买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国矿业大学

摘要：本发明公开了一种基于小样本随钻数据反演的岩石孔隙度预测方法，通过采集钻机在实验室或现场钻进过程中的随钻参数，包括：扭矩M、推进力F、转速N、推进速度V、钻杆振幅A、振动加速度a参量；将多重降噪处理后的不同类型随钻参数数据输入BP‑GA模型进行离散点剔除、数据增强和迭代计算，形成新的随钻数据集；将不同孔隙度岩石随钻参数时频域特征图输入至VG‑CNN卷积神经网络预测模型，通过训练学习得到随钻参数时频域特征与孔隙度之间的反演模型，最终实现依据现场实时随钻参数对岩石孔隙度进行反演预测；本方法基于少量钻孔随钻数据即可对岩石孔隙度进行快速、准确、定量反演预测。

主权项：1.一种基于小样本随钻数据反演的岩石孔隙度预测方法，其特征在于，包括以下步骤：步骤S1：采集钻机在实验室或地下巷道钻进过程中的随钻信息，获取扭矩M、推进力F、转速N、推进速度V、钻杆振幅A、振动加速度a关键随钻参数；步骤S2：对采集到的不同类型随钻参数进行多重降噪处理，将多重去噪后的随钻参数值输入“BP-GA”模型，得到新的随钻参数衍生数据集；不同类型随钻参数多重降噪方法的实现过程，包括以下步骤：步骤1.1：基于连续采集的不同类型随钻参数的原始数据，计算每一类随钻参数原始数据的极值点mi、平均值ni和局部幅值ai； 采用局部均值函数at将原始随钻数据xt进行分离，之后采用包络估算函数mt将原始随钻数据xt进行解调：ht＝xt-at3 重复以上操作，直至原始随钻数据xt降维为单调函数或者具有≤3个极值点时，停止迭代计算，此时原始随钻数据xt被分解为k个决策分量PF和一个分解余量；步骤1.2：以峭度H1、相关系数H2和均方根值H3作为PF分量的选择标准，则PF分量的评价指标Vij表示为： 式中，j取值为1，2，3，……，k；此处定义Vij90％以上的PF分量为有效分量；步骤1.3：采用小波降噪的方法对筛选后的PF分量进行更进一步的降噪处理，包括对扭矩M、推进力F、转速N、推进速度V、钻杆振幅A、振动加速度a的有效PF分量进行小波降噪，其中扭矩、转速用到的小波去噪函数为db3小波去噪函数，推进力、推进速度用到的小波去噪函数为coif3小波去噪函数，钻杆振幅、振动加速度用到的小波去噪函数为bior3.3小波去噪函数；步骤1.4：将多重去噪后的随钻参数数据输入“BP-GA”模型进行迭代、交叉、变异，实现数据增强和数据衍生；建立“BP-GA”模型简历的具体方法为：步骤2.1：采用神经网络BP确定采集的随钻信息样本及期望输出值，通过自适应算法确定每一类型随钻参数对应的BP神经网络初始权重和阈值，从而剔除不合理数据；步骤2.2：针对剔除不合理数据后的6类随钻参数，均采用遗传算法进行迭代、交叉和数据变异，编码后产生的新的随钻参数数据群体分别为M1、M2、……、M6；步骤2.3：将新生成的随钻参数数据分别与钻进时间t建立关系曲线，进而获得不同类型随钻参数的时频域特征图；步骤2.4：利用神经网络中的数据增强功能，对每一类型随钻参数的时频域特征图进行随机翻转、顺时针或逆时针旋转、亮度改变、像素值提升操作，扩充随钻参数时频域图像库，直至每一类型随钻参数对应的时频域特征图像均≥1200张时，停止神经网络的迭代计算；步骤S3：分析新的随钻参数数据集内，不同类型随钻参数随钻进时间t的变化曲线，得到随钻参数时频域图，通过神经网络中的数据增强功能得到不同类型随钻参数的时频域图像库；步骤S4：构建岩石孔隙度卷积神经网络预测模型，对不同孔隙度岩石钻进过程随钻参数时频域特征图像库进行学习和训练，确定模型的最初学习率和衰减系数，得到岩石孔隙度预测结果。

全文数据：

权利要求：

百度查询： 中国矿业大学 一种基于小样本随钻数据反演的岩石孔隙度预测方法