一种基于卷积神经网络的多尺度测井相识别方法技术

本发明专利技术提出了一种基于卷积神经网络的多尺度测井相识别方法，包括以下步骤：步骤(a)，采集原始数据；步骤(b)，建立训练数据集；步骤(c)，构建基于卷积神经网络的测井相分类模型，对待识别数据进行识别，所述模型包括8层网络，其中，第1层、第3层和第5层为卷积层，用来提取特征；第2层和第4层为池化层，用来降低模型复杂度；第6层和第7层为全连接层，用来将二维特征转变为一维特征向量；第8层为输出层，用来进行分类。本发明专利技术利用L2范数、dropout和LRN有效地限制了模型的复杂程度，提高了模型泛化能力，获得了相较于其他算法的97.87％的模型分类准确率，使得其能够更加准确地自动识别测井曲线形态。

A Multiscale Logging Facies Recognition Method Based on Convolutional Neural Network

The invention proposes a multi-scale logging facies recognition method based on convolution neural network, which includes the following steps: step (a), acquisition of raw data; step (b), establishment of training data set; step (c), construction of logging facies classification model based on convolution neural network, and identification of identification data. The model includes eight layers of network, in which layer 1, 3 and 5 are convolutions. Layers 2 and 4 are pooling layers to reduce the complexity of the model, Layers 6 and 7 are fully connected layers to transform two-dimensional features into one-dimensional feature vectors, and Layer 8 is output layer to classify. By using L2 norm, dropout and LRN, the method effectively limits the complexity of the model, improves the generalization ability of the model, achieves 97.87% accuracy of model classification compared with other algorithms, and enables it to recognize the shape of logging curve more accurately and automatically.

