基于大数据的石油测井预测方法以及预测装置

1.本发明涉及石油测井技术领域，具体地涉及一种基于大数据的石油测井预测方法以及一种基于大数据的石油测井预测装置。


背景技术：

2.随着人类生活需求的不断增加，人们对生活物质的需求也在不断增加，为了满足人们日益增长的能源需求，测井技术也在不断发展完善，测井技术自诞生以来，经历了多次革命性的改革。
3.而随着科技的不断发展以及环保理念的不断提高，人们对石油测井技术提出了更高的要求和更多的需求。然而在现有石油测井技术的实际应用过程中，技术人员发现现有技术至少存在如下技术问题：
4.一方面，历史测井过程中所获取和积累的大量数据，由于其多格式、多尺度的特点，因此并未被充分的挖掘和利用。
5.另一方面，现有的测井技术是通过对单井测井数据进行分析，以分析出储层的储集特性，然后根据技术人员的个人知识储备以及实际工作经验，对分析数据的可信度进行确定以及测井数据进行进一步的预测和计算，然而上述基于专家经验的分析计算过程存在解释精度低，尤其针对复杂成分地层进行岩性识别时，检测误差较大，难以满足勘探开发需求。


技术实现要素：

6.为了克服现有技术中存在的上述技术问题，本发明实施例提供一种基于大数据的石油测井预测方法，通过采用分布式的数据获取方式以及基于预测模型的数据分析处理方法，实现了对石油测井数据的快速、准确分析和预测，满足了用户的实际需求。
7.为了实现上述目的，本发明实施例提供一种基于大数据的石油测井预测方法，应用于石油测井预测系统，所述方法包括：获取石油测井大数据；基于所述石油测井大数据创建预测模型；获取油气监测元数据；基于所述预测模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
8.优选地，所述获取石油测井大数据，包括：确定数据源以及与所述数据源对应的数据格式；获取与所述数据格式对应的数据解析工具，所述数据解析工具以分布式的方式接入所述石油测井预测系统；生成数据导入指令；基于所述数据导入指令控制所述数据解析工具从所述数据源获取原始数据，并基于所述数据格式对所述原始数据进行数据解析，生成对应的石油测井大数据。
9.优选地，所述基于所述石油测井大数据创建预测模型，包括：基于所述石油测井大数据分别创建物理算法模型和机器学习模型；基于所述物理算法模型和所述机器学习模型创建预测模型。
10.优选地，所述基于所述石油测井大数据创建物理算法模型，包括：获取初始神经网
络模型和模拟测井数据；计算确定所述模拟测井数据和所述石油测井大数据的特征信息；基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型。
11.优选地，所述基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型，包括：s231)基于所述特征信息对所述初始神经网络模型进行训练，确定所述初始神经网络模型的最大相关系数和最小相关系数；s232)基于所述最大相关系数和所述最小相关系数确定中间模型；s233)获取所述中间模型基于所述模拟测井数据的输出结果，判断所述输出结果与所述石油测井大数据之间的偏差是否满足预设偏差要求；s2341)若是，则将所述中间模型作为所述物理算法模型；s2342)否则，对模拟测井数据进行调整，获得调整后数据，基于所述调整后数据对所述中间模型进行训练，获得新的中间模型，继续执行步骤s233)。
12.优选地，所述方法还包括：基于所述物理算法模型确定第一神经网络模型和第二神经网络模型；基于所述石油测井大数据对所述第一神经网络模型执行正向训练，获得正向训练模型；基于所述石油测井大数据对所述第二神经网络模型执行反向训练，获得反向训练模型；获取预设编码器和预设解码器，基于所述预设编码器和所述预设解码器生成对应的自动解码器；基于所述正向训练模型、所述反向训练模型和所述自动解码器对所述物理算法模型进行优化，获得优化后的物理算法模型。
13.优选地，所述基于所述石油测井大数据创建机器学习模型，包括：基于所述石油测井大数据生成第一训练数据集xnew；获取预设数分类规则tree；基于所述第一训练数据集xnew和所述预设树分类规则tree生成机器学习算法predict，所述机器学习算法predict表征为：ynew＝predict(tree,xnew)，其中ynew表征为预测结果；或基于所述模拟测井数据生成对应的数据矩阵x；获取与所述数据矩阵x对应的响应矩阵y；基于所述数据矩阵x和所述响应矩阵y生成机器学习ens，所述机器学习算法ens表征为：ens＝fitensemble(x，y，model，numberens，learners)，其中，numberens表征为数据矩阵x的属性信息，learners表征为响应矩阵y的属性信息。
