本發(fā)明涉及電磁測井反演技術領域，更具體而言，涉及一種基于高速正演結果訓練下人工智能的電磁測井反演方法。

背景技術：

在油田勘探開發(fā)過程中，測井可以了解地層的含油氣情況。電阻率測井是地球物理勘探中表征地層的重要測量方法，測得的電阻率曲線可以提供各種地層信息，如巖石類型，層邊界，甚至地層各向異性。

電阻率測井是在鉆孔中采用布置在不同部位的供電電極和測量電極來測定巖石(包括其中的流體)電阻率的方法。電阻率測井可以分為正演和反演兩個部分。正演部分基于對多層地層的解析解計算得到測井儀器的磁場以及電阻率變化的精確數(shù)值。而解析解中需要計算hankel變換，除了少數(shù)核函數(shù)的hankel變換有解析解以外，絕大多數(shù)的通常只能采用數(shù)值積分的方法近似計算。傳統(tǒng)的數(shù)字濾波方法由于濾波系數(shù)的不統(tǒng)一以及直接累加求解積分導致計算結果并不完全準確，甚至某些情況下是錯誤的。由于計算量限制的原因，目前在實際勘探中，應用最多的為一維線性反演方法，例如建立在一維水平層狀介質模型中阻尼最小二乘法。然而由于測井反演是一個復雜非線性問題，線性化的方法進行反演難以得出準確的結果，也經常只得到了局部最優(yōu)解而非真實最優(yōu)結果，并且線性算法在計算時間上也頗為緩慢。

中國專利文獻cn106446408a公開了一種隨鉆補償電磁波儀器的快速正反演處理方法，包含以下步驟：s1、獲取補償電磁波信號；s2、根據隨鉆補償電磁波儀器的結構參數(shù)、井斜數(shù)據及地質信息，選取多界面多參數(shù)地質初始模型；s3、將麥克斯韋方程應用到正演模型中進行仿真計算，得到解析解；s4、根據測量原理，得到對應的幅度比和相位差信號，轉換后得到不同類型的電阻率；s5、不斷迭代并與實測結果比較，得到正演模型中不同層位的電阻率參數(shù)值；s6、根據縱向上反演得到的地層模型參數(shù)，聯(lián)合電磁波數(shù)據，進行人機交互多參數(shù)聯(lián)合反演，得到各層位不同探測深度的電阻率值。但是，該專利存在以下缺陷：正演的速度慢，并且反演迭代容易陷入局部極值，造成反演結果不準確，并且迭代速度慢。

技術實現(xiàn)要素：

為了克服上述現(xiàn)有技術的不足，本發(fā)明提供了一種基于高速正演結果訓練下人工智能的電磁測井反演方法。

本發(fā)明目的在于提高正演計算的速度及穩(wěn)定性，克服反演算法中容易陷入局部極值的問題，并解決反演因為數(shù)據不足而導致的結果不準確。

術語解釋：

1、逐步回歸方法，先用被解釋變量對每一個所考慮的解釋變量做簡單回歸，然后以對被解釋變量貢獻最大的解釋變量所對應的回歸方程為基礎，再逐步引入其余解釋變量。經過逐步回歸，使得最后保留在模型中的解釋變量既是重要的，又沒有嚴重多重共線性

2、強相關，又稱高度相關，即當一列變量變化時，與之相應的另一列變量增大(或減少)的可能性非常大。在坐標圖上則表現(xiàn)為散點圖較為集中在某條直線的周圍。

3、正演模型，即根據已知的地層參數(shù)計算出測井的相關數(shù)據。

本發(fā)明的技術方案為：

一種高速正演結果訓練下人工智能的電磁測井反演方法，包括步驟如下：

(1)收集測井儀器對已知地層測得的歷史數(shù)據，測得的歷史數(shù)據包括9個磁場分量，即hxx,hxy,hxz,hyx,hyy,hyz,hzx,hzy,hzz；并通過9個磁場分量計算各地層各向異性電導率；

(2)獲取正演模型輸出數(shù)據，即：通過正演模型對步驟(1)之外的其它大量已知地層輸出9個磁場分量，即hxx1,hxy1,hxz1,hyx1,hyy1,hyz1,hzx1,hzy1,hzz1；并通過9個磁場分量計算各地層各向異性電導率；已知地層中每層的垂直電阻率、水平電阻率、厚度、相對傾角都是已知的；相對傾角是指測井儀器重心線與地層的夾角；測量點的數(shù)目可以根據精度自行選擇，測量點越多，精度越高。

