【技术实现步骤摘要】
本专利技术涉及沉积相研究，特别是涉及到一种基于深度学习确定河道宽度的方法。
技术介绍
1、目前根据钻井数据识别沉积河道宽度的方法并不多，早期基本是地质工作人员基于沉积学知识及相关数据，通过视觉观察分析河道宽度和展布特征，这种方法效率低且主观性强。定量分析方法有基于多点地质统计学确定水下分流河道宽度的方法，该方法运用多点地质统计学，以“训练图像”代替变差函数，采用不同河道宽度制作“训练图像”，对水下分流河道进行精细描述，包括河道的平面形态描述及不同井网钻遇的沉积微相组合概率统计，进而识别出对应钻井数据的训练图像，以该训练图像的河道宽度作为研究区的河道宽度值，该评价指标的空间解析比较能力较弱，同时涉及到多个参数设置，难以应用。
2、深度学习是当前人工智能及机器学习的热门技术之一，在各领域都得到广泛研究及应用，凭借深层人工神经网络的强大学习认知能力，深度学习尤其适用于个性化推荐、图像识别与分类、机器翻译等复杂的、具有较强的非线性特征的任务。
3、在申请号：cn202111212259.9的中国专利申请中，涉及到一种基于深度学习生成单向河道高精度二维地形的方法，根据已有其他河道测量资料和目标河道图像、上游和下游断面资料，基于深度学习根据目标河道特征对已有河道测量资料进行预处理，建立已有河道资料的图像集、河道数据集和两者的一一映射关系，提出河道象限分类的方法并利用深度学习下卷积神经网络对已有河道图像集进行分类，利用关键点检测cpm对河道岸线图像进行训练，并将使用训练后的模型进行目标河道的关键点识别，匹配与目标河道形
4、在申请号：cn201410844281.9的中国专利申请中，涉及到一种河道砂岩性油藏的识别方法，包括：通过对储层进行正演模拟，得到河道砂体的地震响应特征，确定不同地质体的河道砂体地震识别标志；根据河道砂体地震识别标志提取相应的地震属性，确定河道边界；在等时地层格架下，利用地层切片技术确定河道砂的沉积期次；依据实钻井砂体厚度与地震属性的统计拟合关系确定河道砂体的厚度。根据该方法，深入地震属性提取和分析，利用已知井的储层，油气层标定结果，钻井统计分析，并结合模型正演分析结果，建立了河道砂体识别、描述技术。能够准确识别、描述超深层、薄砂层、窄河道的河道砂岩性油藏，受地震分辨率影响较小。
5、在申请号：cn202010022741.5的中国专利申请中，涉及到一种河道砂建模方法、设备及可读存储介质。河道砂建模方法包括如下步骤：获取待建模储层的基本参数；根据获取的基本参数，生成若干个第一河道砂体模型及与第一河道砂体模型对应的训练条件数据；建立生成网络；建立判别网络；对所述判别网络和所述生成网络进行训练，得到生成器；将井数据输入生成器中得到待建模储层的砂体模型。该专利技术的有益效果是：通过基于目标的模拟方法生成了大量的第一河道砂体模型及对应的训练条件数据，再通过这些第一河道砂体模型和训练条件数据对生成网络和判别网络进行训练，生成网络经大量训练后得到能生成真实的河道砂体模型的生成器，再将研究区的井数据输入生成器获得研究区待建模储层的砂体模型。
6、以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的基于深度学习确定河道宽度的方法。
技术实现思路
1、本专利技术的目的是提供一种识别效率高，应用简便，识别精度高的基于深度学习确定河道宽度的方法。
2、本专利技术的目的可通过如下技术措施来实现：基于深度学习确定河道宽度的方法，该基于深度学习确定河道宽度的方法包
3、本专利技术的目的还可通过如下技术措施来实现：
4、在步骤1，输入实际工区的条件数据c，c是一个包含k个点的集合。
5、在步骤1，根据钻井数据的分布特点划定研究区范围，研究区须包含所有井数据。
6、在步骤2，设计不同河道宽度参数，包括河道宽度、宽厚比、主方向。
7、在步骤3，基于fluv s im算法根据步骤2的不同参数组合生成m个宽度不同的河道模型，lm代表第m个河道模型的宽度，其中m＝1,…,m。
8、在步骤4，首先定义从每个河道模型里抽样的次数为n，卷积深度学习的训练数据集ps，然后从第m个河道模型里面随机选取k个点，得到点集pm(i)，给pm(i)添加文本标签{m}，并将pm(i)加入ps中，最后基于迁移学习使用cnn对ps进行训练,得到训练后的模型cnnps。
9、步骤4包括：
10、(4.1)定义训练数据集ps，ps用于存储所有河道参考模型的所有随机抽样数据；
11、(4.2)从第m个河道宽度参考模型里抽样n次，每次都从第m个参考模型里抽取k点，得到点集pm(i)；
12、(4.3)给pm(i)添加文本标签{m}，并将pm(i)及标签{m}一起添加到ps中；
13、(4.4)基于迁移学习使用cnn对ps进行训练,得到训练后的模型cnnps。
14、在步骤5，使用训练后的模型cnnps检测条件数据c，从m个河道模型中识别与c最匹配的河道模型，以该模型的河道宽度作为最合适值。