14.优选地，所述方法还包括：基于所述油气监测元数据生成对应的仿真模拟数据；基于所述仿真模拟数据对所述预测模型进行优化，获得优化后模型；基于所述优化后模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
15.优选地，所述石油测井预测系统包括多个分布式计算节点，所述基于所述预测模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果，包括：基于所述油气监测元数据生成至少一个预测任务；确定每个预测任务对应的匹配分布式计算节点；通过所述匹配分布式计算节点基于所述预测模型执行对应的预测任务，生成对应的石油测井预测结果。
16.相应的，本发明实施例还提供一种基于大数据的石油测井预测装置，所述装置包括：大数据单元，用于获取石油测井大数据；模型创建单元，用于基于所述石油测井大数据创建预测模型；元数据获取单元，用于获取油气监测元数据；预测单元，用于基于所述预测模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
17.优选地，所述大数据单元包括：数据源确定模块，用于确定数据源以及与所述数据源对应的数据格式；解析工具确定模块，用于获取与所述数据格式对应的数据解析工具，所述数据解析工具以分布式的方式接入所述石油测井预测系统；指令生成模块，用于生成数
据导入指令；数据导入模块，用于基于所述数据导入指令控制所述数据解析工具从所述数据源获取原始数据，并基于所述数据格式对所述原始数据进行数据解析，生成对应的石油测井大数据。
18.优选地，所述模型创建单元包括：中间模型创建模块，用于基于所述石油测井大数据分别创建物理算法模型和机器学习模型；预测模型创建模块，用于基于所述物理算法模型和所述机器学习模型创建预测模型。
19.优选地，所述中间模型创建模块包括第一模型创建模块，所述第一模型创建模块用于：获取初始神经网络模型和模拟测井数据；计算确定所述模拟测井数据和所述石油测井大数据的特征信息；基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型。
20.优选地，所述基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型，包括：s231)基于所述特征信息对所述初始神经网络模型进行训练，确定所述初始神经网络模型的最大相关系数和最小相关系数；s232)基于所述最大相关系数和所述最小相关系数确定中间模型；s233)获取所述中间模型基于所述模拟测井数据的输出结果，判断所述输出结果与所述石油测井大数据之间的偏差是否满足预设偏差要求；s2341)若是，则将所述中间模型作为所述物理算法模型；s2342)否则，对模拟测井数据进行调整，获得调整后数据，基于所述调整后数据对所述中间模型进行训练，获得新的中间模型，继续执行步骤s233)。
21.优选地，所述第一模型创建模块还用于：基于所述物理算法模型确定第一神经网络模型和第二神经网络模型；基于所述石油测井大数据对所述第一神经网络模型执行正向训练，获得正向训练模型；基于所述石油测井大数据对所述第二神经网络模型执行反向训练，获得反向训练模型；获取预设编码器和预设解码器，基于所述预设编码器和所述预设解码器生成对应的自动解码器；基于所述正向训练模型、所述反向训练模型和所述自动解码器对所述物理算法模型进行优化，获得优化后的物理算法模型。
22.优选地，所述中间模型创建模块包括第二模型创建模块，所述第二模型创建模块用于：基于所述石油测井大数据生成第一训练数据集xnew；获取预设数分类规则tree；基于所述第一训练数据集xnew和所述预设树分类规则tree生成机器学习算法predict，所述机器学习算法predict表征为：ynew＝predict(tree,xnew)，其中ynew表征为预测结果；或基于所述模拟测井数据生成对应的数据矩阵x；获取与所述数据矩阵x对应的响应矩阵y；基于所述数据矩阵x和所述响应矩阵y生成机器学习ens，所述机器学习算法ens表征为：ens＝fitensemble(x，y，model，numberens，learners)，其中，numberens表征为数据矩阵x的属性信息，learners表征为响应矩阵y的属性信息。
