[发明专利]基于门控循环神经网络模型的孔隙度预测方法

权利要求书

1.一种基于门控循环神经网络模型的孔隙度预测方法，其特征在于，包括以下步骤：

S1：构建用于孔隙度预测的基于门控循环神经网络模型；

基于门控循环神经网络模型包括GRU层、全连接层；

所述GRU层结构包括更新门，重置门，候选状态，隐藏状态；

GRU隐藏层内部表达式如下：

z_t＝σ(W_z[h_t-1,x_t]+b_z) (1)

r_t＝σ(W_r[h_t-1,x_t]+b_r) (2)

其中，x_t为当前时刻的输入向量，h_t-1为上一时刻的隐藏状态向量，W_z与b_z分别为更新门的权重矩阵与偏置向量，σ为sigmoid函数，z_t为更新门的激活向量，r_t为重置门的激活向量，W_r与b_r分别为重置门的权重矩阵与偏置向量，为候选状态向量，W_h与b_h分别为控制候选状态信息的权重矩阵与偏置向量，z_t表示更新门激活向量，h_t为当前时刻的隐藏状态向量；

S2：选取多组能表征已知井孔隙度的测井参数作为输入数据，按比例随机分为训练集和验证集，对输入数据作归一化处理后输入到所述基于门控循环神经网络模型中，训练所述基于门控循环神经网络模型；

S3：输入未测井段的深度数据进行测试，利用上述步骤S2中训练完成的基于门控循环神经网络模型预测孔隙度。

2.根据权利要求1所述的一种基于门控循环神经网络模型的孔隙度预测方法，其特征在于：步骤S2中的测井参数优选为伽马、声波、密度、泥岩测井数据。

3.根据权利要求1所述的一种基于门控循环神经网络模型的孔隙度预测方法，其特征在于：步骤S2中将输入数据归一化到[0，1]的范围，采用的方法为：

其中：Y为归一化后的值；X为原始数据；X_Max为原始数据中的最大值；X_Min为原始数据中的最小值。

4.根据权利要求1所述的一种基于门控循环神经网络模型的孔隙度预测方法，其特征在于：对上述步骤S2中训练完成的基于门控循环神经网络模型，采用如下方法评价模型预测性能：

其中，y_i、与分别表示实际值、预测值、平均值，n表示样本数量，MAE越接近于0，R²越接近1，模型预测效果越好。