用于砂岩铀矿的测井曲线响应分析方法技术

本申请涉及数据处理领域，尤其涉及用于砂岩铀矿的测井曲线响应分析方法，包括步骤：根据历史数据，构建关于钻井深度值与多种仪器测量值的测井曲线；根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度；根据所述响应程度优化预设神经网络模型的损失函数，生成最优的分析模型；响应于待分析的测井曲线被获取，根据所述分析模型，生成测井曲线响应的分析结果

【技术实现步骤摘要】
用于砂岩铀矿的测井曲线响应分析方法


[0001]本申请涉及数据处理领域，尤其涉及用于砂岩铀矿的测井曲线响应分析方法
。

技术介绍

[0002]砂岩铀矿是一种重要的核能资源，精确的矿石特性分析对于开采和处理过程至关重要
。
测井技术是矿石地质特性分析的重要工具，其中测井曲线响应分析在砂岩铀矿领域尤为重要
。
[0003]现有技术中，基于砂岩铀矿多类型测井曲线的
CNN
‑
LSTM
（
Convolutional Neural Network
‑
Long Short Term Memory
，卷积神经网络
‑
长短期记忆）模型，通过对各种测井曲线利用
CNN
‑
LSTM
模型实现不同类型岩层识别，完成测井曲线响应分析的方法
。
[0004]但是在利用
CNN
‑
LSTM
模型进行测井曲线响应分析时，由于砂岩铀矿的不同测井曲线中对不同岩层地质成分的响应程度并不一样，从而使得对不同岩层不同的测井曲线表现出的响应变化不同，而
CNN
‑
LSTM
模型是将所有测井曲线进行无差别融合分析，而不同测井曲线数据之间会存在相互干扰，且在进行测井曲线分析时无法有效利用与之对应具有高响应强度的测井信息数据，导致对砂岩铀矿的测井曲线响应分析的准确性较低
。

