间的测井数据之间的相互联系，此类网络能够考虑测井数据的内在关联和数据变化趋势的循环神经具有更高的准确性和鲁棒性。尽管神经网络具有广泛的应用范围和灵活性，但仍然没有一个通用的框架或程序来设计适合特定任务的网络。神经网络的设计和结构优化仍然很大程度上依赖于设计者的经验。这对神经网络的推广应用是一个明显的障碍。在现有研究中，控制网络结构的关键参数的选取主要通过试错法来确定，较难获得构建网络模型的最佳参数组合，导致直接应用网络进行测井数据重构仍然存在一定的不足。合理地选择控制网络模型结构的关键参数可以显著地影响模型的性能。

4、岩石物理模型法和经验公式法虽为有效和广泛使用的方法，但前者适用于岩石矿物组分相对单一的储层，且受区域限制等因素的影响，不具有普适性，预测精度较低。后者需要根据不同的实际情况选择合适的岩石物理模型，才能达到预期的目的。机器学习方法虽具有强非线性拟合能力，但大多数机器学习测井数据预测方法基于纯数据驱动，数据集的质量和数量将直接决定预测模型精度，而且基于纯数据驱动的机器学习方法缺乏充分的物理内涵。近年来,具有强非线性拟合能力的机器学习方法发展迅速,特别是当前流行的深度学习。

技术实现思路

1、针对现有技术中的上述不足，本发明提供一种岩石物理模型驱动的人工智能测井数据预测方法，在油气藏相关领域知识的指导和约束下，联合岩石物理模型和经典深度学习算法的互补优势，提高测井数据预测的精度和可靠性，为储层预测和评价提供可靠的基础。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明提供一种岩石物理模型驱动的人工智能测井数据预测方法，包括以下步骤：

4、（1）收集和整理目标区域的测井资料，并对相关数据资料进行清洗和预处理；

5、（2）以井资料和岩石物理分析为基础，筛选已有的岩石物理模型，并以此为基础构建有针对性的岩石物理模型；

6、（3）在所述岩石物理模型的基础上，对模型的基质孔隙的孔隙纵横比进行修正，构建考虑随深度变化的孔隙纵横比的自适应岩石物理模型；

7、（4）以双向时域卷积网络、双向长短期记忆网络和注意力机制算法为基础，构建具有表达测井数据序列模式和空间特征的人工智能深度学习模型；

8、（5）将自适应岩石物理模型和人工智能深度学习模型有机结合，构建岩石物理和深度学习协同驱动的预测模型并对模型的关键参数进行寻优，得到测井数据预测模型；

9、（6）利用所述训练好的预测模型对缺失的测井数据进行预测，并结合实际资料对预测结果进行分析和改进；

10、进一步地，步骤（1）中所述的预处理可包括异常值去除、多井一致性校正、归一化处理等。

11、进一步地，步骤（2）中所述岩石物理模型可包括但不限于greenberg-castagna的经验公式、gassmann流体替换理论、raymer-hunt-gardner方程、kuster-toksöz模型，以及xu-white模型。

12、进一步地，xu-white模型将kuster-tosköz理论和微分等效介质模型与gassmann方程相结合，更适用于砂泥岩储层，因此以xu-white模型为作为优选模型进行岩石物理建模。

13、进一步地，所述xu-white模型综合考虑了岩石基质性质、孔隙大小、孔隙形状以及孔隙流体性质的影响，其基本特征是认为这2种孔隙空间的几何形状（孔隙纵横比）差异较大，砂岩孔隙纵横比较大，泥岩孔隙纵横比较小，因而对弹性模量的影响也不一样。孔隙空间按照砂岩、泥岩体积各自所占体积分数进行分配，即：

14、（1）

15、式中：

φ，

φsand，

φclay分别为总孔隙度，砂岩孔隙度和泥岩（黏土）孔隙度；

φsand，

φclay分别为砂岩和泥岩体积分数。

16、kuster等基于长波一阶散射理论，考虑夹杂体弹性性质、体积百分比和形状对介质弹性的影响，确定了两相介质的等效弹性模量。通过dem理论，扩展了kuster-toksoz理论中关于孔隙度远远小于孔隙纵横比的假设，从而求取某一确定孔隙度下干岩石骨架的体积模量和剪切模量为：

