基于深度学习和重采样的河流-湖泊岩相测井识别方法技术

本发明专利技术公开了一种基于深度学习和重采样的河流

【技术实现步骤摘要】
基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法


[0001]本专利技术涉及岩相识别
，特别涉及一种基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法。

技术介绍

[0002]岩相是在相同的沉积条件下，体现了不同实例的丰富信息的岩石组合。在有限数据的情况下，岩相知识对于预测地层单元的岩性分布和排列是必不可少的（Allen, 1975; Miall, 1995），这是重建古地球古地理和寻找油气勘探甜点的关键。
[0003]测井曲线在地下勘探中普遍存在，测井曲线通常是连续的，在不间断的剖面中采样。除了直接测量地下岩石的岩石物理特征外，它们还可以反映岩性、质地和结构的变化，以及岩性的堆积模式，这对于理解岩相至关重要。因此，测井有助于地下地层的时空关联，并广泛用于油气储层预测。
[0004]尽管测井曲线普遍用于岩相识别，但有两个主要的局限性。首先，要进行详细的岩相解释，需要同时使用多条测井曲线进行综合解释。然而，人工作业难以处理多个测井，有时可能会忽略大量有用的信息。其次，从测井中进行岩相识别需要经验丰富的解释人员付出巨大的努力，从而增加了成本，阻碍了效率。迄今为止，深层地下勘探需要大量的地理数据集来重建详细的古地理环境（Wang 等人，2021年），所以快速有效的岩相解释方法是很有必要的。
[0005]机器学习是近年来人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。在岩相划分方面，机器学习可以帮助研究人员从爆炸性数据集中提取有用信息并获得新见解，从而有效克服了传统方法的局限性。
[0006]然而，对于河流
‑
湖泊岩相测井方面来说，虽然机器学习解决了有用信息的快速提取，但是河流
‑
湖泊岩相组合主要以淡水湖相泥岩与河流
‑
三角洲沉积互层为特征，且通常含有煤，因而具有较为强烈的岩相差异，这会导致实际勘探项目中存在数据不平衡的问题，所以单纯采用机器学习方法并不能有效提高河流
‑
湖泊岩相的识别精度。

