1.本技术涉及机器学习以及地球物理应用技术，尤其涉及一种数据与物理模型联合驱动的测井储层评价方法及装置。
背景技术：2.当今社会对石油、天然气能源的勘探开发越来越重视，地球物理油气综合预测技术的发展备受关注。其中，地球物理油气综合预测是岩石物理领域的重要研究方向之一，而对地层进行储层参数预测是油气勘探的重要环节。近些年机器学习特别是深度学习的发展为地球物理油气综合预测提供了新的技术手段。
3.目前基于机器学习的储层参数预测方法主要依靠纯数据驱动机器学习。纯数据驱动机器学习通过使用统计学领域知识对测井数据进行建模和分析，比如利用概率论和凸优化知识，得到油气综合预测的相关信息，应用于油气勘探。
4.但是，纯数据驱动机器学习由于利用机器学习统计学领域知识进行建模和分析，该建模和分析不仅对输入数据质量要求较高，还由于仅利用机器学习统计学领域知识进行建模和分析，从而导致储层参数的预测效果可靠性存疑，甚至得到与现有认知相悖的结果。
技术实现要素：5.本技术提供一种数据与物理模型联合驱动的测井储层评价方法及装置，用以解决纯数据驱动机器学习模型对数据质量要求较高、模型预测效果与岩石物理机理相悖的问题。
6.第一方面，本技术提供一种数据与物理模型联合驱动的测井储层评价方法，包括：
7.获取神经网络模型构建请求，所述构建请求包括：输入数据和输出数据，所述输入数据为待分析的测井数据，所述输出数据为所述待分析的测井数据对应的解释结果；
8.根据所述输入数据和输出数据，构建对应的神经网络模型；
9.利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到所述神经网络模型中的岩石物理约束；
10.根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于所述总损失函数，对所述神经网络模型进行迭代训练，以获取储层分析模型；
11.获取储层分析请求，并根据所述储层分析请求，采用所述储层分析模型，对所述待分析的测井数据进行分析处理，以获取测井解释结果。
12.在一种具体的实施方式中，根据所述待测井数据和所述解释结果的属性信息，以所述测井数据作为输入数据，以所述解释结果作为输出数据，构建对应的神经网络模型，包括：
13.分别根据所述输入数据属性信息中的维度，和所述输出数据的属性信息中的维度，构建所述神经网络模型中的输入层单元数和输出层单元数；
14.根据所述输入数据属性信息中的任务类型和数据类型，以及所述输出数据的属性
信息中的任务类型和数据类型，构建所述神经网络模型的模型结构、输出层激活函数和数据损失函数。
15.在一种具体实施方式中，若所述输入数据为k个样本点，且每个样本对应有n个测井数据以及p个储层参数，所述输入数据为所述测井数据，所述输出数据为所述储层参数；
16.所述神经网络模型中的输入层单元数为n个，所述输出层单元数为p个；
17.所述输出数据的属性信息中的任务类型为回归任务类型，所述输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数；
18.其中，k、n和p均为正整数，且均大于或等于1。
19.在一种具体实施方式中，若所述待训练的输入数据为k个样本点，且每个样本点对应有n个测井数据以及m类岩性和/或油气水层，所述输入数据为所述测井数据，输出数据为所述岩性和/或油气水层；
20.则所述神经网络模型包括第一神经网络模型和第二神经网络模型；
21.其中，所述第一神经网络模型的输入层单元数为n个，输出层单元数为p个；所述第二神经网络模型的输入层单元数为p个，输出层单元数为m个；
22.所述第一神经网络模型与所述第二神经网络模型相连接；
23.所述输出数据的属性信息中的任务类型为分类任务类型，所述第一神经网络模型用于添加岩石物理知识约束，输出层激活函数为线性激活函数；所述第二神经网络模型用于添加数据损失函数，所述输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，所述输出层激活函数选用非线性激活函数。
24.其中，k、n、p和m均为正整数，且均大于或等于1。
25.在一种具体的实施方式中，若所述输入数据为k个样本点，且每个样本点对应有n个测井数据、p个储层参数、以及m类岩性和/或油气水层，所述输入数据为所述测井数据，所述输出数据包括所述储层参数、以及所述岩性和/或油气水层。
26.则所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；
27.其中，所述第一神经网络模型的输入层单元数为n个，所述输出层单元数为c个；所述第二神经网络模型的输入层单元数为c个，所述输出层单元数为p个；所述第三神经网络模型的输入层单元数为c个，所述输出层单元数为m个；
28.所述第一神经网络模型分别与所述第二神经网络模型和第三神经网络模型相连接；
29.所述输出数据的属性信息中的任务类型包括回归任务类型和分类任务类型，所述第二神经网络模型中的输出层激活函数为线性激活函数，所述输出层数据损失函数为回归问题的损失函数；第三神经网络模型中的输出层激活函数为非线性激活函数，所述输出层数据损失函数为交叉熵损失函数或者多分类任务的损失函数；
30.其中，k、n、m、c和p均为正整数，且均大于或等于1。
31.在一种具体实施方式中，所述构建地层模型与井筒模型，包括：
32.根据所述输入数据，以及获取的所述输入数据所在区域的地质信息，构建对应的地层模型；
33.根据获取的钻头直径、录井信息、钻井液信息和地层水电阻率，以及所述测井数据
对应的深中浅电阻率，构建对应的井筒模型；
34.其中，所述地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。
35.在一种具体实施方式中，所述根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，包括：
36.总损失函数l采用如下公式获取：
[0037][0038]
其中，λ
data
是初始配置的数据损失函数的权重；l
data
()是初始配置的数据损失函数；y是样本标签值，即测井解释结果；是神经网络输出值；λ
pi
是岩石物理约束函数的权重；l
pi
()是岩石物理约束函数；x是样本输入的特征值。
[0039]
第二方面，本技术提供一种数据与物理模型联合驱动的测井储层评价装置，包括：
[0040]
获取模块，用于获取神经网络模型构建请求，所述构建请求包括：输入数据和输出数据，所述输入数据为待分析的测井数据，所述输出数据为所述待分析的测井数据对应的解释结果；
[0041]
所述获取模块，还用于根据所述输入数据和输出数据，构建对应的神经网络模型；
[0042]
