(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 202111565509.7 (22)申请日 2021.12.21 (71)申请人 西南石油大 学 地址 610599 四川省成 都市新都区新都大 道8号 (72)发明人 张剑　郝翱枭　杨云　李坤　盛行　 李梓涵　 (74)专利代理 机构 北京艾格律诗专利代理有限 公司 11924 代理人 谢毅 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G01V 1/40(2006.01) G06F 30/27(2020.01)G06N 3/00(2006.01) (54)发明名称 一种基于非线性自回归神经网络模型的测 井曲线重构方法 (57)摘要 本发明公开了一种基于非线性自回归神经 网络模型的测井曲线重构方法， 包括： 按现有测 井曲线数据获取深度将其划分为训练曲线数据 和测试曲线数据； 依据训练曲线数据设立NARX神 经网络模型； 通过粒子群算法对NARX神经网络模 型进行初始优化； 使用Levenberg ‑Marquardt算 法将训练曲线数据带入NARX神经网络模型完成 训练； 将测试曲线数据带入NARX神经网络模型进 行测试； 使用测试后的NARX神经网络模型获取重 构的测井曲线数据； 本申请有效避免了陷入局部 最优的问题， 能够以高精度逼近非线性的测井曲 线重构系统， 充分利用测井数据的非线性、 序列 性特点， 能够准确反映各曲线间的对应关系， 具 有良好测井曲线重构能力。 权利要求书2页 说明书9页 附图4页 CN 113947198 A 2022.01.18 CN 113947198 A 1.一种基于非线性自回归神经网络模型的测井曲线重构方法， 其特征在于， 所述基于 非线性自回归神经网络模型的测井曲线重构方法包括： 获取第一现有测井曲线数据， 按第 一现有测井曲线数据获取深度将其划分为训练曲线 数据和测试曲线数据； 依据训练曲线数据设立 NARX神经网络模型； 通过粒子群算法对NARX神经网络模型进行初始优化； 使用Levenberg ‑Marquardt算法将训练曲线数据带入NARX神经网络模型完成训练； 将测试曲线数据带入NARX神经网络模型进行测试； 将第二现有测井曲线数据带入测试后的NARX神经网络模型获取重构的测井曲线数据。 2.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述NARX神经网络模型中， 输入层节点数量和输出层节点数量依据训练曲线数据的 数据类型 数量确定 。 3.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述粒子群算法对NARX神经网络模型进行初始优化包括： 设定粒子种群数、 粒子维数、 最大迭代次数、 初始粒子信 息、 惯性权重、 粒子自身速度权 重值、 粒子群 体经验权 重值， 粒子信息包括粒子 速度和粒子位置； 带入训练曲线数据获取粒子适应度， 计算粒子个体最优值和群体最优值， 进行迭代运 算； 每次迭代运 算后更新粒子信息、 NARX神经网络模型的权值和阈值、 粒子适应度； 当完成迭代次数或粒子适应度满足预设条件时， 完成初始优化； 根据粒子适应度最大值时的粒子位置确定 权值、 阈值， 进行初始优化设置 。 4.如权利要求3所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述迭代运算中， 粒子信息更新通过粒子速度、 粒子位置、 粒子自身速度权重值、 粒子 群体经验权 重值、 粒子个 体最优值、 群 体最优值、 惯性权 重获得。 5.如权利要求3所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述粒子适应度的函数为训练曲线数据和重构值的均方误差倒数。 6.如权利要求3所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述惯性权 重依据迭代次数线性 递减。 7.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述 NARX神经网络模型训练包括： 设定训练误差允许值 ， ， ， 获得初始优化权值矩阵 ， 此时k=0； 带入训练曲线数据获得NARX神经网络模型输出值； 依据输出值和训练曲线数据获得误差函数值 ； 通过网络误差向量对权值矩阵的一阶导数获得雅可比矩阵； 根据雅可比矩阵、 网络误差向量和 计算权值矩阵偏差值 ； 当误差函数值 小于 时， 将权值矩阵更新 为 ， 结束训练； 当误差函数值 大于等于 时， 计算权值矩阵为 时的误差函数值 ：权　利　要　求　书 1/2 页 2 CN 113947198 A 2如 ， 令 ， 重新带入训练曲线数据依上述流程更新权值矩阵 并对误差函数值再次进行判定， 在误差函数值小于 时， 更新权值矩阵结束训练； 如 ， 令 ， 以 、 雅可比矩阵、 网络 误差向量计算权值矩阵 偏差值 更新权值矩阵并对误差函数值再次进行判定， 在误差函数值小于 时， 更新权 值矩阵结束训练； 其中k 为迭代次数。 8.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述将第二现有测井曲线 数据带入测试后的NARX神经网络模 型获取重构的测井曲线 数据包括： 输入第二现有测井曲线数据通过NARX神经网络模型获得测试重构数据， 依据测试重构 数据和输入第二现有测井曲线 数据中对应数据计算均方根误差RMSE、 平均绝对误差MAE、 相 对误差RE以及决定系数 ， 对NARX神经网络模型进行性能判定 。 9.如权利要求1所述的基于非线性自回归神经网络模型的测井曲线重构方法， 其特征 在于， 所述训练曲线数据和 测试曲线数据均进行归一 化处理。 10.一种基于非线性自回归神经网络模型的测井曲线预测方法， 其特征在于， 包括获取 第一现有测井曲线数据， 按第一现有测井曲线数据获取深度将其划分为训练曲线 数据和测 试曲线数据； 依据训练曲线数据设立 NARX神经网络模型； 通过粒子群算法对NARX神经网络模型进行初始优化； 使用Levenberg ‑Marquardt算法将训练曲线数据带入NARX神经网络模型完成训练； 将测试曲线数据带入NARX神经网络模型进行测试； 将第二现有测井曲线数据带入测试后的NARX神经网络模型获取重构的测井曲线数据； 依据重构的测井曲线数据与第二现有测井曲线数据进行对比， 通过设置误差阈值， 在 满足误差阈值的情况下， 将待预测测井曲线数据输入NARX神经网络模型获得预测测井曲 线。权　利　要　求　书 2/2 页 3 CN 113947198 A 3