[发明专利]基于AdaBoost结合GRU的地层油水层识别方法

说明书

本发明属于油水层智能识别技术领域，尤其涉及一种基于AdaBoost结合GRU的地层油水层识别方法，包括：步骤1：使用测井方法获得某地域的测井数据；步骤2：结合测井数据解释原理，对数据进行预处理；步骤3：对预处理过的测井数据，利用基于AdaBoost结合GRU方法进行学习训练，建立识别模型；步骤4：利用该地域的测井数据和建立的识别模型，预测油水层信息。本发明利用该模型，可以得到准确的地质分层信息，识别准确率不仅较高而且稳定。

技术领域

本发明属于油水层智能识别技术领域，尤其涉及一种基于AdaBoost结合GRU的地层油水层识别方法。

背景技术

油水层识别是测井解释中的一项重要研究课题。如今，测井资料处理与解释自动化及智能化是测井解释领域追求的目标，各种非线性智能算法被不断地引入该领域并取得了较好的应用效果。

人工神经网络技术因具有自适应、非线性和并行性的信息处理能力，在测井解释中取得了长足的发展。然而，人工神经网络仅在样本充足的模式识别中效果较好，当训练样本不足且存在较强的非线性特性时，模型的泛化能力较差。标准支持向量机(SVM)具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，目前已被应用于测井解释方法研究中，与人工神经网络相比能更好地解决小样本、非线性和高维数的分类预测问题。但是，SVM对缺失数据敏感，对非线性问题没有通用的解决方案，必须谨慎选择Kernelfunction来处理，而且在利用测井数据进行油水层识别方面的准确率和泛化能力都不如AdaBoost结合GRU方法。因此，本专利提出利用AdaBoost方法结合GRU网络来建立油水识别模型。

如今，各种非线性智能算法应用在了测井解释的工作中，并取得了较好的应用效果。人工神经网络技术由于其自适应、非线性和并行信息处理能力，在测井解释中取得了很大的发展。BP神经网络比传统方法具有更强的综合性、自适应性和预测性，而且可以拓展测井信息的应用，也指出了神经网络应用于石油测井解释应注意网络结构选择、学习精度、算法收敛、学习样本、输入信息选择以及样本数据归一化、先验知识运用等。然而，人工神经网络仅适用于足够样本的模式识别。标准支持向量机(SVM)具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，它已被应用于测井解释方法研究中，与人工神经网络相比能更好地解决小样本、非线性和高维数的分类预测问题。但是，SVM对缺失数据敏感，对非线性问题没有通用的解决方案。现有的AdaBoost结合BP在油田水淹层识别中的应用提高了BP的识别能力和泛化能力，但是这种方法仅仅是设计用于水淹层识别，本质上仅仅识别出两个类别，无法做到对低层的多类型多层次识别，而且还有地区差异、样本全面性、噪音等多方面的影响。

发明内容

针对上述技术问题，本发明提出了一种基于AdaBoost结合GRU的地层油水层识别方法，包括：

步骤1：使用测井方法获得某地域的测井数据；

步骤2：结合测井数据解释原理，对数据进行预处理；

步骤3：对预处理过的测井数据，利用基于AdaBoost结合GRU方法进行学习训练，建立识别模型；

步骤4：利用该地域的测井数据和建立的识别模型，预测油水层信息。

所述步骤2包括以下子步骤：

21)提取原始测井数据中的有效数据，即所研究地层深度区域内采集的测井数据；

22)去除原始测井数据中的无效数据，即数据采样点没有采集到的但数据文件中用异常值表示的数据；

23)根据测井数据给每条数据添加地层类别信息。

所述步骤3包括以下子步骤：

31)将预处理过的测井数据作为训练数据，GRU和softmax作为弱训练器；

32)训练弱分类器，组合得到强分类器，得到识别模型；