所述获取模块，还用于利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到所述神经网络模型中的岩石物理约束；
[0043]
所述获取模块，还用于根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于所述总损失函数，对所述神经网络模型进行迭代训练，以获取储层分析模型；
[0044]
处理模块，用于获取储层分析请求，并根据所述储层分析请求，采用所述储层分析模型，对所述待分析的测井数据进行分析处理，以获取测井解释结果。
[0045]
在一种具体实施方式中，所述处理模块，具体用于：
[0046]
所述根据所述输入数据和所述输出数据的属性信息，构建对应的神经网络模型，包括：
[0047]
分别根据所述输入数据属性信息中的维度，和所述待检测的输出数据的属性信息中的维度，构建所述神经网络模型中的输入层单元数和输出层单元数；
[0048]
根据所述输入数据属性信息中的任务类型和数据类型，以及所述输出数据的属性信息中的任务类型和数据类型，构建所述神经网络模型的模型结构、输出层激活函数和数据损失函数。
[0049]
在一种具体实施方式中，所述处理模块，具体用于：
[0050]
若所述输入数据为k个样本点，且每个样本点对应有n个测井数据以及p个储层参数，所述输入数据为测井数据，所述输出数据为所述储层参数；
[0051]
所述神经网络模型中的输入层单元数为n个，所述输出层单元数为p个；
[0052]
所述输出数据的属性信息中的任务类型为回归任务类型，所述输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数；
[0053]
其中，k、n和p均为正整数，且均大于或等于1。
[0054]
在一种具体实施方式中，所述处理模块，具体用于：
[0055]
若所述输入数据为k个样本点，且每个样本点对应有n个测井数据以及m类岩性和/
或油气水层，所述输入数据为所述测井数据，输出数据为所述岩性和/或油气水层；
[0056]
所述神经网络模型包括第一神经网络模型和第二神经网络模型；
[0057]
其中，所述第一神经网络模型的输入层单元数为n个，输出层单元数为p个；所述第二神经网络模型的输入层单元数为p个，输出层单元数为m个；
[0058]
所述第一神经网络模型与所述第二神经网络模型相连接；
[0059]
所述输出数据的属性信息中的任务类型为分类任务类型，所述第一神经网络模型用于添加岩石物理知识约束，输出层激活函数为线性激活函数；所述第二神经网络模型用于添加数据损失函数，所述输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，所述输出层激活函数选用非线性激活函数。
[0060]
其中，k、n、p和m均为正整数，且均大于或等于1。
[0061]
在一种具体实施方式中，所述处理模块，具体用于：
[0062]
若所述输入数据为k个样本点，且每个样本点对应有n个测井数据、p个储层参数、以及m类岩性和/或油气水层，所述输入数据为所述测井数据，所述输出数据包括所述储层参数、以及所述岩性和/或油气水层。
[0063]
则所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；
[0064]
其中，所述第一神经网络模型的输入层单元数为n个，所述输出层单元数为c个；所述第二神经网络模型的输入层单元数为c个，所述输出层单元数为p个；所述第三神经网络模型的输入层单元数为c个，所述输出层单元数为m个；
[0065]
所述第一神经网络模型分别与所述第二神经网络模型和第三神经网络模型相连接；
[0066]
所述输出数据的属性信息中的任务类型包括回归任务类型和分类任务类型，所述第二神经网络模型中的输出层激活函数为线性激活函数，所述输出层数据损失函数为回归问题的损失函数；第三神经网络模型中的输出层激活函数为非线性激活函数，所述输出层数据损失函数为交叉熵损失函数或者多分类任务的损失函数；
[0067]
其中，k、n、m、c和p均为正整数，且均大于或等于1。
[0068]
在一种具体实施方式中，所述处理模块，具体用于：
[0069]
所述构建地层模型与井筒模型，包括：
[0070]
根据所述输入数据，以及获取的所述输入数据所在区域的地质信息，构建对应的地层模型；
[0071]
根据获取的钻头直径、录井信息、钻井液信息和地层水电阻率，以及所述测井数据对应的深中浅电阻率，构建对应的井筒模型；
[0072]
其中，所述地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。
[0073]
在一种具体实施方式中，所述处理模块，具体用于：
[0074]
所述根据所述岩石物理知识以及初始配置的数据损失函数，获取总损失函数，包括：
[0075]
总损失函数采用如下公式获取：
[0076]
[0077]
其中，λ
data
是初始配置的数据损失函数的权重；l
data
()是初始配置的数据损失函数；y是样本标签值，即测井解释结果；是神经网络输出值；λ
pi
是岩石物理约束函数的权重；l
pi
()是岩石物理约束函数；x是样本输入的特征值。
[0078]
第三方面，本技术提供一种电子设备，包括：
[0079]
至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，
[0080]
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的数据与物理模型联合驱动的测井储层评价方法。
[0081]
第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机指令用于使所述计算机执行第一方面所述的数据与物理模型联合驱动的测井储层评价方法。
[0082]
第五方面，本技术提供一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的数据与物理模型联合驱动的测井储层评价方法。
[0083]
本技术提供的数据与物理模型联合驱动的测井储层评价方法及装置，通过获取神经网络模型构建请求，构建请求包括：输入数据和输出数据，输入数据为待分析的测井数据，输出数据为与待分析的测井数据对应的解释结果；根据输入数据和输出数据构建相应的神经网络模型；利用地质信息和岩石物理知识构建地层模型和井筒模型，并根据构建的地层模型和井筒模型，选择添加到神经网络模型的岩石物理约束；根据岩石物理约束和初始配置的数据损失函数，获取总损失函数，并基于总损失函数，对神经网络模型进行迭代训练，获取储层分析模型；获取储层分析请求，并根据储层分析请求，采用储层分析模型，对待分析的测井数据进行分析处理，以获取测井解释结果。本技术将岩石物理知识以适当形式作为约束添加到总损失函数中，建立储层分析模型，利用储层分析模型对测井数据进行分析处理，获取对应的测井解释结果，保证了储层参数预测结果的准确性。同时在本技术中，当输入数据的数据标签、数据存在噪音或者数据量较小时会出现不符合岩石物理约束的情况，此时损失函数数值上升，储层分析预测模型参数发生更迭，使得岩石物理知识进一步拟合。与现有技术相比，本技术减少了输入数据标签不准确、存在数据噪音和数据量较小时带来的影响，进而降低了模型对输入数据的数据质量要求，提高了预测储层参数的准确性，增强了模型的可靠性。
