【技术实现步骤摘要】
基于卷积神经网络的陆相页岩油岩相类型识别方法及系统
[0001]本专利技术属于地质勘探领域，具体而言，涉及一种基于卷积神经网络的陆相页岩油岩相类型识别方法及系统。
技术介绍
[0002]现有的研究手段主要是利用岩心、矿物含量和有机碳含量人工划分岩相，以此来确定页岩油岩相类型，而对地质井筒资料缺失的情况下无法划分页岩油岩相。传统的页岩油岩相识别方法应用受限于有限的取心井、漫长的实验分析和昂贵的经济成本，因此，其只能对关键井的特定取心井段加以分析，难以做到全井段测试分析。
技术实现思路
[0003]本专利技术提供的一种基于卷积神经网络的陆相页岩油岩相类型智能识别方法及系统，在地质井筒资料较少的情况下，实现非均质性页岩岩相类型的低成本、高精度和低耗时的有效划分。
[0004]第一方面，本申请实施例提供了一种基于卷积神经网络的陆相页岩油岩相类型识别方法，包括：
[0005](1)对研究区目标井的测井曲线数据进行预处理；
[0006](2)根据岩心观察结果、矿物成分分析测试和有机质含量实验分析测...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的陆相页岩油岩相类型识别方法，其特征在于，包括：(1)对研究区目标井的测井曲线数据进行预处理；(2)根据岩心观察结果、矿物成分分析测试和有机质含量实验分析测试结果划分岩相类型，进而与完成预处理的测井曲线数据对应，最终建立基于井筒地质资料的页岩油岩相标签；(3)利用PCA主成分分析方法研究特征向量的相关性，对多种测井曲线数据进行主成分分析运算，降低数据的维数和同时保留数据特征，将其结果作为数据集使用；(4)建立卷积神经网络模型，将数据集作为输入层进行训练，在每次网络训练中前向传播，并通过得出的结果调整权值、阈值矩阵，不断重复以上步骤直至达到预期准确率目标或达到最大迭代次数，最终得出优势训练模型。2.根据权利要求1所述基于卷积神经网络的陆相页岩油岩相类型识别方法，其特征在于，步骤(1)包括：清洗测井曲线数据，剔除测井曲线中的异常数值；将测井数据进行归一化处理，消除量纲差别不利影响，使数据具有相同的尺度。3.根据权利要求2所述基于卷积神经网络的陆相页岩油岩相类型识别方法，其特征在于，步骤(1)包括：清洗测井曲线数据，剔除测井曲线中的异常数值，分别去除测井数据中占比0％
‑
5％数据的最小值，以及占比95％
‑
100％数据的最大值，清洗后的最小值和最大值为5％、95％；将测井数据进行归一化处理，对于线性特征的测井曲线采用以下的线性归一化公式处理：对于非线性特征的测井曲线采用以下的非线性归一化公式处理：其中Xnorm为归一化后的数据，Xi为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。4.根据权利要求1
‑
3任一项所述基于卷积神经网络的陆相页岩油岩相类型识别方法，其特征在于，步骤(2)包括：利用花页1井资料、全岩定量分析出的矿物种类与含量和有机碳含量数据，基于“岩石构造+有机质特征+矿物组成”的页岩油岩相划分方法，将取心段岩相主要划分为中碳层状灰质泥岩、低碳纹层状含灰含云泥岩、低碳纹层状灰云质泥岩、低碳纹层状云质泥岩、低碳层状灰云质泥岩、低碳层状云质泥岩和低碳纹层状泥云岩共7种岩相类型，同时参考深度结果将上述岩相类型与测井曲线数据深度进行对应，建立岩相标签。5.根据权利要求1
‑
3任一项所述基于卷积神经网络的陆相页岩油岩相类型识别方法，其特征在于，步骤(3)包括：利用PCA主成分分析方法对自然电位、自然伽马、声波时差、密度、井径、深侧向电阻率和浅侧向电阻率多种测井曲线进行运算，形成新的特征数据信息，并从多种特征中按照指定的特征信息损失范围划定所需的数据量，将新形成的数据作为输入层的数据集使用。
6.根据权利要求1
‑
3任一项所述基于卷积神经网络的陆相页岩油岩相类型识别方法，其特征在于，步骤(4)包括：建立卷积神经网络模型，将研究区页岩油样品预处理后的测井曲线数据作为输入层,将预处理后的页岩油测井曲线数据所对应的页岩岩相类型作为输出层，进行训练并得出训...
【专利技术属性】
技术研发人员：罗钰涵，葛政俊，谌廷姗，洪亚飞，林波，刘宗堡，
申请(专利权)人：中国石油化工股份有限公司江苏油田分公司，
类型：发明
国别省市：
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。