(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111338652.2 (22)申请日 2021.11.12 (71)申请人 兰州大学 地址 730000 甘肃省兰州市天水南路2 22号 (72)发明人 刘志毅　刘军涛　廖桅　宗畅　 蔡山清　李卓岱　 (74)专利代理 机构 青岛润集专利代理事务所 (普通合伙) 37327 代理人 赵以芳 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) E21B 47/00(2012.01)E21B 49/00(2006.01) (54)发明名称 一种基于机器学习算法的随钻伽马测井正 演方法 (57)摘要 本发明公开了一种基于机器学习算法的随 钻伽马测井正演方法， 涉及石油井探测技术领 域。 该方法具体包括： 建立不同放射性强度、 层 厚、 密度和不同倾角的地层模型； 模拟伽马射线 在地层中的输运过程， 获取不同地质情况下的随 钻伽马探测器计数随深度的响应关系； 建立不同 地层厚度下探测器深度坐标与 随钻伽马探测器 计数的响应关系； 建立不同地层密度下探测器深 度坐标与随钻伽马探测器计数的响应 关系； 建立 不同地层倾角下探测器深度坐标与 随钻伽马探 测器计数的响应 关系； 建立不同地层界面距离与 随钻伽马计数的响应关系； 基于响应 关系建立数 据库， 用神经网络算法对模拟数据进行训练， 构 建适用于随钻伽马正演的神经网络模 型， 形成随 钻伽马测井快速正演方法。 权利要求书1页 说明书4页 附图4页 CN 114117898 A 2022.03.01 CN 114117898 A 1.一种基于 机器学习算法的随钻伽马测井正演方法， 其特 征在于， 包括以下步骤： a.建立不同地层放 射性大小、 层厚、 密度和不同倾角的测井模型； b.使用蒙特卡罗软件模拟地层中伽马 粒子在地层中的输运过程， 得到在不同地质情况 下随钻伽马探测器 计数随深度变化的理论 值； c.建立地层放射性大小与随钻伽马探测器计数的响应关系； 建立不同地层厚度 下探测 器深度坐标与随钻伽 马探测器计数的响应关系； 建立不同地层密度下探测器深度坐标与随 钻伽马探测器计数的响应关系； 建立不同地层倾角下探测器深度坐标与随钻伽马探测器计 数的响应关系； 建立 不同地层界面距离与随钻伽马计数的响应关系； d.通过决策树分类方法， 根据两地层所含放射性大小的不同， 将数据分为： 放射性相差 过大、 放射性相差较小、 放 射性相差适中的三种响应关系分类， 建立数据库； e.预处理网络， 搭建网络， 训练网络， 调整参数； f.将数据库的另25％数据， 导入已训练好的网络进行机器学习， 进行回归预测， 得到正 演结果， 并再次调整网络参数； g.选择数据库中不存在的相同的地层参数， 分别使用蒙特卡罗模拟和已训练好的网络 模型进行回归预测， 对比二 者的结果。 2.如权利要求1所述的一种基于机器学习算法的随钻伽马测井正演方法， 其特征在于， 步骤d中， 为消除数据之 间的量纲影响， 将探测器的最大探测范围在不同地层位置的数据分 为： 完全处于一种放射性地层的影响中、 处于两种不同放射性地层的交叉影响下， 将已分类 的数据分为两个数据库， 即一共产生6个新的数据库； 再对每个数据库的数据进 行离差标准 化、 标准差标准 化、 对数变换、 逆序、 权 重偏置等数据处 理方法， 完 善数据库。 3.