基于TICC聚类与马尔可夫先验的测井曲线重构方法

本发明涉及测井曲线重构，特别涉及一种基于ticc聚类与马尔可夫先验的测井曲线重构方法。

背景技术：

1、测井记录是了解地下岩层特征和勘探石油资源的重要工具，其能提供丰富的地层信息。不同类型的测井曲线从声学、电学、放射性和岩石体积性质等方面反映地层特征，完整的测井曲线组合是开展精细地质解释和储层参数评价的重要基础。然而，在实际测井作业及历史资料整理过程中，受测井成本、井眼条件、仪器故障、测量方案差异和资料保存不完整等因素影响，声波、电阻率、密度、中子及其他测井曲线可能出现局部缺失、整段缺失或整条曲线缺失。不同井之间还常存在测井项目不统一的问题，导致多井资料难以直接进行统一解释和综合应用。因此，利用已有测井曲线重构缺失曲线，对于提高测井资料完整性和利用效率具有重要意义。

2、现有测井曲线重构方法主要利用回归分析、支持向量机、随机森林、神经网络及深度学习模型，建立已知测井曲线与目标测井曲线之间的非线性映射关系。这些方法能够在一定程度上提高重构精度，但对沿深度方向的局部动态变化特征及连续演化规律利用不足，导致在岩性突变、储层非均质增强、薄互层发育的井段中，重构结果易出现局部跳变、过度平滑与层段连续性不足等问题。

3、另外，测井曲线沿深度方向通常表现出平稳、升高、降低、波动和突变等不同的局部演化状态。不同局部状态下，测井曲线的数值分布、波动幅度、变化趋势以及预测残差的方向和幅度往往存在明显差异；即使部分深度窗口的曲线数值或局部形态相近，其所处的状态路径和上下文不同，也可能对应不同的合理取值范围及误差演化规律。因此，仅依靠常规回归模型或单个深度点的数值映射关系，难以充分表征测井曲线的局部演化模式、状态转移关系及垂向连续变化特征。

技术实现思路

1、针对上述问题，本发明旨在提供一种基于ticc聚类与马尔可夫先验的测井曲线重构方法。

2、本发明的技术方案如下：

3、一种基于ticc聚类与马尔可夫先验的测井曲线重构方法，包括以下步骤：

4、s1：获取测井数据，并对所述测井数据进行预处理；所述测井数据包括已知测井曲线和目标测井曲线；

5、s2：构建第一阶段gru网络并进行训练，所述第一阶段gru网络以所述已知测井曲线沿深度方向的序列样本为输入，输出目标测井曲线初始重构值；

6、s3：以训练井真实目标测井曲线为对象，采用滑动窗口构建局部测井曲线子序列，利用ticc方法对所述局部测井曲线子序列进行聚类，识别k类局部演化模式状态，构建ticc状态模型；

7、s4：根据所述ticc状态模型对训练井真实目标测井曲线进行状态划分，得到沿深度方向排列的ticc状态序列；统计相邻深度点之间ticc状态的转移次数并归一化，构建马尔可夫状态转移概率矩阵；

8、s5：计算所述目标测井曲线初始重构值与所述ticc状态模型中各状态的匹配代价，结合所述马尔可夫状态转移概率矩阵，通过viterbi解码得到沿深度方向连续的最优ticc状态路径，确定各深度点的ticc类别；

9、s6：根据所述ticc类别对训练井真实目标测井曲线进行分组，分别统计每个ticc类别下目标测井曲线值的均值和标准差，构建ticc状态条件曲线值高斯先验；

10、s7：计算所述目标测井曲线初始重构值与真实目标测井曲线之间的残差一，构建ticc状态条件马尔可夫残差先验；

11、s8：将所述目标测井曲线初始重构值、当前深度点的ticc类别、ticc状态条件曲线值高斯先验以及ticc状态条件马尔可夫残差先验进行拼接，构成第二阶段gru网络的输入特征；

