本发明涉及油气勘探，尤其涉及一种储层关键参数预测方法及装置。
背景技术：
1、页岩油气作为一种非常重要的非常规油气资源，其勘探成果对于能源接替和社会经济的发展具有重要意义。可溶烃含量(s1)、热解烃含量(s2)和总有机碳含量(toc)作为页岩储层评价的储层关键参数，对实际勘探具有重要的指导意义。咸化湖盆地区，特别是柴达木盆地，作为中国重要的盐湖盆地之一，其页岩气资源丰富，然而由于其特殊的地质和化学特性，准确预测其中的toc、s1以及s2等参数一直是研究中的难点和重点。
2、近年来，随着数字化时代的到来，人工智能开始进入各个领域并发挥着巨大的作用，一些智能技术正在处理和解决石油行业面临的各种问题。机器学习通过让计算机自动学习数据和模式，进而完成一些复杂的任务，并根据学习到的模式和规律进行推理和预测。目前大量的机器学习模型应用于toc的预测，例如：支持向量回归(svr)和反向传播神经网络(bpnn)等，在合理的建模下，机器学习可以做到较为精准的实测toc含量预测。然而，传统的机器学习模型容易陷入局部最优，且经过训练的模型只能对有限数量的岩石或局部区域做出良好的预测。并且，大多数研究并没有考虑到页岩储层所处环境的探讨，这给研究结果带来了一定的局限性。
技术实现思路
1、基于以上所述，本发明的目的在于提出一种储层关键参数预测方法及装置，能够对储层关键参数进行较为准确的预测。
2、为达上述目的，本发明采用以下技术方案：
3、本技术的第一方面提供一种储层关键参数预测方法，包括：
4、获取待识别储层的储层特征输入向量；
5、将待识别储层的储层特征输入向量输入目标储层关键参数预测模型，对待识别储层的储层特征输入向量进行预测，输出储层关键参数的预测结果；其中
6、所述目标储层关键参数预测模型的运行过程包括先将待识别储层的储层特征输入向量经过全连接神经网络进行学习，然后将运算结果放入非线性激活函数relu种运算，获得第一输出；
7、将第一输出分别放入到多个transformer encoder中，每个transformer encoder包括多头自注意力机制和前馈神经网络；
8、第一输出首先通过transformer encoder的多头自注意力机制进行处理，获得第二输出；
9、第二输出通过线性变换，然后与训练数据集进行残差连接并进行层归一化，获得第三输出；
10、第三输出流向transformer encoder的前馈神经网络，通过前馈神经网络的非线性激活进一步处理，获得第四输出；
11、将第四输出与自注意力的输出相结合，再次进行残差连接和层归一化，形成各对应transformer encoder的最终输出；
12、将每个transformer encoder的最终输出进行拼接，以形成一个合并特征表示；以及
13、将合并特征表示经过全连接神经网络映射到预测结果中。
14、在一些实施方式中，在所述将待识别储层特征输入向量输入目标储层关键参数预测模型geo-transformer模型，对待识别储层特征输入向量进行预测，输出预测结果之前，还包括训练并获得所述目标储层关键参数预测模型，包括：
15、获取待训练的储层特征输入向量和与待训练的储层特征输入向量对应匹配的储层关键参数实测数据，所述储层关键参数包括实测toc含量、实测s1含量、实测s2含量；
16、将待训练储层的储层特征输入向量和对应匹配的储层关键参数实测数据按照预设比例划分为训练数据集和测试数据集；
17、基于geo-transformer模型构建初始储层关键参数预测模型模型，并基于训练数据集对所述初始储层关键参数预测模型进行模型训练，得到优化储层关键参数预测模型模型；
18、将测试数据集中的储层特征输入向量输入所述优化储层关键参数预测模型，并将输出的储层关键参数预测结果与测试数据集对应的储层关键参数实测数据进行对比评分分析，以获得所述目标储层关键参数预测模型。
19、在一些实施方式中，所述储层特征输入向量的获取方法包括：
20、获取目标储层的全井段测井数据和不同采样深度的多个样品的储层关键参数实测数据，全井段测井数据包括伽马射线测井曲线及其他相关测井曲线组成的多条测井曲线；
21、使用伽马射线测井曲线对所有的测井曲线进行岩性矫正，得到矫正后的测井数据；
22、依据各样品的采样深度，将不同采样深度对应的储层关键参数实测数据与矫正后的测井数据进行对应匹配，并对矫正后的测井数据进行平滑处理以获得处理后的测井数据；
23、利用one-hot编码对岩性特征进行处理，并将经过one-hot编码处理后的岩性特征与经过平滑处理后的测井数据进行拼接，形成综合特征矩阵数据；以及
24、对所述综合特征矩阵数据进行标准化处理，得到所述储层特征输入向量。
25、在一些实施方式中，所述使用伽马射线测井曲线对所有的测井曲线进行岩性矫正，包括：