(3)根據步驟(1)及步驟(2)獲取的已知地層測得的數(shù)據，包括：各個地層的測量點的9個磁場分量、各個地層的垂直電阻率、各個地層的水平電阻率；以各個地層的測量點的9個磁場分量、測井儀器參數(shù)為輸入，以各個地層的垂直電阻率、各個地層的水平電阻率為輸出，構建訓練集；測井儀器參數(shù)包括測井儀器的收發(fā)距、傾角；

(4)采用逐步回歸方法選擇最佳預測因子，即選擇與各個地層的垂直電阻率、各個地層的水平電阻率強相關因子；

(5)根據步驟(4)選擇的最佳預測因子，進行svm神經網絡的回歸預測分析，選擇合適的核函數(shù)構建模型；

(6)通過測井儀器對未知地層測得9個磁場分量，將該9個磁場分量作為輸入數(shù)據集，輸入至步驟(5)選擇的核函數(shù)構建模型中，預測得到未知地層的反演信息，包括未知地層的垂直電阻率、水平電阻率。

根據本發(fā)明優(yōu)選的，步驟(1)中，通過9個磁場分量計算各地層各向異性電導率，計算公式如式(ⅰ)所示：

式(ⅰ)中，σ為異性電導率，l為測井儀器的收發(fā)距，μ為磁導率，j為虛數(shù)單位，ω是指測井儀器的頻率。

根據本發(fā)明優(yōu)選的，步驟(2)中，獲取正演模型輸出數(shù)據，包括步驟如下：

s1、通過正演模型輸入需要模擬的已知地層的層數(shù)、垂直電阻率、水平電阻率、厚度，得到已知地層的多層地層模型，取得已知地層的9個磁場分量的解析解；

s2、通過梯形可控求得所需精度的權值系數(shù)和積分點位置，數(shù)值計算求得前面n個積分片段的值；具體包括：將已知地層的9個磁場分量的解析解劃分為從0到n個區(qū)間，7≤n≤10，即從0到bessel函數(shù)的第一個零點值的積分片段和后續(xù)相鄰零點值作為積分限的積分段；

通過正整數(shù)參數(shù)j控制權值系數(shù)、積分點的個數(shù)和位置，控制過程如下：

①定義n為迭代變量，n＝2⁰＝1，定義h0為積分點的位置，定義b為積分片段的上限，即a為積分片段的下限；h0＝b-a；定義s0為某一個積分片段的值；積分片段的值的計算公式如式(ⅱ)所示：

式(ⅱ)中，f(x)為積分表達式；

②j從1到j遞推，并依次代入式(iii)、式(ⅳ)，并將n加倍，式(iii)、式(ⅳ)如下所示：

h(j)＝0.5h(j-1)(ⅳ)

通過這種遞推過程計算一個積分片段的值；

本發(fā)明將高斯求積與連分式求和結合起來，能快速的計算含有無窮貝塞爾函數(shù)積分的解析解，使其能夠快速收斂，在保證結果準確的情況下大大節(jié)省了正演的計算時間，平均正演計算時間最低為現(xiàn)有技術計算方法所用時間的十分之一。

例如，如hzz的半無限積分為

用上述方法得到區(qū)間積分值。把積分區(qū)間(0，∞)分解為(0，b1)，(b1，b2)，...,(b6，b7)，(b7，∞)，b為bessel函數(shù)從小至大的零點值，只計算前面幾個有限積分的準確值。

s3、通過連分式求出無限積分的數(shù)值解，代入到正演模型中，得到場值結果；場值結果為每個測量點的9個磁場分量；連分式s如式(ⅴ)所示：

式(ⅴ)中，d1到dn即為s2求得的n個積分片段的值，即p1-pn變換過的值，s為場值結果。

前4位結果如下所示：

d1＝d1,d1＝p1,

d2＝-d2/d1,d1＝p2,

d3＝-d3/d2,d1＝p3+p2d2,

d4＝-d4/d3,d1＝p4+p3(d2+d3),

5位以后數(shù)據使用遞歸方法推導獲得，過程如下：

首先，令n為第n個積分片段的序號。則構建一個l長度的數(shù)組x；

然后，x(1)＝d2,x(2)＝d2+d3，x(1)和x(2)為推導中間值。

將x(1)和x(2)的值互換。

按照公式逐步得到各個x的值。

x(k)＝x(k-1)+dn-1x(k-2),k＝l,l-2,l-4,....,4

x(2)＝x(1)+dn-1

最后按照公式推導出d的值。

dn＝-dn/dn-1。

根據本發(fā)明優(yōu)選的，所述步驟(4)，包括步驟如下：

a、將步驟(3)獲取的各個地層的測量點的9個磁場分量、測井儀器參數(shù)作為預測因子，不加權；

b、按照以下方法逐個為每個預測因子加入權值：對預測因子由大到小加入權值w，w的取值范圍為[0,1],觀察輸出即各個地層的垂直電阻率、各個地層的水平電阻率的相關性，若為強相關因子，保留該預測因子；否則，刪除該預測因子。

