CN118939955B 基于岩石物理学的油藏储层参数预测方法、装置、设备 （中国石油大学(北京)）

基于岩石物理学的油藏储层参数预测方法、本申请提供一种基于岩石物理学的油藏储测井数据的目标特征，构建长短期记忆网络模标预测模型基于岩石物理学对油藏储层的参数2对所述岩心数据和测井数据进行初始化处理，得到初始化后的岩心数据和测井数据；根据所述初始化后的岩心数据和所述测井数据的目标特征，构建长短期记忆网络模型，所述长短期记忆网络模型用于确定所述岩心数据与所述测井数据目标特征的关联关根据所述长短期记忆网络模型以及岩石物理学知识构建目标预据与所述测井数据目标特征的关联关系和岩石物理学知识作为目标预测模型的输入数据，将所述初始化后的测井数据输入随机森林模型，分别计算所述多个特征对所述孔隙对所述孔隙度权重值、渗透率权重值、含水饱和度权重值进行权重值将排序处理后的前预设数量个含水饱和度权重值对应的特征作为含水饱和度的目标若是，则比较所述第一关联特征中至少两个特征的权重值大3根据所述初始化后的岩心数据和所述测井数据的目标特征，构建长短期记忆网络模根据所述初始化后的岩心数据和所述测井数据的目标特征，对长将所述初始化后的岩心数据作为训练完成的长短期记忆网络模型的所述根据所述初始化后的岩心数据和所述测井数据的目标特征，构建长短期记忆网络模根据所述初始化后的岩心数据的特征数量构建与特征数量对应维度的长短期记忆网根据所述测井数据的目标特征的特征数量构建与特征数量对应维度的长短期记忆网根据所述初始化后的岩心数据和所述测井数据的目标特征构建所述长短期记忆网络处理模块，用于对所述岩心数据和测井数据进行初始化处理，得到计算模块，用于将所述初始化后的测井数据输入随机森所述处理模块，还用于根据所述初始化后的岩心数据和所述测井数据所述处理模块，还用于根据所述长短期记忆网络模型以及岩石物4所述计算模块，还用于将所述初始化后的测井数据输入随机森林模型确定模块，用于将排序处理后的前预设数量个孔隙度权重所述确定模块，还用于将排序处理后的前预设数量个渗透率权重值所述确定模块，还用于将排序处理后的前预设数量个含水饱和度所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1_5中任一项所述计算机执行指令被处理器执行时用于实现如权利要求1_5中任一项所述的基于岩石物56[0017]将排序处理后的前预设数量个含水饱和度权重值对应的特征作为含水饱和度的[0022]可选的，所述判断所述多个特征中是否存在相关系数大[0032]根据所述初始化后的岩心数据的特征数量构建与特征数量对应维度的长短期记7[0033]根据所述测井数据的目标特征的特征数量构建与特征数量对应维度的长短期记[0034]根据所述初始化后的岩心数据和所述测井数据的目标特征构建所述长短期记忆[0036]将所述岩心数据与所述测井数据目标特征的关联关系和岩石物理学知识作为所[0043]所述处理模块，还用于根据所述初始化后的岩心数据和所述测井数据的目标特8[0053]所述处理模块，还用于所述多个特征中存在相关系数大于阈值的第一关联特征[0061]所述处理模块，还用于根据所述初始化后的岩心数据和所述测井数据的目标特括长短期记忆网络模型的第一损失函数和岩石物理学知识的9一方面各种可能的实现方式所述的基于岩石物理学的油程序被处理器执行以实现如上述第一方面及第一方面各种可能的实现方式所述的基于岩[0097]下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述[0098]图1为申请实施例提供的基于岩石物理学的油藏储层参数预测方法的流程示意图达西(Darcy)为单位，是决定油气流动和储层产能的关键参数。含水饱和度(water的散射来估算孔隙度，对水和油的孔隙度有不同的响应。深侧向电阻率(DeepLateral个分裂节点随机选择特征进行分裂。随机森林模型可以评估各个特征对预测结果的重要型长短期记忆网络模型用于确定所述岩心数据与所述测井数据目标特征的关联完成的长短期记忆网络模型可以示出岩心数据与测井数据目标特征的关联关[0118]图2是本申请实施例提供的基于岩石物理学的油藏储层参数预测方法的流程示意法，它通过构建多棵决策树，并在每个决策树的构建过程中采用有放回抽样(bootstrap机森林利用这些OOB数据来评估模型的性能，从而提供了一种无需交叉验证的内置评估机[0137]其中，根据图3相关系数在热力图的可视化表示判断多个特征中是否存在相关系个特征的权重值大小，第一关联特征中权重值较小的第一关联特征不参与权重值排序处入层的维度。使用Python的深度学习库(如Keras或PyTorch)来构建长短期记忆网络模型。[0161]S214、将初始化后的岩心数据作为训练完成的长短期记[0162]其中，将初始化后的岩心数据作为训练完成的长短期记标预测模型集合了纯数据驱动的长短期记忆网络神经网络和结合岩石物理知识约束的长p[0168]总损失函数包括：数据驱动的岩石物性参数预测误差第一损失函数RMSEdata以及p[0175]式中，RMSEdata表示岩石参数使用数据驱动的储层参数预测所产生的预测误差，pRMSE表示神经网络基于岩石物理学领域知识对储层参数的预测误差，表示真实值，pPK(xi,yi)表示神经网络基于岩石物理学领域知识计算得到的储层物理性质参数，MK(xi,[0179]图8为本申请提供的基于岩石物理学的油藏储层参数预测装置的结构示意图，如[0183]所述处理模块302，还用于根据所述初始化后的岩心数据和所述测井数据的目标[0184]所述处理模块302，还用于根据所述长短期记忆网络模型以及岩石物理学知识构[0188]所述确定模块304，用于将排序处理后的前预设数量个孔隙度权重值对应的特征[0189]所述确定模块304，还用于将排序处理后的前预设数量个渗透率权重值对应的特[0190]所述确定模块304，还用于将排序处理后的前预设数量个含水饱和度权重值对应[0192]所述判断模块305，用于判断所述多个特征中是否存在相关系数大于阈值的第一[0193]所述处理模块302，还用于所述多个特征中存在相关系数大于阈值的第一关联特[0194]所述处理模块302，还用于所述多个特征中不存在相关系数大于阈值的第一关联[0201]所述处理模块302，还用于根据所述初始化后的岩心数据和所述测井数据的目标[0202]所述处理模块302，还用于将所述初始化后的岩心数据作为训练完成的长短期记[0204]所述处理模块302，还用于根据所述测井数据的目标特征的特征数量构建与特征[0205]所述处理模块302，还用于根据所述初始化后的岩心数据和所述测井数据的目标包括长短期记忆网络模型的第一损失函数和岩石[0209]图9为本申请提供的基于岩石物理学的油藏储层参数预测设备的结构示意图。如[0216]本申请还提供一种计算机存储介质，计算机存储介质中可以分布在计算机可读介质上，计算机可读介术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识且可以在不脱离其范围进行各