一种孔内数据联合误差损失的地层划分方法、装置、设备和存储介质与流程

1.本发明涉及地质勘察技术领域，尤其涉及一种孔内数据联合误差损失的地层划分方法、装置、设备和存储介质。


背景技术：

2.在现有的工程地质勘探中，为查清地基的结构、岩性与物理力学参数等，在地表工程地质调绘的基础上，展开工程地质钻探，利用工程地质钻机向地下钻孔，提取岩样或岩芯，选取代表性土样或岩样进行室内测试化验，必要时进行孔内标贯或动探、地球物理勘探等原位测试，现场进行岩性辨识，划分地层结构，目前，钻探过程中许多与地层参数有关的信息主要由钻探记录员定性描述并记录形成钻探原始记录表，并借助钻探取出的岩芯进行地层划分，准确度不高(溶洞记录不准确、软硬夹层漏记、土岩界面不准确)，尤其在复杂成因的第四系地层、第三系软岩、软硬互(夹)层岩层、断层破碎带等复杂地层，囿于钻探技术的局限性，无法保证地层划分的质量。
3.同时，工程地质勘探中，已有孔内光学成像、声波测试、电阻率成像等多种岩土测试设备和方法，可以获取孔内岩土成像、岩土物理力学参数等，并用于岩芯描述、地层划分等，但是，每种测试方法提供的成果维度不一，且单种测试方法单独数据解释，导致地层划分质量提高有限。而针对该问题，目前尚无有效解决方案。


技术实现要素：

4.有鉴于此，本发明实施例期望提供一种孔内数据联合误差损失的地层划分方法、装置、设备和存储介质。
5.本发明实施例的技术实施例是这样实现的：
6.本发明实施例提供一种孔内数据联合误差损失的地层划分方法，所述方法包括：
7.获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称；
8.根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差；
9.基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；
10.获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
11.在上述方案中，所述获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称，包括：
12.获得所述孔内第一预设深度位置对应的多条波形特征曲线、成像图像和第一地层岩性名称；
13.对所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据；
14.对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据；所述第一图片数据的维度与所述第一波形数据的维度不相同。
15.在上述方案中，所述对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据，包括：
16.将所述多条波形特征曲线依次串联，获得所述多条波形特征曲线对应的一维数据；
17.对所述一维数据进行归一化处理，确定所述一维数据对应的第一波形数据。
18.在上述方案中，所述根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差，包括：
19.根据所述第一图片数据和所述第一地层岩性名称获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差；
20.根据所述第一波形数据和所述第一地层岩性名称获得所述第一波形数据对所述孔内第一预设深度位置的地层的第二判别误差；
21.根据所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
22.在上述方案中，所述根据所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差，包括：
23.获得第一权重系数和第二权重系数；所述第一权重系数表征所述第一图片数据对所述第一地层岩性名称的影响程度；所述第二权重系数表征所述第一波形数据对所述第一地层岩性名称的影响程度；
24.基于所述第一权重系数、所述第二权重系数、所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
25.在上述方案中，所述基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型，包括：
26.基于所述判别误差和所述第一地层岩性名称优化初始神经网络模型；
27.将优化后的初始神经网络模型称为神经网络模型。
28.在上述方案中，所述根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称，包括：
29.根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的岩性类型概率值；
30.基于所述岩性类型概率值确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