26、通过移动所有的测井曲线，确保所有的测井曲线在垂直方向上的位置与地质标记层或已知的地质界面对齐，以对所有的测井曲线进行深度校准；和/或，
27、对收集到的伽马射线测井曲线进行清洗和预处理，利用伽马射线测井曲线的特性，识别不同岩石类型，并根据伽马射线测井曲线的特性，对相关测井曲线进行矫正。
28、在一些实施方式中，所述并对矫正后的测井数据进行平滑处理以获得处理后的测井数据，包括：
29、对矫正后的测井数据通过savitzky-golay滤波器进行平滑度处理，滤掉高频数据，以获得处理后的测井数据。
30、在一些实施方式中，所述标准化处理，包括：
31、采用归一化公式实现标准化处理，归一化公式为：
32、
33、其中，x是原始数据，xscaled是缩放后的数据，xmin和xmax分别是对应特征数据在原始数据中的最小值和最大值。
34、在一些实施方式中，所述其他相关测井曲线包括补偿中子测井曲线、密度测井曲线、声波测井曲线、深侧向电阻率曲线以及浅侧向电阻率曲线；和/或，
35、所述预设比例为4:1。
36、在一些实施方式中，所述将测试数据集中的储层特征输入向量输入所述优化储层关键参数预测模型，并将输出的储层关键参数的预测结果与测试数据集对应的储层关键参数的实测数据进行对比评分分析，以获得所述目标储层关键参数预测模型包括：
37、将储层关键参数的预测结果与测试数据集对应的储层关键参数的实测数据进行对比，当预测精度达到预设标准时，则获得目标储层关键参数预测模型。
38、本技术的第二方面提供一种储层关键参数预测装置，其特征在于，包括：
39、至少一个处理器；以及，
40、与该至少一个处理器通信连接的存储器；
41、其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述的储层关键参数预测方法。
42、本技术的第三方面提供一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现上述的储层关键参数预测方法。
43、本发明的有益效果为：
44、通过对transformer深度学习模型进行改进，使之更加适用于储层关键参数预测，能够从复杂的全井段测井数据中学习和提取特征，以实现对储层关键参数的准确预测。相比传统的实验室分析方法，本发明的预测结果更准确可靠，能够有效指导油气勘探和评价工作，尤其适用于页岩油气勘探和评价工作。
45、本发明所提出的方法基于全井段测井数据进行预测，无需进行样品提取和实验室分析，大大节省了时间和成本。通过使用计算机自动化处理，预测结果可快速获得，提高了工作效率，适用于大规模的储层评价和勘探工作。
46、本发明所提出的方法中采用的模型基于geo-transformer模型构建，保留了原模型中的自注意力机制，可以帮助模型自动识别并聚焦于数据中最重要的特征，忽略掉噪音，同时，可以捕捉全局的依赖关系，比传统的模型更能准确反映地址数据中的复杂关联。
47、本发明的方法主要针对于咸化湖盆的页岩储层关键参数预测，目前大多数方法忽略掉了页岩储层所处的地质环境，这也许是众多方法预测精度不高的原因，本发明依托柴达木盆地相关研究数据进行改进，使之对咸化湖盆页岩储层相关参数具有较强的适用性和推广价值。
1.一种储层关键参数预测方法，其特征在于，包括：
2.根据权利要求1所述的储层关键参数预测方法，其特征在于，在所述将待识别储层的储层特征输入向量输入目标储层关键参数预测模型，对待识别储层的储层特征输入向量进行预测，输出储层关键参数的预测结果之前，还包括训练并获得所述目标储层关键参数预测模型，包括：
3.根据权利要求2所述的储层关键参数预测方法，其特征在于，所述储层特征输入向量的获取方法包括：
4.根据权利要求3所述的储层关键参数预测方法，其特征在于，所述使用伽马射线测井曲线对所有的测井曲线进行岩性矫正，包括：
5.根据权利要求3所述的储层关键参数预测方法，其特征在于，所述对矫正后的测井数据进行平滑处理以获得处理后的测井数据，包括：
6.根据权利要求3所述的储层关键参数预测方法，其特征在于，所述标准化处理，包括：
7.根据权利要求3所述的储层关键参数预测方法，其特征在于，所述其他相关测井曲线包括补偿中子测井曲线、密度测井曲线、声波测井曲线、深侧向电阻率曲线以及浅侧向电阻率曲线；和/或，
8.根据权利要求2所述的储层关键参数预测方法，其特征在于，所述将测试数据集中的储层特征输入向量输入所述优化储层关键参数预测模型，并将输出的储层关键参数预测结果与测试数据集对应的储层关键参数实测数据进行对比评分分析，以获得所述目标储层关键参数预测模型包括：
9.一种储层关键参数预测装置，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1至8中任一项所述的储层关键参数预测方法。
