(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111635320.0 (22)申请日 2021.12.2 9 (71)申请人 西南石油大 学 地址 610500 四川省成 都市新都区新都镇 新都大道8号 (72)发明人 王横　徐云贵　贺训云　黄旭日　 曹卫平　 (74)专利代理 机构 成都智涌知识产权代理事务 所(普通合伙) 51313 专利代理师 魏振柯 (51)Int.Cl. G01V 11/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习简单循环单元的测井曲 线延拓方法 (57)摘要 本发明涉及测井工程技术领域， 公开了一种 基于深度学习简单循环单元的测井曲线延拓方 法， 包括以下步骤： 数据获取： 收集测井数据以及 岩石物性参数； 数据准备： 提取测井数据； 建立数 据集： 将待延拓井已钻部分数据作为训练集， 待 延拓井未钻的部分数据作为延拓数据； 搭建模 型： 根据简单循环单元搭建神经网络模型； 延拓 未知段测井数据： 将延拓数据输入神经网络模型 中， 延拓未知段测井数据。 本发明采用了简单循 环单元作为搭建网络的基础， 这个模块相对于其 他循环神经网络模块具有更加简单的结构、 更少 的参数、 更好的收敛性； 其次， 延拓方法明显提高 了训练网络性能， 在训练过程中进行了并行化处 理， 大大提高了训练速度， 在随钻工程中也有很 强的实用性。 权利要求书1页 说明书4页 附图3页 CN 114488345 A 2022.05.13 CN 114488345 A 1.一种基于深度学习简单循环单 元的测井曲线延拓方法， 其特 征在于： 包括以下步骤： 数据获取： 收集测井数据以及岩石物性 参数； 数据准备： 提取测井数据； 建立数据集： 将待延拓井已钻部分数据作为训练集， 对于待延拓井未钻的部分数据作 为延拓数据； 搭建模型： 根据简单循环单 元搭建神经网络模型； 延拓未知段测井数据： 将延拓数据输入神经网络模型中， 延拓未知段测井数据。 2.根据权利要求1所述的一种基于深度学习简单循环单元的测井曲线延拓方法， 其特 征在于： 在延拓未知段测井数据过程中， 包 含以下延拓处 理子步骤： 将待延拓段之前的部分序列数据作为预 热数据； 通过预热数据对简单循环单 元的隐状态及处 理器状态进行 更新； 将更新后的隐状态与处 理器状态顺序计算待延拓段 数据的延拓值。 3.根据权利要求1所述的一种基于深度学习简单循环单元的测井曲线延拓方法， 其特 征在于： 所述神经网络模型的搭建还包括过拟合处理步骤， 所述过拟合处理步骤为： 在神经 网络模型中加入drop  out层。 4.根据权利要求1所述的一种基于深度学习简单循环单元的测井曲线延拓方法， 其特 征在于： 所述神经网络模型 搭建后需对其进行调参优化， 所述调参优化包以下子步骤： 根据将待延拓段的已钻部分数据计算出理论输出； 将训练集输入神经网络模型中进行训练并得 出模型训练输出； 利用损失函数来计算出理论输出和模型训练输出之间的误差值； 利用自适应矩估 优化器对误差值进行调整。 5.根据权利要求1所述的一种基于深度学习简单循环单元的测井曲线延拓方法， 其特 征在于： 所述岩石物性参数包括电阻率、 声波速度、 岩石密度、 射线俘获或发射能力中的一 种或多种。权　利　要　求　书 1/1 页 2 CN 114488345 A 2一种基于深度学习简单循环 单元的测井曲线延拓方 法 技术领域 [0001]本发明涉及测井工程技术领域， 具体涉及 一种基于深度学习 简单循环单元的测井 曲线延拓方法。 背景技术 [0002]在地球物理测井领域， 测井曲线参数是表征储层的基本地震弹性参数之一， 测井 曲线参数与储层孔隙度、 饱和度、 泥质含量地相关系数非常高， 能够最直观地反映地下储层 和流体的变化规律。 此外， 测井曲线参数数据与其他许多地球物理领域重要参数 的计算有 关， 如上覆 地层压力等。 因此， 测井曲线参数数据的准确与否又制约了这些地球物理领域重 要参数的结果精度。 所以测井曲线参数数据在 储集层描述和油气资源评估中具有十 分重要 的作用。 地质学家和工程师通过对测井曲线参数数据进行分析可以极大地加深对地下储集 层情况的认知， 并在其支持下建立较为精确的地质模型。 然而在实际测井作业过程中， 由于 井径扩大、 仪器故障等原因， 经常出现部 分井段测井曲线参数数据失真或缺 失的情况， 有时 甚至出于成本考虑， 测井计划中仅要求取得某一目标储层层段的测井曲线参数测井数据而 不是获取整套测井曲线参数测井数据。 而当后续研究当中需要用到其他层段的测井数据 时， 这时去重新测井往往需要很高的成本， 甚至对于一些已经实现完井操作的井眼， 其重新 测井都是不可能实现的。 针对这些情况， 研究者们提出可以采用测井曲线参数延拓的方法 人工生成测井曲线参数测井曲线， 从而 去补全缺失层段的测井曲线参数 数据。 [0003]研究者们提出多种方法来进行测井曲线延拓， 传统方法例如通过对钻井岩心、 岩 屑及地震资料 的分析建立三维模型， 根据三维模型进行沿井眼轨迹的测井曲线延拓， 或是 结合先验分布、 条件概率， 构建以测井数据为分类目标的贝叶斯分类器， 计算基于贝叶斯分 类算法的后验概率， 即预测测井数据空间分布， 然而实际地质情况复杂多变， 且非均质性 强， 经常在 采样点深度间距很小的情况下， 其测井曲线值之间也表现出极大的波动， 数据间 的映射关系极为复杂， 因此使用传统方法会隐藏实际地层变化， 不能有效凸显实际地层的 测井情况， 应用传统方法的效果较差 。 [0004]近年来随着机器学习方法在科学和工程领域的广泛应用， 很多研究者也建议使用 数据驱动方法来解决地质问题， 此前有学者尝试使用人工神经网络生成测井曲线。 这些人 工神经网络都是传统的全连接神经网络(FCNN)， 构造的是一种点对点的映射， 即通过该方 法生成的某一深度的测井数据只和其他测井曲线同处于该深度的信息有关， 而忽略了测井 曲线随深度的变化趋势和数据的前后关联。 在成藏模式多样、 构造复杂、 储集层差异大、 各 向异性强且具有显著 三弱特性(弱非均质、 弱地震响应、 弱孔隙流体信息)的碳酸盐岩储层， 该关联就显得 更无突出。 发明内容 [0005]本发明的目的在于提供一种基于深度学习简单循环单元的测井曲线延拓方法， 解 决现有测井神经网络模型的训练速度有 待提高的问题。说　明　书 1/4 页 3 CN 114488345 A 3