31.本发明实施例提供一种孔内数据联合误差损失的地层划分装置，所述装置包括：获得单元、第一确定单元、建立单元和第二确定单元，其中：
32.所述获得单元，用于获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称；
33.所述第一确定单元，用于根据所述获得单元获得的所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差；
34.所述建立单元，用于基于所述第一确定单元确定的所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；
35.所述第二确定单元，用于获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述建立单元获得的所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
36.在上述方案中，所述获得单元，还用于获得所述孔内第一预设深度位置对应的多条波形特征曲线、成像图像和第一地层岩性名称；对所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据；对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据；所述第一图片数据的维度与所述第一波形数据的维度不相同。
37.在上述方案中，所述获得单元，还用于将所述多条波形特征曲线依次串联，获得所述多条波形特征曲线对应的一维数据；对所述一维数据进行归一化处理，确定所述一维数据对应的第一波形数据。
38.在上述方案中，所述第一确定单元，还用于根据所述第一图片数据和所述第一地层岩性名称获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差；根据所述第一波形数据和所述第一地层岩性名称获得所述第一波形数据对所述孔内第一预设深度位置的地层的第二判别误差；根据所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
39.在上述方案中，所述第一确定单元，还用于获得第一权重系数和第二权重系数；所述第一权重系数表征所述第一图片数据对所述第一地层岩性名称的影响程度；所述第二权重系数表征所述第一波形数据对所述第一地层岩性名称的影响程度；基于所述第一权重系数、所述第二权重系数、所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
40.在上述方案中，所述建立单元，还用于基于所述判别误差和所述地层名称优化初始神经网络模型；将优化后的初始神经网络模型称为神经网络模型。
41.在上述方案中，所述第二确定单元，还用于根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
42.本发明实施例提供一种孔内数据联合误差损失的地层划分设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述方法的任一步骤。
43.本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述方法的任一步骤。
44.本发明实施例提供的一种孔内数据联合误差损失的地层划分方法、装置、设备和存储介质，其中，包括：获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称；根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差；基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；获得待识别孔内第二预设深度位置对应的第
二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。采用本发明实施例的技术方案，通过根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差；基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称；实现了将不同维度的孔内数据融合以及对融合后的数据优化模型输出概率与地层真实岩性类别的误差，用于岩性的预测，大大提高地层划分精度，并降低了人工判识风险，弥补了单种测试解译的不足。
附图说明
45.图1为本发明实施例一种孔内数据联合误差损失的地层划分方法实现流程示意图；
46.图2为本发明实施例一种孔内数据联合误差损失的地层划分方法中多条波形特征曲线的示意图；
47.图3为本发明实施例一种孔内数据联合误差损失的地层划分方法中成像图像的示意图；
48.图4为本发明实施例一种孔内数据联合误差损失的地层划分方法中第一图片数据的示意图；
49.图5为本发明实施例一种孔内数据联合误差损失的地层划分方法中波形数据进行特征提取的应用场景示意图；
50.图6为本发明实施例一种孔内数据联合误差损失的地层划分方法中建立神经网络模型的示意图；