附图说明
[0084]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0085]
图1为本技术提供的一种数据与物理模型联合驱动的测井储层评价方法实施例一的流程示意图；
[0086]
图2为本技术提供的一种数据与物理模型联合驱动的测井储层评价方法实施例二
的流程示意图；
[0087]
图3为本技术提供的一种数据与物理模型联合驱动的测井储层评价方法实施例三的流程示意图；
[0088]
图4为本技术提供的一种数据与物理模型联合驱动的测井储层评价方法实施例四的流程示意图；
[0089]
图5为本技术提供的一种数据与物理模型联合驱动的测井储层评价装置实施例的结构示意图；
[0090]
图6为本技术提供的一种电子设备实施例的结构示意图。
具体实施方式
[0091]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本技术保护的范围。
[0092]
本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0093]
现有技术中，对地层进行智能测井储层参数预测主要依靠纯数据驱动机器学习，在纯数据驱动机器学习机制下，由于采用概率论、凸优化等统计学领域知识对测井数据进行分析，导致了该机制对输入数据的质量要求较高，预测结果准确性较差，甚至得到与现有认知相悖的结果，且不能利用油气综合预测领域最直接的方法。
[0094]
基于该技术问题，本技术的技术构思在于：如何提供一种数据与物理模型联合驱动的测井储层评价方法，以降低对输入数据的质量要求，并能提高储层预测结果的准确性。
[0095]
下面对本技术的数据与物理模型联合驱动的测井储层评价方法进行详细的说明。
[0096]
图1为本技术提供的一种数据与物理模型联合驱动的测井储层评价处理方法的实施例一的流程图，如图1所示，该方法包括：
[0097]
步骤s101、获取神经网络模型构建请求，构建请求包括：输入数据和输出数据，输入数据为待分析的测井数据，输出数据为与待分析的测井数据对应的解释结果。
[0098]
本实施例中的待分析的测井数据是利用电、声、热或放射性等物理性质的仪器对待分析的油井的性质进行测试得到的数据，比如测井曲线。
[0099]
本实施例中的与待分析的测井数据对应的解释结果包括但不限于储层参数、岩性和/或油气水层。
[0100]
其中，储层参数指的是根据测井数据计算得到的可以表征油井性质的多种参数，比如孔隙度、渗透率、含油饱和度、含水饱和度和泥质质量等。孔隙度为岩石中孔隙空间的体积与岩石体积的比值，孔隙度的大小可以反映岩石存储油气的能力。渗透率为在一定外
界压差下，岩石允许流体通过的能力，可以衡量岩石中流体的通畅程度。岩性通常包括以下两种类型：岩石和粘土。岩石又可分为砂岩、砾岩、碳酸盐岩、页岩等。油气水层的判别方法因不同公司或组织的标准不同而变化，一般可划分为干层、水层、含油水层、油水同层、差油层、油层、气层等。
[0101]
可选的，根据输出数据类型不同，可以进一步对输出数据进行数据预处理，数据预处理包括但不限于：缺失值补全、数据归一化、数据标准化、异常值处理等。若输出数据为储层参数，则需进行数据对齐；若输出数据为岩性、油气水层，则需进行数据对齐、数字编码和独热编码。
[0102]
其中，数字编码是指，将文本表示的分类结果转换为数字表示，并将对应关系以字典形式储存。例如某套输出数据中，油气水层共有干层、水层、含油水层、油水同层、油层以及气层六类；数字编码后表示为{
‘
干层’:0,’水层’:1,’含油水层’:2,’油水同层’:3,’油层’:4,’气层’:5}。独热编码是指将数字表示的分类结果转换为0-1矩阵，接上列，若某条测井数据对应的油气水层为“含油水层”，独热编码后表示为[0,0,1,0,0,0]；若某条测井数据对应的油气水层为“气层”，独热编码后表示为[0,0,0,0,0,1]。
[0103]
步骤s102、根据输入数据和输出数据构建相应的神经网络模型。
[0104]
在本实施例中，神经网络模型的构建与输入数据和输出数据的属性信息有关，其中包括：神经网络模型输入层单元数由输入数据的数据数量决定；输出层的单元数由输出数据的数据数量决定；神经网络模型结构由输出数据中的任务类型和数据类型决定；神经网络模型输出层激活函数和数据损失函数由待检测的输出数据中的任务类型决定。其中，任务类型包括回归任务和分类任务，若输出数据为储层参数，则任务类型为回归任务，若输出数据为岩性/油气水层，则任务类型为分类任务。
[0105]
步骤s103、利用地质信息和岩石物理知识构建地层模型和井筒模型，并根据构建的地层模型和井筒模型，选择添加到神经网络模型的岩石物理约束。
[0106]
在本实施例中，可以根据输入数据，以及输入数据所在区域的地质信息，构建对应的地层模型；其中，地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。另外，还可以根据获取的钻井直径、录井信息、钻井液信息和地层水电阻率，以及测井数据对应的深中浅电阻率，构建对应的井筒模型。
[0107]
需要说明的是，岩石物理知识可以为具体表达式的准确关系，如测井响应方程；不等式达式的关系或取值范围，如“孔隙度取值范围在0到30％之间”；模糊的关系，如“泥岩的伽马测井响应值较高”。其中，根据与数据的关联度，岩石物理知识分为三类：对输入数据和输出数据均产生影响的知识，如测井响应方程，“泥岩的伽马测井响应值较高”等；仅对输入数据产生影响的知识，如“油基泥浆中深电阻率一般高于浅电阻率”；仅对输出数据产生影响的知识，如“含水饱和度与含油饱和度之和恒为1”。
[0108]
本实施例中所选择的岩石物理知识、所构建的地层模型和井筒模型、以及下述实施例中涉及的岩石物理知识以适当形式产生的约束共同构成本技术中的物理模型。该物理模型还可以包括其他受岩石物理知识影响的部分，本技术对此不做限定。
[0109]
步骤s104、根据岩石物理约束和初始配置的数据损失函数，获取总损失函数，并基于总损失函数，对神经网络模型进行迭代训练，获取储层分析模型。
[0110]
