智能化横波速度预测方法、装置、设备及存储介质

技术领域

本申请涉及地球物理勘探领域，特别地涉及一种智能化横波速度预测方法、装置、设备及存储介质。

背景技术

横波速度是研究岩石及孔隙流体与地震响应特征的重要参数之一，但是由于横波测试设备与常规测井设备不同，会造成额外费用，往往很多井缺少横波速度资料，因此如何准确有效的预测横波速度显得十分重要。

现有的横波速度预测方法主要分为以下几种：

(1)经验公式法。最著名的是Castagna等(1985)提出的描述纵波-横波速度关系的泥岩基线公式，但这类方法是针对特定研究区所建立的，普适性不强，且拟合出的横波速度一般与纵波速度呈线性关系，不能满足储层精细流体识别的要求。

(2)岩石物理模型法。针对不同类型的储层，利用不同的岩石物理理论模型预测横波速度，但所需参数众多，且有的参数往往是理论值，难以准确获取，有的参数需要从大量的实验室测试数据中获取，在没有足够的实验数据时，技术人员往往通过调节参数来获取合理的速度值，导致精度降低，流程复杂。

(3)多元线性拟合法：Han等(1986)和马中高等(2005)将横波速度与其他类型测井曲线进行多元拟合，实现横波速度预测，但横波速度与其他类型曲线关系复杂，多元线性拟合难以充分挖掘它们之间的非线性关系。

近年来，随着计算机技术的飞速发展，智能化方法发展迅速，如姜仁等(2020)利用深度前馈神经网络预测横波速度，但神经网络方法没有坚实的理论基础，受数据数量局限性较大。

因此，如何提供一种新的横波预测方法，其能够解决上述技术问题是本领域亟待解决的技术难题。

发明内容

针对上述问题，本申请提供一种智能化横波速度预测方法、装置、设备及存储介质。

本申请提供了一种智能化横波速度预测方法，包括：

S1：数据采集，获取常规测井数据和已知的横波速度曲线；

S2：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S3：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S4：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

S5：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

S6：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

在一些实施例中，相关向量机数学表达式为：

其中：t

假设t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本t

p(t

其中：

t

其中：

在一些实施例中，所述多核相关向量机的核函数K表示为：

K＝c

其中，K

在一些实施例中，所述横波速度预测之前，所述方法还包括：

模型评估，利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高。

在一些实施例中，所述横波速度预测之后，所述方法还包括：

不确定性评价，通过每个预测点高斯分布的方差量化预测结果的不确定性。

在一些实施例中，所述横波速度预测的具体方法包括：

采用训练好的横波速度预测模型进行横波速度预测，多核相关向量机模型的每个点的预测输出都服从高斯分布，取该点均值作为最终预测结果。

本申请实施例提供一种智能化横波速度预测装置，包括：

数据采集模块、测井数据质控模块、测井数据标准化模块、优选主成分模块、模型训练模块、模型评估模块、横波速度预测模块和不确定性评价模块；

所述数据采集模块：获取常规测井数据和已知的横波速度曲线；

所述测井数据质控模块：对受井眼垮塌影响严重的测井数据进行校正；

所述测井数据标准化模块：将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

所述优选主成分模块：对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

所述模型训练模块：利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型；

所述模型评估模块：利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高；

所述横波速度预测模块：采用训练好的横波速度预测模型进行横波速度预测；

所述不确定性评价模块：通过每个预测点高斯分布的方差量化预测结果的不确定性。

本申请实施例提供一种智能化横波速度预测设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行上述任意一项所述智能化横波速度预测方法。

