基于测井数据深度学习的灯影组微生物岩微相识别方法技术

本发明专利技术公开了一种基于测井数据深度学习的灯影组微生物岩微相识别方法，包括以下步骤：S1、根据已确定微生物岩性的多种类测井数据，建立样本数据库；S2、检验样本数据库中测井曲线的完整性，对缺失段数据利用主成分分析及线性回归的方法进行处理，实现数据补充；S3、对样本数据进行均已化，划分为训练集和验证集；S4、建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型。本发明专利技术通过对已确定微生物岩性的多种类测井数据进行分析，建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型，通过神经网络模型来进行微生物岩微相识别，具有较强的客观性及系统性，在提高识别准确度的同时也提高了识别工作的效率。

【技术实现步骤摘要】
基于测井数据深度学习的灯影组微生物岩微相识别方法
本专利技术涉及一种基于测井数据深度学习的灯影组微生物岩微相识别方法。
技术介绍
测井，全称地球物理测井或矿场地球物理，简称测井，是利用岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性，测量地球物理参数的方法。油气勘探过程中，通过声波、电阻、自然电位、自然伽马等多种测井曲线的曲线波动特征可对地层岩性进行有效划分，进而完成地层岩石粒度、含流体性质及饱和度、地层孔隙度、地层渗透率的计算，最终完成岩石类型的识别。理论上不同类型岩石会在不同测井曲线上表现出明显的波动异常，但由于实际测井过程中，钻井泥浆类型、井壁垮塌导致等众多因素导致人工识别并判断测井曲线异常艰难。人工判定过程中，判别人员的主观因素也会对识别结果产生较大误差，使得岩石类型的识别工作缺乏客观性及系统性，甚至在对岩石类型做出判断后难以提供判别依据。因此，建立客观化、系统化、自动化的多测井曲线结合的识别模式显得尤为重要。现有的基于测井数据识别岩性的方法主要针对煤田地质中煤的属性和砂泥岩划分的问题，尚无针对微生物岩的测井识别技术。且现有的技术仅针对某一条曲线，如煤属性预测和砂泥岩划分中仅用GR曲线，尚无多种曲线同时作为判定依据的识别方法。现有的沉积微相测井识别技术通过对已知的各沉积微相在GR曲线上的表现形式进行识别，以达到识别岩性及沉积微相的目的。各沉积微相在GR曲线上的表现形式如图1所示。提取GR测井曲线上形态的统计特征，包括：平均幅度、幅度差异、相对重心、相对变号个数、方差、平均中位数、变差方差根等，将测井资料上的形态差异转化成数学语言。判定未知曲线上形态异常。常见判定方法有：模糊均值聚类法、bayes判别法。所谓模糊均值聚类法,基本原理就是统计计算出各类沉积微相的聚类中心,然后对需要判相的样本，计算出其距离各类微相聚类中心的距离，按照距离最小归属到哪一类微相中。而bayes判别法，实际上是对最短距离判别方法的修正,在利用距离进行判别的同时考虑到各类微相先验概率的不同，以期望距离进行聚类。现有技术的缺点：(1)现有岩性及沉积微相的测井识别技术仅针对砂泥岩剖面，难以应用在微生物岩所属的碳酸盐岩。(2)现有测井识别技术仅能对单一测井曲线完成识别判定，同多曲线综合识别相比，易造成判别误差。(3)现有测井识别技术需要对曲线形态的所有数学特征进行提取，提取时间较长，效率低。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种通过对已确定微生物岩性的多种类测井数据进行分析，建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型，通过神经网络模型来进行微生物岩微相识别，在提高识别准确度的同时也提高了识别工作的效率的基于测井数据深度学习的灯影组微生物岩微相识别方法。本专利技术的目的是通过以下技术方案来实现的：一种基于测井数据深度学习的灯影组微生物岩微相识别方法，包括以下步骤：S1、根据已确定微生物岩性的多种类测井数据，建立样本数据库；S2、检验样本数据库中测井曲线的完整性，对缺失段数据利用主成分分析及线性回归的方法进行处理，实现数据补充；S3、对样本数据进行均已化，并将均已化后的样本数据划分为训练集和验证集；S4、建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型。进一步地，所述步骤S1具体实现方法为：利用偏光显微镜对钻井岩心薄片进行鉴定，明确微生物岩组构，进而确定微生物岩石类型及沉积微相类型；将测井数据与微生物岩类型进行匹配，建立样本数据库。进一步地，所述步骤S2具体实现方法为：利用Tesorflow/pandas处理模块内置函数对各条测井曲线进行快速遍历及统计，检验测井曲线的完整性；具体方法如下：对每条测井曲线进行数值灰度转化，依据图像模糊边界将非突变像素点取值转换为0(黑色)，图像模糊边界突变像素点取值转换为1(白色)；然后利用Pandas.isnull函数判断曲线是否完整。进一步地，所述步骤S3具体实现方法为：将各地球物理测井参数进行归一/正值化操作，将各测井参数统一到0～1刻度：其中，Pi为归一/正值化之后的刻度值，Li为第i个测井参数，Lmin表示所有测井参数中的最小值，Lmax为所有测井参数中的最大值。进一步地，所述步骤S4具体实现方法为：利用Python/Keras接口下结合独热编码one-hot/Softmax函数接口构建针对测井曲线的神经网络模型，网络模型包括一个输入层、一个输出层和4个隐藏层，其中，隐藏层1含600个神经元，激活函数使用elu；隐藏层2含128个神经元，激活函数使用Relu；隐藏层3含32个神经元，激活函数使用sigmoid；隐藏层4含8含神经元，激活函数使用softsign。本专利技术的有益效果是：本专利技术通过对已确定微生物岩性的多种类测井数据进行分析，建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型，通过神经网络模型来进行微生物岩微相识别，具有较强的客观性及系统性，在提高识别准确度的同时也提高了识别工作的效率。附图说明图1为各沉积微相在GR曲线上的表现形式；图2为本专利技术的灯影组微生物岩微相识别方法的流程图；图3为本实施例微生物岩石类型及沉积微相类型图；图4为本专利技术对测井曲线进行识别的结果图。具体实施方式神经网络是受到生物(人或其他动物)神经网络功能的运作启发而产生的一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。神经网络是一种运算模型，由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则按照网络的连接方式，权重值和激励函数的不同而不同。神经网络通常是通过一个基于数学统计学类型的学习方法(LearningMethod)的优化组合，是数学统计学方法的拓展应用。神经网络在人工智能学的人工感知领域，通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)。测井曲线的复杂性及其由岩性变化产生的波动的规律性使得运用神经网络来识别测井曲线的工作具有了较强的客观性及系统性，在提高识别准确度的同时也提高了识别工作的效率。GR曲线：自然电位测井，是电法测井的一部分，主要用于砂泥岩剖面。自然电位测井测量的是自然电位随井深变化的曲线。由于自然电位测井在渗透层处有明显的异常显示，是划分和评价储集层的重要方法之一。下面结合附图进一步说明本专利技术的技术方案。如图2所示，本专利技术的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，包括以下步骤：S1、根据已确定微生物岩性的多种类测井数据，建本文档来自技高网...