51.图7为本发明实施例孔内数据联合误差损失的地层划分装置的组成结构示意图；
52.图8为本发明实施例中孔内数据联合误差损失的地层划分设备硬件实体结构示意图。
具体实施方式
53.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
54.本实施例提出一种孔内数据联合误差损失的地层划分方法，该方法应用于孔内数据联合误差损失的地层划分设备，该方法所实现的功能可以通过设计设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。
55.本实施例提出一种孔内数据联合误差损失的地层划分方法，图1为本发明实施例一种孔内数据联合误差损失的地层划分方法实现流程示意图，如图1所示，该方法包括：
56.步骤s101：获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据
和第一地层岩性名称。
57.需要说明的是，所述孔内数据联合误差损失的地层划分方法可以为多种孔内数据联合误差损失的地层划分方法和/或一种孔内多种数据联合误差损失的地层划分方法，例如，多种孔内测试数据联合误差损失的地层划分方法和/或一种孔内多种测试数据联合误差损失的地层划分方法。所述孔内可以为钻孔内。
58.获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称可以为获得所述孔内的样本数据集，所述样本数据集包括所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称；其中，所述孔既可以为一个孔也可以为多个孔；所述第一预设深度可以为所述孔内的任意深度，在此不做限定。作为一种示例，所述第一预设深度可以为任意深度，例如，某个深度。在实际应用中，获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称可以为获得一个孔内不同预设深度位置分别对应的第一图片数据、第一波形数据和第一地层岩性名称；或者，获得多个孔内相同预设深度位置分别对应的第一图片数据、第一波形数据和第一地层岩性名称；或者，获得部分是一个孔内不同预设深度位置分别对应的第一图片数据、第一波形数据和第一地层岩性名称，部分是多个孔内相同预设深度位置分别对应的第一图片数据、第一波形数据和第一地层岩性名称。所述第一图片数据可以为多张图片数据；所述第一波形数据可以为多个波形数据；所述第一地层岩性名称可以为多个地层岩性名称。每个孔内一个预设深度位置对应一张图片数据、一个波形数据和一个地层岩性名称；所述一个预设深度位置与一张图片数据、一个波形数据和一个地层岩性名称之间是一一对应的关系。所述第一图片数据、所述第一波形数据和所述第一地层岩性名称均可以根据实际情况进行确定，在此不做限定。作为一种示例，所述第一图片数据可以为灰度化图片数据；所述第一波形数据可以为归一化向量数据；所述第一地层岩性名称可以为花岗岩,灰岩,沉积岩,岩浆岩等。
59.步骤s102：根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差。
60.需要说明的是，所述根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差可以为根据所述第一图片数据和所述第一地层岩性名称获得所述孔内数据对应的第一判别误差和所述第一波形数据和所述第一地层岩性名称获得所述孔内数据对应的第二判别误差，基于所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。其中，所述表征所述孔内数据联合误差损失的判别误差可以理解为总判别误差，为了方便理解，所述第一判别误差可以记为loss1；所述第二判别误差可以记为loss2；所述表征所述孔内数据联合误差损失的判别误差可以记为loss。
61.步骤s103：基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型。
62.需要说明的是，基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型可以为基于所述判别误差和所述第一地层岩性名称进行卷积神经网络学习训练，建立神经网络模型。其中，所述卷积神经网络包括卷积层、池化层、全连接层；所述卷积层通过kernel(卷积核)、stride(步长)及padding(填充)，逐渐对数据进行特征的抽象提
取；所述池化层包括最大池化、平均池化、滑动平均池化，l2范数池化等；所述全连接层通过形式化，进行映射。本实施例中，通过卷积层和池化层可以完成特征维度的裁剪，更加抽象的提取特征；在多层卷积和池化操作后，通过全连接层将特征映射到地层中岩性类别下。
63.步骤s104：获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