如权利要求1所述的一种基于机器学习算法的随钻伽马测井正演方法， 其特征在于， 步骤e的具体过程 为： 预处理网络与搭建网络： 选择深度神经网络作为网络模型， 神经网络的结构输入层n 个， 输入层个数n由不同的数据库决定， 根据数据大小， 预设置输入值、 输入的形状、 输出的 形状和激励函数； 训练网络与调整参数： 将分类好的数据库进行随机采样， 将数据库中75％的数据作为 训练集， 对所选择的机器学习模型进 行训练， 训练时候调整神经元层数与神经元个数， 即调 整DNN网络的深度与宽度或调整核函数与gamma、 coef0、 espilon参数； 参数的数值取决于网 络训练的程度， DNN网络的预测准确率采用平均绝对误差MAE作为计算损失Loss 的指标， 均 方误差MSE作为衡量准确度Acc的依据； 根据MAE、 MSE、 R2_score的评价反馈来调整参数， 参 数又反馈到评价数值上， 直至网络训练完成。权　利　要　求　书 1/1 页 2 CN 114117898 A 2一种基于机 器学习算法的随钻伽马测井正演 方法 技术领域 [0001]本发明涉及石油井探测技术领域， 具体涉及一种基于机器学习算法的随钻伽马测 井正演方法。 背景技术 [0002]石油资源是工业领域的重要资源。 近年来石油钻井领域大斜度井和水平井不断增 加， 测井勘探的重要性与难度也随之增加。 随钻伽马测井将伽马探测器放入钻头里， 在 钻井 的过程中通过测量地层的伽 马放射性 实现对地层信息的获取。 它是大斜度井和水平井测井 中的重要手段， 其正演是在已知地层信息的基础上， 模拟伽马探测器在井下地层的探测计 数， 在测井前先利用邻井的地层信息进 行正演， 与实测结果进 行对比后重新调整地层， 使其 与实测结果符合， 从而达到了得到新地层模型 的目的， 在实际钻井作业中是尤为重要的一 步。 [0003]常用的随钻伽马测井正演方法是利用地层信息建立地层模型， 然后利用蒙特卡罗 模拟的方法模拟出地层的探测计数。 这个方法虽然有极高的准确 率， 但是运行所消 耗的时 间过长， 影响了实际工程时的效率。 [0004]近年来， 随着计算机技术的发展机器学习算法焕发出了蓬勃的生命力。 通过海量 数据的训练， 机器学习算法生成的模型可以在保证准确率的同时快速的完成对所研究问题 的分析。 本发明通过MCNP建立出一个地层 模型， 改变其中的关键参数， 利用蒙特卡罗方法模 拟出大量数据， 采用机器学习算法进 行分析、 训练与验证， 建立地层参数与伽 马测井响应的 网络模型关系， 形成一个高效且准确的随钻伽马测井的正演方法， 为地层模型 的更新与地 质导向提供指导。 发明内容 [0005]本发明的目的是针对上述蒙特卡罗模拟的模拟速度的不足， 提出了一种能够极大 提升随钻伽马正演速度的基于 机器学习算法的随钻伽马测井正演方法。 [0006]本发明具体采用如下技 术方案： [0007]一种基于 机器学习算法的随钻伽马测井正演方法， 包括以下步骤： [0008]a.建立不同地层放 射性大小、 层厚、 密度和不同倾角的测井模型； [0009]b.使用蒙特卡罗软件模拟地层中伽马粒子在地层中的输运过程， 得到在不同地质 情况下随钻伽马探测器 计数随深度变化的响应值； [0010]c.建立地层放射性大小与随钻伽马探测器计数的响应关系； 建立不同地层厚度下 探测器深度坐标与随钻伽 马探测器计数的响应关系； 建立不同地层密度下探测器深度坐标 与随钻伽 马探测器计数的响应关系； 建立不同地层倾角下探测器深度坐标与随钻伽 马探测 器计数的响应关系； 建立 不同地层界面距离与随钻伽马计数的响应关系； [0011]d.通过决策树分类方法， 根据两地层所含放射性大小的不同， 将数据分为： 放射性 相差过大、 放射性相差较小、 放 射性相差适中的三种响应关系分类， 建立数据库；说　明　书 1/4 页 3 CN 114117898 A 3