[发明专利]数据驱动的致密储层物性参数智能预测方法

摘要

本公开提供了一种数据驱动的致密储层物性参数智能预测方法，利用三维地震波形数据和测井资料构建学习样本集，对学习样本集进行预处理；构建褶积与内积算子混合的机器学习网络模型，对预处理后的三维地震波形数据采用褶积运算，对相应空间位置采用内积运算，沿网络前向传播；利用学习样本集进行机器学习网络模型的训练，直到得到满足误差要求的网络模型；以采样点为中心，在多个方向上采集多个数据作为采样数据，将采样数据作为训练完的机器学习网络模型的输入变量，实现对致密储层物性参数进行预测。本公开替代依靠经验模型的反演方法，实现了数据驱动的致密储层物性参数智能预测，解决了测井‑地震之间小样本学习问题。

主权项

1.一种数据驱动的致密储层物性参数智能预测方法，其特征是：包括以下步骤：/n利用三维地震波形数据和测井资料构建学习样本集，对学习样本集进行预处理；所述预处理的过程至少包括归一化处理，归一化的具体过程为：归一化后的地震振幅值为：当前样本的地震振幅值与当前样本中最小地震振幅值的差值，与当前样本中最大和最小地震振幅值的差值的比值；/n构建褶积与内积算子混合的机器学习网络模型，对预处理后的三维地震波形数据采用褶积运算，对相应空间位置采用内积运算，沿网络前向传播；/n构建褶积与内积算子混合的机器学习网络模型的具体过程包括：/n确定机器学习网络模型基本参数；对归一化的地震振幅数据进行褶积运算，并沿网络前向传播；对采样点所对应的空间位置进行内积运算，并沿网络前向传播：将两个前向传播的输出进行全连接，并进行内积运算得到网络模型的输出；/n利用学习样本集进行机器学习网络模型的训练，直到得到满足误差要求的网络模型；/n以采样点为中心，在多个方向上采集多个数据作为采样数据，将采样数据作为训练完的机器学习网络模型的输入变量，实现对致密储层物性参数进行预测。/n