对于需进行回归任务的神经网络模型，即模型输出数据为储层参数，若模型输出结果的误差值越小，则模型越能满足预期效果，此时模型训练结束；若模型输出结果的误差值仍较大，则模型尚未达到预期结果，此时应对模型做出调整，重新对模型进行训练。
[0111]
对于需进行分类任务的神经网络模型，即模型输出数据为岩性/油气水层，若模型输出结果的分类精度越高，则模型越能满足预期效果，此时模型训练结束；若模型输出结果的精度存在较大偏差，则模型尚未达到预期结果，此时应对模型做出调整，重新对模型进行训练。
[0112]
对于同时进行回归任务和分类任务的神经网络模型，即模型输出数据包括储层参数和岩性/油气水层，若模型输出结果的误差值越小以及分类精度越高，则模型越能满足预期效果，此时模型训练结束；若模型输出结果的误差值较大且精度较低，则模型尚未达到预期结果，此时应对模型做出调整，重新对模型进行训练。
[0113]
另外，举例来说，针对上述对神经网络模型做出调整，可以包括如下调整：调整模型结构、调整参数、调整数据和/或调整所选取的岩石物理知识。其中，调整模型结构包括但不限于：调整激活函数类型、增加或删减隐藏层数、增加或删减隐藏层数中的单元数、单任务模型和多任务模型互相调换、单模态模型和多模态模型互相调换。调整参数包括但不限于：调整学习率(learning rate)、调整训练轮次(epoch)、调整训练批次(bitch)、调整第j个储层参数在损失函数中所占比重，即λj、调整是第j个储层参数添加的岩石物理知识对损失函数影响的权重。调整数据包括但不限于：更换数据、删减数据、增加数据、重新处理数据。调整岩石物理知识包括但不限于：调整井筒模型、调整地层模型、更换岩石物理知识、更换所添加的约束方式。
[0114]
步骤s105、获取储层分析请求，并根据储层分析请求，采用储层分析模型，对待分析的测井数据进行分析处理，以获取测井解释结果。
[0115]
在本实施例中，通过获取神经网络模型构建请求，构建请求包括：输入数据和输出数据，输入数据为待分析的测井数据，输出数据为待分析的测井数据对应的解释结果；根据输入数据和输出数据构建相应的神经网络模型；利用地质信息和岩石物理知识构建地层模型和井筒模型，并根据构建的地层模型和井筒模型，选择添加到神经网络模型的岩石物理约束；根据岩石物理约束和初始配置的数据损失函数，获取总损失函数，并基于总损失函数，对神经网络模型进行迭代训练，获取储层分析模型；获取储层分析请求，并根据储层分析请求，采用储层分析模型，对待分析的测井数据进行分析处理，以获取测井解释结果。由于将岩石物理知识以适当形式作为约束添加到损失函数中，建立了储层分析模型，进而利用储层分析模型对测井数据进行分析处理，以获取对应的测井解释结果，这保证了储层参数预测结果的准确性。同时在本技术中，当输入数据的数据标签、数据存在噪音或者数据量较小时会出现不符合岩石物理约束的情况，此时损失函数数值上升，储层分析预测模型参数发生更迭，使得岩石物理知识进一步拟合。与现有技术相比，本技术减少了输入数据标签不准确、存在数据噪音和数据量较小时带来的影响，进而降低了模型对输入数据的数据质量要求，提高了预测储层参数的准确性，增强了模型的可靠性。
[0116]
图2为本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价方法实施例三的流程图，在上述图1所示的实施例基础上，参见图2，该步骤s101中的一种神经网络模型的具体实现方式为：
[0117]
若有k个样本点，每个样本点对应有n个测井数据和p个储层参数，输出数据为储层参数，构建相应的神经网络模型。其中，输入数据为n个测井数据，输出数据为p个储层参数，则神经网络模型中的输入层单元数为n个，输出层单元数为p个，神经网络模型的任务类型为回归任务类型，输出数据类型为连续型数据，输出层激活函数为线性激活函数(linear activation function)或其他适用于回归问题的激活函数，损失函数为适合回归问题的损失函数。
[0118]
更为具体的，如图2所示，当建立输出数据为储层参数的神经网络模型后，该神经网络模型下的数据与物理模型联合驱动的测井储层评价方法具体实现方式为：根据输入数据和输入数据所在区域已知的地质信息，选择需要添加到该神经网络模型中的岩石物理知识；获取总损失函数，总损失函数包括：初始配置的数据损失函数和岩石物理知识以适当形式产生的约束；使用总损失函数对建立的神经网络模型进行训练，并基于训练的神经网络模型获取输出数据。另外，根据输出数据是否满足预期效果，对神经网络模型进行调整，包括调整模型结构、参数、数据以及选取的岩石物理知识，以重新对神经网络模型进行训练，换言之，通过不断的输出数据进行反馈处理，获取更新后的总损失函数，更新后的总损失函数包括：重新选取的岩石物理知识以适当形式产生的新约束和重新计算的数据损失函数，以对神经网络模型进行更迭训练，最终获取的输出数据能够达到预期效果，从而得到最终的储层分析模型。
[0119]
图3为本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价处理方法实施例四的流程图，在上述图1所示的实施例基础上，参见图3，该步骤s101中的一种神经网络模型具体实现方式为：
[0120]
若有k个样本点，每个样本点对应有n个测井数据以及m类岩性和/或油气水层，输出数据为m类岩性和/或油气水层，构建相应的神经网络模型，包括第一神经网络模型和第二神经网络模型。其中，第一神经网络模型输入数据为n个测井数据，输出数据为m类岩性和/或油气水层，神经网络中间输出参数为p个，则第一神经网络模型中的输入层单元数为n个，输出层单元数为p个，输出结果为中间数据，包括但不限于孔隙度、渗透率、含水饱和度、泥质含量，第一神经网络模型的任务类型为回归任务，输出层激活函数为线性激活函数(linear activation function)或其他适用于回归问题的激活函数。第二神经网络模型输入数据为中间数据，输出数据为岩性和/或油气水层，则第二神经网络模型中的输入层单元数为p个，输出层单元数为m个，第二神经网络模型的任务类型为分类任务，输出数据类型为离散型数据，输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，输出层激活函数选用非线性激活函数，包括但不限于softmax，softplus。
[0121]
更为具体的，如图3所示，当建立输出数据为岩性和/或油气水层的神经网络模型后，该神经网络模型下的数据与物理模型联合驱动的测井储层评价方法具体实现方式为：根据输入数据和输入数据所在区域已知的地质信息选择需要添加到该神经网络模型中的岩石物理约束，第一神经网络模型用于添加岩石物理知识约束，第一神经网络模型输出中间数据；获取总损失函数，第二神经网络模型用于添加总损失函数，并将岩石物理知识以相应形式作为约束与数据损失函数添加到总损失函数中；使用总损失函数对建立的神经网络模型进行训练，并基于训练的神经网络模型获取输出数据。另外，根据输出数据是否满足预期效果，对神经网络模型进行调整，包括调整模型结构、参数、数据以及选取的岩石物理知
