基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法技术

本发明专利技术公开了一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法，在地层模型中对地层参数随机取值，通过正演计算获得<地层信息，测井响应>数据集，将数据集中的测井响应作为卷积神经网络的输入数据，卷积神经网络在训练过程中提取随钻方位电磁波数据的曲线特征，使网络具有从测井响应映射到地层信息的非线性表达能力，最后，使用训练好的网络可以准确的反演新的样本数据。通过上述方式，本申请建立了U

【技术实现步骤摘要】
基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法


[0001]本专利技术涉及地球物理测井领域，具体涉及一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法。

技术介绍

[0002]随钻方位电磁波测量的幅度比和相位差信号，无法直接反映电阻率或仪器与地层边界距离的信息，需要对测量数据进行反演计算，方可获得地层电阻率和界面位置等参数。常用的方位电磁波反演方法主要包括梯度类算法和人工智能算法。
[0003]相对于计算精度有限的浅层神经网络，卷积神经网络由于具有更多的隐含层，提取的输入数据信息更加丰富，其计算精度高；能够使用GPU加快网络训练速度，其训练速度较快；且研究者们已发表的成果表明，训练后的卷积神经网络具有反演电磁波数据的能力，是一种可行方法，能够解决传统方法无法遍历所有可能模型且计算速度慢的问题；但目前卷积神经网络方位电磁波数据反演方法仍处于起步阶段，要将其应用于实际数据处理，在样本数据构建、卷积网络选择、计算精度提升、边界条件限制和损失函数的构建方面，仍有待进一步的研究工作。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]一种基于卷积神经网络的随钻方位电磁波测井数据反演方法，包括如下步骤：
[0007]S1、构建3D地质模型并采集所建立的3D地质模型中各采样点的地层参数；
[0008]S2、利用测井工具计算每个采样点的地层参数所对应的测井响应，以每一组<地层参数，测井响应>为数据对构建样本集；
[0009]S3、构建卷积神经网络，利用样本集对卷积神经网络进行训练，提取随钻方位电磁波数据的曲线特征；
[0010]S4、调整卷积神经网络的参数，比较卷积神经网络在不同参数下的反演精度，从而优选出最佳网络参数。
[0011]S5、利用训练好的卷积神经网络对新的测井数据进行反演，输出反演结果进一步的，所述S2具体包括如下步骤：
[0012]S21、将步骤S1构建的3D地质模型等效为水平层状地形模型；
[0013]S22、对水平层状地形模型中的每一层的电阻率以及地层边界位置进行随机取值，确定每一层地层的参数；
[0014]S23、利用测井工具的仪器参数进行理论推导，得到每一层地层参数下对应的测井响应；
[0015]S24、重复步骤S21
‑
S24得到多组<地层参数，测井响应>数据对。
[0016]进一步的，所述S3中构建的神经网络包括编码器和解码器，其中，
[0017]所述编码器内包括多组级联的结构不同的网络单元结构，用于将随钻方位电磁波测量相应序列转化为多个特征向量；
[0018]所述解码器内包括与所述编码器内数量相同的网格单元结构，用于将编码器转化的特征向量转化为与电阻率剖面大小一致的一维序列。
[0019]进一步的，所述编码器中第一层网格单元结构采用可分离1D卷积层，最后一层网格单元结构采用常规1D卷积层，中间层网格单元结构为可分离1D卷积层和常规1D卷积层的拼接结构，且每一层网格单元结构中可分离1D卷积层的尺寸沿输入数据方向依次递增；所述编码器中相邻两层网格单元结构通过高斯噪声层连接。
[0020]进一步的，所述解码器中最后一层网格单元结构采用可分离1D卷积层和常规1D卷积层的拼接结构，其余每层网格单元结构均采用上采样层和可分离1D 卷积层的拼接结构，且每一层网格单元结构中可分离1D卷积层的尺寸依次递减；所述解码器中相邻两层网格单元结构之间通过连接层连接，每一个连接层均连接至与其距离对称的高斯噪声层。
[0021]进一步的，所述S4调整卷积神经网络的参数，比较卷积神经网络在不同参数下的反演精度，从而优选出最佳网络参数具体方式为：
