一种基于卷积神经网络的试井曲线自动分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的试井曲线自动分类方法及装置，涉及油田开发研究技术领域

【技术实现步骤摘要】
一种基于卷积神经网络的试井曲线自动分类方法及装置


[0001]本专利技术涉及油田开发研究
，尤其涉及一种基于卷积神经网络的试井曲线自动分类方法及装置
。

技术介绍

[0002]试井解释是了解油气藏动态的重要手段，它可以帮助油藏工程师获取储层渗透率
、
表皮系数，计算储层平均地层压力和单井的可采储量等参数
。
它主要是基于不稳定压力测试数据，在双对数坐标系下以压力和压力导数为纵坐标，时间为横坐标绘制试井曲线开展解释分析工作
。
[0003]然而对于不同的储层类型，试井曲线的压力导数形态是不相同的，因此在应用试井曲线确定储层性质时，不同储层类型条件下的试井曲线
(
压力导数图
)
的准确分类是至关重要的
。
由于试井解释具有多解性的特点，传统的曲线拟合方法难以快速准确的对试井曲线进行分类解释
。
[0004]近年来，随着机器学习技术的进步和石油行业庞大的数据集，机器学习技术在石油行业应用前景更加广阔，
AlKaabi
和
Lee
于
1993
年首次使用三层的全连接神经网络模型从试井曲线中确定试井解释模型，随后一系列研究人员利用更复杂的网络结构和数据集来优化神经网络对试井曲线的识别结果
。
因此，利用机器学习方法可以帮助我们快速将试井曲线的试井曲线类型自动识别可以显著减少识别工作量，为准确反演参数提供了可靠依据
。
[0005]由于之前
CPU
性能和数学理论基础的局限性，现存在以下几个不足：
(1)
现有神经网络模型中的训练样本和输入节点数量相对不足，极大地制约了神经网络模型的泛化能力
。(2)
在神经网络模型拟合过程中普遍存在的过拟合和局部极小问题，目前还没有相应的方法来克服
。(3)
目前几乎所有的研究都局限于全连接神经网络模型，卷积神经网络模型在图像识别领域具有更好的性能，目前还没有被用于试井曲线的识别分类
。

