【技术实现步骤摘要】
一种综合地质钻孔测井岩性识别方法
本专利技术涉及一种综合地质钻孔测井岩性识别方法,特别是一种基于t-SNE与PSO对BP神经网络进行改进的综合钻孔测井岩性识别方法。
技术介绍
快速发展的经济使得人们对资源和能源的需求不断增加,对地质勘探提出了更高的要求。岩石的成分、结构以及物理化学特性等一切能够反映岩石特征的属性就是岩石的岩性。由于岩性控制着岩石物理性质(如孔隙度和渗透率)的分布,因此,对岩性空间变化的了解对于地下矿层的勘探具有重要意义。岩性识别主要通过分析钻井岩芯以及测井资料数据可得,但是钻井取心由于部分岩层岩性采取率不高又很难做到对钻遇地层的完整描述。随着不断发展的测井技术给地质工作者带来了丰富的测井信息,对这些测井信息进行分析运用识别岩性信息,相对于分析钻井岩芯来讲更快速,效果更准确。由于复杂的地质条件和沉积环境,储层非均质性与测井响应特征之间的非线性关系表明,采用线性测井响应方程和经验统计公式不能有效地刻画储层特征,不能满足实际生产需要。传统的岩性鉴别方法与工作人员多年来不断存储积累的经验有很大关联的,得到的答案并不是唯一确定的。20世纪80年代后期,人工神经网络技术因为能在解决问题的时候不受其他因素干扰的能力和对不是线性数据的映射能力的优势在世界范围迅速发展起来,为测井解释的变革工作提出了新的想法可进行研究。与传统测井分析方法相比,该方法在避免人为因素造成误差的同时还可以提高岩性识别的效率以及识别率。在岩性识别方面使用到的机器学习算法多种多样,不同的算法识别效果不同,从目前的一些识别数据来看 ...
【技术保护点】
1.一种综合地质钻孔测井岩性识别方法,其特征在于该方法至少包括以下步骤:/n1.获取钻孔测井数据;/n2.对钻孔测井数据进行精化处理,得到精化数据集,精化处理步骤如下;/n2.1判断钻孔测井数据数据特征类型列表是否存在空缺,若出现空缺,则选用均值填补、中值填补、众数填补、任意值填补任一方式填补数据至该空缺部分;/n2.2根据钻孔测井数据中各个岩性类别下的数据量与标准钻孔测井数据中各个岩性类别下的数据量进行比对,若岩性分类的数据量不相等,则存在数据不均衡情况,利用SMOTE过采样算法对钻孔测井数据集进行均衡处理;/n2.3采用线性函数法对钻孔测井数据进行归一化处理,得到精化数据集;/n3.根据t-SNE算法对精化数据集进行降维处理,降维处理步骤如下:/n3.1设定好降至的维数;/n3.2为体现数据相似度,采用条件概率表达选出的数据样本在空间中的投射距离,其中高维空间数据样本用高斯分布来表达样本在空间中的投射距离,低维数据用t分布来表达特性相近样本在空间中的投射距离,其中高维空间数据样本的条件概率P
【技术特征摘要】
1.一种综合地质钻孔测井岩性识别方法,其特征在于该方法至少包括以下步骤:
1.获取钻孔测井数据;
2.对钻孔测井数据进行精化处理,得到精化数据集,精化处理步骤如下;
2.1判断钻孔测井数据数据特征类型列表是否存在空缺,若出现空缺,则选用均值填补、中值填补、众数填补、任意值填补任一方式填补数据至该空缺部分;
2.2根据钻孔测井数据中各个岩性类别下的数据量与标准钻孔测井数据中各个岩性类别下的数据量进行比对,若岩性分类的数据量不相等,则存在数据不均衡情况,利用SMOTE过采样算法对钻孔测井数据集进行均衡处理;
2.3采用线性函数法对钻孔测井数据进行归一化处理,得到精化数据集;
3.根据t-SNE算法对精化数据集进行降维处理,降维处理步骤如下:
3.1设定好降至的维数;
3.2为体现数据相似度,采用条件概率表达选出的数据样本在空间中的投射距离,其中高维空间数据样本用高斯分布来表达样本在空间中的投射距离,低维数据用t分布来表达特性相近样本在空间中的投射距离,其中高维空间数据样本的条件概率Pij通过如下公式获得:
式中,xi和xj为数据样本中表示同一岩性的数据在高维空间的数据点,σi为以xi为中心点的高斯分布方差;xk和xl为数据集中的数据映射在高维空间中的数据点,其中低维空间数据样本的条件概率qij通过如下公式获得:
式中,yi和yj分别为高维数据点xi和xj映射于低维的数据点;yk和yl为高维空间数据点xk和xl映射与低维空间的数据点;
其中离群点X’i的条件概率p’ij通过如下公式获得:
式中,Pj|i为以xi为中心的xj与xi之间的条件概率,Pi|j为以xj为中心的xi与xj之间的条件概率;
3.3将转换后的低维数据用Kullback-Leibler散度进行表达,具体的代价函数如下:
式中,Pij为高维空间数据样本的条件概率,qij为低维空间数据样本的条件概率,C和KL(P||Q)为条件概率Pij与条件概率qij的信息熵的差值;对代价函数进行梯度求解的公式如下:
式中,C为条件概率Pij与条件概率qij的信息熵的差值,yi和yj分别为高维数据点xi和xj映射于低维的数据点,Pij为高维空间数据样本的条件概率,qij为低维空间数据...
【专利技术属性】
技术研发人员:张夏林,谢俊,李章林,翁正平,张明林,吴冲龙,祝洪涛,何昆洋,刘洋,刘刚,田宜平,孙青,王晋,
申请(专利权)人:中国地质大学武汉,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。