17、（2）

18、式中：

km，

kd,

k′分别为岩石基质、干岩石骨架和孔隙介质的体积模量，gpa，

μm，

μd，

μ′分别为岩石基质、干岩石骨架和孔隙介质的剪切模量，gpa。其中对于干岩石，

k′和

μ′等于0；

αsand和

αclay分别为砂岩和泥岩孔隙纵横比，通常情况下，对于纯砂岩孔隙

αsand取0.12,泥岩孔隙

αclay取0.035；

tijij（

α）和

f（

α）是从eshelby张量

tijkl中推导出的关于孔隙纵横比的函数。

19、为了简化计算，key等假定干岩石骨架的泊松比不随孔隙度变化，将上述求解问题转换成一个线性常微分方程组的求解问题，干岩石骨架弹性模量表达为：

20、（3）

21、式中：

p和

q为假设干岩石骨架泊松比为常数时的一组只与孔隙纵横比有关而与孔隙度无关的系数，且。

22、通过xu-white模型求解岩石的体积模量是通过gassmann方程求得，剪切模量采用kuster-toksoz模型求得。采用gassmann方程考虑孔隙流体对岩石声学特性的影响。实际也可以利用kuster-toksoz模型讨论饱和岩石的弹性性质，但是由于kuster-toksoz模型是孔隙散射模型，考虑岩石的孔隙是孤立的，所以孔隙流体仅仅是局部的，即利用kuster-toksoz模型讨论的是有效孔隙为零的岩石骨架的体积模量和剪切模量，也等价于孔隙孤立的岩石。所以采用gassmann方程较为合理。xu-white模型不仅考虑了岩组矿物对岩石声学性质的影响，也考虑了孔隙和孔隙流体的影响。

23、进一步地，所述xu-white岩石物理建模流程包括建立岩石基质的等效模型，即将组成岩石基质的各中矿物看作一种等效成分，计算其弹性模量，计算方法采用的是voigt-reuss-hill平均或hs平均；在基质中加入孔隙，计算干燥岩石的弹性模量，计算方法采用的是k-t模型或微分等效介质模型；计算孔隙流体的等效体积模量，对于混合流体，采用等应力平均公式或wyllie时间平均方程计算；计算饱含流体的岩石的弹性模量，将第三步中的流体充填进第二步得到的干岩石中，采用gassmann方程。

24、进一步地，所述xu-white模型利用孔隙纵横比划分砂岩孔隙与泥岩孔隙，需要明确与泥质和砂岩有关的孔隙纵横比，但基质孔隙中泥岩和砂岩孔隙纵横比均以定值来约束，这一假设与实际岩石孔隙的变化特征不完全匹配，而且泥岩和砂岩孔隙纵横比变化范围较大，且受到孔隙度、泥质含量、有效压力等多方面因素影响，所以在建模过程中使用定值的砂岩孔隙纵横比将会导致模型的预测弹性参数曲线与实际测井曲线存在偏差。

25、进一步地，步骤（3）中所述自适应岩石物理模型是在常规xu-white模型的基础上，将差分进化算法（一种强大的全局优化算法）与l-bfgs-b（一种高效的局部优化算法）结合，对模型的基质孔隙的孔隙纵横比进行自适应修正，构建考虑随深度变化的孔隙纵横比的自适应岩石物理模型，使岩石物理模型更加符合实际情况，所述自适应修正过程包括全局优化：使用差分进化算法，处理复杂情况；局部优化：如果全局优化失败或误差大，使用l-bfgs-b算法，快速收敛；误差检查：将实测纵横波速度作为约束计算误差函数；保存结果：存储优化后的孔隙纵横比参数。

26、进一步地，所述l-bfgs-b(带约束最小存储拟牛顿，limited memory broydenfletcher goldfarb shanno with bounds)算法是一种基于梯度投影的用于解决有约束非线性优化问题的算法，它结合了l-bfgs(limited memory broyden fletcher goldfarbshanno)和限制条件处理方法，通过迭代地更新优化问题的解来寻找最小化目标函数的最优解，其利用目标函数的导数信息和有限的记忆机制来指导搜索方向和步长的选择；所述差分进化算法是一种从遗传算法这类进化类算法中衍生出来的一种较新的优化算法，用于求解多维空间中整体最优解，其实现过程是从某一随机产生的初始种群开始，按照一定规则对当前种群变异、交叉、选择等不断地迭代计算，产生新一代种群，并使种群逐步接近最优解，具有原理简单、参数设置少、易于实现、稳定性强等优点。