64.需要说明的是，所述待识别孔可以为新钻孔；所述预设深度可以为任意深度，在此不做限定，作为一种示例，所述预设深度可以为某一深度。获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据可以为获得新钻孔某深度位置的第二图片数据和第二波形数据；其中，所述第二图片数据与所述第一图片数据的格式和类型相似；所述第二波形数据与所述第一波形数据的格式和类型相似。
65.根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称可以为将待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据输入至所述神经网络模型，基于所述神经网络模型处理后输出向量，基于所述向量确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称；其中，所述第二地层岩性名称可以理解为所述待识别孔内所述第二预设深度位置对应的预测地层名称。
66.本发明实施例提供的一种孔内数据联合误差损失的地层划分方法，通过根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差；基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称；实现了将不同维度的孔内数据融合以及对融合后的数据优化模型输出概率与地层真实岩性类别的误差，用于岩性的预测，大大提高地层划分精度，并降低了人工判识风险，弥补了单种测试解译的不足。
67.在本发明一种可选实施例中，所述获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称，包括：获得所述孔内第一预设深度位置对应的多条波形特征曲线、成像图像和第一地层岩性名称；对所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据；对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据；所述第一图片数据的维度与所述第一波形数据的维度不相同。
68.本实施例中，获得所述孔内第一预设深度位置对应的多条波形特征曲线、成像图像和第一地层岩性名称可以为分别在每个孔内某个深度位置获得孔内的多条波形特征曲线、成像图像和地层岩性名称；其中，所述多条波形特征曲线可以根据实际情况进行确定，在此不做限定。作为一种示例，所述多条波形特征曲线可以为弹性波特征曲线，具体的，所述弹性波特征曲线可以为横波和/或纵波特征曲线；所述成像图像可以根据实际情况进行确定，在此不做限定。作为一种示例，所述成像图像可以为光学成像图像。所述地层岩性名称可以根据实际情况进行确定，在此不做限定。作为一种示例，所述地层岩性名称可以为花岗岩,灰岩,沉积岩,岩浆岩等。
69.为了方便理解，这里示例说明，所述孔为钻孔，所述第一预设深度位置为某深度处，所述某深度处根据实际情况进行确定，在此不做限定，作为一种示例，所述某深度处可以为钻孔0.5m处。图2为本发明实施例一种孔内数据联合误差损失的地层划分方法中多条波形特征曲线的示意图；如图2所示，多条波形特征曲线为4条波形特征曲线，分别为11、12、13、14，其中，11、12均为纵波波形特征曲线，13、14均为横波波形特征曲线。图3为本发明实施例一种孔内数据联合误差损失的地层划分方法中成像图像的示意图；如图3所示，在实际应用中，该成像图像可以为钻孔某深度处地层的孔内光学成像图像，又称为原始图像。
70.对所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据可以为对所述成像图像进行镶嵌，将镶嵌后的所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据；其中，对所述成像图像进行镶嵌可以为将所述成像图像镶嵌成统一图像宽度方向像素数w和图像高度方向像素数h的图像；其中，w、h分别为所有样本图像的宽度、高度方向像素数的最大值；空白部分的像素值设置为0。将镶嵌后的所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据可以为将镶嵌后的所述成像图像按第一预设公式进行灰度化处理，确定所述成像图像对应的所述第一图片数据。作为一种示例，所述第一预设公式可以通过如下公式(1)表示：
71.gray(i,j)＝r(i，j)*0.299+g(i，j)*0.587+b(i，j)*0.114；
ꢀꢀ
(1)
72.其中，i为图像宽度方向像素位置，j为图像高度方向像素位置，r(i，j)为图像宽度方向i高度方向j的红色通道强度值；g(i，j)为图像宽度方向i高度方向j的绿色通道强度值；b(i,j)为图像宽度方向i高度方向j的蓝色通道强度值；gray(i,j)为图像宽度方向i高度方向j的灰度值。
73.为了方便理解，这里示例说明，图4为本发明实施例一种孔内数据联合误差损失的地层划分方法中第一图片数据的示意图；如图4所示，所述第一图片数据可以理解为灰度图片数据。