技术实现思路

[0006]本专利技术针对现有神经网络模型中的训练样本和输入节点数量相对不足
、
在神经网络模型拟合过程中普遍存在的过拟合和局部极小
、
目前几乎所有的研究都局限于全连接神经网络模型的问题，提出了本专利技术
。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]一方面，本专利技术提供了一种基于卷积神经网络的试井曲线自动分类方法，该方法由电子设备实现，该方法包括：
[0009]S1、
获取待分类的试井曲线，获取试井曲线的数据点
。
[0010]S2、
将数据点输入到构建好的基于卷积神经网络的试井曲线自动分类模型
。
[0011]S3、
根据数据点以及基于卷积神经网络的试井曲线自动分类模型，得到试井曲线的自动分类结果
。
[0012]可选地，
S2
中的基于卷积神经网络的试井曲线自动分类模型包括：输入层
、
第一基
础卷积层
、
第一最大池化层
、
第二基础卷积层
、
第二最大池化层
、
第三基础卷积层
、
平均池化层
、
第一全连接层和第二全连接层
。
[0013]可选地，
S2
中的基于卷积神经网络的试井曲线自动分类模型的构建过程，包括：
[0014]S21、
选取多种类型的样本试井曲线，分为训练集以及测试集
。
[0015]S22、
利用独热编码
one
‑
hot
方法将样本试井曲线转换为数值数据，获取样本试井曲线的数据点
。
[0016]S23、
利用
Xavier
正态初始化方法对试井曲线自动分类模型的权值进行初始化
。
[0017]S24、
利用
L2
正则化方法动态调整试井曲线自动分类模型的网络结构，将权重的平方值之和添加到损失函数中
。
[0018]S25、
自适应矩估计
Adam
优化算法在试井曲线自动分类模型的每个迭代过程中更新试井曲线自动分类模型的权重
。
[0019]S26、
利用小批量技术在试井曲线自动分类模型的每个迭代过程中随机选择训练集中的部分样本试井曲线
。
[0020]S27、
通过第二全连接层选择
softmax
函数实现数据降维，并输出概率最高的图片作为试井曲线的自动分类结果
。
[0021]可选地，
S2
中的基于卷积神经网络的试井曲线自动分类模型的构建过程，还包括：
[0022]利用
ReLU
激活函数提高试井曲线自动分类模型的表达能力
。
[0023]可选地，
S24
中的损失函数如下式
(1)
所示：
[0024][0025]其中，
m
是训练样本的数量，
y
i
是第
i
个训练样本的类型，是第
i
个训练样本的概率，
λ
是超参数，
n
是重量的大小，
w
j
是第
j
个特征的网络权重
。
[0026]可选地，
S25
中的利用
Adam
优化算法在试井曲线自动分类模型的每个迭代过程中更新试井曲线自动分类模型的权重，如下式
(2)
‑
(4)
所示：
[0027][0028][0029][0030]其中，是第
t
个时间步长下训练样本数据的第
j
个特征的网络权重，
η
t
是第
t
个时间步长的学习率，
ε
是常数，是第
t
个时间步长下第
j
个特征的动量，是第
t
个时间步长下第
j
个特征的动量，
β1是指数衰减率，是第
t
个时间步长下第
j
个特征的梯度，
β2是指数衰减率
。
[0031]可选地，
S26
中的利用小批量技术在试井曲线自动分类模型的每个迭代过程中随机选择训练集中的部分样本试井曲线，如下式
(5)
‑
(7)
所示：
[0032][0033][0034][0035]其中，
s
是一个小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的试井曲线自动分类方法，其特征在于，所述方法包括：
S1、
获取待分类的试井曲线，获取所述试井曲线的数据点；
S2、
将所述数据点输入到构建好的基于卷积神经网络的试井曲线自动分类模型；
S3、
根据所述数据点以及基于卷积神经网络的试井曲线自动分类模型，得到试井曲线的自动分类结果
。2.
根据权利要求1所述的方法，其特征在于，所述
S2
中的基于卷积神经网络的试井曲线自动分类模型包括：输入层
、
第一基础卷积层
、
第一最大池化层
、
第二基础卷积层
、
第二最大池化层
、
第三基础卷积层
、
平均池化层
、
第一全连接层和第二全连接层
。3.
根据权利要求1所述的方法，其特征在于，所述
S2
中的基于卷积神经网络的试井曲线自动分类模型的构建过程，包括：
S21、
选取多种类型的样本试井曲线，分为训练集以及测试集；
S22、
利用独热编码
one
‑
hot
方法将所述样本试井曲线转换为数值数据，获取所述样本试井曲线的数据点；
S23、
利用
Xavier
正态初始化方法对试井曲线自动分类模型的权值进行初始化；
S24、
利用
L2
正则化方法动态调整试井曲线自动分类模型的网络结构，将权重的平方值之和添加到损失函数中；
S25、
自适应矩估计
Adam
优化算法在试井曲线自动分类模型的每个迭代过程中更新试井曲线自动分类模型的权重；
S26、
利用小批量技术在试井曲线自动分类模型的每个迭代过程中随机选择训练集中的部分样本试井曲线；
S27、
通过第二全连接层选择
softmax
函数实现数据降维，并输出概率最高的图片作为试井曲线的自动分类结果
。4.
根据权利要求3所述的方法，其特征在于，所述
S2
中的基于卷积神经网络的试井曲线自动分类模型的构建过程，还包括：利用
ReLU
激活函数提高试井曲线自动分类模型的表达能力
。5.
根据权利要求3所述的方法，其特征在于，所述
S24
中的损失函数如下式
(1)
所示：其中，
m
是训练样本的数量，
y
i
是第
i
个训练样本的类型，是第
i
个训练样本的概率，
λ
是超参数，
n
是重量的大小，
w
j
是第
j
个特征的网络权重
。6.
根据权利要求3所述的方法，其特征在于，所述
S25
中的利用
Adam
优化算法在试井曲线自动分类模型的每个迭代过程中更新试井曲线自动分类模型的权重，如下式
(2)
‑
(4)
所示：
其中，是第
t
个时间步长下训练样本数据的第
j

【专利技术属性】
技术研发人员：褚洪杨，高玉宝，陈丹阳，郝锐，张景轩，任志强，张亮，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：