(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111400726.0 (22)申请日 2021.11.19 (65)同一申请的已公布的文献号 申请公布号 CN 114066084 A (43)申请公布日 2022.02.18 (73)专利权人 中国科学院地质与地球物理研究 所 地址 100029 北京市朝阳区北土城西路19 号 (72)发明人 邹佳儒　霍守东　刘恩良　周旭晖　 穆盛强　黄亮　 (74)专利代理 机构 北京方圆嘉 禾知识产权代理 有限公司 1 1385 专利代理师 程华 (51)Int.Cl. G06Q 10/04(2012.01)G06F 30/20(2020.01) G06N 3/04(2006.01) G06N 20/00(2019.01) G06F 113/08(2020.01) (56)对比文件 CN 10980 0521 A,2019.0 5.24 CN 107701180 A,2018.02.16 CN 104018 829 A,2014.09.0 3 CN 10983823 0 A,2019.0 6.04 US 2021285902 A1,2021.09.16 Peng Liu et.al.An ef fective method to calculate permeabi lity based o n Stoneley waves. 《2013 6th I nternati onal Congress on Image and Signal Proces sing (CISP)》 .2014, 审查员 余吉 (54)发明名称 一种基于机器学习的相渗曲线预测方法及 系统 (57)摘要 本发明涉及一种基于机器学习的相渗曲线 预测方法及系统， 通过以测井曲线数据作为输 入， 将含水饱和度的端点值作为输出， 建立第一 相渗曲线起始点模型； 以测井曲线数据和第一相 渗曲线起始点模型输出的预测含水饱和度起始 值作为输入， 以不同含水饱和度下的相对渗透率 为输出， 建立第一相对渗透率模型， 最终获得相 渗曲线深度学习分析综合预测方法， 从而将控制 机制和参数隐含到模型中， 无需建立相对渗透率 数学模型、 模拟非线性控制机制， 提高了获取相 渗曲线的效率， 降低了相渗曲线预测成本， 提高 了预测精度， 并为人工智能应用于反演和成像问 题提供可行性验证和技术支 撑， 从而作为相对渗 透率预测的有效工具。 权利要求书3页 说明书7页 附图8页 CN 114066084 B 2022.07.29 CN 114066084 B 1.一种基于 机器学习的相渗曲线预测方法， 其特 征在于， 包括： 采集岩样的相渗曲线数据和所述岩样所在井的测井曲线数据； 所述相渗曲线数据包括 含水饱和度和不同含水饱和度对应的相对渗透率； 选取部分所述相渗曲线数据和所述测井曲线数据分别作为样本相渗曲线数据和样本 测井曲线数据； 将所述样本测井曲线数据作为输入， 将所述样本相渗曲线数据中含水饱和度的起始值 作为标签， 采用机器学习算法训练相渗曲线起始点模型， 得到第一相渗曲线起始点模型； 根据所述第一相渗曲线起始点模型 得到预测含水饱和度起始值； 将所述样本测井曲线数据和所述预测含水饱和度起始值作为输入， 将所述样本相渗曲 线数据中的相对渗透率作为标签， 采用机器学习算法训练相对渗透率模型， 得到第一相对 渗透率模型； 根据所述第一相对渗透率模型 得到预测相对渗透率； 根据所述预测含水饱和度起始值和所述预测含水饱和度起始值对应的所述预测相对 渗透率绘制 相渗曲线； 所述机器学习算法包括随机森林算法、 Adaboost算法、 梯度提升决策树算法和XGBoost 算法。 2.根据权利要求1所述的一种基于机器学习的相渗曲线预测方法， 其特征在于， 所述测 井曲线数据包括自然伽马测 井数据、 井深测井数据、 井径测 井数据、 自然电位测 井数据、 时 差测井数据、 中子测井数据、 声波时差测井数据、 浅电阻率测井数据、 梯度电阻率测井数据、 感应电导 率测井数据和密度测井数据中的一种或多种。 3.