基于深度信念网络的测井岩性识别方法技术

本发明专利技术涉及一种有关岩性识别的测井解释方法，尤其是一种基于深度信念网络的地层岩性识别方法。基于深度信念网络的测井岩性识别方法，主要通过计算机完成，实现该方法所需设备包括测井仪器、数据通讯接口及计算机；该方法包括步骤：利用测井数据识别井口周围的岩性；测井数据的预处理：归一化处理；岩性分类的数字化；测井曲线与岩性之间关联度的计算；预设深度信念网络的结构；确定限制玻尔兹曼机个数；确定岩性分类界限；用于识别地层岩性的深度信念网络训练完成；将待解释井测井数据输入该网络，进行岩性识别工作。针对缺少地层元素测井和成像测井资料的地区，本发明专利技术提供的识别方法，预测简单、识别准确率高，效果好且实用可靠。

Logging Lithology Recognition Method Based on Deep Belief Network

The invention relates to a logging interpretation method for lithology identification, in particular to a method for lithology identification of strata based on depth belief network. Logging lithology recognition method based on deep belief network is mainly accomplished by computer, which includes logging instruments, data communication interface and computer. The method includes steps: using logging data to identify lithology around wellhead; pretreatment of logging data: normalization processing; digitization of lithology classification; correlation degree between logging curve and lithology. Computation; Preset the structure of depth belief network; determine the number of limited Boltzmann machines; determine the boundaries of lithology classification; complete the training of depth belief network for identifying formation lithology; input the log data of the well to be interpreted into the network for lithology identification. For areas lacking formation element logging and imaging logging data, the identification method provided by the present invention is simple in prediction, high in recognition accuracy, good in effect and practical and reliable.