74.对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据；其中，所述预设处理可以包括串联处理、归一化处理等。
75.所述第一图片数据的维度与所述第一波形数据的维度不相同可以理解为所述第一图片数据与所述第一波形数据的维度不相同。作为一种示例，所述第一图片数据的维度可以为二维数据；所述第一波形数据的维度可以为一维数据。
76.在本发明一种可选实施例中，所述对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据，包括：将所述多条波形特征曲线依次串联，获得所述多条波形特征曲线对应的一维数据；对所述一维数据进行归一化处理，确定所述一维数据对应的第一波形数据。
77.本实施例中，将所述多条波形特征曲线依次串联，获得所述多条波形特征曲线对应的一维数据可以为将所述多条波形特征曲线首尾依次串联在一起，形成所述多条波形特征曲线对应的一维数据。其中，所述一维数据可以根据实际情况进行确定，在此不做限定。作为一种示例，所述一维数据可以为一维向量。为了方便理解，这里示例说明，所述多条波形特征曲线可以为4条，每条波形特征曲线的长度为n，将4条长度为n的波形特征曲线首尾依次串联在一起，形成(1，n*4)的一维向量。
78.对所述一维数据进行归一化处理，确定所述一维数据对应的第一波形数据可以为
对所述一维数据按第二预设公式进行归一化处理，确定所述一维数据对应的第一波形数据；其中，所述第二预设公式可以根据实际情况进行确定，在此不做限定。作为一种示例，当所述一维数据为一维向量时，将一维向量的元素记为x
i
，所述第二预设公式可以通过如下公式(2)表示：
[0079][0080]
式(2)中，x
i
为一维数据中的任意一个元素，min(x
i
)为一维数据中最小的一个元素，max(x
i
)为一维数据中最大的一个元素，x
i’为一维数据中归一化处理后的第一波形数据，以保证其每个元素都介于(0，1)的区间内，方便后续加速训练过程中模型的收敛速度。
[0081]
在本发明一种可选实施例中，所述根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差，包括：根据所述第一图片数据和所述第一地层岩性名称获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差；根据所述第一波形数据和所述第一地层岩性名称获得所述第一波形数据对所述孔内第一预设深度位置的地层的第二判别误差；根据所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
[0082]
本实施例中，根据所述第一图片数据和所述第一地层岩性名称获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差可以为在所述第一地层岩性名称下对所述第一图片数据采用第一预设模型进行第一特征提取，获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差；其中，所述第一预设模型可以根据实际情况进行确定，作为一种示例，所述第一预设模型可以为alexnet神经网络模型。所述alexnet神经网络模型具有较深的层数，在捕获图像特征、图像分类等方面表现优异。所述alexnet神经网络模型包括卷积层、池化层和全连接层。其中，所述卷积层通过kernel(卷积核)、stride(步长)及padding(填充)，逐渐对数据进行特征的抽象提取。对于第一图片数据为n*m数据，n为宽度，m为高度，可以通过下式(3)和(4)为卷积之后的维度大小，输出out
w
是抽象后特征的宽度，out
h
是抽象后特征的高度。
[0083][0084][0085]
式(3)和(4)中，kernel
w
为卷积核的宽度，kernel
h
为卷积核的高度，padding
w
为填充的宽度，padding
h
为填充的高度，stride
w
为在宽度维度下的步长，stride
h
为高度维度下的步长，out
w
是抽象后特征的宽度，out
h
是抽象后特征的高度。
[0086]
所述池化层包括最大池化、平均池化、滑动平均池化，l2范数池化等。对于地质图像，需要捕获其中关键信息，采用最大池化来逐渐降低特征的维度，同时提高模型的抗过拟合能力。
[0087][0088]
所述全连接层通过卷积层和池化层可以完成特征维度的裁剪，更加抽象的提取特征。之后通过全连接层将特征映射到k种岩性类别下。形式化，抽象后的特征维度为(out
w
,out
h
)，拉伸后维度为(1,out
w
*out
h
)，通过下式(6)和(7)完成k种岩性的分类问题。其中，out
的维度为(1,out
w
*out
h
)，w的维度是(out
w
*out
h
，n)，b的维度是(1,n)。softmax公式中，k代表维度，即分类的类别个数。w和b都是cnn中需要训练的参数，通过xavier算法初始化。
[0089]
prob＝softmax(out*w+b)
ꢀꢀ
(6)
[0090][0091]
