本發(fā)明涉及頁巖儲層脆性指數(shù)預測方法，具體為一種基于改進的bp神經(jīng)網(wǎng)絡(luò)的頁巖儲層脆性指數(shù)地震智能預測方法。

背景技術(shù)：

1、疊前同時反演是目前應(yīng)用最為廣泛的反演方法，其理論基礎(chǔ)是zoeppritz方程及其簡化表達式。該反演技術(shù)通過利用疊前道集數(shù)據(jù)、測井曲線以及地震層位數(shù)據(jù)進行反演，從而得到縱、橫波以及密度數(shù)據(jù)體。bp神經(jīng)網(wǎng)絡(luò)由rumelhart等人于1986年提出，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)包括一個輸入層、一個輸出層和任意多個隱含層，每層都由若干個神經(jīng)元組成。在訓練過程中，該模型遵循減少目標輸出與實際輸出之間誤差的原則，通過輸出層誤差反向傳播的方式不斷更新各隱含層以及輸入層神經(jīng)元的權(quán)重w和閾值b，所以稱其為“誤差反向傳播算法”，即bp算法(back?propagation)。

2、目前常用的頁巖脆性指數(shù)地震預測方法，采用應(yīng)用多個疊前地震數(shù)據(jù)體進行聯(lián)立反演，獲得楊氏模量、泊松比等彈性參數(shù)數(shù)據(jù)體。再將彈性參數(shù)數(shù)據(jù)體經(jīng)過線性數(shù)學關(guān)系計算或者采用非線性多元回歸模型轉(zhuǎn)換，直接或間接地得到脆性指數(shù)數(shù)據(jù)體，進而獲得頁巖氣儲層三維橫向和縱向的脆性指數(shù)分布。

3、然而上述方法的研究與實踐過程中，本發(fā)明的發(fā)明人發(fā)現(xiàn)彈性參數(shù)與脆性指數(shù)的數(shù)學關(guān)系轉(zhuǎn)換公式僅以其中幾種彈性參數(shù)基于簡單線性數(shù)學關(guān)系轉(zhuǎn)換，且多元回歸模型易受到模型參數(shù)選擇、誤差校驗等因素影響，脆性指數(shù)預測結(jié)果精度有待進一步提高。

4、因此需要對以上問題提出一種新的解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于改進的bp神經(jīng)網(wǎng)絡(luò)的頁巖儲層脆性指數(shù)地震智能預測方法，能夠提高脆性指數(shù)的地震預測精度，從而更精確地識別頁巖儲層壓裂有利區(qū)分布，以解決背景技術(shù)中提出的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于改進的bp神經(jīng)網(wǎng)絡(luò)的頁巖儲層脆性指數(shù)地震預測方法，包括以下步驟：

3、s1：獲得已知數(shù)口井的測井數(shù)據(jù)與實驗數(shù)據(jù)，所述測井數(shù)據(jù)為井內(nèi)n個不同深度處的測井參數(shù)，所述測井數(shù)據(jù)包括縱波速度vp、橫波速度vs和密度ρ，所述實驗數(shù)據(jù)為各巖石參數(shù)，所述實驗數(shù)據(jù)包括楊氏模量、泊松比、剪切模量、拉梅系數(shù)和體積模量，利用實驗數(shù)據(jù)擬合校正測井數(shù)據(jù)計算的巖石動態(tài)參數(shù)為靜態(tài)巖石參數(shù)，為神經(jīng)網(wǎng)絡(luò)模型訓練提供充足的數(shù)據(jù)點，并隨機選擇一口井作為驗證井，其余為訓練井；

4、s2：將訓練井中的每個巖石參數(shù)分別與礦物脆性指數(shù)進行相關(guān)性分析并對比，選擇相關(guān)系數(shù)絕對值在前三的三個巖石參數(shù)作為自變量，分別標記為自變量a、自變量b、自變量c，礦物脆性指數(shù)作為因變量；

5、s3：構(gòu)建模型數(shù)據(jù)集，將所有井同一深度處的三個自變量構(gòu)成樣本xi＝{xai，xbi，xci}，i表示第i個深度，i＝1,2,3,…,n，xai，xbi，xci分別表示第i個深度處自變量a的值、自變量b的值、自變量c的值，該深度對應(yīng)的脆性指數(shù)為yi，將yi作為該樣本的標簽，樣本數(shù)據(jù)和樣本標簽構(gòu)成模型數(shù)據(jù)集；

6、s4：建立訓練矩陣，將所有樣本數(shù)據(jù)構(gòu)成矩陣x＝{xa，xb，xc}，其中xa、xb、xc分別為所有xai、xbi、xci構(gòu)成的列向量，將深度對應(yīng)的脆性指數(shù)yi構(gòu)成矩陣y；預設(shè)一個迭代矩陣xk＝{xak，xbk，xck}，迭代次數(shù)n，k＝1～n；且當k＝1時，xak＝xa，xbk＝xb，xck＝xc；

7、s5：采用試湊法計算不同隱含層節(jié)點模型的誤差，明確bp神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元個數(shù)，確定bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)；

8、s6：改進梯度下降法中的學習率，利用改進的bp神經(jīng)網(wǎng)絡(luò)模型獲得模型訓練最優(yōu)參數(shù)；

9、s7：選取驗證井，獲取其在模型數(shù)據(jù)集中對應(yīng)的數(shù)據(jù)，輸入改進的bp神經(jīng)網(wǎng)絡(luò)脆性指數(shù)預測模型中，輸出其預測值與真實值對比，采用決定系數(shù)評價指標驗證模型穩(wěn)定性；

