(19)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 202111232426.6 (22)申请日 2021.10.2 2 (71)申请人 中国石油天然气股份有限公司 地址 100007 北京市东城区东 直门北大街9 号中国石油大厦 (72)发明人 马新华　刘钰洋　张晓伟　郭为　 于荣泽　孙玉平　康莉霞　 (74)专利代理 机构 北京思格 颂知识产权代理有 限公司 1 1635 专利代理师 杨超 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/08(2006.01) (54)发明名称 可采储量预测模 型建立方法、 可采储量预测 方法和装置 (57)摘要 本发明公开了可采储量预测模 型建立方法、 可采储量预测方法和装置。 所述可采储量预测模 型建立方法， 包括， 将每口样本井的多个设定归 一化后参数作为一条样本， 得到包含多条样本的 样本集； 按设定规则设置深度前馈神经网络的网 络结构和网络参数， 使用样本集对设置后深度前 馈神经网络进行训练， 以得到用于预测目标井可 采储量的可采储量预测模型。 能够实现可采储量 的合理预测。 权利要求书3页 说明书10页 附图2页 CN 114580261 A 2022.06.03 CN 114580261 A 1.一种可采 储量预测模型建立方法， 其特 征在于， 包括： 将每口样本井的多个设定归一化后参数作为一条样本， 得到包含多条所述样本的样本 集， 所述参数包括可采 储量； 按设定规则设置深度 前馈神经网络的网络结构和网络参数， 使用所述样本集对设置后 深度前馈神经网络进行训练， 以得到用于预测目标井可采 储量的可采 储量预测模型。 2.如权利要求1所述的方法， 其特征在于， 按设定规则设置深度 前馈神经网络的网络结 构， 具体包括： 按设定规则设置深度前馈神经网络的网络层数和每层网络的节点数。 3.如权利要求2所述的方法， 其特征在于， 所述按设定规则设置深度前馈神经网络的网 络层数和每层网络的节点数， 具体包括： 设置深度前馈神经网络的网络层的层数为8层， 所述网络层按网络顺序依次包括输入 层、 第一隐含层、 第二隐含层、 第三隐含层、 第四隐含层、 第五隐含层、 第六隐含层和输出层； 设置所述输入层的节点数为17， 所述第一隐含层的节点数为50， 所述第二隐含层的节 点数为40， 所述第三隐含层的节 点数为30， 所述第四隐含层的节 点数为20， 所述第五隐含层 的节点数为10， 所述第六隐含层的节点数为5， 所述输出层的节点数为1。 4.如权利要求1所述的方法， 其特征在于， 按设定规则设置深度 前馈神经网络的网络参 数， 具体包括： 按设定规则设置深度前馈神经网络的至少一项下述网络参数： 激活函数、 学习率调整函数和初始化 函数。 5.如权利要求4所述的方法， 其特征在于， 按设定规则设置深度 前馈神经网络的激活函 数， 具体包括： 将深度前馈神经网络的激活函数设置为下述 函数： 其中， α 为偏移斜 率， y为变量； 将所述偏移斜 率α 的值设置为0.2。 6.如权利要求4所述的方法， 其特征在于， 按设定规则设置深度 前馈神经网络的学习率 调整函数， 具体包括： 将深度前馈神经网络的学习率调整函数设置为RMS Prop函数； 将所述RMS Prop函数的正 规化参数和移动平均衰减系数的值分别设置为0.3和0.9。 7.如权利要求4所述的方法， 其特征在于， 按设定规则设置深度 前馈神经网络的初始化 函数， 具体包括： 将深度前馈神经网络的初始化 函数设置为gl orot_uniform函数。 8.如权利要求1所述的方法， 其特征在于， 所述使用所述样本集对设置后深度 前馈神经 网络进行训练， 具体包括： 使用所述样本集对设置后深度 前馈神经网络进行迭代训练， 直至当前深度前馈神经网 络的输出精度满足设定精度要求； 若迭代次数超过设定的次数阈值， 且当前深度前馈神经网络的输出精度不满足设定精权　利　要　求　书 1/3 页 2 CN 114580261 A 2度要求， 则修改当前深度前馈神经网络的网络结构和/或网络参数， 重新使用所述样本集对 当前深度前馈神经网络进 行迭代训练， 直至当前深度前馈神经网络的输出精度满足设定精 度要求。 9.如权利要求8所述的方法， 其特征在于， 使用所述样本集对设置后深度 前馈神经网络 进行训练后， 还 包括： 利用测试样本集对训练后深度 前馈神经网络进行测试， 判断测试得到的误差是否满足 设定误差要求； 若否， 修改当前深度 前馈神经网络的网络结构和/或网络参数， 重新使用所述样本集对 当前深度前馈神经网络进 行迭代训练， 直至当前深度前馈神经网络的输出精度满足设定精 度要求， 且利用测试样本集对当前深度前馈神经网络进行测试得到的误差满足所述设定误 差要求。 10.如权利要求1所述的方法， 其特征在于， 所述多个设定归一化后 参数， 包括研究区的 地质因素、 工程因素和生产因素参数。 11.如权利要求10所述的方法， 其特征在于， 所述地质因素参数包括至少一项下述参 数： 总有机碳含量TOC、 孔隙度、 优质储层厚度、 含气饱和度、 压力系数和脆 性矿物含量； 所述工程因素参数包括至少一项下述 参数： 压裂段长、 压裂段数、 垂深、 平均段间距、 用液强度、 加砂强度、 平均排量、 优质储层钻遇 长度、 目的层钻遇 长度； 所述生产因素参数包括测试产量和/或首年日产量。 12.如权利要求1所述的方法， 其特 征在于， 还 包括： 按照下述公式对各样本井的同一设定参数进行归一 化处理： 其中， 为第i口样本井的该设定参数的归一化后值， i＝1， 2， ……N， N为样本井的总 井 数； xi为第i口样本井的该设定参数的原始值； μ(x)为该设定参数的期望； σ(x)为该设定参 数的标准差 。 13.如权利要求1～12任一项所述的方法， 其特征在于， 所述样本井为样本页岩气井， 所 述目标井为目标页岩气井； 所述多个设定归一 化后参数包括样本页岩气井的页岩气可采 储量； 所述可采 储量预测模型用于预测目标页岩气井的页岩气可采 储量。 14.一种可采 储量预测方法， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 114580261 A 3