本申请涉及测井解释和深度学习，特别是涉及一种基于多井信息表示嵌入与时域时空图联合模型的测井解释方法及相关装置。
背景技术：
1、孔隙度、渗透率、饱和度等储层物性参数作为描述储层特性、储层建模和流体模式的重要指标，其准确预测能够为储层预测提供有力依据。基于人力的岩性识别与物性参数解释容易受到测井人员的主观经验影响，且解释过程费时费力。
技术实现思路
1、本申请的目的是提供一种基于时域时空图联合模型的测井解释方法及相关装置，可提高储层物性参数和岩性识别的准确性和效率。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种基于时域时空图联合模型的测井解释方法，包括：获取待解释区块内多口井的测井及地震数据，并对所述测井及地震数据进行数据预处理；
4、将预处理后的数据输入至训练后的时域时空图联合模型中，得到待解释区块内各井的物性参数解释结果；所述物性参数解释结果包括孔隙度、渗透率和饱和度；所述时域时空图联合模型包括时域因果卷积模型和动态图注意力卷积模型；所述时域因果卷积模型包括因果卷积网络、带有注意力机制的长短期记忆网络和全连接网络；所述因果卷积网络用于对所述预处理后的数据中的测井数据进行低维向量表示；所述带有注意力机制的长短期记忆网络用于对所述预处理后的数据中的地震数据进行低维向量表示；所述全连接网络用于将所述因果卷积网络的输出和所述带有注意力机制的长短期记忆网络的输出进行拼接，得到拼接后的测井及地震数据；所述动态图注意力卷积模型用于以所述拼接后的测井及地震数据为输入，输出对应的所述物性参数解释结果；所述动态图注意力卷积模型包括依次串联连接的图卷积网络层组、第一全连接层、第一批标准化层、图注意力网络层组、第二全连接层、第二批标准化层和第三全连接层以及第一残差连接层和第二残差连接层；所述第一残差连接层的输入为所述图卷积网络层组的输入，所述第一残差连接层的输出和所述第一全连接层的输出作为所述第一批标准化层的输入；所述第一批标准化层的输出为所述第二残差连接层的输入，所述第二残差连接层的输出和所述第二全连接层的输出作为所述第二批标准化层的输入；所述图卷积网络层组包括多个依次串联连接的图卷积网络层；所述图注意力网络层组包括多个依次串联连接的图注意力网络层；每一所述图卷积网络层和每一图注意力网络层的输入还包括待解释区块内多口井的邻接矩阵；
5、使用基于shapelets特征序列方法得出待解释区块内每一岩性的shapelets特征序列；根据所述shapelets特征序列对各井的所述预处理后的数据进行岩性识别，得到待解释区块内各井的岩性解释结果；
6、根据待解释区块内各井的井深，将各井的所述物性参数解释结果和所述岩性解释结果进行对齐处理，得到待解释区块内各井的测井解释结果。
7、第二方面，本申请提供了一种基于时域时空图联合模型的测井解释装置，所述基于时域时空图联合模型的测井解释装置包括：
8、数据获取子装置，用于获取待解释区块内多口井的测井及地震数据，并对所述测井及地震数据进行数据预处理；
9、物性参数获取子装置，用于将预处理后的数据输入至训练后的时域时空图联合模型中，得到待解释区块内各井的物性参数解释结果；所述物性参数解释结果包括孔隙度、渗透率和饱和度；所述时域时空图联合模型包括时域因果卷积模型和动态图注意力卷积模型；所述时域因果卷积模型包括因果卷积网络、带有注意力机制的长短期记忆网络和全连接网络；所述因果卷积网络用于对所述预处理后的数据中的测井数据进行低维向量表示；所述带有注意力机制的长短期记忆网络用于对所述预处理后的数据中的地震数据进行低维向量表示；所述全连接网络用于将所述因果卷积网络的输出和所述带有注意力机制的长短期记忆网络的输出进行拼接，得到拼接后的测井及地震数据；所述动态图注意力卷积模型用于以所述拼接后的测井及地震数据为输入，输出对应的所述物性参数解释结果；所述动态图注意力卷积模型包括依次串联连接的图卷积网络层组、第一全连接层、第一批标准化层、图注意力网络层组、第二全连接层、第二批标准化层和第三全连接层以及第一残差连接层和第二残差连接层；所述第一残差连接层的输入为所述图卷积网络层组的输入，所述第一残差连接层的输出和所述第一全连接层的输出作为所述第一批标准化层的输入；所述第一批标准化层的输出为所述第二残差连接层的输入，所述第二残差连接层的输出和所述第二全连接层的输出作为所述第二批标准化层的输入；所述图卷积网络层组包括多个依次串联连接的图卷积网络层；所述图注意力网络层组包括多个依次串联连接的图注意力网络层；每一所述图卷积网络层和每一图注意力网络层的输入还包括待解释区块内多口井的邻接矩阵；