为了方便理解，通过tensorflow框架完成alexnet网络的搭建，并进行示例说明。
[0092]
假设卷积层1输入的图像大小为1024*256，卷积核的数量为96，上下两部分在两个gpu上，每个gpu分别计算48个核；卷积核的大小为11*11*3，步长的大小为4，padding＝0，表示不扩充边缘。
[0093]
卷积层2输入为上一层卷积的特征输出，卷积的个数为256个，两个gpu分别有128个卷积核。卷积核的大小为5*5*48；填充大小为2，步长大小为1。卷积后做局部响应归一化(local response normalization，lrn)，局部归一化通过公式(8)如下，最后采用最大池化操作，池化的大小为3*3,池化步长为2。
[0094][0095]
公式(8)中，代表的是relu激活函数在第i个卷积核的(x,y)位置的输出，ngr表示的邻居个数，n表示卷积核的个数。代表局部归一化的结果。
[0096]
卷积层3输入为第二层的输出，卷积核个数为384，卷积核大小为3*3*256，填充的大小为1。
[0097]
卷积层4输入为第三层的输出，卷积核个数为384，卷积核大小为3*3，填充大小为1。
[0098]
卷积层5输入为第四层的输出，卷积核个数为256，卷积核大小3*3，填充大小为1，卷积后直接进行最大池化操作，池化的大小为3*3，步长为2。
[0099]
第6,7,8层是全连接层，每一层的神经元的个数为4096，最终输出softmax为k。k为需要分类的岩性类别总数。在全连接层中，采用dropout机制，随机丢弃全连接层中的部分神经单元来防止模型的过拟合。若未采用dropout机制，网络的计算公式采用(9)和(10)，如下，l代表当前层数，f表示激活函数。
[0100][0101][0102]
采用dropout机制后，网络的计算公式采用(11)、(12)、(13)和(14)，如下，其中bernoulli函数是以概率p随机生成了0、1的向量，与y
l
相乘来实现丢弃部分神经单元的效果。
[0103][0104]
[0105][0106][0107]
通过卷积、池化、全连接层的操作，可以得到在k种岩性下的概率，通过下式(15)不断优化模型输出概率与真实岩性类别的误差，完成模型的训练优化。其中，ns是训练数据集的样本个数，f函数代表alexnet网络结构，采用l2正则化来防止过拟合，γ为权重，代表第i个样本岩性图片这一特征。
[0108][0109]
为了方便理解,这里示例说明，针对图片数据，可以通过alexnet网络进行特征抽取，鉴于该alexnet网络中包含了卷积层、池化层、非线性激活函数等，可以将其抽象为y1＝w1*x1+b1，其中，w1和b1代表alexnet网络参数的权重和偏差，x1代表第一图片数据，y1为alexnet网络的输出。
[0110]
在实际应用中,在第一地层岩性名称下的第一图片数据可能存在波动，为了能够使alexnet网络更优，在第一地层岩性名称下需要有不同的训练样本，即同一岩性类别下需要有不同的训练样本，增强其“见多识广”能力，即对对岩性判别的能力。因此，对某一个岩石进行采集数据时，不对数据集进行剔除等操作，将此类别下的所有数据全部参与训练，增强alexnet网络的鲁棒性。例如，可以将所述第一图片数据和所述第一地层岩性名称输入至alexnet神经网络模型以获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差，该过程是一个反复迭代的过程，使用早停法(eariy stopping)确定alexnet神经网络模型优化终止标准，可以将所述第一图片数据和所述第一地层岩性名称对应的训练数据集划分成训练集合验证集，只在训练集上进行训练，并在每一个周期计算alexnet神经网络模型在验证集上的判别误差比上一次训练结果差的时候停止训练，使用上一次迭代结果中的参数作为最终参数，以最后的alexnet神经网络模型。即在验证集上表现最好的模型为最后的alexnet神经网络模型。
[0111]
根据所述第一波形数据和所述第一地层岩性名称获得所述第一波形数据对所述孔内第一预设深度位置的地层的第二判别误差可以为对所述波形数据采用第二预设模型进行第二特征提取，获得所述波形数据对所述孔内第一预设深度位置的地层的第二判别误差；其中，所述第二预设模型可以根据实际情况进行确定，作为一种示例，所述第二预设模型可以为全连接神经网络(dnn)模型。所述全连接神经网络模型主要包括输入层，nl层隐藏层和输出层(nl为超参数)。
[0112]
为了方便理解，这里示例出波形数据进行特征提取的应用场景示意图；图5为本发明实施例一种孔内数据联合误差损失的地层划分方法中波形数据进行特征提取的应用场景示意图；如图5所示，多条波形特征曲线为4条，21为4条波形特征曲线；22为全连接神经网络模型的输入层，用于将4条波形特征曲线依次串联并进行归一化处理后对应的第一波形数据进行输入，即将一个(1，4*m)的向量，共4*m个值作为输入层的数据；23、24、25均为全连接神经网络模型的隐藏层，在隐藏层中每一个神经单元是一个函数，通过如下公式(4)将特征进行抽象，其结果作为下一层的输入。其中，ω和b都是需要训练的参数。26为全连接神经