【技术实现步骤摘要】
一种基于卷积神经网络的多尺度测井相识别方法
本专利技术涉及测井相识别领域，特别涉及一种基于卷积神经网络的多尺度测井相识别方法。
技术介绍
测井是衔接岩心与地震的中间尺度信息，也是认识井点地质信息的最主要途径，从20世纪50年代斯伦贝谢测井专家提出测井相的概念以来，如何准确而快速地识别测井相成为油藏地质研究的一项重要工作。早期测井相研究主要通过结合测井曲线形态与录井资料对比分析，从而确定沉积相或地层层序，是一种费时费力的全人工分析模式。随着计算机技术，尤其是人工智能的发展，使测井相的精准、快速、自动识别成为可能，判别分析法、数理统计法、聚类分析法、模糊识别、曲线拟合、支持向量机和神经网络等方法逐渐应用于测井相识别与分析。但是，上述使用机器学习算法进行测井相定量识别分析的模型也存在着许多不足：首先，特征提取繁琐，需要将数据进行归一化等操作，不同的归一化方法对模型训练结果也有影响，而且在进行识别时选用的数据还需要进行维度调整；其次，泛化能力不足，这种定量分析方法训练得到的模型只适用于该地区或者是相同沉积环境的其他地区。最早在上世纪80年代就开始有人提出卷积神经网络(ConvolutionalNeuralNetwork，CNN)并在手写数字识别中取得了优异的成果。CNN的结构主要是由输入层、卷积层、池化层(也称下采样层)、全连接层和输出层构成，卷积层与池化层相邻构建，根据实际需要可以设置多个。卷积层可被视为由多个特征映射(FeatureMap)组成的，多个神经元组成特征映射，每个神经元通过卷积核(Kernel)与上层特征映射的一部分神经元相连。其中卷积核为一个随机初始化的权值矩阵，作用是与这一层的特征映射进行如下卷积操作其中，n×n为卷积核大小，xi是区域内第i个像素点的输入值，wi是对应的权值矩阵值，b是计算后加入的偏置，最后卷积操作得到这一区域的值为y。卷积操作使用卷积核对整个特征映射进行操作，主要能够使得权值共享，大大减少网络参数，这也是CNN的一大优势。卷积结束使用激励函数将y正规化，作为下一层的输入x＝f(y)f(·)是激励函数，有多种形式，在实际实验中可以根据情况自行选择，x是激励函数的输出，也是下一层网络的输入值。池化层也是有多个特征映射组成，其特征映射与上一层是一一对应的]。以最大池化为例yi＝max{x1，x2，...，xn×n}其中，x为池化区域的每个点的值，yi为从n×n个点中选取的最大值，也就是池化操作的输出。池化操作将特征映射的分辨率降低，从而获得具有平移、旋转不变形的特征，并且减少了神经元个数，从而降低了模型的复杂度，提高了泛化能力。因此，如何基于卷积神经网络，提供一种能够有效分类识别测井相的方法，是目前亟待解决的问题。
技术实现思路
本专利技术提出一种基于卷积神经网络的多尺度测井相识别方法，能够有效分类识别测井相，在分类精度和模型泛化能力上优于其它算法。本专利技术的技术方案是这样实现的：一种基于卷积神经网络的多尺度测井相识别方法，包括以下步骤：步骤(a)，采集原始数据。步骤(b)，建立训练数据集。步骤(c)，构建基于卷积神经网络的测井相分类模型，对待识别数据进行识别，所述模型包括8层网络，其中，第1层、第3层和第5层为卷积层，用来提取特征；第2层和第4层为池化层，用来降低模型复杂度；第6层和第7层为全连接层，用来将二维特征转变为一维特征向量；第8层为输出层，用来进行分类。可选地，在第1层使用卷积核对输入图像进行卷积操作，然后使用ReLU激活函数对每个点进行激活处理，ReLU函数公式如下所示：f(x)＝max(0，x)其中，x为该点数值，f(x)是经过激活函数得到的新数值。可选地，所述方法还包括：在所述模型中加入了丢失数据、局部响应归一化和L2正则策略。可选地，所述方法还包括：选用自然伽马测井曲线形态作为特征，将采集的原始数据转变为图像形式。可选地，所述方法还包括：首先以120为阈值，找出GR数值高于120的极值点，将数据分割一次；接着以100为阈值，找出前述分割段之间大于100的极值，对数据进行二次分割；再以85为阈值，找出前述分割段之间大于85的极值，对数据进行三次分割；最后将这些数据段转换成二维灰度图像形式。可选地，所述方法还包括：选用Daubechies小波基对测井数据进行不同尺度的小波变换。本专利技术的有益效果是：(1)利用L2范数、dropout和LRN有效地限制了模型的复杂程度，提高了模型泛化能力，获得了相较于其他算法的97.87％的模型分类准确率，使得其能够更加准确地自动识别测井曲线形态。(2)由于本专利技术的方法选用的是二维图像数据的测井相作为模式进行分类，无关具体数值，即结合所要分析地区的沉积环境背景就可将本专利技术所提出的方法用于测井相分析，所以具有比经典方法更优的泛化能力。(3)利用Daubechies小波进行不同尺度的测井相单元划分，使测井相识别工作变得更加便捷高效。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种基于卷积神经网络的多尺度测井相识别方法的流程图；图2为本专利技术的测井相分类模型的示意图；图3为Sigmoid和Tanh激活函数波形图；图4为ReLU激活函数波形图；图5为测井数据中的形态特征曲线示意图；图6为原始数据图与经过小波变换处理后的数据图的比较示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术提出了一种基于卷积神经网络的多尺度测井相识别方法，包括以下步骤：步骤(a)，采集原始数据。步骤(b)，建立训练数据集。步骤(c)，构建基于卷积神经网络的测井相分类模型，对待识别数据进行识别，所述模型包括8层网络，如图2所示，其中，第1层、第3层和第5层为卷积层，用来提取特征；第2层和第4层为池化层，用来降低模型复杂度；第6层和第7层为全连接层，用来将二维特征转变为一维特征向量；第8层为输出层，用来进行分类。可选地，在第1层使用卷积核对输入图像进行卷积操作，然后使用ReLU激活函数对每个点进行激活处理，ReLU函数公式如下所示：f(x)＝max(0，x)其中，x为该点数值，f(x)是经过激活函数得到的新数值。例如，输入图像大小为227×227像素，在第1层使用64个11×11大小的卷积核对输入图像进行卷积操作。激活函数有多种，一般使用饱和非线性函数，例如Sigmoid激活函数或者Tanh激活函数等，而ReLU是不饱和非线性函数，如图3和图4所示，横坐标表示激活函数的输入值，为实数(无单位)，纵坐标表示经过激活函数运算得到的输出值，相比较于Sigmoid和Tanh激活函数，ReLU激活函数在进行梯度下降时能够更容易求得其一阶导数，能够使模型不易出现梯度消失或爆炸，还能加快其收敛速度，所以本模型选用R本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的多尺度测井相识别方法，其特征在于，包括以下步骤：步骤(a)，采集原始数据；步骤(b)，建立训练数据集；步骤(c)，构建基于卷积神经网络的测井相分类模型，对待识别数据进行识别，所述模型包括8层网络，其中，第1层、第3层和第5层为卷积层，用来提取特征；第2层和第4层为池化层，用来降低模型复杂度；第6层和第7层为全连接层，用来将二维特征转变为一维特征向量；第8层为输出层，用来进行分类。

【技术特征摘要】
1.一种基于卷积神经网络的多尺度测井相识别方法，其特征在于，包括以下步骤：步骤(a)，采集原始数据；步骤(b)，建立训练数据集；步骤(c)，构建基于卷积神经网络的测井相分类模型，对待识别数据进行识别，所述模型包括8层网络，其中，第1层、第3层和第5层为卷积层，用来提取特征；第2层和第4层为池化层，用来降低模型复杂度；第6层和第7层为全连接层，用来将二维特征转变为一维特征向量；第8层为输出层，用来进行分类。2.如权利要求1所述的基于卷积神经网络的多尺度测井相识别方法，其特征在于，在第1层使用卷积核对输入图像进行卷积操作，然后使用ReLU激活函数对每个点进行激活处理，ReLU函数公式如下所示：f(x)＝max(0，x)其中，x为该点数值，f(x)是经过激活函数得到的新数值。3.如权利要求1所述的基于卷积神经网络的多尺度...

【专利技术属性】
技术研发人员：何旭，
申请(专利权)人：何旭，
类型：发明
国别省市：江苏,32