10、岩性识别子装置，用于使用基于shapelets特征序列方法得出待解释区块内每一岩性的shapelets特征序列；根据所述shapelets特征序列对各井的所述预处理后的数据进行岩性识别，得到待解释区块内各井的岩性解释结果；
11、对齐处理子装置，用于根据待解释区块内各井的井深，将各井的所述物性参数解释结果和所述岩性解释结果进行对齐处理，得到待解释区块内各井的测井解释结果。
12、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的基于时域时空图联合模型的测井解释方法的步骤。
13、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于时域时空图联合模型的测井解释方法的步骤。
14、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的基于时域时空图联合模型的测井解释方法的步骤。
15、根据本申请提供的具体实施例，本申请公开了以下技术效果：
16、本申请提供了一种基于时域时空图联合模型的测井解释方法及相关装置，通过构建时域时空图联合模型，将待解释区块内多口井的测井及地震数据输入模型中，模型得出对应的物性参数，实现了区块多井的测井物性参数解释；基于shapelets特征序列方法可以得出待解释区块内每一岩性的shapelets特征序列，从而依据shapelets特征序列对待解释区块内未知岩性的测井及地震数据进行准确的岩性识别。时域时空图联合模型和shapelets特征序列方法的应用解决了现有基于人力的岩性识别与物性参数解释容易受到测井人员的主观经验影响且解释过程费时费力的问题，提高了储层物性参数和岩性识别的准确性和效率。
1.一种基于时域时空图联合模型的测井解释方法，其特征在于，所述基于时域时空图联合模型的测井解释方法包括：
2.根据权利要求1所述的基于时域时空图联合模型的测井解释方法，其特征在于，在执行步骤“将预处理后的数据输入至训练后的时域时空图联合模型中，得到待解释区块内各井的物性参数解释结果”之前，还包括：
3.根据权利要求2所述的基于时域时空图联合模型的测井解释方法，其特征在于，利用迁移学习和微调方法对所述训练后的时域时空图联合模型进行重新训练，具体包括：
4.根据权利要求1所述的基于时域时空图联合模型的测井解释方法，其特征在于，在执行步骤“将预处理后的数据输入至训练后的时域时空图联合模型中”之前，还包括：
5.根据权利要求3所述的基于时域时空图联合模型的测井解释方法，其特征在于，使用基于shapelets特征序列方法得出待解释区块内每一岩性的shapelets特征序列，具体包括：
6.根据权利要求4所述的基于时域时空图联合模型的测井解释方法，其特征在于，根据所述shapelets特征序列对各井的所述预处理后的数据进行岩性识别，得到待解释区块内各井的岩性解释结果，具体包括：
7.一种基于时域时空图联合模型的测井解释装置，其特征在于，所述基于时域时空图联合模型的测井解释装置包括：
8.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的基于时域时空图联合模型的测井解释方法的步骤。
9.一种计算机可读存储介质，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权利要求1-6中任一项所述的基于时域时空图联合模型的测井解释方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的基于时域时空图联合模型的测井解释方法的步骤。