网络模型的输出层；所述输出层可以通过规定ω和b矩阵的大小，将其映射到k个岩性类别上，完成k个岩性的概率分布计算。在全连接神经网络模型中通过隐藏层和输出层的特征抽象，完成全连接神经网络模型对于岩性的分类，通过与现有标签作交叉熵的损失计算，可以得到当前训练轮次下的误差，因此训练的目标为不断减小模型的在数据集上的误差。误差计算公式(16)如下：
[0113][0114]
其中，ns是训练数据集的样本个数，q函数代表全连接神经网络，q(x)为模型对当前样本i的判定结果向量，即模型预测为岩性的类别种类；代表第i个样本弹性波这一特征；
[0115]
了方便理解,这里示例说明，针对波形数据，可以通过全连接神经网络进行特征抽取。鉴于该全连接神经网络中包含了隐藏层中的众多神经单元，可以将其抽象为y2＝w2*x2+b2，其中，w2和b2代表全连接网络参数的权重和偏差，x2代表弹性波曲线数据，y2为输出。
[0116]
在实际应用中,在第一地层岩性名称下的第一波形数据可能存在波动，为了能够使全连接神经网络模型更优，在第一地层岩性名称下需要有不同的训练样本，即同一岩性类别下需要有不同的训练样本，增强其“见多识广”能力，即对对岩性判别的能力。因此，对某一个岩石进行采集数据时，不对数据集进行剔除等操作，将此类别下的所有数据全部参与训练，增强全连接神经网络模型的鲁棒性。例如，可以将所述第一波形数据和所述第一地层岩性名称输入至全连接神经网络模型以获得所述第一波形数据对所述孔内第一预设深度位置的地层的第二判别误差，该过程是一个反复迭代的过程，可以使用早停法确定全连接神经网络模型优化终止标准，可以将所述第一波形数据和所述第一地层岩性名称对应的训练数据集划分成训练集合验证集，只在训练集上进行训练，并在每一个周期计算全连接神经网络模型在验证集上的判别误差比上一次训练结果差的时候停止训练，使用上一次迭代结果中的参数作为最终参数，以获得最后的全连接神经网络模型。即在验证集上表现最好的模型为最后的全连接神经网络模型。
[0117]
为了方便理解，这里示例说明，例如，以波形数据为弹性波数据举例，花岗岩的弹性波数据可能有[0,2,1,
…
,1,0]、[0,2,2,
…
,1,0]、....等多种情况。虽然有不同的数据，但可以针对每条数据去优化神经网络，首先将[0,2,1,
…
,1,0]输入给全连接神经网络模型，得到误差后反向传递更新全连接神经网络模型参数，再将[0,2,2,
…
,1,0]输入给网络，虽然此时全连接神经网络模型的误差可能骤增，但是同样需要通过反向传递更新模型参数，通过一次又一次的更新，可以使全连接神经网络模型取得一个最优值，即通过拟合花岗岩下所有的数据达到增强全连接神经网络模型的判别能力。
[0118]
在本发明一种可选实施例中，所述根据所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差，包括：获得第一权重系数和第二权重系数；所述第一权重系数表征所述第一图片数据对所述第一地层岩性名称的影响程度；所述第二权重系数表征所述第一波形数据对所述第一地层岩性名称的影响程度；基于所述第一权重系数、所述第二权重系数、所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
[0119]
本实施例中，所述第一权重系数表征所述第一图片数据对所述第一地层岩性名称
的影响程度；所述第二权重系数表征所述第一波形数据对所述第一地层岩性名称的影响程度；主要考虑到不同的场景下，图片数据和波形数据对地层岩性判别的影响度不同，例如，在图片数据更能反映地层岩性种类这一类场景中，应适当调大图片数据判别地层岩性的第一权重系数，调小波形数据判别地层岩性的第二权重系数；在波形数据更能反映地层岩性种类这一类场景中，应适当调小图片数据判别地层岩性的第一权重系数，调大波形数据判别地层岩性的第二权重系数。在实际应用中，所述第一权重系数和所述第二权重系数之和为一，为了方便理解，可以将所述第一权重系数记为α，所述第二权重系数记为β，α和β满足α+β＝1。
[0120]
基于所述第一权重系数、所述第二权重系数、所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差可以为基于所述第一权重系数、所述第二权重系数、所述第一判别误差和所述第二判别误差按第三预设公式确定表征所述孔内数据联合误差损失的判别误差；为了方便理解，可以将所述第一权重系数记为α，所述第二权重系数记为β，α和β满足α+β＝1；所述第一判别误差可以记为loss1；所述第二判别误差可以记为loss2；所述表征所述孔内数据联合误差损失的判别误差可以记为loss。作为一种示例，所述第三预设公式可以通过如下公式(17)表示：
[0121]
loss＝α
×
loss1+β
×
loss2ꢀꢀ
(17)
[0122]
通过一条数据来进行示例说明，在训练过程中，一条数据的误差可以通过如下公式(18)表示：
[0123]
loss＝α
×‑
y