12、s9：构建第二阶段gru网络，以所述输入特征预测残差二，将所述残差二加回所述目标测井曲线初始重构值，得到最终目标测井曲线重构结果。

13、作为优选，步骤s1中，所述预处理包括数据清洗和标准化处理。

14、作为优选，步骤s2中，训练所述第一阶段gru网络时，采用留一井验证方式划分数据集，所述留一井验证方式将一口井作为测试井，其余井作为训练井。

15、作为优选，所述训练井内部按照深度顺序划分训练段和验证段，并采用早停策略进行第一阶段gru网络的训练控制。

16、作为优选，步骤s3中，进行聚类时，每个聚类由一个具有toeplitz结构的逆协方差矩阵表征；每个ticc状态对应于一类局部演化模式。

17、作为优选，所述局部演化模式包括平稳、升高、降低、波动和突变中的任意一种或多种。

18、作为优选，步骤s5中，所述匹配代价通过下式进行计算：

19、  （1）

20、式中：表示第t个局部重构窗口属于第k个类别的匹配代价；p( )表示条件概率密度；表示由重构曲线构建的第t个局部窗口；=k表示第t个局部窗口被划分为第k个类别；

21、所述viterbi解码的初始化公式为：

22、  （2）

23、式中：表示第1个局部窗口处于第k个类别时的初始累计代价；表示第1个局部窗口与第k个类别之间的匹配代价；表示第k个类别的初始概率；

24、递推公式为：

25、  （3）

26、式中：表示第t个深度窗口处于第k个类别时的最小累计代价；表示第t个局部窗口与第k个类别之间的匹配代价；表示第t-1个局部窗口处于第i个类别时的累计代价；表示类别由i转移到k的马尔可夫状态转移概率；

27、对应的最优前一状态为：

28、  （4）

29、式中：表示到达当前状态k时对应的最优前一状态；

30、通过回溯得到所述最优ticc状态路径。

31、作为优选，步骤s7中，构建所述ticc状态条件马尔可夫残差先验时，在每个ticc类别内部，将所述残差一划分为若干个有序残差状态，统计相邻深度点之间残差状态的转移次数并归一化，构建ticc状态条件马尔可夫残差转移矩阵；根据当前深度点的ticc类别及上一深度点的残差状态，从所述ticc状态条件马尔可夫残差转移矩阵中提取残差期望修正量。

32、作为优选，划分所述残差一时，根据训练井残差的分位数，将所述残差一划分为5个有序残差状态。

33、作为优选，步骤s9中，当所述残差二大于0时，表示所述目标测井曲线初始重构值偏小需要向上修正；当所述残差二小于0时，表示所述目标测井曲线初始重构值偏大需要向下修正。

34、本发明的有益效果是：

35、本发明能够利用测井曲线沿深度方向的局部动态变化特征及连续演化规律，避免在岩性突变、储层非均质增强、薄互层发育的井段中出现重构结果局部跳变、过度平滑与层段连续性不足等问题。

1.一种基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，步骤s1中，所述预处理包括数据清洗和标准化处理。

3.根据权利要求1所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，步骤s2中，训练所述第一阶段gru网络时，采用留一井验证方式划分数据集，所述留一井验证方式将一口井作为测试井，其余井作为训练井。

4.根据权利要求3所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，所述训练井内部按照深度顺序划分训练段和验证段，并采用早停策略进行第一阶段gru网络的训练控制。

5.根据权利要求1所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，步骤s3中，进行聚类时，每个聚类由一个具有toeplitz结构的逆协方差矩阵表征；每个ticc状态对应于一类局部演化模式。

6.根据权利要求5所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，所述局部演化模式包括平稳、升高、降低、波动和突变中的任意一种或多种。

7.根据权利要求1所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，步骤s5中，所述匹配代价通过下式进行计算：

8.根据权利要求1所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，步骤s7中，构建所述ticc状态条件马尔可夫残差先验时，在每个ticc类别内部，将所述残差一划分为若干个有序残差状态，统计相邻深度点之间残差状态的转移次数并归一化，构建ticc状态条件马尔可夫残差转移矩阵；根据当前深度点的ticc类别及上一深度点的残差状态，从所述ticc状态条件马尔可夫残差转移矩阵中提取残差期望修正量。

9.根据权利要求8所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，划分所述残差一时，根据训练井残差的分位数，将所述残差一划分为5个有序残差状态。

10.根据权利要求1-9中任意一项所述的基于ticc聚类与马尔可夫先验的测井曲线重构方法，其特征在于，步骤s9中，当所述残差二大于0时，表示所述目标测井曲线初始重构值偏小需要向上修正；当所述残差二小于0时，表示所述目标测井曲线初始重构值偏大需要向下修正。