10、s8：采用疊前反演方法，計算得到s2中三個巖石參數(shù)數(shù)據(jù)體；

11、s9：基于改進的bp神經(jīng)網(wǎng)絡(luò)模型，采用s8中計算得到的巖石參數(shù)數(shù)據(jù)體作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，預測得到頁巖儲層脆性指數(shù)數(shù)據(jù)體，進而確定頁巖儲層脆性指數(shù)地震預測結(jié)果。

12、進一步地，所述s1中，用下式計算巖石參數(shù)楊氏模量(e)、泊松比(μ)、體積模量(k)、剪切模量(g)以及拉梅系數(shù)(λ)；

13、

14、vp為縱波速度，vs為橫波速度。

15、進一步地，所述s6至少包括以下步驟：

16、s61：對矩陣x中的元素分別進行歸一化處理，得到歸一化后的矩陣x’；

17、s62：對矩陣xk中的元素分別進行歸一化處理，得到歸一化后的矩陣xk’；

18、s63：對矩陣y中的元素分別進行歸一化處理，得到歸一化后的矩陣y’；

19、s64：計算矩陣xk’的預測值；

20、進一步地，所述s64至少包括以下步驟：

21、s641：采用sigmoid激活函數(shù)將矩陣xk’輸入到神經(jīng)網(wǎng)絡(luò)的隱含層，得到隱含層輸出矩陣xkh’；

22、s642：將隱含層輸出矩陣xkh’采用purelin激活函數(shù)輸入至輸出層，并得到輸出結(jié)果yk；

23、s643：計算yk和y’之間的誤差，記為誤差函數(shù)j(θ)；

24、s644：確定誤差函數(shù)在迭代次數(shù)為k時的梯度▽j(θk)；

25、s645：用學習率αk乘以誤差函數(shù)的梯度得當前迭代次數(shù)為k時梯度下降的距離αk*▽j(θk)；

26、s646：迭代次數(shù)為k時，模型參數(shù)θk為更新后的模型訓練的參數(shù)，確定誤差函數(shù)j(θ)的值小于迭代終止條件ε，此時模型訓練結(jié)束，否則進入步驟s647；

27、s647：更新學習率αk，更新完畢后繼續(xù)轉(zhuǎn)入步驟s644。

28、進一步地，所述s64中的誤差函數(shù)j(θ)、模型參數(shù)θk和學習率αk具體采用以下公式計算：

29、j(θ)＝||yk(θ)-y'||22

30、

31、θ為輸入數(shù)據(jù)的權(quán)重，yk(θ)為預測輸出結(jié)果，y'為輸入數(shù)據(jù)的實際輸出，αk為在迭代次數(shù)為k時的學習率，為誤差函數(shù)在迭代次數(shù)為k時的梯度，α為學習率，k為迭代次數(shù)，α0為初始學習率，常數(shù)，取0.5。

32、進一步地，所述s641-s643中，用下式進行歸一化處理：

33、

34、zi為各彈性參數(shù)標準化后的值，無量綱；xi為各彈性參數(shù)的原始值；max(xi)、min(xi)為目的層段各彈性參數(shù)最大值與最小值。

35、進一步地，所述s7決定系數(shù)采用以下公式計算：

36、

37、n為樣本數(shù)，為第i個樣本的預測值，yi為第i個樣本的真實值，為樣本預測值中的平均值，為樣本真實值的平均值。

38、進一步地，所述s8至少包括以下步驟：

39、s81：對地震數(shù)據(jù)進行超道集處理，并進一步轉(zhuǎn)換為疊前角道集；

40、s82：提取地震子波，完成強地震反射界面與測井曲線的標定；

41、s83：基于井位信息、層位信息以及地震子波，建立反演所需的縱波速度、橫波速度以及密度初始模型；

42、s84：采用zoeppritz方程開展疊前反演，獲得反演縱波速度、橫波速度和密度數(shù)據(jù)體；

43、s85：利用巖石力學公式計算出各巖石參數(shù)數(shù)據(jù)體。

44、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

45、本發(fā)明采用改進的bp神經(jīng)網(wǎng)絡(luò)法建立脆性指數(shù)與彈性參數(shù)之間的非線性關(guān)系模型，并基于疊前反演方法獲取頁巖儲層彈性參數(shù)數(shù)據(jù)體，通過將反演體輸入至模型從而得到頁巖儲層脆性指數(shù)的預測結(jié)果；

46、改進的bp神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過程包括：

47、數(shù)據(jù)集預處理；采用試湊法確定模型結(jié)構(gòu)；改進梯度下降法中的學習率為隨著訓練迭代次數(shù)逐漸減小的自適應(yīng)學習率；利用改進的bp神經(jīng)網(wǎng)絡(luò)模型獲得模型訓練最優(yōu)參數(shù)；采用后驗數(shù)據(jù)評估模型驗證模型穩(wěn)定性；

48、疊前反演過程包括：

49、疊前地震數(shù)據(jù)優(yōu)化；井震精細標定；彈性參數(shù)體計算；

50、本發(fā)明能提高模型預測的準確率和穩(wěn)定性，提升脆性指數(shù)預測精度。