23.优选地，所述装置还包括模型优化单元，所述模型优化单元用于：基于所述油气监测元数据生成对应的仿真模拟数据；基于所述仿真模拟数据对所述预测模型进行优化，获得优化后模型；基于所述优化后模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
24.优选地，所述石油测井预测系统包括多个分布式计算节点，所述预测单元用于：基于所述油气监测元数据生成至少一个预测任务；确定每个预测任务对应的匹配分布式计算节点；通过所述匹配分布式计算节点基于所述预测模型执行对应的预测任务，生成对应的
石油测井预测结果。
25.另一方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的方法。
26.通过本发明提供的技术方案，本发明至少具有如下技术效果：
27.通过采用分布式的数据采集和数据分析方式，能够根据历史的石油测井过程中产生的大量数据，对石油测井进行更精确的分析，从而实现更精确的石油测井预测效果，满足了人们日益增长的预测精确性需求；另一方面，通过采用物理模型结合机器模型对石油测井数据进行预测和分析，能够有效提高数据分析处理的速度，提高预测效率，同时基于大数据的训练和分析，能够有效提高预测精确性。
28.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
29.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
30.图1是本发明实施例提供的基于大数据的石油测井预测方法的具体实现流程图；
31.图2是本发明实施例提供的基于大数据的石油测井预测方法中获取石油测井大数据的具体实现流程图；
32.图3是本发明实施例提供的基于大数据的石油测井预测方法中生成物理算法模型的具体实现流程图；
33.图4是本发明实施例提供的基于大数据的石油测井预测装置的结构示意图。
具体实施方式
34.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
35.本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
36.请参见图1，本发明实施例提供一种基于大数据的石油测井预测方法，应用于石油测井预测系统，所述方法包括：
37.s10)获取石油测井大数据；
38.s20)基于所述石油测井大数据创建预测模型；
39.s30)获取油气监测元数据；
40.s40)基于所述预测模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
41.在一种可能的实施方式中，首先获取石油测井大数据。在现有技术中，石油测井数
据可以通过多种途径获得，例如可以从点测井手绘、光电记录笔、描图晒图、磁带记录以及磁盘记录等途径获取石油测井的大数据，以构成对石油测井预测的数据基础，然而现有的数据获取途径多种多样，而处理终端往往只能对单一格式或单一途径的数据进行处理，因此还需要针对测井大数据的获取过程进行优化。
42.请参见图2，在本发明实施例中，所述获取石油测井大数据，包括：
43.s11)确定数据源以及与所述数据源对应的数据格式；
44.s12)获取与所述数据格式对应的数据解析工具，所述数据解析工具以分布式的方式接入所述石油测井预测系统；
45.s13)生成数据导入指令；
46.s14)基于所述数据导入指令控制所述数据解析工具从所述数据源获取原始数据，并基于所述数据格式对所述原始数据进行数据解析，生成对应的石油测井大数据。
47.例如在一种可能的实施方式中，在进行石油测井大数据的导入操作时，首先确定数据源以及与该数据源对应的数据格式，然后获取与该数据格式对应的数据解析工具，例如在导入光电记录表记录的数据时，通过对应的光电转换工具将对应的数据以特定格式导入到石油测井预测系统中，由于不同区域所使用的数据采集方式不同，因此为了满足各个区域的数据导入需求，上述数据解析工具以分布式的方式接入石油测井预测系统，并将解析的数据导入石油测井预测系统。在确定数据解析工具后，生成对应的数据导入指令，然后基于该数据导入指令控制数据解析工具从对应的数据源获取原始数据，并根据该数据格式对该原始数据进行数据解析，以生成对应的石油测井大数据。
48.在本发明实施例中，通过以分布式的方式接入各种类型的数据解析工具，从而能够实时、准确地将各个区域的石油测井数据导入石油测井预测系统，以便于石油测井预测系统根据所获取的石油测井大数据进行准确的预测操作，提高了石油测井预测精确性。