27、进一步地，步骤（4）中所述的深度学习模型首先利用卷积网络初步提取输入数据的特征；随后使用双向时域卷积网络和双向门控循环单元网络构建的并行网络提取数据的空间特征和序列特征，其中双向时域卷积网络提取数据的空间相关性特征，双向门控循环单元网络提取数据的变化趋势和前后关联特征；然后采用多头注意力机制融合两个网络的输出特征，以增强有用信息并抑制冗余信息，实现两种输出特征的有效融合；最后通过全连接网络将融合特征映射输出得到测井数据预测结果。

28、进一步地，所述双向时域卷积网络（btcn）由前向和后向时域卷积网络层构成，能够同时沿正向和反向两个方向提取序列数据中的特征信息，进而更有效的提取数据特征，其中时域卷积网络（tcn）是卷积神经网络（cnn）的改进版本，能够有效的提取序列数据特征，但其只能沿序列数据的单一方向学习特征信息，难以有效的捕获数据中未来的序列特征信息。为了使tcn能够同时沿正向和反向两个方向提取序列数据中的特征信息，受双向循环网络思想的启发，构建了双向btcn特征学习网络。btcn由前向和后向tcn层构成。其中前向tcn使用过去的序列数据作为输入，后向tcn则使用未来的序列数据作为输入。然后，对前向和后向tcn层学习的特征信息进行融合。在此基础上，将获得融合特征和btcn的输入特征进行融合，构成残差映射，进而有效的提取数据特征。

29、进一步地，所述tcn是在传统cnn基础上进行改进和优化而得到的一种新型网络结构，能够有效提取数据之间的关联性。tcn采用一维卷积网络，主要由膨胀因果卷积（dilated causal convolutions，dcc）和残差模块（residual block，rb）组成。因果卷积可有效避免传统cnn中由于卷积运算导致的未来信息泄漏问题，从而保证数据的完整性。膨胀卷积的应用则可使tcn以较少层数拥有较大的感受野，从而接收更长的序列数据。tcn中dcc结构可以通过调节感受野尺寸，卷积核尺寸和膨胀系数以满足不同长度序列的感知需求，从而解决cnn中时间建模长度受卷积核尺寸限制这一难题。tcn中rb结构由两个分支组成，第1个分支对输入做变换，第2个分支对输入做1×1卷积处理，两个分支的输出结果相加，作为rb的最终输出。rb中的残差链接结构使网络可以实现进行跨层数的信息传递，进而有效的避免因层数过多而导致数据特征信息损失问题。与cnn等网络相比，tcn没有梯度消失与梯度爆炸问题，拥有占用内存少、梯度稳定、并行性好、感受野灵活等优势。

30、进一步地，所述双向长短期记忆网络（blstm）网络由两个独立的长短期记忆网络（lstm）层组成，包括前向lstm层和后向lstm层，这个结构能够充分利用序列数据每一个时刻对应的上下文关联信息。在blstm中，利用前向lstm沿着正向顺序计算隐藏层状态信息，利用后向lstm沿反向顺序计算隐藏层状态信息，随后两个lstm隐藏层的输出信息进行融合作为网络的输出。在前向计算中，细胞单元的当前输出

lt与上一时间步

t 1的输出

lt1相关。在反向计算中，细胞单元的当前输出

lt与下一时刻

t+1的输出

lt+1相关。blstm可更好地对特征进行提取和表示，能够较好地考虑上下地层间的沉积时序关系。

31、进一步地，所述lstm近年来逐渐成为了一种处理序列向量的经典模型。在一维卷积网络提取序列特征后，将输出

h输入到lstm的遗忘门

ft。遗忘门是lstm中细胞单元的第一个门，用于控制在前一个细胞状态

ct中需要删除的信息，在式（4）中。第二门是输入门

it，其根据式（5）确定在当前时间步长

t处需要添加到候选细胞状态的信息。

32、（4）

33、（5）

34、其中

lt1表示在时间步长

t 1的时刻隐藏层细胞状态，

ht表示在时间步长

t的细胞单元的输入信息，

wf和

wi分别是遗忘门和输入门的权重矩阵，

bf和

bi分别是遗忘门和输入门的偏置。sigmoid表示一个非线性激活函数，其输出值在0到1之间。随后是记忆输入信息，即使用新的候选细胞状态和前一时刻

t1的细胞状态

ct1通过结合

ft和

it来更新细胞状态。

35、（6）

36、（7）

37、其中和分别是待训练网络的权重矩阵和偏置向量，⊙并表示逐个元素运算。最后一个门是输出门，其中当前细胞状态的输出

lt由式（4-10）确定

38、（8）

39、其中

wo和

bo分别是输出门的权重和偏置。

40、进一步地，步骤（4）中所述注意力机制通过计算输入信息的注意力概率分布关注重要特征，强化对输出影响较大的信息，可增强模型性能，优雅而强大的多头自注意力使基于transformer模型在自然语言处理的各种任务中获得了最先进的性能。多头自注意力机制主要基于缩放点积自注意力机制，由多个独立的头部来关注不同的信息，从而提取更加全面丰富的特征，其注意力权重矩阵运算过程如下式：