识，以重新对神经网络模型进行训练，换言之，通过不断的输出数据进行反馈处理，获取更新后的总损失函数，更新后的总损失函数包括：重新选取的岩石物理知识以适当形式产生的新约束和重新计算的数据损失函数，以对神经网络模型进行更迭训练，最终获取的输出数据能够达到预期效果，从而得到最终的储层分析模型。
[0122]
图4为本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价方法实施例五的流程图，在上述图1所示的实施例基础上，参见图4，该步骤s101中的一种神经网络模型具体实现方式为：
[0123]
若有k个样本点，每个样本点对应有n个测井数据以及p个储层参数和m类岩性和/或油气水层，输出数据为储层参数、以及岩性和/或油气水层，构建相应的神经网络模型，包括第一神经网络模型、第二神经网络模型和第三神经网络模型。其中，第一神经网络模型输入数据为测井数据，输出数据由第二神经网络模型和第三神经网络模型同时输出，第二神经网络模型输出数据为p个储层参数，第三神经网络模型输出数据为m类岩性和/或油气水层，则第一神经网络模型中的输入层单元数为n个，输出层单元数为c个，第二神经网络模型的输入层单元数为c个，输出层单元数为p个，第三神经网络模型的输入层单元数为c个，输出层单元数为m个。第一神经网络模型仅用于添加岩石物理知识；第二神经网络模型的任务类型为回归任务，输出数据类型为连续型数据，输出层激活函数为线性激活函数，损失函数为适合回归问题的损失函数；第三神经网络模型的任务类型为分类任务，输出数据类型为离散型数据，输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，输出层激活函数选用非线性激活函数。
[0124]
更为具体的，如图4所示，当建立输出数据为岩性和/或油气水层的神经网络模型后，该神经网络模型下的数据与物理模型联合驱动的测井储层评价方法具体实现方式为：根据输入数据和输入数据所在区域已知的地质信息选择需要添加到该神经网络模型中的岩石物理约束，获取总损失函数，第二神经网络模型用于添加岩石物理约束，第三神经网络模型用于添加数据损失函数，并将岩石物理知识以相应形式作为约束与损失函数添加到总损失函数中；使用总损失函数对建立的神经网络模型进行训练，并基于训练的神经网络模型获取输出数据。另外，根据输出数据是否满足预期效果，对神经网络模型进行调整，包括调整模型结构、参数、数据以及选取的岩石物理知识，以重新对神经网络模型进行训练，换言之，通过不断的输出数据进行反馈处理，获取更新后的总损失函数，更新后的总损失函数包括：重新选取的岩石物理知识以适当形式产生的新约束和重新计算的数据损失函数，以对神经网络模型进行更迭训练，最终获取的输出数据能够达到预期效果，从而得到最终的储层分析模型。
[0125]
在实施例二至四中，详细举例说明了不同的输出数据对应的神经网络模型的构建过程，为得到不同的测井解释结果提供了依据，保证了预测结果的准确度。
[0126]
在上述实施例一至四任意实施例基础上，下面通过对根据岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于总损失函数，对神经网络模型进行迭代训练，以获取储层分析模型的相应情况进行说明，即对步骤s103中总损失函数的组成进行详细说明如下：
[0127]
首先，在一种实施场景下，当以平均绝对值百分比误差(mean absolute percent error,mape)函数表示数据损失函数l
data
、以测井响应方程表示岩石物理知识约束函数l
pi
时，总损失函数进一步表示为：
[0128][0129]
其中，数据损失函数l
data
为：
[0130][0131]
岩石物理知识约束函数l
pi
为：
[0132][0133]
其中，p为输出储层参数个数；k为样本数；是第i个样本中第j个储层参数的标签值；是第i个样本中第j个储层参数的神经网络输出值；是第i个样本中第j个储层参数的测井响应方程计算值；是第j个储层参数添加的测井响应方程对数据损失函数影响的权重；εj是第j个储层参数允许的测井响应方程的误差范围；λj是第j个储层参数在损失函数中所占比重；是第j个储层参数添加的测井响应方程对损失函数影响的权重。
[0134]
在一种实施场景中，当以平均绝对值误差(mean absolute error,mae)函数表示数据损失函数l
data
、以测井响应方程表示岩石物理知识约束函数l
pi
时，总损失函数进一步表示为：
[0135][0136]
其中，数据损失函数l
data
为：
[0137][0138]
岩石物理约束函数l
pi
为：
[0139][0140]
其中，p为输出储层参数个数；k为样本数；是第i个样本中第j个储层参数的标签值；是第i个样本中第j个储层参数的神经网络输出值；是第i个样本中第j个储层参数的测井响应方程计算值；是第j个储层参数添加的测井响应方程对数据损失函数影响的权重；εj是第j个储层参数允许的测井响应方程的误差范围；λj是第j个储层参数在损失函数中所占比重；是第j个储层参数添加的测井响应方程对损失函数影响的权重。
[0141]
在一种实施场景中，当以均方误差(mean square error,mse)函数表示数据损失函数l
data
、以测井响应方程表示岩石物理知识约束函数l
pi
时，总损失函数
进一步表示为
[0142][0143]
其中，数据损失函数l
data
为：
[0144][0145]
岩石物理知识约束函数l
pi
为：
[0146][0147]
其中，p为输出储层参数个数；k为样本数；是第i个样本中第j个储层参数的标签值；是第i个样本中第j个储层参数的神经网络输出值；是第i个样本中第j个储层参数的测井响应方程计算值；是第j个储层参数添加的测井响应方程对数据损失函数影响的权重；εj是第j个储层参数允许的测井响应方程的误差范围；λj是第j个储层参数在损失函数中所占比重；是第j个储层参数添加的测井响应方程对损失函数影响的权重。
[0148]
进一步地，对上述实施例中对的计算方式做出以下说明：
[0149]
以测井响应方程为伽马测井响应方程为例，已知伽马测井响应方程为：
[0150]
grρb＝gr
ma
ρ
ma
+v
sh
(gr
sh
ρ
sh-gr
ma
ρ
ma
)
[0151]
其中，gr为伽马测井响应值；ρb为补偿密度测井响应值；v
sh
为泥质含量，即gr
ma
与gr
sh
分别是骨架与泥质的伽马值，为区域性测井解释参数；ρ
ma
与ρ
sh
分别是骨架与泥质的补充密度，为区域性测井解释参数；
[0152]