49.然而，在获取到上述石油测井大数据后，若采用传统的人工处理方式进行数据分析和处理，将无法满足人们的数据处理效率的需求，同时人工分析和处理的偏差将大大降低数据处理准确性。因此为了解决上述技术问题，在本发明实施例中，通过进一步创建预测模型的方式对石油测井数据进行自动分析，能够有效提高预测效率和预测准确性。
50.然而在实际应用过程中，由于石油测井技术领域中的数据存在多样性较强、数据变化较快、数据量较大等特定的技术问题，因此采用传统的预测模型或单一的预测模型，无法快速、准确地对石油测井数据进行处理，以及对后续的石油测井数据进行预测。
51.为了解决上述技术问题，在本发明实施例中，所述基于所述石油测井大数据创建预测模型，包括：基于所述石油测井大数据分别创建物理算法模型和机器学习模型；基于所述物理算法模型和所述机器学习模型创建预测模型。
52.在本发明实施例中，通过采用基于物理算法模型和机器学习模型相结合，并进一步生成对石油测井的预测模型，从而能够从物理特性方面和理论数据(模拟数据)方面同时对石油测井进行预测，有效提高了预测速度，提高了预测效率和预测精确性。
53.在本发明实施例中，所述基于所述石油测井大数据创建物理算法模型，包括：获取初始神经网络模型和模拟测井数据；计算确定所述模拟测井数据和所述石油测井大数据的特征信息；基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型。
54.请参见图3，进一步地，在本发明实施例中，所述基于所述特征信息对所述初始神
经网络模型进行训练，生成所述物理算法模型，包括：
55.s231)基于所述特征信息对所述初始神经网络模型进行训练，确定所述初始神经网络模型的最大相关系数和最小相关系数；
56.s232)基于所述最大相关系数和所述最小相关系数确定中间模型；
57.s233)获取所述中间模型基于所述模拟测井数据的输出结果，判断所述输出结果与所述石油测井大数据之间的偏差是否满足预设偏差要求；
58.s2341)若是，则将所述中间模型作为所述物理算法模型；
59.s2342)否则，对模拟测井数据进行调整，获得调整后数据，基于所述调整后数据对所述中间模型进行训练，获得新的中间模型，继续执行步骤s233)。
60.现有技术中存在多种物理算法，在经过对比分析后，技术人员确定基于神经网络的算法模型能够对石油测井技术进行最佳的分析，因此在一种可能的实施方式中，首先获取初始神经网络模型和模拟测井数据，例如该初始神经网络模型为通用的神经网络模型，技术人员可以根据实际的石油测井数据预先设置一定的模拟测井数据，然后计算确定模拟测井数据和石油测井大数据之间的特征信息。例如在通过上述初始神经网络模型进行训练的过程中，将模拟测井数据和石油测井大数据分别输入该初始神经网络模型，并确定对应的特征值，然后继续根据该特征信息对初始神经网络模型进行训练，从而生成物理算法模型。
61.例如通过该特征信息对初始神经网络模型进行多次迭代训练，并最终确定该初始神经网络模型的最大相关系数和最小相关系数，并根据该最大相关系数和最小相关系数确定中间模型，此时可以进一步改进输入，并获取该中间模型在将上述模拟测井数据作为输入数据得出的输出结果，然后可以判断该输出结果与该石油测井大数据中间的偏差是否满足预设偏差要求，例如在本发明实施例中，该预设偏差要求可以为该中间模型的成本函数的误差值与预设误差值(例如为0.001欧姆米)的比较结果，当成本函数的误差值小于该预设误差值时，可以确定该中间模型的偏差满足预设偏差要求。
62.在一种实施例中，确定该中间模型的偏差不满足预设偏差要求，因此对上述模拟测井数据进行调整，并获得调整后数据，然后将该调整后数据作为新的输入数据对该中间模型进行进一步的训练，获得新的中间模型，然后继续判断该新的中间模型的输出结果是否满足上述预设偏差要求，并不断迭代计算，直至该中间模型的输出结果满足上述预设偏差要求，则将最终确定的中间模型作为物理算法模型。
63.在本发明实施例中，通过采用基于神经网络模型的物理算法模型对石油测井数据进行预测，能够有效提高预测效率和预测准确性。然而在实际应用过程中，技术人员发现，由于石油测井数据的极大值和极小值往往是固定的或处于同一区间范围的，因此在采用单一模型进行训练的过程中，可能需要进行大量(例如数百万次)的正向演算次数才能得到较为准确的物理算法模型，因此无法满足人们的实际需求。
64.为了解决上述技术问题，在本发明实施例中，所述方法还包括：基于所述物理算法模型确定第一神经网络模型和第二神经网络模型；基于所述石油测井大数据对所述第一神经网络模型执行正向训练，获得正向训练模型；基于所述石油测井大数据对所述第二神经网络模型执行反向训练，获得反向训练模型；获取预设编码器和预设解码器，基于所述预设编码器和所述预设解码器生成对应的自动解码器；基于所述正向训练模型、所述反向训练