41、（9）

42、式中，q表示查询向量矩阵；k表示键向量矩阵；v表示值向量矩阵；dmodel表示模型隐状态的维度。

43、多头注意力机制则是使用不同的线性映射参数矩阵将输入数据矩阵映射为多个不同的查询向量矩阵、键向量矩阵和值向量矩阵，作为缩放点积注意力机制的输入，此过程可定义为

44、（10）

45、式中，分别表示线性映射的参数矩阵；表示对计算结果的拼接操作；表示多头注意力模块中进行的缩放点积注意力机制运算的次数。

46、多头注意力通过不同的头部提取不同的特征信息，将这些特征进行拼接，可以获得更丰富的语义特征，这有助于网络深入挖掘数据的隐藏信息。

47、进一步地，步骤（5）中所述将自适应岩石物理模型和深度学习模型有机结合，是在数据集构建过程中，将岩石物理模型的计算结果与其它测井数据作为特征数据一起输入到深度学习模型中，引入地球物理模型进行深网络约束训练，减小最优解的搜索范围，构建岩石物理模型和数据共同驱动的深度学习模型。深度学习一般通过自动调整内在结构满足特征数据与标签数据间的映射关系，建立有一定推广能力的训练模型。但在测井数据建模预测过程中，单纯采用没有地质约束的数据驱动策略容易导致训练模型预测结果与客观认识大相径庭。此时，即使训练模型的评价指标相当好，但其对未知样本空间的预测结果仍不会令人信服。因此，在数据集构建过程中，将岩石物理模型的计算结果与其它测井数据作为特征数据一起输入到深度学习模型中进行训练。

48、进一步地，步骤（5）中所述对模型的关键参数进行寻优可采用粒子群算法，该算法是一种源于动物群体智能行为的非线性优化算法，其源于模拟鸟群的觅食行为，通过个体之间的协作寻求最优解，具有设计简单、全局搜索能力强以及收敛速度较快等优势，对于各种非线性的复杂优化问题的求解具有独特的优势。作为一种新兴的群体智能优化技术，其实质上是一种随机搜索的算法，能够更快速的收敛于全局优化最优解。较其它的群体生物智能优化算法，该算法具有如下优势：没有交叉和变异运算，依靠粒子速度完成搜索，并且在迭代进化中只有最优的粒子把信息传递给其它粒子，搜索速度快；具有记忆性，粒子群体的历史最好位置可以记忆并传递给其它粒子；需调整的参数较少，结构简单，易于工程实现。因此起非常适合在动态及多目标等优化条件中进行快速寻优，具有更好的全局搜索寻优能力和更快的收敛速度，是一种快速高效的并行搜索优化算法。

49、设粒子的位置和运动速度为别为和，为决策变量的维数，则第个粒子的参数可表示为：，，粒子群算法更新公式如下：

50、(11)

51、(12)

52、其中：；，是常数，根据实际情况来设定以限制粒子的速度。根据实际情况来设定以限制粒子的速度；为惯性权重，控制粒子在全局探测和局部

53、开采间的有效平衡；

c1和

c2为学习因子，分别调整飞向自身和全局最好位置方向的步长。

54、与现有技术相比，本发明具有以下有益效果：

55、本发明将差分进化算法与带约束最小存储拟牛顿算法相结合对常规岩石物理建模过程中的基质孔隙的孔隙纵横比进行自适应修正，构建考虑随深度变化的孔隙纵横比的自适应岩石物理模型，使岩石物理模型更加符合实际情况，同时结合双向时域卷积网络、双向长短期记忆网络和注意力机制算法构建深度学习模型，克服现有模型提取数据特征的不足，在此基础上，将岩石物理建模结果作为约束集成到深度学习框架中，实现物理模型与数据驱动的有效协同，提高缺失测井数据预测的精度和可靠性，为储层预测和评价提供可靠的基础。