此时，可写作：
[0153][0154]
其次，在一种实施场景下，当以平均绝对值百分比误差函数表示数据损失函数l
data
、以不等式或模糊关系表示岩石物理知识约束函数l
pi
时，总损失函数进一步表示为：
[0155][0156]
其中，数据损失函数l
data
为：
[0157][0158]
岩石物理知识约束函数l
pi
为：
[0159][0160]
其中，p为输出储层参数个数，k为样本数，是第i个样本中第j个储层参数的标签值；是第i个样本中第j个储层参数的神经网络输出值；xi是第i个样本中输入测井数据组成的n维向量；是神经网络对第i个样本输出数据组成的m维向量或(m+p)维向量；函数g
pi
()是根据岩石物理知识得到的测井数据和储层参数间恒成立的非正函数；是函数g
pi
()对第j个储层参数对损失函数影响的权重；εj是函数g
pi
()对第j个储层参数允许的误差范围；λj是第j个储层参数在损失函数中所占比重；是第j个储层参数添加的不等式或模糊关系对损失函数影响的权重。
[0161]
在一种实施场景下，当以平均绝对值误差函数表示数据损失函数l
data
、以不等式或模糊关系表示岩石物理知识约束函数l
pi
时，总损失函数进一步表示为：
[0162][0163]
其中，数据损失函数l
data
为：
[0164][0165]
岩石物理知识约束函数l
pi
为：
[0166][0167]
其中，p为输出储层参数个数，k为样本数，是第i个样本中第j个储层参数的标签值；是第i个样本中第j个储层参数的神经网络输出值；xi是第i个样本中输入测井数据组成的n维向量；是神经网络对第i个样本输出数据组成的m维向量或(m+p)维向量；函数g
pi
()是根据岩石物理知识得到的测井数据和储层参数间恒成立的非正函数；是函数g
pi
()对第j个储层参数对损失函数影响的权重；εj是函数g
pi
()对第j个储层参数允许的误差范围；λj是第j个储层参数在损失函数中所占比重；是第j个储层参数添加的不等式或模糊关系对损失函数影响的权重。
[0168]
在一种实施场景下，当以均方误差函数表示数据损失函数l
data
、以不等式或模糊关系表示岩石物理知识约束函数l
pi
时，总损失函数进一步表示为：
[0169]
[0170]
其中，数据损失函数l
data
为：
[0171][0172]
岩石物理知识约束函数l
pi
为：
[0173][0174]
其中，p为输出储层参数个数，k为样本数，是第i个样本中第j个储层参数的标签值；是第i个样本中第j个储层参数的神经网络输出值；xi是第i个样本中输入测井数据组成的n维向量；是神经网络对第i个样本输出数据组成的m维向量或(m+p)维向量；函数g
pi
()是根据岩石物理知识得到的测井数据和储层参数间恒成立的非正函数；是函数g
pi
()对第j个储层参数对损失函数影响的权重；εj是函数g
pi
()对第j个储层参数允许的误差范围；λj是第j个储层参数在损失函数中所占比重；是第j个储层参数添加的不等式或模糊关系对损失函数影响的权重。
[0175]
进一步地，对上述实施例中的g
pi
()的构造方式做出以下说明：
[0176]
以“孔隙度取值范围在0到30％之间”为例，该知识仅与输出数据相关：
[0177][0178]
其中，为孔隙度取值范围；当孔隙度的取值在0到0.3之间时g
pi
()为负数，当孔隙度大于0.3或小于0时g
pi
()为正数，超过的值越大g
pi
()越大。
[0179]
图5为本技术提供的一种数据与物理模型联合驱动的测井储层评价装置实施例的结构示意图，如图5所示，该数据与物理模型联合驱动的测井储层评价装置50包括：获取模块501和处理模块502。其中，获取模块501用于获取储层分析请求，储层分析请求包括待分析的测井数据；处理模块502用于根据储层分析请求，采用基于岩石物理知识训练获取的储层分析模型，对待分析的测井数据进行分析处理，以获取测井解释结果。
[0180]
在一种可能的实施方案中，处理模块502，具体用于：获取输入数据和输出数据；根据输入数据和输出数据的属性信息，构建对应的神经网络模型；构建地层模型与井筒模型，并根据构建后的地层模型和井筒模型，选择岩石物理知识；根据岩石物理知识以及初始配置的数据损失函数，获取总损失函数，并基于总损失函数，对神经网络模型进行迭代训练，以获取储层分析模型。
[0181]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0182]
在一种可能的实施方案中，处理模块502，具体用于：分别根据输入数据属性信息中的维度，和输出数据的属性信息中的维度，构建神经网络模型中的输入层单元数和输出层单元数；根据输入数据属性信息中的任务类型和数据类型，以及输出数据的属性信息中的任务类型和数据类型，构建神经网络模型的模型结构；根据输入数据属性信息中的任务类型，以及待检测的输出数据的属性信息中的任务类型，构建神经网络模型中的输出层激活函数和数据损失函数。
[0183]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0184]
在一种可能的实施方案中，处理模块502，具体用于：若输入数据为k个样本点，且每个样本点对应有n个测井数据，待输出数据为储层参数，则输出数据为k组，且每组中的储层参数为p个；神经网络模型中的输入层单元数为n个，输出层单元数为p个；输出数据的属性信息中的任务类型为回归任务类型，输出层激活函数为回归问题的损失函数，输出层数据损失函数为回归问题的激活函数；其中，k、n和p均为正整数，且均大于或等于1。
[0185]
在一种可能的实施方案中，处理模块502，具体用于：若输入数据为k个样本点，且每个样本点对应有n个测井数据，输出数据为岩性和/或油气水层，则输出数据为k组，且每组中的岩性和/或油气水层为m个；神经网络模型包括第一神经网络模型、第二神经网络模型；其中，第一神经网络模型的输入层单元数为n个，输出层单元数为p个；第二神经网络模型的输入层单元数为p个，输出层单元数为m个；第一神经网络模型与第二神经网络模型相连接；输出数据的属性信息中的任务类型为分类任务类型，第一神经网络模型用于添加岩石物理知识约束，输出层激活函数为线性激活函数；第二神经网络模型用于添加数据损失函数，输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，输出层激活函数选用非线性激活函数；其中，k、n、p和m均为正整数，且均大于或等于1。
[0186]