本申请实施例提供一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述任一项所述智能化横波速度预测方法。

本申请提供的一种智能化横波速度预测方法、装置、设备及存储介质，

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

附图说明

在下文中将基于实施例并参考附图来对本申请进行更详细的描述。

图1为本申请实施例提供的测井数据质控结果：井眼垮塌校正前后对比图；

图2(a)-2(h)为本申请实施例提供的常规测井曲线直方图；

图3为本申请实施例提供的PCA累计贡献率图；

图4为本申请实施例提供的预测横波与实测横波对比图；

图5为本申请实施例提供的不确定性评价：预测横波-实测横波交会图，色标为方差；

图6为本申请实施例提供的一种智能化横波速度预测方法流程图；

图7为本申请实施例提供的一种智能化横波速度预测方法流程图。

在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

如果申请文件中出现“第一第二第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

在介绍本申请实施例提供的一种智能化横波速度预测方法之前，对相关技术中存在的问题进行简单介绍：

横波速度是研究岩石及孔隙流体与地震响应特征的重要参数之一，但是由于横波测试设备与常规测井设备不同，会造成额外费用，往往很多井缺少横波速度资料，因此如何准确有效的预测横波速度显得十分重要。

现有的横波速度预测方法主要分为以下几种：

(1)经验公式法。最著名的是Castagna等(1985)提出的描述纵波-横波速度关系的泥岩基线公式，但这类方法是针对特定研究区所建立的，普适性不强，且拟合出的横波速度一般与纵波速度呈线性关系，不能满足储层精细流体识别的要求。

(2)岩石物理模型法。针对不同类型的储层，利用不同的岩石物理理论模型预测横波速度，但所需参数众多，且有的参数往往是理论值，难以准确获取，有的参数需要从大量的实验室测试数据中获取，在没有足够的实验数据时，技术人员往往通过调节参数来获取合理的速度值，导致精度降低，流程复杂。

(3)多元线性拟合法：Han等(1986)和马中高等(2005)将横波速度与其他类型测井曲线进行多元拟合，实现横波速度预测，但横波速度与其他类型曲线关系复杂，多元线性拟合难以充分挖掘它们之间的非线性关系。

近年来，随着计算机技术的飞速发展，智能化方法发展迅速，如姜仁等(2020)利用深度前馈神经网络预测横波速度，但神经网络方法没有坚实的理论基础，受数据数量局限性较大。

因此，如何提供一种新的横波预测方法，其能够解决上述技术问题是本领域亟待解决的技术难题。

基于相关技术中存在的问题，本申请实施例提供一种智能化横波速度预测方法，所述方法应用于智能化横波速度预测设备，所述智能化横波速度预测设备可以为电子设备，例如计算机、移动终端等。本申请实施例提供的智能化横波速度预测方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。

实施例一

本申请实施例提供一种智能化横波速度预测方法，图7为本申请实施例提供的一种智能化横波速度预测方法的实现流程示意图，如图7所示，包括：

S1：数据采集，获取常规测井数据和已知的横波速度曲线；

S2：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S3：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S4：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

S5：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

S6：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例二

基于前述的实施例，本申请实施例再提供一种智能化横波速度预测方法，包括：

S21：数据采集，获取常规测井数据和已知的横波速度曲线；

S22：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S23：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S24：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

S25：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

S26：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例三

基于前述的实施例，本申请实施例再提供一种智能化横波速度预测方法，包括：

S31：数据采集，获取常规测井数据和已知的横波速度曲线；

S32：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S33：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S34：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

S35：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

在一些实施例中，相关向量机数学表达式为：

其中：t

假设t

假设常参数ω

基于贝叶斯理论，模型参数的后验分布是满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本t

p(t

其中：

t

其中：

S36：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例四

基于前述的实施例，本申请实施例再提供一种智能化横波速度预测方法，包括：

S41：数据采集，获取常规测井数据和已知的横波速度曲线；

S42：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S43：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S44：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

S45：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

在一些实施例中，相关向量机数学表达式为：

其中：t

假设t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本t

p(t

其中：

t

其中：

在一些实施例中，所述多核相关向量机的核函数K表示为：

K＝c

其中，K

S46：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例五

基于前述的实施例，本申请实施例再提供一种智能化横波速度预测方法，包括：

S51：数据采集，获取常规测井数据和已知的横波速度曲线；

S52：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S53：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S54：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

S55：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

在一些实施例中，相关向量机数学表达式为：

其中：t

假设t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本t

p(t

其中：

t

其中：

在一些实施例中，所述多核相关向量机的核函数K表示为：

K＝c

其中，K

在一些实施例中，所述横波速度预测之前，所述方法还包括：

模型评估，利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高。

S56：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例六

基于前述的实施例，本申请实施例再提供一种智能化横波速度预测方法，包括：

S61：数据采集，获取常规测井数据和已知的横波速度曲线；

S62：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S63：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S64：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

