[发明专利]岩石物理弹性参数正演方法、正演装置及电子设备

权利要求书

1.一种基于深度学习的岩石物理弹性参数正演方法，其特征在于，包括：

获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；

构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；

基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。

2.根据权利要求1所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，其中通过实钻测井以及测井解释得到研究区的深度域测井数据，对所述深度域测井数据进行单位转换及线性归一化预处理，组成深度前馈神经网络的训练样本集，其中岩石参数和弹性参数分别作为深度前馈神经网络的输入和输出。

3.根据权利要求2所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，所述深度域测井数据Well(z)包含如下测井曲线：

从常规测井和全波列测井中获得的弹性参数Elastic(z)，包括纵波速度VP(z)、横波速度VS(z)和密度DEN(z)，作为深度前馈神经网络的输出数据y(z)；

对测井资料进行处理解释后得到的岩石参数Rock(z)，包括总孔隙度POR、泥质含量VCL、石英含量VQUA、含水饱和度SW，作为深度前馈神经网络的输入数据x(z)；

由线性归一化处理之后的输入数据x(z)，以及单位转换后的输出数据y(z)，组成训练样本集Set(z)。

4.根据权利要求3所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，对深度域测井数据Well(z)中的异常值进行剔除，并将输出数据的单位进行转换。

5.根据权利要求3或4所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，按照以下公式对输入数据进行线性归一化处理：

式中，b(z)和a(z)分别为归一化前、后的测井值；b(z)max和b(z)min分别为该参数的最大、最小值。

6.根据权利要求1所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，所述深度前馈神经网络的拓扑结构为：多隐含层、全连接且有向无环，其中前馈神经网络的每一隐含层间的各神经元互不相连，相隔隐含层间的各神经元互不相连，且相邻层间的神经元相互全连接。

7.根据权利要求6所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，所述深度前馈神经网络的输入与输出关系为：

其中，深度前馈神经网络隐含层的输出为：

除去输入层h⁽⁰⁾与输出层h^(L)，深度前馈神经网络隐含层的个数为L-1层，对应的超参数：网络层数、每层神经元个数、激活函数为：

其中n₀＝m，n_L＝s，输入层的激活函数选择ReLU函数，其余各层的激活函数选择Sigmoid函数，深度前馈神经网络待学习的参数为：

8.根据权利要求1所述的基于深度学习的岩石物理弹性参数正演方法，其特征在于，对目标井段进行弹性参数的岩石物理正演包括：

选取目标井段深度域的岩石参数作为深度前馈神经网络的输入数据x(z)，对所述输入数据x(z)进行线性归一化预处理，组成深度前馈神经网络的预测样本集；

利用训练得到的基于深度前馈神经网络的所述岩石物理正演模型，对所述预测样本集进行处理，得到对应的纵波速度VP、横波速度VS以及密度DEN三个弹性参数。

9.一种基于深度学习的岩石物理弹性参数正演装置，其特征在于，包括：

获取单元，获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；

训练单元，构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；

正演单元，基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。

10.一种电子设备，其特征在于，所述电子设备包括：

存储器，存储有可执行指令；

处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-8中任一项所述的基于深度学习的岩石物理弹性参数正演方法。