15、该基于深度学习确定河道宽度的方法还包括，在步骤5之后，步骤6，检验河道宽度识别正确率。
16、在步骤6，从窄河道的虚拟模型中随机抽样作为条件数据对同样很窄的河道参考模型进行识别，统计100次测试的识别正确率，得到河道宽度识别正确率的统计直方图，从而进行河道宽度识别正确率的检测。
17、本专利技术中的基于深度学习确定河道宽度的方法，首先对不同宽度的参考模型进行多次随机抽样，然后使用卷积神经网络对样本进行迁移训练，最后使用完成训练的神经网络模型选择与井条件数据最匹配的参考模型，以该参考模型的河道宽度作为最合理的河道宽度值。基于深度卷积神经网络在图像特征方面的强大学习能力，新方法能快速准确地自动识别条件数据与参考模型样本点的空间特征差异，与传统优选指标相比，本专利技术识别效率高，应用简便，识别精度高。通过案例证明了新方法可以有效地确定河道宽度值。
本文档来自技高网...【技术保护点】
1.基于深度学习确定河道宽度的方法，其特征在于，该基于深度学习确定河道宽度的方法包括：
2.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤1，输入实际工区的条件数据C，C是一个包含k个点的集合。
3.根据权利要求2所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤1，根据钻井数据的分布特点划定研究区范围，研究区须包含所有井数据。
4.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤2，设计不同河道宽度参数，包括河道宽度、宽厚比、主方向。
5.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤3，基于fluvsim算法根据步骤2的不同参数组合生成M个宽度不同的河道模型，Lm代表第m个河道模型的宽度，其中m＝1,…,M。
6.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤4，首先定义从每个河道模型里抽样的次数为n，卷积深度学习的训练数据集PS，然后从第m个河道模型里面随机选取k个点，得到点集Pm(i)，给Pm(i)添加文本标签{m
7.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，步骤4包括：
8.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤5，使用训练后的模型CNNPS检测条件数据C，从M个河道模型中识别与C最匹配的河道模型，以该模型的河道宽度作为最合适值。
9.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，该基于深度学习确定河道宽度的方法还包括，在步骤5之后，步骤6，检验河道宽度识别正确率。
10.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤6，从窄河道的虚拟模型中随机抽样作为条件数据对同样很窄的河道参考模型进行识别，统计100次测试的识别正确率，得到河道宽度识别正确率的统计直方图，从而进行河道宽度识别正确率的检测。
...【技术特征摘要】
1.基于深度学习确定河道宽度的方法，其特征在于，该基于深度学习确定河道宽度的方法包括：
2.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤1，输入实际工区的条件数据c，c是一个包含k个点的集合。
3.根据权利要求2所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤1，根据钻井数据的分布特点划定研究区范围，研究区须包含所有井数据。
4.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤2，设计不同河道宽度参数，包括河道宽度、宽厚比、主方向。
5.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤3，基于fluvsim算法根据步骤2的不同参数组合生成m个宽度不同的河道模型，lm代表第m个河道模型的宽度，其中m＝1,…,m。
6.根据权利要求1所述的基于深度学习确定河道宽度的方法，其特征在于，在步骤4，首先定义从每个河道模型里抽样的次数为n，卷积深度学习的训练数据集ps，然后从第m...
【专利技术属性】
技术研发人员：杨耀忠，史敬华，于金彪，曹小朋，陈苏，初杰，张波，曹伟东，胡慧芳，王娜，
申请(专利权)人：中国石油化工股份有限公司，
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。