[0022]使用不同的学习率和批尺寸组合分别验证卷积神经网络在不同训练参数时的反演精度，选择平均验证损失函数最小值对应的学习率和批尺寸作为卷积神经网络的最优参数。
[0023]进一步的，所述S3中卷积神经网络训练损失函数表示为：
[0024][0025]其中，中W
i
为第i次学习权值，η为学习率，Loss为损失函数。
[0026]本专利技术具有以下有益效果：
[0027]本申请建立了U
‑
net卷积神经网络方位电磁波测井数据反演工作流，分析了工作流中各构成部分方位电磁波数据反演中的作用，优化了U
‑
net卷积神经网络的训练参数，使用最优训练参数反演了方位电磁波数据，同时U
‑
net卷积神经网络能够用于反演方位电磁波数据，其反演结果具有较高的准确性和鲁棒性。
附图说明
[0028]图1为本专利技术基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法流程示意图。
[0029]图2为本专利技术实施例地层模型结构示意图，其中a为2D地址模型，b为水平状地层模型。
[0030]图3为本专利技术实施例方位电磁波测井仪的结构示意图。
[0031]图4为本专利技术实施例U
‑
net网络结构示意图。
[0032]图5为本专利技术实施例损失函数值变化趋势示意图。
[0033]图6为本专利技术实施例两层地层模型反演结果示意图。
[0034]图7为本专利技术实施例三层地层模型反演结果示意图。
[0035]图8为本专利技术实施例四层地层模型反演结果示意图。
[0036]图9为本专利技术实施例五层地层模型反演结果示意图。
[0037]图10为本专利技术实施例六层地层模型反演结果示意图。
[0038]图11为本专利技术实施例七层地层模型反演结果示意图。
具体实施方式
[0039]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0040]一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法，如图1所示，包括如下步骤：
[0041]S1、构建3D地质模型并采集所建立的3D地质模型中各采样点的地层参数；
[0042]3D地质模型适用于解决方位电磁波测井中的任意倾斜地层、不规则泥浆侵入、复杂地质构造等问题，但只能使用有限元或有限差分的等方法计算，其计算速度较慢，无法满足快速计算的需要。电磁场的解可以通过解析理论计算，如傅里叶变换理论或Hertz势理论，其计算速度快，能够满足大量生成样本及工作现场快速计算的需要。
[0043]S2、利用测井工具计算每个采样点的地层参数所对应的测井响应，以每一组<地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法，其特征在于，包括如下步骤：S1、构建3D地质模型并采集所建立的3D地质模型中各采样点的地层参数；S2、利用测井工具计算每个采样点的地层参数所对应的测井响应，以每一组<地层参数，测井响应>为数据对构建样本集；S3、构建卷积神经网络，利用样本集对卷积神经网络进行训练，提取随钻方位电磁波数据的曲线特征；S4、调整卷积神经网络的参数，比较卷积神经网络在不同参数下的反演精度，从而优选出最佳网络参数。S5、利用训练好的卷积神经网络对新的测井数据进行反演，输出反演结果。2.根据权利要求1所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法，其特征在于，所述S2具体包括如下步骤：S21、将步骤S1构建的3D地质模型等效为水平层状地形模型；S22、对水平层状地形模型中的每一层的电阻率以及地层边界位置进行随机取值，确定每一层地层的参数；S23、利用测井工具的仪器参数进行理论推导，得到每一层地层参数下对应的测井响应；S24、重复步骤S21
‑
S24得到多组<地层参数，测井响应>数据对。3.根据权利要求1所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法，其特征在于，所述S3中构建的神经网络包括编码器和解码器，其中，所述编码器内包括多组级联的结构不同的网络单元结构，用于将随钻方位电磁波测量相应序列转化为多个特征向量；所述解码器内包括与所述编码器内数量相同的网格单元结构，用于将编码器转化的特征向量转化为与电阻率剖面大...

【专利技术属性】
技术研发人员：康正明，张意，侯彬彬，秦浩杰，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：