在一种可能的实施方案中，处理模块502，具体用于：若输入数据为k个样本点，且每个样本点对应有n个测井数据，输出数据包括储层参数、以及岩性和/或油气水层，则输出数据为2个k组，且第1个k组中每组中的储层参数为p个；第2个k组中每组中的岩性和/或油气水层为m个；则神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；其中，第一神经网络模型的输入层单元数为n个，输出层单元数为c个；第二神经网络模型的输入层单元数为c个，输出层单元数为p个；第三神经网络模型的输入层单元数为c个，输出层单元数为m个；第一神经网络模型分别与第二神经网络模型和第三神经网络模型相连接；输出数据的属性信息中的任务类型包括回归任务类型和分类任务类型，第二神经网络模型中的输出层激活函数为线性激活函数，输出层数据损失函数为回归问题的损失函数；第三神经网络模型中的输出层激活函数为非线性激活函数，输出层数据损失函数为交叉熵损失函数或者多分类任务的损失函数；其中，k、n、m、c和p均为正整数，且均大于或等于1。
[0187]
在一种可能的实施方案中，处理模块502，具体用于：根据输入数据，以及获取的输入数据所在区域的地质信息，构建对应的地层模型；根据获取的钻井液和侵入液，以及测井数据对应的电阻率响应方程，构建对应的井筒模型；其中，地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。
[0188]
在一种可能的实施方案中，处理模块502，具体用于：当以平均绝对值百分比误差函数表示数据损失函数l
data
、以测井响应方程表示岩石物理知识约束函数l
pi
时，总损失函数l表示形式如公式(1-1)所示，l
data
表示形式如公式(1-2)所示，l
pi
表示形式如公式(1-3)所示。
[0189]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0190]
在一种可能的实施方案中，处理模块502，具体用于：当以平均绝对值误差函数表示数据损失函数l
data
、以测井响应方程表示岩石物理知识约束函数l
pi
时，总损失函数l表示形式如公式(2-1)所示，l
data
表示形式如公式(2-2)所示，l
pi
表示形式如公式(2-3)所示。
[0191]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0192]
在一种可能的实施方案中，处理模块502，具体用于：当以均方差误差函数表示数据损失函数l
data
、以测井响应方程表示岩石物理知识约束函数l
pi
时，总损失函数l表示形式如公式(3-1)所示，l
data
表示形式如公式(3-2)所示，l
pi
表示形式如公式(3-3)所示。
[0193]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0194]
在一种可能的实施方案中，处理模块502，具体用于：当以平均绝对值百分比误差函数表示数据损失函数l
data
、以不等式或模糊关系表示岩石物理知识约束函数l
pi
时，总损失函数l表示形式如公式(4-1)所示，l
data
表示形式如公式(4-2)所示，l
pi
表示形式如公式(4-3)所示。
[0195]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0196]
在一种可能的实施方案中，处理模块502，具体用于：当以平均绝对值误差函数表示数据损失函数l
data
、以不等式或模糊关系表示岩石物理知识约束函数l
pi
时，总损失函数l表示形式如公式(5-1)所示，l
data
表示形式如公式(5-2)所示，l
pi
表示形式如公式(5-3)所示。
[0197]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0198]
在一种可能的实施方案中，处理模块502，具体用于：当以均方差误差函数表示数据损失函数l
data
、以不等式或模糊关系表示岩石物理知识约束函数l
pi
时，总损失函数l表示形式如公式(6-1)所示，l
data
表示形式如公式(6-2)所示，l
pi
表示形式如公式(6-3)所示。
[0199]
本技术实施例提供的一种数据与物理模型联合驱动的测井储层评价装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0200]
图6为本技术提供的一种电子设备的结构示意图，如图6所示，该电子设备60包括：至少一个处理器601和存储器602。其中，存储器602存储处理器601的可执行指令；处理器601配置为经由执行可执行指令来执行前述任一方法实施例中的技术方案。
[0201]
可选的，存储器602既可以是独立的，也可以与处理器601集成在一起的。
[0202]
该电子设备60还包括通信部件603。其中，处理器601、存储器602以及通信部件603通过总线604连接。
[0203]
该电子设备用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0204]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述任一方法实施例提供的技术方案。
[0205]
本技术实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理
器执行时用于实现前述任一方法实施例提供的技术方案。
[0206]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0207]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。
技术特征：1.一种数据与物理模型联合驱动的测井储层评价方法，其特征在于，包括：获取神经网络模型构建请求，所述构建请求包括：输入数据和输出数据，所述输入数据为待分析的测井数据，所述输出数据为与所述待分析的测井数据对应的解释结果；根据所述输入数据和输出数据，构建对应的神经网络模型；利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到所述神经网络模型中的岩石物理约束；根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于所述总损失函数，对所述神经网络模型进行迭代训练，以获取储层分析模型；获取储层分析请求，并根据所述储层分析请求，采用所述储层分析模型，对所述待分析的测井数据进行分析处理，以获取测井解释结果。2.根据权利要求1所述的数据与物理模型联合驱动的测井储层评价方法，其特征在于，所述根据所述输入数据和输出数据，构建对应的神经网络模型，包括：分别根据所述输入数据属性信息中的数据维度，和所述输出数据的属性信息中的数据维度，构建所述神经网络模型中的输入层单元数和输出层单元数；根据所述输入数据属性信息中的任务类型和数据类型，以及所述输出数据的属性信息中的任务类型和数据类型，构建所述神经网络模型的模型结构、输出层激活函数和数据损失函数。