該步驟主要是為了篩選排除掉對結果幾乎無影響的數(shù)據，簡化計算，降低預測期望與實際值之間的差距。

根據本發(fā)明優(yōu)選的，所述步驟(5)，包括步驟如下：

a、經過步驟(4)篩選后選擇的最佳預測因子、步驟(3)的輸出及步驟(3)輸出的狀態(tài)分類作為n個變量，各個地層的垂直電阻率狀態(tài)分類包括0、1，若各個地層的垂直電阻率屬于[0,100)，則為0，若各個地層的垂直電阻率屬于[100,200]，則為1，各個地層的水平電阻率狀態(tài)分類包括0、1，若各個地層的水平電阻率屬于[0,100)，則為0，若各個地層的水平電阻率屬于[100,200]，則為1；該n個變量組成一個n維向量，即：xi＝(x1,x2,x3,...,xn)，定義目標函數(shù)如式(ⅰ)所示：

f＝w1·xi+b(ⅰ)

式(ⅰ)中，w1為權重向量，b為偏移量；

b、對n維向量中的每一位進行訓練，訓練方法如下：設定訓練第i位xi，不斷調整權重向量w1和偏移量b使得xi·f＝xi(w1x1+w2x2+w2x2+...+wi-1xi-1+b)≥1，確定權重向量w1的值，并確定目標函數(shù)，即合適的核函數(shù)構建模型。例如訓練第k位時，假設第k位信息范圍為(-5,5),我們令k大于0時，xk＝1，k小于0時xk＝-1。則不斷調整權重向量和偏移量使得xk·f＝xk(w1x1+w2x2+w2x2+,,,,+wk-1xk-1+b)≥1對所有的訓練輸入數(shù)據都成立。然后在(-5,0)和[0,5)中重復步驟，最后直至以0.01為精度，在(-5,5)中分出各種狀態(tài)。然后根據這個步驟對其他k-1位狀態(tài)分類進行訓練。核函數(shù)的使用是為了替代復雜的向量內積計算，可選用s型核函數(shù)，高斯徑向核函數(shù)等。

本發(fā)明的有益效果為：

1、正演部分，本發(fā)明將高斯求積與連分式求和結合起來，能快速的計算含有無窮貝塞爾函數(shù)積分的解析解，使其能夠快速收斂，在保證結果準確的情況下平均正演計算時間約為現(xiàn)有技術的四分之一。

2、反演部分，本發(fā)明摒棄了以往的線性反演方法，創(chuàng)新性的將人工智能方法引入到反演算法中，通過快速正演算法得到大量數(shù)據，構建反演訓練集，從而得到反演模型，得到所需的準確結果。本發(fā)明中的反演比之前的算法計算速度更快而且結果更加準確。

附圖說明

圖1為本發(fā)明一種基于高速正演結果訓練下人工智能的電磁測井反演方法的流程框圖；

圖2為磁場分量hzz的磁場虛部曲線圖；

圖3為磁場分量hyx的磁場虛部曲線圖；

圖4為磁場分量hyy的磁場虛部曲線圖；

圖5為磁場分量hxx的磁場虛部曲線圖；

圖6為磁場分量hxy的磁場虛部曲線圖；

圖7為磁場分量hyz的磁場虛部曲線圖；

圖8為磁場分量hzx的磁場虛部曲線圖；

圖9為磁場分量hzy的磁場虛部曲線圖；

圖10為磁場分量hxz的磁場虛部曲線圖。

具體實施方式

下面結合說明書附圖和實施例對本發(fā)明作進一步限定，但不限于此。

實施例1

一種高速正演結果訓練下人工智能的電磁測井反演方法，包括步驟如下：

(1)收集測井儀器對已知地層測得的歷史數(shù)據，測得的歷史數(shù)據包括9個磁場分量，即hxx,hxy,hxz,hyx,hyy,hyz,hzx,hzy,hzz；并通過9個磁場分量計算各地層各向異性電導率；計算公式如式(ⅰ)所示：