S65：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

在一些实施例中，相关向量机数学表达式为：

其中：t

假设t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本t

p(t

其中：

t

其中：

在一些实施例中，所述多核相关向量机的核函数K表示为：

K＝c

其中，K

在一些实施例中，所述横波速度预测之前，所述方法还包括：

模型评估，利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高。

S66：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测；

在一些实施例中，所述横波速度预测之后，所述方法还包括：

不确定性评价，通过每个预测点高斯分布的方差量化预测结果的不确定性。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例七

基于前述的实施例，本申请实施例再提供一种智能化横波速度预测方法，包括：

S71：数据采集，获取常规测井数据和已知的横波速度曲线；

S72：测井数据质控，对受井眼垮塌影响严重的测井数据进行校正；

S73：测井数据标准化，将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

S74：优选主成分，对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

在一些实施例中，所述对标准化后的测井数据即无量纲数据进行主成分分析的具体方法包括：

其中，

x

S75：模型训练，利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型，并对横波速度预测模型进行训练；

在一些实施例中，相关向量机数学表达式为：

其中：t

假设t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布是满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本t

p(t

其中：

t

其中：

在一些实施例中，所述多核相关向量机的核函数K表示为：

K＝c

其中，K

在一些实施例中，所述横波速度预测之前，所述方法还包括：

模型评估，利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高。

S76：横波速度预测，采用训练好的横波速度预测模型进行横波速度预测；

在一些实施例中，所述横波速度预测的具体方法包括：

采用训练好的横波速度预测模型进行横波速度预测，多核相关向量机模型的每个点的预测输出都服从高斯分布，取该点均值作为最终预测结果；

在一些实施例中，所述横波速度预测之后，所述方法还包括：

不确定性评价，通过每个预测点高斯分布的方差量化预测结果的不确定性。

本申请提供的一种智能化横波速度预测方法，具有如下有益效果：

(1)采用主成分分析剔除不同测井曲线之间的冗余信息，基于多核RVM方法可以深入挖掘常规测井与横波速度之间的非线性关系，同时引入多种核函数的策略降低了RVM核参数选择的不确定性，有效地提高了RVM算法性能，进而提高了横波速度的预测精度。

(2)相较于常规方法，不要求经验丰富人员进行操作，所需数据仅为工区内含常规曲线和横波速度的井，可在大多数工区推广应用，适用性强。

(3)使用多核RVM方法预测的横波速度服从高斯分布，通过该分布的方差可以量化预测结果的不确定性。

实施例八

基于实施例七方法，本申请根据真实数据给出的实施例：

以已知井横波速度曲线和常规测井曲线为基础，首先对纵波速度曲线、密度曲线受井眼环境影响严重的层段进行校正处理，然后根据曲线分布直方图明确常规测井曲线的分布特征并对所有测井数据进行标准化，其次利用PCA消除测井曲线中的冗余信息，使分别运用RVM模型与多核RVM模型进行横波预测，利用Pearson相关系数和均方根误差(RMSE)评价指标分析两个模型的优劣，结果表明多核RVM方法横波速度预测误差更小，相关系数更大，预测精度更高。确定使用多核RVM方法预测测试井的横波速度，获得与测试井实测横波一致性较好的预测横波，最后再根据预测横波的方差评估方法的可靠性。

目前经验公式法和多元线性拟合法预测横波速度适用性不强，难以拟合横波速度与其它参数的非线性关系；常规岩石物理建模需要调节的骨架参数众多，并且相应的需要的调参工作繁琐，对数据质量要求高，门槛高，在实际生产应用中成本高；人工神经网络和深度学习所需数据量巨大，难以推广到横波测井数据少的工区，针对上述问题，本发明实施例提供一种预测效果好、适用性强、可靠性高横波速度的预测方法，如图6和图7所示，实施时可以包括：

步骤一：获取常规测井曲线和已知的横波速度曲线，以国内某实际工区资料为例，开展横波速度预测研究。选取工区内含有常规测井曲线和横波速度曲线的3口井，随机选择2口井作为训练井，另1口井为测试井。