模型和所述自动解码器对所述物理算法模型进行优化，获得优化后的物理算法模型。
65.在一种可能的实施方式中，在初步确定上述物理算法模型后，进一步确定第一神经网络模型和第二神经网络模型，例如复制两个相同的物理算法模型作为第一神经网络模型和第二神经网络模型，然后使用上述石油测井大数据分别对上述第一神经网络模型和第二神经网络模型进行正向训练和反向训练，并获得对应的正向训练模型和反向训练模型，然后获取预设编码器和预设解码器，并生成对应的自动解码器，然后通过自动解码器对正向训练模型和反向训练模型进行融合处理，以实现对物理算法模型的优化，并生成优化后的物理算法模型。
66.在本发明实施例中，通过采用正向演算模型和反向演算模型进行演算，并对初步获取的物理算法模型进行优化，从而能够进一步提高物理算法模型在实际应用过程中的收敛速度，有效提高物理算法模型的生成速度和预测准确性，满足了用户的实际需求。
67.此时另一方面，为了实现对测井技术的进一步深度应用，实现岩性分类、测井数据修复、测井地层参数反演、地层横波提取以及虚拟测井曲线等技术的精确解析和预测，还进一步创建机器学习模型。
68.在本发明实施例中，所述基于所述石油测井大数据创建机器学习模型，包括：基于所述石油测井大数据生成第一训练数据集xnew；获取预设数分类规则tree；基于所述第一训练数据集xnew和所述预设树分类规则tree生成机器学习算法predict，所述机器学习算法predict表征为：ynew＝predict(tree,xnew)，其中ynew表征为预测结果；或基于所述模拟测井数据生成对应的数据矩阵x；获取与所述数据矩阵x对应的响应矩阵y；基于所述数据矩阵x和所述响应矩阵y生成机器学习ens，所述机器学习算法ens表征为：ens＝fitensemble(x，y，model，numberens，learners)，其中，numberens表征为数据矩阵x的属性信息，learners表征为响应矩阵y的属性信息。
69.在本发明实施例中，所述方法还包括：基于所述油气监测元数据生成对应的仿真模拟数据；基于所述仿真模拟数据对所述预测模型进行优化，获得优化后模型；基于所述优化后模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
70.在本发明实施例中，通过基于实际采集到的油气监测元数据进一步生成仿真模拟数据，并通过该仿真模拟数据对生成的预测模型进行进一步的验证和优化，从而能够进一步提高预测模型的预测精确性。
71.然而在实际应用过程中，来自不同数据源(例如来自全球数据源)的石油测井数据的数据量较为庞大，因此若采用集中式的数据处理模式将大大增加石油测井预测系统的处理负荷，提高处理成本，降低处理效率。
72.为了解决上述技术问题，在本发明实施例中，所述石油测井预测系统包括多个分布式计算节点，所述基于所述预测模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果，包括：基于所述油气监测元数据生成至少一个预测任务；确定每个预测任务对应的匹配分布式计算节点；通过所述匹配分布式计算节点基于所述预测模型执行对应的预测任务，生成对应的石油测井预测结果。
73.在一种可能的实施方式中，石油测井预测系统为采用基于hadoop的分布式数据存储和处理系统，在该系统中设置了多个分布式计算节点，在获取到油气监测元数据后，生成对应的至少一个预测任务，例如可以根据油气监测元数据的采集地点、采集时间等信息生
成对应的预测任务，然后确定与每个预测任务对应的匹配分布式计算节点，例如可以根据每个分布式计算节点的节点类型、每个任务所需要的任务处理时间，向每个预测分配对应的匹配分布式计算节点，然后控制每个匹配分布式计算节点基于上述牲畜的预测模型执行对应的预测任务，并生成对应的石油测井预测结果。
74.在本发明实施例中，通过采用分布式系统对所采集的大量的石油测井元数据进行分析和处理，能够有效平衡石油测井预测系统的系统负荷，避免数据拥塞和任务排队的情况发生，能够有效利用每个分布式计算节点的运算能力，提高预测效率。
75.下面结合附图对本发明实施例所提供的基于大数据的石油测井预测装置进行说明。
76.请参见图4，基于同一发明构思，本发明实施例提供一种基于大数据的石油测井预测装置，所述装置包括：大数据单元，用于获取石油测井大数据；模型创建单元，用于基于所述石油测井大数据创建预测模型；元数据获取单元，用于获取油气监测元数据；预测单元，用于基于所述预测模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