【技术实现步骤摘要】
基于深度信念网络的测井岩性识别方法
本专利技术涉及一种有关岩性识别的测井解释方法，尤其是一种基于深度信念网络的地层岩性识别方法。
技术介绍
目前火成岩储层岩性识别最有效的方法是地层元素测井与成像测井。但两者成本较高，无法大规模开展。在只有常规测井曲线的情况下，目前常用的解释方法有交会图法、多元统计分析法及BP神经网络法等。交会图法简单易用，但其对于复杂储层效果较差；多元统计分析法工作量小、速度快，但其需要调整的参数较多，容易产生较大误差；BP神经网络法本身是一种“浅层”神经网络，存在局部极小化问题，经常无法获得全局最优解，同时还存在收敛慢的缺点。
技术实现思路
本专利技术的目的在于针对缺少地层元素测井和成像测井资料的地区，提供一种预测简单、实用可靠的基于深度信念网络的地层岩性识别方法。本专利技术公开了一种基于深度信念网络的测井岩性识别方法，主要通过计算机完成，其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机；所述测井仪器,用于采集测井数据；所述数据通讯接口,用于将现场测井仪器采集的上述测井数据,传输到计算机中；所述计算机，用于运行深度信念网络的地层岩性识别算法，根据测井数据，对井口周围地层岩性进行识别；该方法包括如下步骤：步骤一、利用测井数据识别井口周围的岩性，测井数据主要包括传统的九条常规测井曲线，分别为深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马以及井径，预测输出变量为地层岩性；步骤二、测井数据的预处理：现场测井仪器采集测井数据，首先需要进行预处理，至少包括深度校正、平滑滤波及环境校正；步骤三、归一化处理：每一种测井方法的物理原理不同，其测量的物理参数的量纲和数量级均有很大的差别，需要对测井数据进行归一化处理，使其具有相同的量纲和数值分布范围；经过归一化处理的测井数据均为无量纲量，且分布区间为[0,1]；步骤四、岩性分类的数字化：计算机无法认知地层的岩性，因而必须将岩性进行数字化以满足计算机的读取；设所识别的岩性共有n种，将n种岩性记为表格的形式，所述表格在首行和首列均分别列出对应的这n种岩性的名称，在表格中行与列的交叉位置填上1或0，其中1代表是某种岩性，0代表不是某种岩性；如下表所示：岩性分类数字化方法继而，将上述表格中不同深度测井数据对应的岩性记为矩阵Y，Y由n组向量构成，其取值为0或者1，1代表是某种岩性，0代表不是某种岩性，即，矩阵Y即为岩性分类数字化的结果；步骤五、测井曲线与岩性之间关联度的计算：采用灰色关联分析法分析各测井曲线与岩性之间的相关性：在某区块内，针对所要识别的n种岩性，选取具备完整地质资料的n种岩性对应的各m组常规测井数据，作为样本集S；各岩性对应的样本数量m应当大于500；分别计算测井曲线与矩阵Y中n组向量的灰色关联度后，可以进行关联度的排序，从而选取合适的测井曲线；其选取标准为：(1)该测井曲线，对于每种岩性，灰色关联度均大于0.7；(2)该测井曲线，对应各种岩性的灰色关联度的几何平均值大于0.8；以此为标准剔除关联度较小的测井曲线，保留关联度较高的测井曲线作为深度信念网络的输入参数；步骤六、预设深度信念网络的结构：不少于5个限制玻尔兹曼机，隐含层神经元个数为样本数量的十分之一；将步骤五中确定的该测井曲线作为样本，输入第1个限制玻尔兹曼机进行无监督训练，训练结果输入第二个限制玻尔兹曼机，直至最后一个限制玻尔兹曼机的输出结果为Yout；步骤七、经过无监督学习，深度信念网络的连接权值矩阵基本可以确定，需利用有监督学习对权值矩阵进行微调：样本集S中，测井数据对应的岩性数字化后的结果为YE，则误差函数为误差函数对隐含层各神经元的偏导数为δv(k)；连接权值调整规则为w＝ηδvfi,k，η为学习率，k＝1,2,3,…,n；对于初始连接权值，随机选取正态分布(0.001,1)中的随机数即可；不断调整连接权值，设定e≤0.01，直到误差函数满足要求，深度信念网络训练完成；步骤八、再选取具备完整地质资料的n种岩性对应的各r组常规测井数据，作为测试集T，r应当大于500；将测试集T中的测井数据输入已经训练完成的深度信念网络，输出结果记做矩阵Y1，测试集T中测井数据对应的岩性数字化后的结果记为Y0，利用均方误差函数衡量网络性能，即设△Y1＝Y1-Y0，△Y1中所有元素的平方和为均方误差MSE△Y1；由第5个起调整限制玻尔兹曼机的数量，得到均方误差与限制玻尔兹曼机个数之间的关系，进而确定合适的限制玻尔兹曼机数量p；步骤九、确定限制玻尔兹曼机个数：理想的隐含层神经元个数比样本数少一个数量级，当样本数量为n·m，假设其数量级为w，那么隐含层神经元个数在10w-1～10w之间；设p个限制玻尔兹曼机的隐含层神经元个数分别为n1，n2，n3，…np，记为N，且10w-1≤N≤10w；将输出的n个向量所组成的矩阵记做Y2，△Y2＝Y2-Y0，△Y2中所有元素的平方和为均方误差MSE△Y2；将n1，n2，n3，…np的可能取值限定为1·10w-1、2·10w-1、3·10w-1、4·10w-1、5·10w-1、6·10w-1、7·10w-1、8·10w-1、9·10w-1；求出MSE△Y2取最小值时，对应的N，记为n1a，n2a，n3a，…npa，记为Na；这样就确定了各限制玻尔兹曼机个数的最高数位；将N可能取值限定为Na-5·10w-2、Na-4·10w-2、Na-3·10w-2、Na-2·10w-2、Na-1·10w-2、Na、Na+1·10w-2、Na+2·10w-2、Na+3·10w-2、Na+4·10w-2、Na+5·10w-2；求出MSE△Y2取最小值时，对应的n1，n2，n3，…np，记为Nb；设△n2＝5，10个隐含层神经元个数的取值范围为Nb-△n2≤N≤Nb+△n2；将N的可能取值限定为Nb-5、Nb-4、Nb-3、Nb-2、Nb-1、Nb、Nb+1、Nb+2、Nb+3、Nb+4、Nb+5；这样就确定了各限制玻尔兹曼机个数的第二高数位；以此类推，直到确定各限制玻尔兹曼机个数的个位，即可得到理想的限制玻尔兹曼机个数；步骤十、确定岩性分类界限：计算机的输出结果是一个矩阵Y，因此需要将矩阵重新转化为岩性分类；计算机输出的矩阵不是由0和1组成，而是由[0,1]区间内的小数组成；设分类界限为i∈[0.3,0.7]，将测试集测井数据输入深度信念网络计算得到的矩阵记为Y3，理论岩性分类结果为矩阵Y0；将Y3中大于等于i的元素近似为1，小于i的元素近似为0；设△Y3＝Y3-Y0，△Y3中所有元素的平方和取最小值时对应的i为最佳分类界限；步骤十一、确定了限制玻尔兹曼机个数、隐含层神经元个数以及分类界限后，用于识别地层岩性的深度信念网络训练完成；将待解释井测井数据输入该网络，可进行岩性识别工作。本专利技术在步骤九中，通过逐步确定限制玻尔兹曼机隐含层神经元个数各数位的“值”来得到最佳隐含层神经元个数。本专利技术将交会图法、BP神经网络以及深度信念网络(DBN)三种方法同时运用于松辽盆地YUXX井储层岩性识别，并对三种方法的效果进行对比。选取松辽盆地东部凹陷的测井数据，根据钻探资料，该区块地区地层主要由火成岩和沉积岩构成。沉积岩主要为砂岩和泥岩，火成岩主要包括玄武岩、粗本文档来自技高网...