步骤二：测井数据质控。在受井眼环境影响严重的层段，利用受井眼环境影响小的伽马曲线、深探测电阻率曲线、自然电位曲线等对纵波速度和密度曲线进行校正，校正结果如图1所示。

步骤三：测井数据标准化。将不同单位、量纲的测井数据转换为同一范围内的无量纲数据。

步骤四：测井曲线优选。首先，明确不同测井曲线的分布特征，图2(a)-图2(h)展示了不同测井曲线的分布直方图，可知不同测井曲线的分布特征具有一定的重合，说明不同测井曲线之间有一定的冗余信息。本发明采用主成分分析剔除这种冗余信息，训练井的主成分对横波速度的累计贡献率如图3所示，可知前五个主成分对横波速度的累计贡献率达到92％以上，因此可以采用这五个主成分来代替与原始的八种测井曲线作为模型输入。

步骤五：模型训练，将训练井的主成分和横波速度作为输入，分别采用RVM方法和多核RVM方法建立训练模型。值得注意的是，此处分别使用两种方法构建模型是为了说明多核RVM方法较RVM方法预测精度更高，在实际应用中，无需使用RVM方法构建模型，直接用多核RVM预测横波速度即可。

步骤六：模型评估，将测试井的主成分作为输入，根据步骤五的训练模型，分别求取测试井的RVM预测横波速度与多核RVM预测横波速度并计算预测速度与测井速度的相关系数和均方根误差。表1展示了RVM与多核RVM测试井预测结果的相关系数和均方根误差，可知，RVM方法的相关系数为0.970，而多核RVM方法的相关系数为0.981，相关系数较高；同时多核RVM方法的均方根误差只有0.048，也比小于RVM方法的0.052，由此可见多核RVM方法的横波预测吻合度较高，并且预测精度较RVM算法有了一定的提升。

表1测试井相关系数与均方根误差表

步骤七：横波速度预测：利用训练好的多核RVM方法预测测试井的横波速度，所得预测横波每个点都服从高斯分布，该分布的均值作为横波速度预测结果，预测效果如图4所示，由图可知，多核RVM方法预测出的横波速度整体吻合度较高，显示了算法性能的优越性。

步骤八：不确定性分析。通过横波速度预测结果的方差进行不确定性评估。图5为预测横波速度与实测横波速度交会图，色标表示方差，方差越小，不确定性越小，预测结果越可靠，由图可知，方差基本小于50，说明整体预测稳定性较高，预测结果可靠。

实施例九

基于前述的实施例，本申请实施例提供一种智能化横波速度预测装置，包括：

数据采集模块、测井数据质控模块、测井数据标准化模块、优选主成分模块、模型训练模块、模型评估模块、横波速度预测模块和不确定性评价模块；

所述数据采集模块：获取常规测井数据和已知的横波速度曲线；

所述测井数据质控模块：对受井眼垮塌影响严重的测井数据进行校正；

所述测井数据标准化模块：将不同单位、量纲的测井数据转换为同一范围内的无量纲数据；

所述优选主成分模块：对标准化后的测井数据即无量纲数据进行主成分分析，得到测井数据主成分；

所述模型训练模块：利用所述测井数据主成分和已知的横波速度曲线作为多核相关向量机的输入，构建横波速度预测模型；

所述模型评估模块：利用Pearson相关系数和均方根误差作为评价指标分析多核相关向量机和相关向量机的优劣，得出多核相关向量机方法横波速度预测误差更小，相关系数更大，预测精度更高；

所述横波速度预测模块：采用训练好的横波速度预测模型进行横波速度预测；

所述不确定性评价模块：通过每个预测点高斯分布的方差量化预测结果的不确定性。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的智能化横波速度预测方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

相应地，本申请实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的智能化横波速度预测方法中的步骤。

实施例十

本申请实施例提供一种智能化横波速度预测设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，所述处理器配置为执行存储器中存储的智能化横波速度预测方法的程序，以实现以上述实施例提供的智能化横波速度预测方法中的步骤。

以上显示设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请计算机设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台控制器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。