【技术实现步骤摘要】
本专利技术涉及测井领域，具体来讲，涉及一种测井回波初至时间提取方法、一种测井回波初至时间提取装置、以及实现测井回波初至时间提取方法的设备和计算机可读存储介质。
技术介绍
1、测井作业中，初至时间的提取对于井径测量，井壁成像乃至后面的井壁裂缝提取、储层分析等起着至关重要的作用。早期初至时间的提取通常由现场分析人员完成，他们根据专家判断和多年积累的经验来进行确定。很显然这种人工方法费时费力，效率不高。在这数十年间研究人员已经提出了各种初至时间自动提取算法，其中典型的代表方法有短长时窗平均比值法、akaike信息论准则法和互相关法。短长时窗平均比值法利用噪声信号与回波幅值信号之间的差异来对信号的初至时间进行拾取，通过设置短时窗和长时窗，并计算窗内特征函数的比值，将人工设置的经验阈值与它进行比较来确定信号的初至时间。akaike信息论准则法建立在熵的基础上，通过信息论概念来评估模型拟合性能，利用数据中信号和噪声的统计特性差异，造成在信号与噪声的交界点处两种数据的拟合效果最差，对数据中拟合最差的点即aic的最小值，代表着该信号的初至时间。互相关分析方法是在相关的概念基础上提出的，对变量之间的线性联系关系进行判断，通过变量之间相关性大小来进行处理分析的一种方法。在对于到时拾取领域中，由于激励信号与回波信号的高度相关性，通常提取一个模板信号数据，将该模板信号不断在原始信号数据中进行滑动匹配，滑动的次数越多，信号的区分效果越明显，通常取两到三次，模板匹配到的最大值为激励信号与回波信号的相关性最大点，该点即为回波信号初至时间点。
2、
技术实现思路
1、本专利技术的目的在于解决现有技术存在的上述不足中的至少一项。例如，本专利技术的目的之一在于提供一种运算效率高的同时准确度更高、具有实时性和实用性的测井回波初至时间提取方法。
2、为了实现上述目的，本专利技术一方面提供了一种测井回波初至时间提取方法。
3、所述测井回波初至时间提取方法包括以下步骤：
4、s1、标准化处理接收到的超声测井回波信号数据。
5、s2、根据所述超声测井回波信号数据生成数据标签。
6、s3、构建初至时间概率提取模型，所述初至时间概率提取模型采用改进一维phasenet网络训练得到，所述改进一维phasenet神经网络基于一维phasenet神经网络将所述超声测井回波信号数据中的相邻波形概率进行联合学习。
7、s4、根据所述超声测井回波信号数据和数据标签训练所述初至时间概率提取模型。
8、s5、根据所述初至时间概率提取模型确认测井回波初至时间。
9、在本专利技术测井回波初至时间提取方法的一个示例性实施例中，所述改进一维phasenet神经网络可包括重叠概率交叉学习模块，所述重叠概率交叉学习模块可包括依次连接的第一卷积层、第一激活函数、第二卷积层、第一移动层、第一全局池化层、第三卷积层、第二激活函数、第四卷积层和第三激活函数。
10、在本专利技术测井回波初至时间提取方法的一个示例性实施例中，所述步骤s3可包括：可采用剪枝方法对所述初至时间概率提取模型进行轻量化处理，当批处理归一化层中缩放因子为[0,0.01]时，可剪枝所述缩放因子对应的通道。
11、在本专利技术测井回波初至时间提取方法的一个示例性实施例中，所述步骤s4可包括：可将所述超声测井回波信号数据分为训练数据集、验证数据集与测试数据集，所述训练数据集、验证数据集与测试数据集中的数据比例可为8～3:2～1:1。
12、在本专利技术测井回波初至时间提取方法的一个示例性实施例中，所述步骤s2可包括：可采用高斯分布掩膜技术对所述超声测井回波信号数据进行处理，将手动拾取所述超声测井回波信号数据的波形初至时间设置为最高概率，按照概率分布的方式设置手动拾取概率，所述概率分布符合标准差为3～10的高斯分布。
13、在本专利技术测井回波初至时间提取方法的一个示例性实施例中，所述步骤s4可包括：所述训练的迭代次数可大于等于20次，dropout层的丢弃比例可为[0,1]，学习率可为[0,1]。
14、在本专利技术测井回波初至时间提取方法的一个示例性实施例中，所述初至时间概率提取模型的验证准确率和测试准确率均可大于95％。
15、本专利技术又一方面提供了一种测井回波初至时间提取装置。所述测井回波初至时间提取装置包括：标准化处理模块、数据标签生成模块、初至时间概率提取模型构建模块、训练模块以及测井回波初至时间确认模块。
16、其中，所述标准化处理模块，可被配置为标准化处理接收到的超声测井回波信号数据。
17、所述数据标签生成模块可与所述标准化处理模块相连，可被配置为根据所述超声测井回波信号数据生成数据标签。
18、所述初至时间概率提取模型构建模块可与所述标准化处理模块和数据标签生成模块相连，可被配置为构建初至时间概率提取模型，初至时间概率提取模型采用改进一维phasenet网络训练得到，所述改进一维phasenet神经网络基于一维phasenet神经网络将所述超声测井回波信号数据中的相邻波形概率进行联合学习。
19、所述训练模块可与所述初至时间概率提取模型构建模块相连，可被配置为根据所述超声测井回波信号数据和数据标签训练所述初至时间概率提取模型。
