一种基于LSTM-PINN法的地层孔隙压力测井预测方法

本发明涉及地层孔隙压力预测，尤其涉及一种基于lstm-pinn法的地层孔隙压力测井预测方法。

背景技术：

1、地层孔隙压力预测对于石油勘探和开发、地下工程建设等具有重要的指导意义，尤其是油气钻井过程中的重要性逐渐显现，准确预测地层孔隙压力的理论及方法成为了国内外地质勘探开发人员研究的重要课题。

2、虽然在实际地层测试中能够较为准确地获取实测地层孔隙压力，但获取难度较大且经济成本高，因此难以普遍应用。

3、目前，地层压力预测方法主要包括地质学、地球物理学、工程地质学和数学建模等多个领域。地球物理测井作为获取地下信息的重要手段之一，资料容易获取、纵向分辨率高，能够有效地反映每口井的特征。利用测井资料进行地层孔隙压力的预测，国内外运用较成熟和普遍的传统方法为平衡深度法、bowers法以及eaton指数法，近期基于机器学习算法预测地层孔隙压力也是较为有效的预测方法。

4、其中，对于卸载型地层，bowers方法依据垂向应力等于垂直有效应力与地层孔隙压力之和，建立垂直有效应力与声波时差之间的加载曲线方程与卸载曲线方程，进而确定地层孔隙压力。基于有效应力理论的bowers法能够相对准确地预测出卸载型地层的地层孔隙压力，但只运用了声波时差这一条测井曲线，受测井曲线质量影响较大。而传统的机器学习预测方法虽然有一定精度，但存在结果可解释性差、需要大量数据等问题。

技术实现思路

1、本发明为了解决上述技术问题提供一种基于lstm-pinn法的地层孔隙压力测井预测方法。

2、本发明通过如下技术方案实现：

3、一种基于lstm-pinn法的地层孔隙压力测井预测方法，包括以下步骤：

4、收集研究区地质、测井、地层测试相关资料；

5、筛选研究区测井数据点，建立数据库；

6、基于python语言，搭建基于lstm-pinn法的神经网络预测模型；

7、基于所述数据库训练所述神经网络预测模型，获得训练好的神经网络预测模型；

8、利用训练好的神经网络预测模型，预测地层孔隙压力。

9、可选的，筛选研究区测井数据点的方法包括：选取有效厚度大于2m的泥岩层段的数据点。

10、进一步的，筛选研究区测井数据点的方法包括：选取扩径率小于15％的的泥岩层段的数据点。

11、优选地，选用自然伽马、自然电位、声波时差、补偿密度、中子、深电阻率这六个测井曲线建立数据库。

12、优选地，神经网络预测模型的输入参数包括深度depth、纵波速度vp、补偿密度den、垂向应力sv、中子cnl、自然伽马gr。

13、述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，第一个物理损失函数表示预测结果需要满足垂向应力大于有效应力的判断条件；

14、第二个物理函数表示需要满足当输入参数中的纵波速度vp等于设定值时，模型的预测结果等于0；

15、第三个物理损失需要判断偏导的值，若通过模型计算得到的偏导值越接近与bowers模型中物理公式的偏导值，则说明该网络模型学习到了这个物理知识。

16、可选地，第二个物理函数表示需要满足当输入参数中的纵波速度vp等于1524m/s时，模型的预测结果等于0。

17、优选地，所述神经网络预测模型的learning rate为0.001，epoch为15000，hidden_size为24，num_layers为2。

18、相对于现有技术，本申请至少具有如下有益效果：

19、本申请基于物理和数据协同驱动，预测出的地层孔隙压力能够满足基本的理论规律，且预测效果更准确，对石油勘探和开发、地下工程建设等具有重大意义。

技术特征：

1.一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，筛选研究区测井数据点的方法包括：选取有效厚度大于2m的泥岩层段的数据点。

3.根据权利要求1或2所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，筛选研究区测井数据点的方法包括：选取扩径率小于15％的的泥岩层段的数据点。

4.根据权利要求1所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，选用自然伽马、自然电位、声波时差、补偿密度、中子、深电阻率这六个测井曲线建立所述数据库。

5.根据权利要求1所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，神经网络预测模型的输入参数包括深度depth、纵波速度vp、补偿密度den、垂向应力sv、中子cnl、自然伽马gr。

6.根据权利要求5所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，垂向应力的计算公式为：

7.根据权利要求1所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，第一个物理损失函数表示预测结果需要满足垂向应力大于有效应力的判断条件；

8.根据权利要求7所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，第二个物理函数表示需要满足当输入参数中的纵波速度vp等于1524m/s时，模型的预测结果等于0。

9.根据权利要求6、7或8所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，所述神经网络预测模型的learning rate为0.001，epoch为15000，hidden_size为24，num_layers为2。

10.根据权利要求3所述的一种基于lstm-pinn法的地层孔隙压力测井预测方法，其特征在于，采用下式计算扩径率k：

技术总结本发明涉及一种基于LSTM‑PI NN法的地层孔隙压力测井预测方法，包括以下步骤：收集研究区地质、测井、地层测试相关资料；筛选研究区测井数据点，建立数据库；采用LSTM‑PI NN法构建神经网络预测模型；基于所述数据库训练所述神经网络预测模型，获得训练好的神经网络预测模型；利用训练好的神经网络预测模型，预测地层孔隙压力。本申请基于物理和数据协同驱动，预测出的地层孔隙压力能够满足基本的理论规律，且预测效果更准确，对石油勘探和开发、地下工程建设等具有重大意义。技术研发人员：熊健,石玉江,刘向君,甘仁忠,苏波,邓佳杰,程道解,梁利喜,缑艳红,丁乙,张凤生受保护的技术使用者：西南石油大学技术研发日：技术公布日：2024/8/16