技术实现思路

[0007]本专利技术的目的在于提供一种基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法，不仅能从爆炸性数据集中快速提取有用信息，而且可以解决实际勘探项目中存在数据不平衡的问题，从而提高河流
‑
湖泊岩相的识别精度。
[0008]为实现上述目的，本专利技术采用的技术方案如下：基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法，包括以下步骤：（1）根据河流
‑
湖泊岩相测井段所在区域的地质背景，选择测井类型和搜集测井数据；（2）根据选择的测井类型和搜集的测井数据解释测井数据的岩相特征，并划分岩
相类型；（3）根据测井数据和岩相类型划分出训练集、验证集与测试集；（4）构建河流
‑
湖泊岩相测井识别的机器学习模型，并使用MLP算法结合训练集对模型进行训练，MLP中包含输入层、中间隐藏层和输出层，其中，输入层为测井数据；中间隐藏层为深度神经网络可调节参数层，且每个中间隐藏层为100个神经元的深度神经网络；输出层为岩相类型，并且相邻层节点的连接均配有权重；训练过程如下：（a）所有边的权重随机分配；（b）前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的输入，人工神经网络都被激活，然后经过前向传播，得到输出值；（c）反向传播：利用输出值和样本值计算总误差，再利用反向传播更新权重；（d）重复步骤（b）、（c），直至输出误差低于制定的标准；（5）利用数据重采样方法对MLP算法进行模型优化，并利用网格搜索结合验证集对模型进行验证和调参，找到模型的最优参数，然后输出优化后的模型；（6）利用优化后的模型对河流
‑
湖泊岩相测井进行识别，并通过精确度、F1
‑
score和曲线下面积结合测试集评估模型的准确性和性能。
[0009]具体地，所述步骤（1）中，测井类型包括卡尺测井、伽马测井、无铀伽马测井、深测双侧向电阻率测井、浅测双侧向电阻率测井、补偿中子测井、密度测井和声波测井。
[0010]进一步地，搜集测井数据后，先对其进行标准化处理，处理过程如下：（e）通过移动测井曲线来匹配标记层的层段，然后利用伽马测井来校准深度；（f）将不能反映地下岩层真实情况的无效值删除；（g）采用如下公式，对测井数据进行标准化处理：式中，x
i
为第i个样本的测井数据，μ为不包含无效值的样本测井数据的平均值，σ为标准差，x
i,scaled
为第i个样本的标准化后的测井值。
[0011]具体地，所述步骤（5）中，数据重采样方法包括过采样和欠采样，其中，过采样流程如下：（h）对于少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集S
min
中所有样本的距离，得到其k近邻；（i）根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其k近邻中随机选择若干个样本，选择的近邻为xn；（j）对于每一个随机选出的近邻xn，分别与原样本按照如下的公式构建新的样本：式中，rand（0,1）代表生成一个在（0,1）内的随机实数；欠采样流程如下：（k）将数据T拆分成兴趣类C和其他数据O；（l）使用编辑过的最近邻规则识别O中的噪声数据A1，并设O中随机最近邻噪声数据为A2；
（m）对于O里面的每个类C
i
，如果x
ϵ
C
i
在错误分类的y
ϵ
C的3个最近的邻居中，并且，则；（n）减少数据。
[0012]进一步地，所述步骤（6）中，采用如下公式评估模型的准确性和性能：进一步地，所述步骤（6）中，采用如下公式评估模型的准确性和性能：式中，Accuracy 代表精确度，TP代表真阳性，TN代表真阴性，FP代表假阳性，FN代表假阴性，precession代表准确率，recall代表召回率。
[0013]与现有技术相比，本专利技术具有以下有益效果：本专利技术先选择测井类型和搜集测井数据，然后划分岩相，再在此基础上划分出训练集、验证集与测试集，继而采用机器学习的方式构建河流
‑
湖泊岩相测井识别的机器学习模型。构建模型后，本专利技术采用了MLP算法进行模型训练，本专利技术设计的MLP神经网络结构中，每个中间隐藏层为100个神经元的深度神经网络，训练后的模型存在不平衡数据集，对此，本专利技术进一步设计了数据重采样方式，通过过采样和欠采样相互结合，创建了平衡的数据集来消除原始数据集不平衡的影响，然后不断验证，再利用网格搜索的方法寻找模型的最佳超参数，使模型不断优化，最后通过精确度、F1
‑
score和曲线下面积（AUC）对模型进行评估、调整，得到最终输出的最优模型。
[0014]本专利技术输出的识别模型，有效克服了以往岩相识别方法因无法解决真实地下项目数据不平衡而导致的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法，其特征在于，包括以下步骤：（1）根据河流
‑
湖泊岩相测井段所在区域的地质背景，选择测井类型和搜集测井数据；（2）根据选择的测井类型和搜集的测井数据解释测井数据的岩相特征，并划分岩相类型；（3）根据测井数据和岩相类型划分出训练集、验证集与测试集；（4）构建河流
‑
湖泊岩相测井识别的机器学习模型，并使用MLP算法结合训练集对模型进行训练，MLP中包含输入层、中间隐藏层和输出层，其中，输入层为测井数据；中间隐藏层为深度神经网络可调节参数层，且每个中间隐藏层为100个神经元的深度神经网络；输出层为岩相类型，并且相邻层节点的连接均配有权重；训练过程如下：（a）所有边的权重随机分配；（b）前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的输入，人工神经网络都被激活，然后经过前向传播，得到输出值；（c）反向传播：利用输出值和样本值计算总误差，再利用反向传播更新权重；（d）重复步骤（b）、（c），直至输出误差低于制定的标准；（5）利用数据重采样方法对MLP算法进行模型优化，并利用网格搜索结合验证集对模型进行验证和调参，找到模型的最优参数，然后输出优化后的模型；（6）利用优化后的模型对河流
‑
湖泊岩相测井进行识别，并通过精确度、F1
‑
score和曲线下面积结合测试集评估模型的准确性和性能。2.根据权利要求1所述的基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法，其特征在于，所述步骤（1）中，测井类型包括卡尺测井、伽马测井、无铀伽马测井、深测双侧向电阻率测井、浅测双侧向电阻率测井、补偿中子测井、密度测井和声波测井。3.根据权利要求2所述的基于深度学习和重采样的河流
‑
湖泊岩相测井识别方法，其特征在于，搜集测井数据后，先对其进行标准化处理，处理过程如下：（e）通过移动测井曲线来匹配标记层的层段...

【专利技术属性】
技术研发人员：马超，郑栋宇，黄天宇，侯明才，陈安清，钟瀚霆，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：