(19)中华 人民共和国 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 202111411640.8 (22)申请日 2021.11.25 (65)同一申请的已公布的文献号 申请公布号 CN 113837501 A (43)申请公布日 2021.12.24 (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 单小彩　张旺　周永健　吴克柳　 李靖　付博烨　陈掌星　朱日祥　 (74)专利代理 机构 北京市恒有知识产权代理事 务所(普通 合伙) 11576 代理人 郭文浩　尹文会(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) (56)对比文件 CN 111058840 A,2020.04.24 CN 112360411 A,2021.02.12 CN 10743 6452 A,2017.12.0 5 审查员 蒋娜 (54)发明名称 基于图神经网络的页岩总有机碳预测方法、 系统和设备 (57)摘要 本发明属于地质勘探领域， 具体涉及了一种 基于图神经网络的页岩总有机碳预测方法、 系统 和装置， 旨在解决现有的页岩总有机碳预测方法 存在的不能充分分析所有测井曲线数据与页岩 总有机碳含量间复杂非线性关系的问题。 本发明 包括： 获取目标页岩层的待预测井位的多种测井 曲线数据， 将所述多种测井曲线数据进行预处 理， 获得标准化的多种测井曲线数据， 对所述标 准化的多种测井曲线数据进行加窗处理， 并将加 窗后的测井曲线数据与权重矩 阵共同输入训练 好的GNN总有机碳预测网络， 获取待预测井位的 TOC值。 本发明将多种测井曲线视为具有关联性 的多维动态图数据进行输入并分析， 能够获得各 种测井曲线与TOC的复杂非线性关系， 提高预测 TOC的准确度。 权利要求书2页 说明书7页 附图3页 CN 113837501 B 2022.03.08 CN 113837501 B 1.一种基于图神经网络的页岩总有机碳预测方法， 其特 征在于， 所述方法包括： 步骤S100， 获取目标页岩层的待预测井位的多种测井曲线数据； 所述测井曲线数据， 是 指页岩气或页岩油打井开发过程中得到的地层响应信号， 包括所述测井曲线包括放射性 铀、 放射性钍、 放射性钾、 声波 时差、 补偿中子、 密度、 岩性密度、 深双侧向电阻率、 浅双侧向 电阻率和伽马测井曲线十种测井曲线； 步骤S200， 基于所述多种测井曲线数据进行 预处理， 获得标准化的多种测井曲线数据； 步骤S300， 对所述标准化的多种测井曲线数据进行加窗处理， 并将加窗后的测井曲线 数据与预设的测 井曲线间权重矩阵共同输入训练好的GNN总有机碳预测网络， 获取待预测 井位的TOC值； 所述方法还 包括第一分析测井曲线数据敏感性的步骤， 具体包括： 步骤S400A， 基于训练好的图卷积神经网络和所述待预测井位的TOC， 进行梯度反传， 获 得各个测井曲线对预测TOC的敏感性； 所述方法还 包括第二分析测井曲线数据敏感性的步骤， 具体包括： 步骤S400B， 将不同的标准测井曲线数据规划为不同组合测井曲线， 并另外训练不同的 测井曲线组合对应的GNN总有机碳预测网络， 获得不同测井曲线组合预测的TOC值， 基于所 述不同组合测井曲线 预测的TOC与已知井位的TOC实测点进 行对比， 分析各种测井曲线组合 对预测TOC数据的敏感性。 2.