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！

龙图腾网获悉西南石油大学申请的专利一种基于交叉注意力扩散模型的储层预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117236390B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311229800.6，技术领域涉及：G06N3/0464；该发明授权一种基于交叉注意力扩散模型的储层预测方法是由武娟;罗仁泽;罗磊;雷璨如设计研发完成，并于2023-09-22向国家知识产权局提交的专利申请。

本一种基于交叉注意力扩散模型的储层预测方法在说明书摘要公布了：本发明提出一种基于交叉注意力扩散模型的储层预测方法，以生成式扩散模型为储层参数预测的基础，工区已有测井及取心资料作为数据支撑，结合Transformer特征提取模块及交叉注意力模块，更好地捕获了测井数据与储层参数之间的交互关联，提升模型在迭代去噪过程中预测储层参数的准确率。相较于常规地质方法依赖于建模繁琐的数学经验公式计算储层参数，本发明以一种端到端的方式预测储层参数，即将任意目标区域的测井数据直接输入到训练好的模型中预测储层参数，更好地提取测井数据各特征之间的相关性，避免了通过获取岩心数据对模型进行校正带来的成本问题，实现对任意目标区域低成本高精度的储层参数预测。

本发明授权一种基于交叉注意力扩散模型的储层预测方法在权利要求书中公布了：1.一种基于交叉注意力扩散模型的储层预测方法，其特征在于，包括以下步骤： S1：获取工区已有的测井资料和取心资料； S2：对所获取的测井数据进行预处理，并构建训练和测试样本数据集； S3：构建交叉注意力扩散模型网络结构； S4：将所述训练样本输入交叉注意力扩散模型进行训练； S5：根据所述步骤S4训练的交叉注意力扩散模型，对任意目标区域的储层参数进行预测； S1、所述步骤S1中获取工区已有的测井资料包括以下测井参数：自然伽马GR、声波时差AC、井径CAL、补偿中子CNL、补偿密度DEN、自然电位SP、电阻率测井值RT，应至少选择三种及以上的测井参数作为特征数据；工区已有取心资料作为标签数据，包括：孔隙度POR、渗透率PERM和含油饱和度SO，对于未取心工区，则需要预测该类储层参数； S2、所述步骤S2中对所获取的测井数据进行预处理包括去除异常值及标准化处理，去除异常值采用鲁棒随机分割森林算法RobustRandomCutForest,RRCF，包括以下步骤： S21：给定包含N个样本点的测井数据集X＝{x1,x2,…,xn,…,xN}，其中每个样本xi的特征维数为M，首先选取前n个样本点X′＝{x1,x2,…,xn}初始化鲁棒随机分割树：计算X′中所有样本在各特征维度d上的最大值和最小值根据概率分布随机选取一个特征维度d，其中在选取的特征维度d上采样分割值C，其概率分布为根据选取的特征维度d，将X′分割成左子树Xleft＝{xi|xi∈X′,xid≤C}和右子树Xright＝X′\Xleft，在Xleft和Xright中重复执行采样分割值C和分割子树的过程，直到X′中的所有样本点均被分割到叶子结点上，且每个叶子结点仅包含一个样本点，最终由所有的Xleft和Xright构成初始化的鲁棒随机分割树T； S22：其次，通过删除和插入样本点来计算异常评分，从第n+1个样本点开始，先删除T中第xi-n个样本所属叶子结点的父结点，并用其兄弟结点代替，其中i＝n+1，当删除样本点xi-n时，模型复杂度的变化量，即T中所有叶子结点深度之和的变化值，为该点的异常程度，因此，样本点xi-n的异常评分计算为： 其中，函数f表示样本集X′生成的T中任意一个叶子结点y的深度；异常评分sxi-n,X′越接近于0，xi-n是异常样本点的可能性越小；从T中删除样本点xi-n后，再将样本点xi并至删除了xi-n的集合X′\{xi-n}，得到新样本点集合X′\{xi-n}∪{xi}；重复执行鲁棒随机分割树的初始化过程，得到插入样本点xi的鲁棒随机分割树T″；通过删除样本点xi-n，其中i＝n+2，计算并记录xi-n的异常评分； S23：最后，迭代执行上述初始化鲁棒随机分割树，删除和插入样本点的过程，直到得到测井数据集X中所有样本点的异常评分S＝{sx1,sx2,…,sxN}，将所有异常评分进行降序排列S′＝DescendingSortS，设定S′中前2％的样本点为异常点，从X中剔除对应的样本点，得到去除异常值的测井数据集Xnew； 对去除异常值的测井数据进行标准化处理，标准化方法为： 其中X′new为标准化后的样本值；μ和σ分别为Xnew的均值和标准差；N′为去除异常值后测井数据的样本数量； S24：所述步骤S2中构建训练和测试样本数据集时，将预处理后的80％测井数据作为训练集Xtrain，剩余的20％测井数据作为测试集Xtest； S3、所述步骤S3中构建交叉注意力扩散模型网络结构，应包括以下模块： 1×1卷积模块：卷积核数量设置为c，用于将输入的测井数据特征映射到高维空间中； 加噪模块：在扩散过程中，对原始真实的储层参数标签数据逐步添加高斯噪声直到其完全变成纯高斯噪声为止； 