【技术保护点】
1.一种基于深度信念网络的测井岩性识别方法，主要通过计算机完成，其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机；所述测井仪器,用于采集测井数据；所述数据通讯接口,用于将现场测井仪器采集的上述测井数据,传输到计算机中；所述计算机，用于运行深度信念网络的地层岩性识别算法，根据测井数据，对井口周围地层岩性进行识别；该方法包括如下步骤：步骤一、利用测井数据识别井口周围的岩性，测井数据主要包括传统的九条常规测井曲线，分别为深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马以及井径，预测输出变量为地层岩性；步骤二、测井数据的预处理：现场测井仪器采集测井数据，首先需要进行预处理，至少包括深度校正、平滑滤波及环境校正；步骤三、归一化处理：每一种测井方法的物理原理不同，其测量的物理参数的量纲和数量级均有很大的差别，需要对测井数据进行归一化处理，使其具有相同的量纲和数值分布范围；经过归一化处理的测井数据均为无量纲量，且分布区间为[0,1]；步骤四、岩性分类的数字化：计算机无法认知地层的岩性，因而必须将岩性进行数字化以满足计算机的读取；设所识别的岩性共有n种，将n种岩性记为表格的形式，所述表格在首行和首列均分别列出对应的这n种岩性的名称，在表格中行与列的交叉位置填上1或0，其中1代表是某种岩性，0代表不是某种岩性；继而，将上述表格中不同深度测井数据对应的岩性记为矩阵Y，Y由n组向量构成，其取值为0或者1，1代表是某种岩性，0代表不是某种岩性，即，...

【技术特征摘要】
1.一种基于深度信念网络的测井岩性识别方法，主要通过计算机完成，其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机；所述测井仪器,用于采集测井数据；所述数据通讯接口,用于将现场测井仪器采集的上述测井数据,传输到计算机中；所述计算机，用于运行深度信念网络的地层岩性识别算法，根据测井数据，对井口周围地层岩性进行识别；该方法包括如下步骤：步骤一、利用测井数据识别井口周围的岩性，测井数据主要包括传统的九条常规测井曲线，分别为深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马以及井径，预测输出变量为地层岩性；步骤二、测井数据的预处理：现场测井仪器采集测井数据，首先需要进行预处理，至少包括深度校正、平滑滤波及环境校正；步骤三、归一化处理：每一种测井方法的物理原理不同，其测量的物理参数的量纲和数量级均有很大的差别，需要对测井数据进行归一化处理，使其具有相同的量纲和数值分布范围；经过归一化处理的测井数据均为无量纲量，且分布区间为[0,1]；步骤四、岩性分类的数字化：计算机无法认知地层的岩性，因而必须将岩性进行数字化以满足计算机的读取；设所识别的岩性共有n种，将n种岩性记为表格的形式，所述表格在首行和首列均分别列出对应的这n种岩性的名称，在表格中行与列的交叉位置填上1或0，其中1代表是某种岩性，0代表不是某种岩性；继而，将上述表格中不同深度测井数据对应的岩性记为矩阵Y，Y由n组向量构成，其取值为0或者1，1代表是某种岩性，0代表不是某种岩性，即，矩阵Y即为岩性分类数字化的结果；步骤五、测井曲线与岩性之间关联度的计算：采用灰色关联分析法分析各测井曲线与岩性之间的相关性：在某区块内，针对所要识别的n种岩性，选取具备完整地质资料的n种岩性对应的各m组常规测井数据，作为样本集S；各岩性对应的样本数量m应当大于500；分别计算测井曲线与矩阵Y中n组向量的灰色关联度后，可以进行关联度的排序，从而选取合适的测井曲线；其选取标准为：(1)该测井曲线，对于每种岩性，灰色关联度均大于0.7；(2)该测井曲线，对应各种岩性的灰色关联度的几何平均值大于0.8；以此为标准剔除关联度较小的测井曲线，保留关联度较高的测井曲线作为深度信念网络的输入参数；步骤六、预设深度信念网络的结构：不少于5个限制玻尔兹曼机，隐含层神经元个数为样本数量的十分之一；将步骤五中确定的该测井曲线作为样本，输入第1个限制玻尔兹曼机进行无监督训练，训练结果输入第二个限制玻尔兹曼机，直至最后一个限制玻尔兹曼机的输出结果为Yout；步骤七、经过无监督学习，深度信念网络的连接权值矩阵基本可以确定，需利用有监督学习对权值矩阵进行微调：样本集S中，测井数据对应的岩性数字化后的结果为YE，则误差函数为误差函数对隐含层各神经元的偏导数为δv(k)；连接权值调整规则为w＝ηδvfi,k，η为学习率，k＝1,2,3,…,n；对于初始连接权值，随机选取正态分布(0....

【专利技术属性】
技术研发人员：向旻，张峰玮，帕尔哈提·祖努，齐兴华，安然，
申请(专利权)人：新疆工程学院，
类型：发明
国别省市：新疆,65