3.根据权利要求2所述的数据与物理模型联合驱动的测井储层评价方法，其特征在于，若有k个样本点，且每个样本对应有n维测井数据以及p维储层参数，所述输入数据为所述测井数据，所述输出数据为所述储层参数；则所述神经网络模型中的输入层单元数为n个，所述输出层单元数为p个；所述输出数据的属性信息中的任务类型为回归任务类型，所述输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数；其中，k、n和p均为正整数，且均大于或等于1；或者，若有k个样本点，且每个样本对应有n维测井数据以及m类岩性和/或油气水层，所述输入数据为所述测井数据，所述输出数据为所述岩性和/或油气水层；则所述神经网络模型包括第一神经网络模型和第二神经网络模型；其中，所述第一神经网络模型的输入层单元数为n个，输出层单元数为p个；所述第二神经网络模型的输入层单元数为p个，输出层单元数为m个；所述第一神经网络模型与所述第二神经网络模型相连接；所述输出数据的属性信息中的任务类型为分类任务类型，所述第一神经网络模型用于添加岩石物理知识约束，所述输出层激活函数为线性激活函数；所述第二神经网络模型用于添加数据损失函数，所述输出层数据损失函数为交叉熵损失函数或其他多分类任务的损失函数，所述输出层激活函数选用非线性激活函数；其中，k、n、p和m均为正整数，且均大于或等于1；或者，若有k个样本点，且每个样本对应有n维测井数据以及p为储层参数和m类岩性和/或油气水层，所述输入数据为测井数据，所述输出数据包括储层参数、以及岩性和/或油气水层；
则所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；其中，所述第一神经网络模型的输入层单元数为n个，所述输出层单元数为c个；所述第二神经网络模型的输入层单元数为c个，所述输出层单元数为p个；所述第三神经网络模型的输入层单元数为c个，所述输出层单元数为m个；所述第一神经网络模型分别与所述第二神经网络模型和第三神经网络模型相连接；所述输出数据的属性信息中的任务类型包括回归任务类型和分类任务类型，所述第二神经网络模型中的输出层激活函数为线性激活函数，所述输出层数据损失函数为适合回归问题的损失函数；第三神经网络模型中的输出层激活函数为非线性激活函数，所述输出层数据损失函数为交叉熵损失函数或者多分类任务的损失函数；其中，k、n、m、c和p均为正整数，且均大于或等于1。4.根据权利要求1至3任一所述的数据与物理模型联合驱动的测井储层评价方法，其特征在于，所述利用地质信息和岩石物理知识构建地层模型与井筒模型，包括：根据所述输入数据，以及获取的所述输入数据所在区域的地质信息，构建对应的地层模型；根据获取的钻头直径、录井信息、钻井液信息和地层水电阻率，以及所述测井数据对应的深中浅电阻率，构建对应的井筒模型；其中，所述地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。5.根据权利要求1至4任一所述的数据与物理模型联合驱动的测井储层评价方法，其特征在于，所述根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，包括：总损失函数l采用如下公式获取：其中，λ
data
是初始配置的数据损失函数的权重；l
data
()是初始配置的数据损失函数；y是样本标签值，即测井解释结果；是神经网络输出值；λ
pi
是岩石物理约束函数的权重；l
pi
()是岩石物理约束函数；x是样本输入的特征值。6.一种数据与物理模型联合驱动的测井储层评价装置，其特征在于，包括：获取模块，用于获取神经网络模型构建请求，所述构建请求包括：输入数据和输出数据，所述输入数据为待分析的测井数据，所述输出数据为与所述待分析的测井数据对应的解释结果；所述获取模块，还用于根据所述输入数据和输出数据，构建对应的神经网络模型；所述获取模块，还用于利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到所述神经网络模型中的岩石物理约束；所述获取模块，还用于根据所述岩石物理约束以及初始配置的数据损失函数，获取总损失函数，并基于所述总损失函数，对所述神经网络模型进行迭代训练，以获取储层分析模型；处理模块，用于获取储层分析请求，并根据所述储层分析请求，采用所述储层分析模型，对所述待分析的测井数据进行分析处理，以获取测井解释结果。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，还用于：根据所述输入数据，以及获取的所述输入数据所在区域的地质信息，构建对应的地层模型；根据获取的钻头直径、录井信息、钻井液信息和地层水电阻率，以及所述测井数据对应的深中浅电阻率，构建对应的井筒模型；其中，所述地质信息包括如下一种或者几种组合：地层和岩体的性质信息、矿物特性信息、物理性质和化学性质信息、岩石和地层的形成时代信息，以及构造信息。8.一种电子设备，其特征在于，包括：至少一个处理器、存储器；所述存储器用于存储所述处理器的可执行指令；所述至少一个处理器执行所述存储器存储的可执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的数据与物理模型联合驱动的测井储层评价方法。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至5任一项所述的数据与物理模型联合驱动的测井储层评价方法。10.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至5中任一项所述的数据与物理模型联合驱动的测井储层评价方法。
技术总结本申请提供的一种数据与物理模型联合驱动的测井储层评价方法及装置，包括：获取神经网络模型构建请求，包括输入数据和输出数据，并根据输入数据和输出数据，构建对应的神经网络模型；利用地质信息和岩石物理知识构建地层模型与井筒模型，并根据构建的地层模型和井筒模型，选择添加到神经网络模型中的岩石物理约束；根据岩石物理约束和初始配置的数据损失函数，获取总损失函数，利用总损失函数对神经网络模型进行迭代训练，获取储层分析模型；获取储层分析请求，根据储层分析请求，采用储层分析模型对待分析的测井数据进行分析处理，以获取测井解释结果。解决了现有数据驱动储层分析方法预测结果不准确的问题。方法预测结果不准确的问题。方法预测结果不准确的问题。
技术研发人员：邵蓉波 肖立志 廖广志 罗刚 陈文辉 周军 李国军 侯学理
受保护的技术使用者：中国石油集团测井有限公司
技术研发日：2022.07.01
技术公布日：2022/11/1