77.在本发明实施例中，所述大数据单元包括：数据源确定模块，用于确定数据源以及与所述数据源对应的数据格式；解析工具确定模块，用于获取与所述数据格式对应的数据解析工具，所述数据解析工具以分布式的方式接入所述石油测井预测系统；指令生成模块，用于生成数据导入指令；数据导入模块，用于基于所述数据导入指令控制所述数据解析工具从所述数据源获取原始数据，并基于所述数据格式对所述原始数据进行数据解析，生成对应的石油测井大数据。
78.在本发明实施例中，所述模型创建单元包括：中间模型创建模块，用于基于所述石油测井大数据分别创建物理算法模型和机器学习模型；预测模型创建模块，用于基于所述物理算法模型和所述机器学习模型创建预测模型。
79.在本发明实施例中，所述中间模型创建模块包括第一模型创建模块，所述第一模型创建模块用于：获取初始神经网络模型和模拟测井数据；计算确定所述模拟测井数据和所述石油测井大数据的特征信息；基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型。
80.在本发明实施例中，所述基于所述特征信息对所述初始神经网络模型进行训练，生成所述物理算法模型，包括：s231)基于所述特征信息对所述初始神经网络模型进行训练，确定所述初始神经网络模型的最大相关系数和最小相关系数；s232)基于所述最大相关系数和所述最小相关系数确定中间模型；s233)获取所述中间模型基于所述模拟测井数据的输出结果，判断所述输出结果与所述石油测井大数据之间的偏差是否满足预设偏差要求；s2341)若是，则将所述中间模型作为所述物理算法模型；s2342)否则，对模拟测井数据进行调整，获得调整后数据，基于所述调整后数据对所述中间模型进行训练，获得新的中间模型，继续执行步骤s233)。
81.在本发明实施例中，所述第一模型创建模块还用于：基于所述物理算法模型确定第一神经网络模型和第二神经网络模型；基于所述石油测井大数据对所述第一神经网络模型执行正向训练，获得正向训练模型；基于所述石油测井大数据对所述第二神经网络模型执行反向训练，获得反向训练模型；获取预设编码器和预设解码器，基于所述预设编码器和所述预设解码器生成对应的自动解码器；基于所述正向训练模型、所述反向训练模型和所
述自动解码器对所述物理算法模型进行优化，获得优化后的物理算法模型。
82.在本发明实施例中，所述中间模型创建模块包括第二模型创建模块，所述第二模型创建模块用于：基于所述石油测井大数据生成第一训练数据集xnew；获取预设数分类规则tree；基于所述第一训练数据集xnew和所述预设树分类规则tree生成机器学习算法predict，所述机器学习算法predict表征为：ynew＝predict(tree,xnew)，其中ynew表征为预测结果；或基于所述模拟测井数据生成对应的数据矩阵x；获取与所述数据矩阵x对应的响应矩阵y；基于所述数据矩阵x和所述响应矩阵y生成机器学习ens，所述机器学习算法ens表征为：ens＝fitensemble(x，y，model，numberens，learners)，其中，numberens表征为数据矩阵x的属性信息，learners表征为响应矩阵y的属性信息。
83.在本发明实施例中，所述装置还包括模型优化单元，所述模型优化单元用于：基于所述油气监测元数据生成对应的仿真模拟数据；基于所述仿真模拟数据对所述预测模型进行优化，获得优化后模型；基于所述优化后模型对所述油气监测元数据进行处理，生成对应的石油测井预测结果。
84.在本发明实施例中，所述石油测井预测系统包括多个分布式计算节点，所述预测单元用于：基于所述油气监测元数据生成至少一个预测任务；确定每个预测任务对应的匹配分布式计算节点；通过所述匹配分布式计算节点基于所述预测模型执行对应的预测任务，生成对应的石油测井预测结果。
85.进一步地，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述的方法。
86.以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
87.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
88.本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
89.此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。