[发明专利]基于门控循环神经网络模型的孔隙度预测方法

说明书

一种基于门控循环神经网络模型的孔隙度预测方法，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；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。GRU具有记忆的特性，擅长处理序列问题，引入了门控单元控制信息传递可以更好的提取数据特征，用于孔隙度预测，预测精度更高。

技术领域

本发明属于储层参数预测领域，具体涉及一种基于门控循环神经网络模型的孔隙度预测方法。

背景技术

孔隙度指的是储层岩石中所含的孔隙体积，反映了岩石储存流体的能力。它是评价储层性质、计算油气储量必不可少的岩石物性参数。因此，提高储层孔隙度预测精度是很有必要的。

孔隙度的测定是在实验室中进行的，用的是小块的岩芯或岩屑，测定时间比较长。除了费时之外，取心的成本也比较大。在很多情况下，取心仅限于某些层段，物性分析资料不足，不能全面地对储层进行评价。与昂贵的岩心资料相比，使用测井数据来估算孔隙度是比较廉价的方法。常用的测井方法有自然伽马、中子测井、声波测井、密度测井等，不同的测井方法都能一定程度上反映储层孔隙度的变化。根据测井数据与孔隙度的相关性，一些回归方程被提出，但是这种方法预测精度并不高，因为测井数据与储层孔隙度之间并不是绝对线性相关的。

发明内容

针对上述问题，本发明提供一种基于门控循环神经网络模型的孔隙度预测方法。

为实现上述目的，本发明采用的技术方案为：

一种基于门控循环神经网络模型的孔隙度预测方法，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。