【技术保护点】
1.一种基于测井数据深度学习的生物岩微相识别方法，其特征在于，包括以下步骤：/nS1、根据已确定微生物岩性的多种类测井数据，建立样本数据库；/nS2、检验样本数据库中测井曲线的完整性，对缺失段数据利用主成分分析及线性回归的方法进行处理，实现数据补充；/nS3、对样本数据进行均已化，并将均已化后的样本数据划分为训练集和验证集；/nS4、建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型。/n

【技术特征摘要】
1.一种基于测井数据深度学习的生物岩微相识别方法，其特征在于，包括以下步骤：
S1、根据已确定微生物岩性的多种类测井数据，建立样本数据库；
S2、检验样本数据库中测井曲线的完整性，对缺失段数据利用主成分分析及线性回归的方法进行处理，实现数据补充；
S3、对样本数据进行均已化，并将均已化后的样本数据划分为训练集和验证集；
S4、建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型。


2.根据权利要求1所述的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，其特征在于，所述步骤S1具体实现方法为：利用偏光显微镜对钻井岩心薄片进行鉴定，明确微生物岩组构，进而确定微生物岩石类型及沉积微相类型；将测井数据与微生物岩类型进行匹配，建立样本数据库。


3.根据权利要求1所述的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，其特征在于，所述步骤S2具体实现方法为：利用Tesorflow/pandas处理模块内置函数对各条测井曲线进行快速遍历及统计，检验测井曲线的完整性；具体方法如下：对每条测井曲线进行数值灰度转化，依据...

【专利技术属性】
技术研发人员：宋金民，李柯然，杨迪，李智武，叶玥豪，余晶洁，李立基，金鑫，赵玲丽，冯宇翔，任佳鑫，王瀚，陈伟，范建平，陈俊林，王佳蕊，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川;51