本发明专利技术公开了一种用于判别泥页岩亮晶的智能识别方法，涉及地球物理测井技术领域。本发明专利技术根据泥页岩储层的矿物组成和结构特征，在目标井段的测井数据上人工标定亮晶后，对测井数据预处理并分析各测井参数进行Pearson相关性分析，剔除冗余曲线后构建样本库，从样本库中抽取样本构建训练集和验证集，利用smote方法扩充训练集内的亮晶样本后，基于注意力机制的CNN‑BiLSTM‑Attention组合模型构建亮晶判别器，利用训练集训练亮晶判别器进行亮晶识别后，再利用验证集验证亮晶判别器的识别效果，最后再利用验证合格后的亮晶判别器对待识别井段进行亮晶识别。本发明专利技术解决了复杂泥页岩储层中亮晶难以精确识别的问题，提高了泥页岩亮晶识别的速率，有利于复杂性泥页岩储层的勘探开发。
【技术实现步骤摘要】
本专利技术涉及地球物理测井，具体涉及一种用于判别泥页岩亮晶的智能识别方法。
技术介绍
1、亮晶判别作为石油勘探开发中重要的基础性工作，从全新的地质角度为页岩油勘探中的靶向选层提供了有利证据。
2、目前，常用的亮晶划分方法包括岩心描述法、图版法、统计分析法等，然而受到复杂地质条件的影响，泥页岩储层具有非均质性强、层序变化快、复杂度高的特点，导致其测井响应中的亮晶构造映射关系弱且样本量少，给亮晶判别带来极大挑战。岩心描述法虽然精细，但其耗时耗力且所获取的样本量少；常规的图版法虽然简单直观，但受到泥页岩储层测井响应不明显的影响，无法准确区分亮晶；统计分析法虽然在一定程度上能够识别部分线性可分的亮晶，但是其在复杂储层的应用上仍存在局限性。
3、因此，采用现有的常规方法难以实现对亮晶构造的精细判别。因此，亟需提出一种用于判别泥页岩亮晶的智能识别方法，解决样本量小、非线性特征提取困难、层序变化快等难点，实现复杂性泥页岩储层环境下亮晶的精确识别。
技术实现思路
1、本专利技术为了解决复杂性泥页岩储层中难以精确识别亮晶的问题，提出了一种用于判别泥页岩亮晶的智能识别方法，解决了因亮晶样本量小且样本类别不均衡所导致亮晶识别训练受限的问题，通过将smote数据拓展方法与基于注意力机制的cnn-bilstm-attention组合模型所构建的亮晶判别器相结合，提高了泥页岩亮晶识别的速率和精度，有利于复杂性泥页岩储层的勘探开发。
2、本专利技术采用以下的技术方案：
3、一种用于判别泥页岩亮晶的智能识别方法，具体包括以下步骤：
4、步骤1，获取泥页岩储层中目标井段的测井曲线，得到目标井段的测井数据，结合岩心资料，分析泥页岩储层内的矿物组成和结构特征，人工确定测井曲线上的亮晶层段和非亮晶层段，并在测井曲线上人工标定标签；
5、步骤2，对目标井段的测井数据进行预处理后对各测井参数进行pearson相关性分析，根据各测井参数的pearson相关系数，筛选出目标井段测井曲线中的冗余曲线后，结合目标井段测井曲线上人工标定的亮晶标签和非亮晶标签，构建包括亮晶样本集和非亮晶样本集的样本库；
6、步骤3，从样本库中随机抽取亮晶样本和非亮晶样本作为训练样本和验证样本，形成训练集和验证集，基于smote方法扩充训练集内的亮晶样本，使得训练集中亮晶样本的数量与非亮晶样本的数量相等；
7、步骤4，基于注意力机制的cnn-bilstm-attention组合模型构建亮晶判别器；
8、步骤5，利用训练集训练基于注意力机制的cnn-bilstm-attention组合模型所构建的亮晶判别器，得到训练后的亮晶判别器；
9、步骤6，利用验证集验证亮晶判别器，得到验证后的亮晶判别器；
10、步骤7，利用验证后的亮晶判别器对待识别井段进行亮晶识别，将待识别井段测井曲线中提取的测井数据按深度序列输入至亮晶判别器中，得到待识别井段的亮晶识别结果。
11、优选地，所述测井曲线包括自然伽马曲线、自然电位曲线、声波时差曲线、密度曲线、补偿中子曲线和电阻率曲线。
12、优选地，所述步骤2中，具体包括以下步骤：
13、步骤2.1，对目标井段的测井数据进行预处理，所述预处理包括深度校正和去噪处理；
14、步骤2.2，对各测井参数进行pearson相关性分析，所述测井参数的pearson相关系数计算公式为：
15、
16、式中，ρx,y为pearson相关系数，x、y均为测井参数，i为序号，n为测井参数的总数，xi为第i个测井参数x的测量值，为测井参数x的平均值，yi为第i个测井参数y的测量值，为测井参数y的平均值；
17、所述pearson相关系数ρx,y小于0时，表示测井参数x与测井参数y之间为负相关；所述pearson相关系数ρx,y大于0时，表示测井参数x与测井参数y之间为正相关，且pearson相关系数ρx,y越接近0时，测井参数x与测井参数y之间的相关性越差；
18、步骤2.3，根据pearson相关系数ρx,y筛选目标井段的测井曲线，将|ρx,y|≥0.9时的测井曲线作为冗余曲线，剔除掉目标井段测井曲线中的冗余曲线后，利用筛选后目标井段测井曲线上的测井数据，结合测井曲线上的亮晶标签和非亮晶标签，将亮晶层段中位于同一深度点处的各测井数据作为一个亮晶样本，获取多个亮晶样本，构建亮晶样本集，再将非亮晶层段中位于同一深度点处的各测井数据作为一个非亮晶样本，获取多个非亮晶样本，构建非亮晶样本集，得到包括亮晶样本集和非亮晶样本集的样本库。
19、优选地，所述训练集中训练样本与验证集中验证样本之间的数量比为9:1。