去噪模块：包含一个可学习的神经网络模型，在逆扩散过程中，通过预测当前时间步的噪声，并对当前时间步的状态进行去噪以获得前一时间步的状态； Transformer特征提取模块：采用编码器—解码器架构，编码器由层归一化，多头注意力层，前馈神经网络，神经元丢弃层Dropout及残差连接构成，解码器在编码器的基础上增加了一个交叉注意力层，其余组成部分与编码器相同； 交叉注意力模块：由多头注意力层，层归一化及残差连接构成，其中多头注意力计算所需的键K和值V来源于编码器最后一层的输出，而查询Q来源于解码器前一次多头注意力的输出； S4、所述步骤S4中将所述训练样本输入交叉注意力扩散模型进行训练，包括以下步骤： S41：输入预处理后作为训练样本的测井数据到1×1卷积模块，其中m表示测井数据训练样本的数量，d表示测井数据的特征维度，通道数为1，经过c个1×1卷积后得到其嵌入向量即将测井数据的每个特征映射到高维空间中； S42：将嵌入向量Xembedding输入到Transformer特征提取模块的编码器中，对Xembedding中间层的所有神经元进行层归一化为XLN： 其中E[·]表示均值，Var[·]表示方差，γ、β分别是缩放和平移参数，ε为一极小值，防止出现分母为0的情况；将XLN输入编码器的多头注意力层，首先构建矩阵向量Q、K和V： Q＝XLNWQ+bQ6 K＝XLNWK+bK7 V＝XLNWV+bV8 其中WQ、WK和WV是三个权重矩阵，bQ、bK和bV是三个偏置向量，其次，设定多头注意力层中的头部数量为h，将矩阵向量Q、K和V分为h组，即Q＝[Q1,Q2,…,Qh]、K＝[K1,K2,…,Kh]和V＝[V1,V2,…,Vh]，组成h个不同的头部Qi,Ki,Vi,1≤i≤h，每个头部分别在不同的向量空间中计算注意力，而对于单个头部，其注意力机制计算为： 其中表示Ki的转置，dk表示Ki的维度，最后，将不同头部计算得到的注意力进行特征融合： 其中表示向量拼接，WO为权重矩阵，得到融合的特征XAttention后，将其与嵌入向量Xembedding进行残差连接： X′Attention＝XAttention+Xembedding11 再将X′Attention输入到前馈神经网络中，该网络包括两个全连接层，一个Dropout层及GELU激活函数，因此，经过前馈神经网络的输出XFeed计算为： XFeed＝LinearGELUDropoutLinearX′Attention12 其中Linear表示全连接层运算，基于此，将XFeed与X′Attention进行残差连接，最终得到嵌入向量Xembedding经过编码器后的输出向量Xhidden： Xhidden＝XFeed+X′Attention13 S43：将与训练样本对应的真实储层参数标签数据Ytrain输入到1×1卷积模块，类似于步骤S41，得到Yembedding，再将Yembedding输入到加噪模块，扩散过程在时间步t∈{1,…,T}逐步对Yembedding添加高斯噪声得到一组隐变量Y1,…,YT： 其中βt表示扩散率，Yt表示Yembedding在时间步t时刻的状态，在任意时间步t，Yt与原始状态Y0Yembedding的关系可表示为： 其中αt＝1-βt， S44：将Yt与编码器的输出向量Xhidden输入到去噪模块，即Transformer特征提取模块的解码器中，预测当前时间步的噪声，首先对Yt进行多头注意力计算，其过程和步骤S42中相同，根据式11类似地可得到时间步t的其次，将与Xhidden输入到交叉注意力模块中，计算用于交叉注意力的矩阵向量Q、K和V为： K＝XhiddenWK+bK17 V＝XhiddenWV+bV18 计算交叉注意力时，除矩阵向量Q、K和V的计算方式不同与多头自注意力外，其余过程和步骤S42中相同，根据式13类似地可得到即通过去噪模块在时间步t预测的噪声其中zθ表示去噪模块在逆扩散过程中从预测噪声的输出函数，θ表示函数的参数； S45：基于步骤S44在时间步t预测的噪声对时间步t的状态进行去噪以获得时间步t-1的状态进一步地，所预测噪声的均值和方差计算为： 因此，时间步t-1的状态采样为： S46：利用去噪模块从时间步t＝T迭代地预测噪声并完成对前一时间步的采样，直到t＝0为止，最终得到所预测的储层参数 S47：所述的训练交叉注意力扩散模型，其特征在于，模型训练的目标是最小化预测噪声的均值与真实噪声均值之间的平方误差，则损失函数计算为： 其中μt-1表示时间步t-1时刻真实噪声的均值，即上述的计算模型损失函数，其特征在于，利用式22计算出模型损失值后，通过链式法则对权重系数矩阵w＝[WQ,WK,WV]和偏置向量b＝[bQ,bK,bV]进行求导，并使用随机梯度下降算法更新w和b： 其中w*、b*表示优化后的权重系数矩阵和偏置向量，η表示学习率； S5、所述步骤S5中对任意目标区域的储层参数进行预测，包括以下步骤： S51：获取任意目标区域的测井数据资料Xtest； S52：将Xtest及随机采样的高斯噪声同时输入到完成训练的交叉注意力扩散模型中，首先根据步骤S42计算Xtest经过编码器后的输出向量Xhidden； 其次，根据步骤S44-S46，将YT与Xhidden输入到去噪模块，通过迭代去噪，最终得到所预测的储层参数Ypredict，完成对所述目标区域的储层参数预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。