技术实现思路

[0005]为了提高用于砂岩铀矿的测井曲线对不同岩层响应分析的准确性，本申请提供一种用于砂岩铀矿的测井曲线响应分析方法
。
[0006]本申请提供用于砂岩铀矿的测井曲线响应分析方法，采用如下的技术方案，包括步骤：根据历史数据，构建关于钻井深度值与多种仪器测量值的测井曲线；根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度；根据所述响应程度优化预设神经网络模型的损失函数，生成最优的分析模型；响应于待分析的测井曲线被获取，根据所述分析模型，生成测井曲线响应的分析结果
。
[0007]可选的，所述根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度，包括步骤：计算第一向量与第二向量，所述第一向量由多个深度数据中所有的测井曲线值组成，所述第二向量由深度数据中不同砂岩铀矿地质成分占比值组成；根据所述第一向量及第二向量，计算相似性系数，计算公式为：；其中，为与之间的相似性系数，为第
i
条深度数据中第
r
个测井曲线的值，为第
i
条深度数据中第
s
种砂岩铀矿地质成分的占比值，为第
i
条深度数据中砂岩铀矿地质成分的峰强系数，峰强系数为第二向量中的成分占比值作为概率值计算获得的信息熵值；根据相似性系数，获得相似性系数矩阵；计算所述相似性系数矩阵中多个元素位置的响应程度值；根据所述响应程度值构建响应程度矩阵，所述响应程度矩阵中的多个元素值分别表示不同测井曲线对砂岩铀矿成分的响应程度值
。
[0008]可选的，计算所述相似性系数矩阵中多个元素位置的响应程度值，包括步骤：获得相似性系数序列，将相似性系数矩阵中元素位置所出现的元素值组成多个相似性系数序列；根据聚类算法，划分所述相似性系数序列为多个类别；计算获取每一类别内相似性系数的均值；根据所有类别的所述均值的最大值，得到元素位置的响应程度值
。
[0009]可选的，根据所述响应程度优化预设神经网络模型的损失函数，生成最优的分析模型中，优化过的损失函数的表达式为：；其中，为优化后的损失函数值，为当前训练轮次下神经网络模型对数据集中砂岩铀矿组成成分的预测向量值，为当前训练轮次下神经网络模型在数据集中输入数据对应的砂岩铀矿组成成分的标签向量值，为钻井的第
i
个深度数据对应的测井曲线数据序列，为钻井的所在地理位置下不同测井曲线对不同砂岩铀矿的组成成分的响应程度值
。
[0010]可选的，损失函数的优化中，使用随机梯度下降法，使神经网络模型通过反馈更新网络权重，使损失函数的数值下降
。
[0011]可选的，所述测井曲线包括：自然伽马测井曲线
、
电阻率测井曲线
、
声波时差测井曲线
、
中子测井曲线
、
密度测井曲线及微电阻测井曲线中的至少两种
。
[0012]本申请具有以下技术效果：
1、
通过构建相似性系数，获取测井曲线和不同砂岩铀矿的组成成分之间的变化的相似性，从而获取不同深度下在预测砂岩铀矿的组成成分时不同测井曲线的有效性，进而依据砂岩铀矿岩层连续特征，获取不同测井曲线对不同砂岩铀矿的组成成分的响应程度，用于
CNN
‑
LSTM
模型的
LOSS
函数优化，使得
CNN
‑
LSTM
模型通过测井曲线进行砂岩铀矿组成成分预测时，能够更加侧重有效的测井曲线，提高砂岩铀矿的测井曲线响应分析在预测砂岩铀矿组成成分的准确度
。
[0013]2、
现有的
CNN
‑
LSTM
模型在进行响应曲线分析时，完全依赖网络模型自身的学习能力，将所有数据进行无差别融合学习，使得对测井曲线在不同砂岩铀矿成分的不同响应特征难以进行有效利用，则模型对响应曲线的分析效果可能并不理想
。
为了增强不同测井曲线在利用
CNN
‑
LSTM
网络模型，进行砂岩铀矿的不同组成成分响应分析的效果，本申请选择通过预先分析不同测井曲线对不同砂岩铀矿的组成成分的响应程度，进而根据不同测井曲线对不同砂岩铀矿的组成成分的响应程度，得到不同测井曲线对不同砂岩铀矿的组成成分利用
CNN
‑
LSTM
模型进行响应分析时的增强系数
。
利用增强系数，完成对
CNN
‑
LSTM
模型的
LOSS
函数优化，实现对砂岩铀矿的测井曲线响应分析
。
附图说明
[0014]通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的
、
特征和优点将变得易于理解
。
在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分
。
[0015]图1是本申请实施例用于砂岩铀矿的测井曲线响应分析方法的方法流程图
。
[0016]图2是本申请实施例用于砂岩铀矿的测井曲线响应分析方法中步骤
S2
的方法流程
图
。
[0017]图3是本申请实施例用于砂岩铀矿的测井曲线响应分析方法中步骤
S23
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
用于砂岩铀矿的测井曲线响应分析方法，其特征在于，包括步骤：
S1
，根据历史数据，构建关于钻井深度值与多种仪器测量值的测井曲线；
S2
，根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度；
S3
，根据所述响应程度优化预设神经网络模型的损失函数，生成最优的分析模型；
S4
，响应于待分析的测井曲线被获取，根据所述分析模型，生成测井曲线响应的分析结果
。2.
根据权利要求1所述的用于砂岩铀矿的测井曲线响应分析方法，其特征在于，所述根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度，包括步骤：计算第一向量与第二向量，所述第一向量由多个深度数据中所有的测井曲线值组成，所述第二向量由深度数据中不同砂岩铀矿地质成分占比值组成；根据所述第一向量及第二向量，计算相似性系数，计算公式为：；其中，为与之间的相似性系数，为第
i
条深度数据中第
r
个测井曲线的值，为第
i
条深度数据中第
s
种砂岩铀矿地质成分的占比值，为第
i
条深度数据中砂岩铀矿地质成分的峰强系数，峰强系数为第二向量中的成分占比值作为概率值计算获得的信息熵值；根据相似性系数，获得相似性系数矩阵；计算所述相似性系数矩阵中多个元素位置的响应程度值；根据所述响应程度值构建响应程度矩阵，所述响应程度矩阵中的多个元素值分别表示不同测井曲线对砂岩铀矿成分的响应程度值
。3.
根据...

【专利技术属性】
技术研发人员：夏菲，聂逢君，何剑锋，严兆彬，封志兵，张成勇，刘国奇，张鑫，杨东光，李立尧，雷恒聪，白晶，
申请(专利权)人：东华理工大学南昌校区，
类型：发明
国别省市：