一种基于测井曲线深度学习的泥砂分层检测方法技术

本发明专利技术公开了一种基于测井曲线深度学习的泥砂分层检测方法，包括获取同一工区内训练模型所需要的训练数据和测试数据；把输入的测井数据输入深度信念神经网络DBN中，建立了一个应用于泥砂分层方面的DBN网络模型；RBM在网络学习之前需要先进行无监督的预训练，确保特征向量映射到不同的特征空间，尽可能多的保留特征信息。通过本发明专利技术在预测模型训练好后，能够根据一口井的自然伽马、密度、声波、中子4种测井数据得出其相对应位置的泥岩和砂岩，输出层神经元输出只能无限接近1和0，泥砂分层的岩性标签是一个在[0,1]范围内的浮点型数据，大小表示其属于泥岩层和砂岩层的隶属程度，可以更精确的表示它的岩性特征。

A Method of Sand Layering Detection Based on Deep Learning of Logging Curves

The invention discloses a mud-sand stratification detection method based on logging curve depth learning, which includes acquiring training data and testing data needed for training model in the same work area; inputting logging data into depth belief neural network DBN, establishing a DBN network model applied to mud-sand stratification; and RBM needs unsupervised pre-training before network learning. Practice to ensure that feature vectors are mapped to different feature spaces and retain as much feature information as possible. After the prediction model is trained, the mudstone and sandstone at their corresponding positions can be obtained from the natural gamma, density, acoustic and neutron logging data of a well. The output neuron of the output layer can only reach 1 and 0 infinitely. The lithologic label of the mudstone stratification is a floating point data in the range of [0,1], which indicates the membership range of the mudstone and sandstone layers. Degree can more accurately express its lithological characteristics.

【技术实现步骤摘要】
一种基于测井曲线深度学习的泥砂分层检测方法
本专利技术属于地球物理勘探和机器学习领域的一种基于测井曲线深度学习的泥砂分层检测方法，具体涉及到DBN在测井岩性解释中的研究与应用。
技术介绍
测井解释就是将测井信息加工解释成地质信息，以往大多通过数学方法建立解释模型来完成这项工作。测井在油气勘探中被比喻成人的眼睛，测井解释的核心就是确定测井信息和地质信息之间的关系，利用测井信息来确定储层岩性、储层流体性质和储层参数。但是在目前，钻井取芯仅限于某些层段，不能获取整个工区内的储层参数。所以现在一些未知地区的储层参数主要是依靠地质学家们通过以往经验建立的数学公式来预测，经验公式或简化地质模型对于一般地质储层参数的获取有一定的指导意义，但对于解决复杂隐蔽地质问题，特别是泥砂分层问题还是有很大的局限性。深度学习是大数据时代下发展起来的自动特征提取与预测方法，已经成功应用于语音识别、人脸检测与目标追踪等领域，但是很少有在石油勘探领域的应用。
技术实现思路
本专利技术的目的为克服现有泥砂分层问题上存在的不足，提供了一种能够更简单高效地确定岩性特征以及提高岩性识别分类精度的基于测井曲线深度学习的泥砂分层检测本文档来自技高网...

【技术保护点】
1.一种基于测井曲线深度学习的泥砂分层检测方法，其特征在于：首先，要获取训练模型所需要的数据，所需要的训练数据和测试数据都应该是同一工区内的测井数据；其二，把输入的测井数据输入深度信念神经网络DBN中，建立了一个应用于泥砂分层方面的DBN网络模型，初始时的网络模型分为3层；其中，输入层为包括自然伽马、密度、声波和中子测井数据；网络输出层由2个分别代表泥层和砂层的神经元组成，相邻两层即组成一个受限玻尔兹曼机RBM；隐层神经元激活函数采用S型函数，深度学习模型中每层神经元激活值作为原始数据新的特征表达，输出层各个神经元输出只能无限接近1和0，而不能达到1和0；其三，RBM在网络学习之前需要先进行无...

【技术特征摘要】
1.一种基于测井曲线深度学习的泥砂分层检测方法，其特征在于：首先，要获取训练模型所需要的数据，所需要的训练数据和测试数据都应该是同一工区内的测井数据；其二，把输入的测井数据输入深度信念神经网络DBN中，建立了一个应用于泥砂分层方面的DBN网络模型，初始时的网络模型分为3层；其中，输入层为包括自然伽马、密度、声波和中子测井数据；网络输出层由2个分别代表泥层和砂层的神经元组成，相邻两层即组成一个受限玻尔兹曼机RBM；隐层神经元激活函数采用S型函数，深度学习模型中每层神经元激活值作为原始数据新的特征表达，输出层各个神经元输出只能无限接近1和0，而不能达到1和0；其三，RBM在网络学习之前需要先进行无监督的预训练，确保特征向量映射到不同的特征空间，尽可能多的保留特征信息。2.根据权利要求1所述的基于测井曲线深度学习的泥砂分层检测方法，其特征在于还包括：A)深度学习模型预训练：DBN网络在进行训练之前将每两层网络节点作为一个RBM进行岩性检测深度学习模型配置参数的无监督预训练，其中，所述配置参数包括模型深度、模型每层神经元节点数以及神经元激活函，而并不是将网络权值设置为任意随机值；B)深度学习参数微调：通过A)中预训练后，网络中的神经元节点之间的网络权重参数已经初始化，而并不是随机初始化，将自然伽马、密度、声波、中子测井数据和泥岩、砂岩标签分批输入DBN网络模型进行有监督的训练，进行网络训练的时候需要不断调整网络的中间层数，即除了输入层和输出层外的中间层数据，初始中间层数为1、中间层神经元个数、神经元激活函数以及学习率，最终保留能够使学习效果最好的网络结构；C)预测同工区内未进行录井的井中岩性：通过B)中获得网络训练预测模型，然后输入想要预测的自然伽马、密度、声波、中子测井数据，通过训练好的DBN预测模型预测出其相对应的泥岩和砂岩分类的隶属度，泥岩和砂岩分类的标签是一个在[0,1]范围内的浮点型数据。3.根据权利要求2所述的基于测井曲线深度学习的泥砂分层检测方法，其特征在于：所述泥岩和砂岩分类的标签分别是一个在[0.99-0.01]和[0.01-0.99]范围内的浮点型数据。4.根据权利要求2所述的基于测井曲线深度学习的泥砂分层检测方法，其特征在于：所述RBM是一种两层基于能量的随机神经网络，除了同层的双向连接之外具有与经典玻尔兹曼机相似的结构；由一组输入节点组成的RBM输入层被表示为可见层(V)，由一组隐藏节点组成的RBM输出层被表示为隐层(H)，设定Vi和Hj分别表示可见节点的第i个值和隐藏节点的第j个值，权重矩阵W表示双向权重，矢量C和B分别表示可见层和隐藏层的偏差，所有RBM的W、C和B通过RBM的顺序训练来确定，即第一个RBM中的输入节点根据DBN模型的输入产生，然后根据学习算法生成第一个RBM中的输出节点；第一个...

【专利技术属性】
技术研发人员：朱剑兵，王兴谋，冯德永，张云涛，揭景荣，李长红，赵培坤，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司胜利油田分公司物探研究院，
类型：发明
国别省市：北京,11