(2)獲取正演模型輸出數(shù)據，即：通過正演模型對步驟(1)之外的其它大量已知地層輸出9個磁場分量，即hxx1,hxy1,hxz1,hyx1,hyy1,hyz1,hzx1,hzy1,hzz1；并通過9個磁場分量計算各地層各向異性電導率；已知地層中每層的垂直電阻率、水平電阻率、厚度、相對傾角都是已知的；相對傾角是指測井儀器重心線與地層的夾角；測量點的數(shù)目可以根據精度自行選擇，測量點越多，精度越高。包括步驟如下：

s1、通過正演模型輸入需要模擬的已知地層的層數(shù)、垂直電阻率、水平電阻率、厚度，得到已知地層的多層地層模型，取得已知地層的9個磁場分量的解析解；

s2、通過梯形可控求得所需精度的權值系數(shù)和積分點位置，數(shù)值計算求得前面n個積分片段的值；具體包括：將已知地層的9個磁場分量的解析解劃分為從0到n個區(qū)間，7≤n≤10，即從0到bessel函數(shù)的第一個零點值的積分片段和后續(xù)相鄰零點值作為積分限的積分段；

通過正整數(shù)參數(shù)j控制權值系數(shù)、積分點的個數(shù)和位置，控制過程如下：

①定義n為迭代變量，n＝2⁰＝1，定義h0為積分點的位置，定義b為積分片段的上限，即a為積分片段的下限；h0＝b-a；定義s0為某一個積分片段的值；積分片段的值的計算公式如式(ⅱ)所示：

式(ⅱ)中，f(x)為積分表達式；

②j從1到j遞推，并依次代入式(iii)、式(ⅳ)，并將n加倍，式(iii)、式(ⅳ)如下所示：

h(j)＝0.5h(j-1)(ⅳ)

通過這種遞推過程計算一個積分片段的值；

本發(fā)明將高斯求積與連分式求和結合起來，能快速的計算含有無窮貝塞爾函數(shù)積分的解析解，使其能夠快速收斂，在保證結果準確的情況下大大節(jié)省了正演的計算時間，平均正演計算時間最低為現(xiàn)有技術計算方法所用時間的十分之一。

例如，如hzz的半無限積分為

用上述方法得到區(qū)間積分值。把積分區(qū)間(0，∞)分解為(0，b1)，(b1，b2)，...,(b6，b7)，(b7，∞)，b為bessel函數(shù)從小至大的零點值，只計算前面幾個有限積分的準確值。隨機選取一個模型為例，垂直電阻率分別為1、25、2ohm,0.5、40、1ohm，其地層厚度分別為1.5m,3m,1.5m,一共有60個測量點，間隔0.05m。磁場分量hzz、磁場分量hyx、磁場分量hyy、磁場分量hxx、磁場分量hxy、磁場分量hyz、磁場分量hzx、磁場分量hzy、磁場分量hxz的磁場虛部曲線圖如圖2-圖10所示；圖2-圖10中，橫坐標是地層的深度，單位為m，縱坐標是磁場強度大小，單位為a/m，曲線是隨著深度變化磁場強度的值。

s3、通過連分式求出無限積分的數(shù)值解，代入到正演模型中，得到場值結果；場值結果為每個測量點的9個磁場分量；連分式s如式(ⅴ)所示：

式(ⅴ)中，d1到dn即為s2求得的n個積分片段的值，即p1-pn變換過的值，s為場值結果。

前4位結果如下所示：

d1＝d1,d1＝p1,

d2＝-d2/d1,d1＝p2,

d3＝-d3/d2,d1＝p3+p2d2,

d4＝-d4/d3,d1＝p4+p3(d2+d3),

5位以后數(shù)據使用遞歸方法推導獲得，過程如下：

首先，令n為第n個積分片段的序號。則構建一個l長度的數(shù)組x；

然后，x(1)＝d2,x(2)＝d2+d3，x(1)和x(2)為推導中間值。

將x(1)和x(2)的值互換。

按照公式逐步得到各個x的值。

x(k)＝x(k-1)+dn-1x(k-2),k＝l,l-2,l-4,....,4

x(2)＝x(1)+dn-1

最后按照公式推導出d的值。

dn＝-dn/dn-1。

(3)根據步驟(1)及步驟(2)獲取的已知地層測得的數(shù)據，包括：各個地層的測量點的9個磁場分量、各個地層的垂直電阻率、各個地層的水平電阻率；以各個地層的測量點的9個磁場分量、測井儀器參數(shù)為輸入，以各個地層的垂直電阻率、各個地層的水平電阻率為輸出，構建訓練集；測井儀器參數(shù)包括測井儀器的收發(fā)距、傾角；