20、所述测井回波初至时间确认模块可与所述初至时间概率提取模型构建模块相连，被配置为根据所述初至时间概率提取模型确认测井回波初至时间。
21、本专利技术再一方面提供了一种计算机设备，所述计算机设备包括：
22、处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的测井回波初至时间提取方法。
23、本专利技术再一方面提供了一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如上所述的测井回波初至时间提取方法。
24、与现有技术相比，本专利技术的有益效果包括以下内容中的至少一项：
25、(1)本专利技术所提供的测井回波初至时间提取方法对一维phasenet网络进行了改进，增加了相邻波形的概率联合学习能力，从而能够更好地聚合跨波形的概率学习能力，提高了初至时间的提取精度。
26、(2)本专利技术所提供的测井回波初至时间提取方法采用了剪枝方法对初至时间概率提取模型进行轻量化处理，减小了模型的复杂度，提高了的运算效率。
27、(3)本专利技术所提供的测井回波初至时间提取方法的准确率和测试准度都超过了95％，说明本方法的准确率高，泛化能力强。
本文档来自技高网...【技术保护点】
1.一种测井回波初至时间提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述改进一维PhaseNet神经网络包括重叠概率交叉学习模块，所述重叠概率交叉学习模块包括依次连接的第一卷积层、第一激活函数、第二卷积层、第一移动层、第一全局池化层、第三卷积层、第二激活函数、第四卷积层和第三激活函数。
3.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤S3包括：采用剪枝方法对所述初至时间概率提取模型进行轻量化处理，当批处理归一化层中缩放因子为[0,0.01]时，剪枝所述缩放因子对应的通道。
4.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤S4包括：将所述超声测井回波信号数据分为训练数据集、验证数据集与测试数据集，所述训练数据集、验证数据集与测试数据集中的数据比例为8～3:2～1:1。
5.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤S2包括：采用高斯分布掩膜技术对所述超声测井回波信号数据进行处理，将手动拾取所述超声测井回波信号数据
6.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤S4包括：所述训练的迭代次数大于等于20次，Dropout层的丢弃比例为[0,1]，学习率为[0,1]。
7.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述初至时间概率提取模型的验证准确率和测试准确率均大于95％。
8.一种测井回波初至时间提取装置，其特征在于，所述测井回波初至时间提取装置包括：标准化处理模块、数据标签生成模块、初至时间概率提取模型构建模块、训练模块以及测井回波初至时间确认模块，其中，
9.一种计算机设备，其特征在于，所述计算机设备包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1～7中任意一项所述的测井回波初至时间提取方法。
...【技术特征摘要】
1.一种测井回波初至时间提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述改进一维phasenet神经网络包括重叠概率交叉学习模块，所述重叠概率交叉学习模块包括依次连接的第一卷积层、第一激活函数、第二卷积层、第一移动层、第一全局池化层、第三卷积层、第二激活函数、第四卷积层和第三激活函数。
3.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤s3包括：采用剪枝方法对所述初至时间概率提取模型进行轻量化处理，当批处理归一化层中缩放因子为[0,0.01]时，剪枝所述缩放因子对应的通道。
4.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤s4包括：将所述超声测井回波信号数据分为训练数据集、验证数据集与测试数据集，所述训练数据集、验证数据集与测试数据集中的数据比例为8～3:2～1:1。
5.根据权利要求1所述的测井回波初至时间提取方法，其特征在于，所述步骤s2包括：采用高斯分布掩膜技术对所述超声测...
【专利技术属性】
技术研发人员：李雷，邓虎，郑凯中，刘子平，李枝林，李伟成，徐建超，周长虹，康桂琼，周京吾，
申请(专利权)人：中国石油天然气集团有限公司，
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。