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！

龙图腾网获悉中国矿业大学申请的专利一种岩石物理与深度学习双重驱动的储层物性参数智能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：CN120447044B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202510573599.6，技术领域涉及：G01V1/30；该发明授权一种岩石物理与深度学习双重驱动的储层物性参数智能预测方法是由郭强;赵昕宇;岳建华;杨沁润设计研发完成，并于2025-05-06向国家知识产权局提交的专利申请。

本一种岩石物理与深度学习双重驱动的储层物性参数智能预测方法在说明书摘要公布了：本发明公开了一种岩石物理与深度学习双重驱动的储层物性参数智能预测方法，属于非常规储层地震勘探技术领域，包括以下步骤：基于标定测井的物性参数及弹性参数观测数据构建岩石物理模型；利用高斯混合模型分别估算物性参数和弹性参数的概率分布，生成物性参数无标签数据和弹性参数无标签数据形成有标签数据集；搭建残差卷积神经网络ResNet模型，使用有标签数据训练初始ResNet模型；将弹性参数无标签数据输入ResNet模型形成全伪标签数据集；对初始ResNet模型迭代训练得到最终ResNet模型；将观测数据输入得到预测储层物性参数。本发明通过岩石物理与深度学习双重驱动，融合地质先验与数据驱动优势，提升预测精度。

本发明授权一种岩石物理与深度学习双重驱动的储层物性参数智能预测方法在权利要求书中公布了：1.一种岩石物理与深度学习双重驱动的储层物性参数智能预测方法，其特征在于，包括以下步骤： 步骤1：基于标定测井的物性参数及弹性参数观测数据，构建岩石物理模型，预测弹性参数并与测井弹性参数观测数据进行匹配；岩石物理模型具体包括以下子步骤： 步骤11：采用V-R-H平均模型计算岩石基质的体积模量Km和剪切模量μm，其计算公式为： ； ； 式中：Kmi、μmi、vmi分别为岩石基质中第i种矿物的体积模量、剪切模量和该矿物的百分含量，n为矿物总类数； 步骤12：采用Voigt模型计算孔隙流体的体积模量Kfl，其计算公式为： ； 式中：Sw为含水饱和度；Kw、Kg分别为孔隙中液体和气体的体积模量； 步骤13：采用Kuster-Toksoz模型计算干岩石骨架的体积模量Kdry和剪切模量μdry，其计算公式为 ； ； 式中：K*和μ*分别为包含材料的体积模量和剪切模量；v为孔隙体积分数，α为孔隙纵横比，Tijij和Tiijj分别为孔隙结构因子； 步骤14：采用Biot-Gassmann方程计算流体饱和岩石的体积模量Ksat和剪切模量μsat，其计算公式为： ； ； 式中：ϕ为孔隙度； 步骤15：基于Ksat、μsat及密度ρ计算纵波速度Vp、横波速度Vs，其计算公式为： ； ； ； 式中：ρfl和ρm是流体和岩石基质的密度； 步骤2：基于标定测井的物性参数及弹性参数观测数据，利用高斯混合模型，分别估算物性参数和弹性参数的概率分布； 步骤3：根据物性参数和弹性参数的概率分布，通过蒙特卡洛随机模拟生成物性参数无标签数据和弹性参数无标签数据，结合测井观测数据形成有标签数据集； 步骤4：搭建包含卷积层、池化层、全连接层和残差模块的残差卷积神经网络ResNet模型，并确定其超参数； 步骤5：使用有标签数据训练ResNet模型，构建初始ResNet模型； 步骤6：将弹性参数无标签数据输入初始ResNet模型，生成物性参数数据，形成第一部分伪标签数据； 步骤7：针对物性参数无标签数据，通过岩石物理模型预测弹性参数数据，形成第二部分伪标签数据，并与第一部分伪标签数据联合形成全伪标签数据集； 步骤8：融合有标签数据集与全伪标签数据集，对初始ResNet模型进行迭代训练，得到最终ResNet模型； 步骤9：将叠前地震反演或测井弹性参数观测数据输入最终ResNet模型，预测储层物性参数。

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中国矿业大学，其通讯地址为：221116 江苏省徐州市大学路1号中国矿业大学南湖校区；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。