(4)采用逐步回歸方法選擇最佳預測因子，即選擇與各個地層的垂直電阻率、各個地層的水平電阻率強相關因子；包括步驟如下：

a、將步驟(3)獲取的各個地層的測量點的9個磁場分量、測井儀器參數(shù)作為預測因子，不加權；

b、按照以下方法逐個為每個預測因子加入權值：對預測因子由大到小加入權值w，w的取值范圍為[0,1],觀察輸出即各個地層的垂直電阻率、各個地層的水平電阻率的相關性，若為強相關因子，保留該預測因子；否則，刪除該預測因子。

該步驟主要是為了篩選排除掉對結果幾乎無影響的數(shù)據，簡化計算，降低預測期望與實際值之間的差距。

(5)根據步驟(4)選擇的最佳預測因子，進行svm神經網絡的回歸預測分析，選擇合適的核函數(shù)構建模型；包括步驟如下：

a、經過步驟(4)篩選后選擇的最佳預測因子、步驟(3)的輸出及步驟(3)輸出的狀態(tài)分類作為n個變量，各個地層的垂直電阻率狀態(tài)分類包括0、1，若各個地層的垂直電阻率屬于[0,100)，則為0，若各個地層的垂直電阻率屬于[100,200]，則為1，各個地層的水平電阻率狀態(tài)分類包括0、1，若各個地層的水平電阻率屬于[0,100)，則為0，若各個地層的水平電阻率屬于[100,200]，則為1；該n個變量組成一個n維向量，即：xi＝(x1,x2,x3,...,xn)，定義目標函數(shù)如式(ⅰ)所示：

f＝w1·xi+b(ⅰ)

式(ⅰ)中，w1為權重向量，b為偏移量；

b、對n維向量中的每一位進行訓練，訓練方法如下：設定訓練第i位xi，不斷調整權重向量w1和偏移量b使得xi·f＝xi(w1x1+w2x2+w2x2+...+wi-1xi-1+b)≥1，確定權重向量w1的值，并確定目標函數(shù)，即合適的核函數(shù)構建模型。例如訓練第k位時，假設第k位信息范圍為(-5,5),我們令k大于0時，xk＝1，k小于0時xk＝-1。則不斷調整權重向量和偏移量使得xk·f＝xk(w1x1+w2x2+w2x2+,,,,+wk-1xk-1+b)≥1對所有的訓練輸入數(shù)據都成立。然后在(-5,0)和[0,5)中重復步驟，最后直至以0.01為精度，在(-5,5)中分出各種狀態(tài)。然后根據這個步驟對其他k-1位狀態(tài)分類進行訓練。核函數(shù)的使用是為了替代復雜的向量內積計算，可選用s型核函數(shù)，高斯徑向核函數(shù)等。

(6)通過測井儀器對未知地層測得9個磁場分量，將該9個磁場分量作為輸入數(shù)據集，輸入至步驟(5)選擇的核函數(shù)構建模型中，預測得到未知地層的反演信息，包括未知地層的垂直電阻率、水平電阻率。

以一個垂直電阻率真實值分別為0.5、20、1ohm,0.5、50、1ohm的三層地層測量數(shù)據為例，其地層厚度分別為30m,2.4m,20m。分別用1000、5000、10000、20000組本實施例中正演模型數(shù)據(地層厚度、地層垂直電阻率和水平電阻率、地層層數(shù)在實際范圍內隨機)訓練反演模型，得到的結果如表1所示；表1中，rh1、rh2、rh3是垂直電阻率，rv1、rv2、rv3是水平電阻率；

表1

隨著訓練樣本的增加，反演精確度增加，能夠得到所需地層的水平電阻率和垂直電阻率信息。

使用本實施例的正演模型每次構建所需時間給出隨機抽取的幾次時間：0.470s,0.452s,0.445s,0.452s。統(tǒng)計平均值為0.461s。

對比例1

以如實施例1所述的一個垂直電阻率真實值分別為0.5、20、1ohm,0.5、50、1ohm的三層地層測量數(shù)據為例，其地層厚度分別為30m,2.4m,20m。使用背景技術中方法的正演模型每次構建所需的時間隨機抽取幾次：2.082s，1.606s，1.623s，3.020s。統(tǒng)計平均值為2.134s。如表2所示；表2中，rh1、rh2、rh3是垂直電阻率，rv1、rv2、rv3是水平電阻率；

表2

隨著訓練樣本的增加，反演精確度增加，但是和真實值還有一定差距，并不是很準確。