20、优选地，所述亮晶判别器基于注意力机制的cnn-bilstm-attention组合模型构建，所述基于注意力机制的cnn-bilstm-attention组合模型包括基于注意力机制的卷积神经网络模型和bilstm网络模型，基于注意力机制的卷积神经网络模型和bilstm网络模型依次连接；
21、所述基于注意力机制的卷积神经网络模型包括并列设置的cnn分支、注意力机制分支和multiplication层；
22、所述cnn分支用于提取输入样本的特征向量，包括第一卷积层、第一激活层、第二卷积层和第二激活层，所述第一卷积层和第二卷积层均为3×1卷积层，其中，第一卷积层中设置有32个卷积核，第二卷积层中设置有64个卷积核，第一卷积层和第二卷积层的卷积运算，如公式(2)所示：
23、
24、式中，hi为卷积运算得到的特征向量，xi为卷积层中第i个元素的输入值，wi为第i个元素所对应的权值矩阵值，bi为第i个元素的偏置值，n×n为卷积核的大小；
25、所述第一激活层和第二激活层均采用relu函数作为激活函数，如公式(3)所示：
26、yi＝max(0,hi) (3)
27、式中，yi为激活函数值，max(0,hi)为最大值函数，用于选取0和卷积运算得到的特征向量hi中的最大值；
28、所述注意力机制分支用于辅助卷积神经网络提取特征向量，包括全局平均池化层、第一全连接层、第一激活层、第二全连接层和第二激活层，其中，所述第一全连接层的通道数设置为16、第二全连接层的通道数设置为64，第一激活层采用relu函数作为激活函数、第二激活层采用sigmoid函数作为激活函数；
29、所述注意力机制分支采用软注意力机制的se模块辅助卷积神经网络提取特征向量，通过添加表示重要程度的权重用于关注特定通道，包括squeeze部分、excitation部分和reweight部分；
30、其中，所述注意力机制分支的全局平均池化层对应se模块的squeeze部分，通过对输入样本内的特征向量进行全局汇聚操本文档来自技高网
...
【技术保护点】
1.一种用于判别泥页岩亮晶的智能识别方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述测井曲线包括自然伽马曲线、自然电位曲线、声波时差曲线、密度曲线、补偿中子曲线和电阻率曲线。
3.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述步骤2中，具体包括以下步骤：
4.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述训练集中训练样本与验证集中验证样本之间的数量比为9:1。
5.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述亮晶判别器基于注意力机制的CNN-BiLSTM-Attention组合模型构建，所述基于注意力机制的CNN-BiLSTM-Attention组合模型包括基于注意力机制的卷积神经网络模型和BiLSTM网络模型，基于注意力机制的卷积神经网络模型和BiLSTM网络模型依次连接；
6.根据权利要求5所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，基于注意力机制的CNN-BiLSTM-Attention组合模型所构建亮晶判别器采用Adam梯度下降算法进行训练，训练过程中亮晶判别器自适应调整学习率并更新网络权重，训练过程中采用交叉熵损失函数作为损失函数，用于评估亮晶判别器识别亮晶的准确性，如公式(10)所示：
7.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述步骤5中，具体包括以下步骤：
8.根据权利要求7所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述最大训练次数不小于2000次，初始学习率设置为0.001，训练过程中亮晶判别器的损失函数值逐渐稳定在0.2。
9.根据权利要求1所述的用于判别泥页岩亮晶混合的智能识别方法，其特征在于，所述步骤6中，具体包括以下步骤：
...
【技术特征摘要】
1.一种用于判别泥页岩亮晶的智能识别方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述测井曲线包括自然伽马曲线、自然电位曲线、声波时差曲线、密度曲线、补偿中子曲线和电阻率曲线。
3.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述步骤2中，具体包括以下步骤：
4.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述训练集中训练样本与验证集中验证样本之间的数量比为9:1。
5.根据权利要求1所述的用于判别泥页岩亮晶的智能识别方法，其特征在于，所述亮晶判别器基于注意力机制的cnn-bilstm-attention组合模型构建，所述基于注意力机制的cnn-bilstm-attention组合模型包括基于注意力机制的卷积神经网络模型和bilstm网络模型，基于注意力机制的卷积...
【专利技术属性】
技术研发人员：洪玉真，邓少贵，李志君，
申请(专利权)人：中国石油大学华东，
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。