根据权利要求1所述的基于图神经网络的页岩总 有机碳预测方法， 其特征在于， 所述 训练好的GN N总有机碳预测网络， 其训练方法为： 步骤A100， 获取已知井位的标准测井曲线数据； 步骤A200， 通过对已知井位打井过程中获得的岩心进行总碳含量分析， 获得多个已知 井位的TOC测点， 并获取TOC实测值； 步骤A300， 根据所述已知井位的TOC测点位置， 对测井曲线进行加窗处理； 其 中， 加窗处 理的数据窗口 的中心对应的深度为TOC实测点 位置； 步骤A400， 预设测井曲线间权 重矩阵； 步骤A500， 将加窗后的测井曲线数据、 测井曲线间权重矩阵和TOC实测值划分为训练集 和验证集； 步骤A600， 将所述训练集与测井曲线间权重矩阵共同输入GNN总有机碳预测网络， 通过 测井曲线图卷积核提取训练样本特 征， 基于所述训练样本特 征， 输出训练集TOC预测值； 步骤A700， 基于所述训练集TOC  预测值和TOC实测值计算训练集的损失函数， 通过随机 梯度下降算法优化调整网络参数； 步骤A800， 每轮迭代将验证集与所述权重矩阵共同输入GNN总有机碳预测网络， 输出验 证集的TOC预测值； 基于所述验证集TOC预测值和TOC实测值计算验证集的损失函数； 步骤A900， 重 复步骤A600 ‑步骤A800的步骤， 直至训练集的损失函数低 于预设的阈值或 验证集的损失函数 出现上升 趋势， 获得训练好的GN N总有机碳预测网络 。 3.根据权利要求2所述的基于图神经网络的页岩总 有机碳预测方法， 其特征在于， 所述 基于图的卷积核由多个时空卷积块组成； 所述时空卷积块包括 顺次连接的两个ST ‑Conv Block块和一个全连接 输出层；权　利　要　求　书 1/2 页 2 CN 113837501 B 2其中每个ST ‑Conv Block块包括顺次连接的一个时间门限卷积块  Temporal  Gated‑ Conv、 一个空间图卷积块  Spatial Graph‑Conv和一个时间门限卷积块  Temporal  Gated‑ Conv； 其中每个时间门限卷积块， 通过GLU实现1 维因果卷积。 4.根据权利要求2所述的基于图神经网络的页岩总 有机碳预测方法， 其特征在于， 所述 损失函数， 优选采用均方误差或L2损失 实现。 5.根据权利要求1所述的基于图神经网络的页岩总 有机碳预测方法， 其特征在于， 所述 预处理包括： 去除测井曲线数据的异常值并进行归一 化。 6.一种基于图神经网络的页岩总 有机碳预测系统， 其特征在于， 所述系统包括： 测井曲 线获取模块、 数据预处 理模块和TOC预测模块； 所述测井曲线获取模块， 配置为获取目标页岩层的待预测井位的多种测井曲线数据； 所述测井曲线数据， 是指页岩气或页岩油打井开发过程中得到的地层响应信号， 包括所述 测井曲线包括放射性铀、 放射性钍、 放射性钾、 声波时差、 补偿中子、 密度、 岩性密度、 深双侧 向电阻率、 浅双侧向电阻率和伽马测井曲线十种测井曲线； 所述数据预处理模块， 配置为基于所述多种测井曲线数据进行预处理， 获得标准化的 多种测井曲线数据； 所述TOC预测模块， 配置为对所述标准化的多种测井曲线数据进行加窗处理， 并将加窗 后的测井曲线数据与预设的测井曲线间权重矩阵共同输入训练好的GNN总有机碳预测网 络， 获取待预测井位的TOC值； 还包括第一分析测井曲线数据敏感性的功能， 具体包括： 基于训练好的图卷积神经网络和所述待预测井位的TOC， 进行梯度反传， 获得各个测井 曲线对预测TOC的敏感性； 还包括第二分析测井曲线数据敏感性的功能， 具体包括： 将不同的标准测井曲线数据规划为不同组合测井曲线， 并另外训练不同的测井曲线组 合对应的GNN总有机碳预测网络， 获得不同测 井曲线组合预测的TOC值， 基于所述不同组合 测井曲线预测的TOC与已知井位的TOC实测点进行对比， 分析各种测井曲线组合对预测TOC 数据的敏感性。 7.一种电子设备， 包括： 至少一个处理器； 以及与至少一个所述处理器通信连接的存储 器； 其中， 所述存储器存储有 可被所述处理器执行的指 令， 所述指 令用于被所述处理器执行 以实现权利要求1 ‑5任一项所述的基于图神经网络的页岩总有机碳预测方法。 8.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机指令， 所述计算 机指令用于被所述计算机执行以实现权利要求 1‑5任一项所述的基于图神经网络的页岩总 有机碳预测方法。权　利　要　求　书 2/2 页 3 CN 113837501 B 3