根据权利要求1所述的一种基于机器学习的相渗曲线预测方法， 其特征在于， 在采集 岩样的相渗曲线 数据和所述岩样所在井的测井曲线数据之后， 对所述测井曲线数据进 行预 处理， 得到处理后的测井曲线数据； 将所述处理后的测井曲线数据作为新的所述测井曲线 数据， 其中所述预处 理包括标志层整理、 校正和补全处 理。 4.根据权利要求3所述的一种基于机器学习的相渗曲线预测方法， 其特征在于， 所述对 所述测井曲线数据进行 预处理， 具体包括： 对所述测井曲线数据选取 标志层， 得到第一测井曲线数据； 采用绘图工具对所述第一测井曲线数据进行一致性校正处理， 得到第二测井曲线数 据； 利用经验公式、 岩石物理模型和深度学习方法， 筛选出所述第二测井曲线数据中最优 测井曲线； 根据所述 最优测井曲线补全其 他所述第二测井曲线数据。 5.根据权利要求1所述的一种基于机器学习的相渗曲线预测方法， 其特征在于， 在所述 得到第一相渗曲线起始点模型之后， 还 包括： 对所述第一相渗曲线起始点模型进行检验， 具体包括： 将除样本相渗曲线数据和样本测井曲线数据的其余相渗曲线数据和其余测井曲线数 据分别作为测试相渗曲线数据和 测试测井曲线数据； 将所述测试测井曲线数据输入所述第 一相渗曲线起始点模型， 得到预测含水饱和度起 始值；权　利　要　求　书 1/3 页 2 CN 114066084 B 2根据所述预测含水饱和度起始值和所述测试相渗曲线数据中的含水饱和度的起始值， 采用均方误差方法建立损失函数； 当所述损 失函数最小时， 所述第一相渗曲线起始点模型训练完成， 得到训练好的相渗 曲线起始点模型； 将所述训练好的相渗曲线起始点模型作为新的第一相渗曲线起始点模型， 返回 “根据 所述第一相渗曲线起始点模型 得到预测含水饱和度起始值 ”步骤。 6.根据权利要求1所述的一种基于机器学习的相渗曲线预测方法， 其特征在于， 在所述 得到第一相对渗透率模型之后， 还 包括： 对所述第一相对渗透率模型进行检验， 具体包括： 将除样本相渗曲线数据和样本测井曲线数据的其余相渗曲线数据和其余测井曲线数 据分别作为测试相渗曲线数据和 测试测井曲线数据； 将所述测试测井曲线数据和所述预测含水饱和度起始值输入所述第一相对渗透率模 型， 得到预测相对渗透率； 根据所述预测相对渗透率和所述测试相渗曲线数据中的相对渗透率， 采用均方误差方 法建立损失函数； 当所述损 失函数最小时， 所述第一相对渗透率模型训练完成， 得到训练好的相对渗透 率模型； 将所述训练好的相对渗透率模型作为新的第一相对渗透率模型， 返回 “根据所述第一 相对渗透率模型 得到预测相对渗透率 ”步骤。 7.一种基于 机器学习的相渗曲线预测系统， 其特 征在于， 包括： 采样模块， 用于采集岩样的相渗曲线数据和所述岩样所在井的测井曲线数据； 所述相 渗曲线数据包括含水饱和度和不同含水饱和度对应的相对渗透率； 样本数据选取模块， 用于选取部分所述相渗曲线数据和所述测井曲线数据分别作为样 本相渗曲线数据和样本测井曲线数据； 第一相渗曲线起始点模型训练模块， 用于将所述样本测井曲线数据作为输入， 将所述 样本相渗曲线 数据中含水饱和度的起始 值作为标签， 采用机器学习算法训练相渗曲线起始 点模型， 得到第一相渗曲线起始点模型； 含水饱和度起始值预测模块， 用于根据所述第 一相渗曲线起始点模型得到预测含水饱 和度起始值； 第一相对渗透率模型训练模块， 用于将所述样本测井曲线数据和所述预测含水饱和度 起始值作为输入， 将所述样本相渗 曲线数据中的相对渗透率作为标签， 采用机器学习算法 训练相对渗透率模型， 得到第一相对渗透率模型； 相对渗透率预测模块， 用于根据所述第一相对渗透率模型 得到预测相对渗透率； 相渗曲线绘制模块， 用于根据 所述预测含水饱和度起始值和所述预测含水饱和度起始 值对应的所述预测相对渗透率绘制 相渗曲线； 所述机器学习算法包括随机森林算法、 Adaboost算法、 梯度提升决策树算法和XGBoost 算法。 8.根据权利要求7所述的一种基于机器学习的相渗曲线预测系统， 其特征在于， 还包 括： 预处理模块； 所述预 处理模块用于对所述测井曲线 数据进行预处理， 得到处理后的测井权　利　要　求　书 2/3 页 3 CN 114066084 B 3