(i)
log(w1*x1+b1)+β
×‑
y
(i)
log(w2*x2+b2)
ꢀꢀ
(18)
[0124]
公式简化为公式(19)表示：
[0125]
loss＝
‑
y
(i)
×
[α
×
log(w1*x1+b1)+β
×
log(w2*x2+b2)]
ꢀꢀ
(19)
[0126]
在训练过程中，参数的变化通过如下公式(20)、(21)、(22)、(23)表示为：
[0127][0128][0129][0130][0131]
训练过程中的学习率(learning rate)为lr。计算得出，一条数据训练后，模型的参数通过如下公式(24)、(25)、(26)、(27)表示为：
[0132][0133][0134][0135]
[0136]
在实际应用中，假设所述第一图片数据记为x
(i)
，所述第一判别误差记为y
(i)
，则y
(i)
可以通过如下公式(28)表示：
[0137]
y
(i)
＝alexnet(x
(i)
)
ꢀꢀ
(28)式(28)中i表示任意一个图片数据，y
(i)
为一个向量，向量中的每个元素可以分别对应地层岩性名称的概率。例如，y
(i)
＝[0.7,0.1,0.1,0.1]分别对应[花岗岩,灰岩,沉积岩,岩浆岩]可以理解为图片数据对应花岗岩的概率为0.7，对应灰岩的概率为0.1，对应灰岩的概率为0.1，对应沉积岩的概率为0.1，对应岩浆岩的概率为0.1。
[0138]
假设所述波形数据记为x
(j)
，所述第二判别误差记为y
(j)
，则y
(j)
可以通过如下公式(29)表示：
[0139]
y
(j)
＝dnn(x
(j)
)
ꢀꢀ
(29)
[0140]
式(29)中j表示任意一个波形数据，y
(j)
为一个向量，向量中的每个元素可以分别对应地层岩性名称的概率，维度为训练时设置的地层岩性类别数。例如，y
(j)
＝[0.4,0.3,0.2,0.1]分别对应[花岗岩,灰岩,沉积岩,岩浆岩]可以理解为波形数据对应花岗岩的概率为0.4，对应灰岩的概率为0.3，对应沉积岩的概率为0.2，对应岩浆岩的概率为0.1。
[0141]
所述第一判别误差记为y
(i)
，所述第二判别误差记为y
(j)
，表征所述孔内数据联合误差损失的判别误差记为y，则第三预设公式可以通过如下公式(30)表示：
[0142]
y＝ay
(i)
+βy
(j)
ꢀꢀ
(30)
[0143]
为了方便理解，这里以图片数据更能反映地层岩性种类这一类场景中，应适当调大图片数据判别地层岩性的第一权重系数，调小波形数据判别地层岩性的第二权重系数为例进行说明，假设第一权重系数α为0.7；第二权重系数β为0.3，y
(i)
＝[0.7,0.1,0.1,0.1]分别对应[花岗岩,灰岩,沉积岩,岩浆岩]；y
(j)
＝[0.4,0.3,0.2,0.1]分别对应[花岗岩,灰岩,沉积岩,岩浆岩]；则y可以通过如下公式(31)表示：
[0144]
y＝0.7
×
y
(i)
+0.3
×
y
(j)
＝[0.7
×
0.7+0.4
×
0.3,0.1
×
0.7+0.3
×
0.3,0.1
×
0.7+0.2
×
0.3,0.1
×
0.7+0.1
×
0.3]＝[0.61,0.16,0.13,0.1]
[0145]
(31)
[0146]
在本发明一种可选实施例中，所述基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型，包括：基于所述判别误差和所述第一地层岩性名称优化初始神经网络模型；将优化后的初始神经网络模型称为神经网络模型。
[0147]
本实施例中，基于所述判别误差和所述第一地层岩性名称优化初始神经网络模型可以为基于所述判别误差和所述第一地层岩性名称通过优化器优化初始神经网络模型；其中，所述优化器可以为adam优化器；所述初始神经网络模型可以为卷积神经网络模型。在实际应用中，该优化过程是一个反复迭代的过程，可以使用早停法(eariy stopping)确定初始神经网络模型优化终止标准，可以将所述判别误差和所述第一地层岩性名称对应的训练数据集划分成训练集和验证集，只在训练集上进行训练，并在每一个周期计算初始神经网络模型在验证集上的误差损失，当初始神经网络模型在验证集上的联合误差损失loss比上一次训练结果差的时候停止训练，使用上一次迭代结果中的参数作为优化参数，以优化初始神经网络模型。即在验证集上表现最好的模型为优化后的初始神经网络模型。
[0148]
将优化后的初始神经网络模型称为神经网络模型可以为将优化后的初始神经网络模型称为可以神经网络模型；具体，可以将优化后的卷积神经网络模型称为可用的神经
网络模型。
[0149]
为了方便理解，这里示例说明，图6为本发明实施例一种孔内数据联合误差损失的地层划分方法中建立神经网络模型的示意图；31为成像图像；32为成像图像进行镶嵌后的成像图像；33为将镶嵌后的成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据；34为对所述第一图片数据进行训练的分类神经网络；35为所述第一图片数据通过分类神经网络获得的第一判别误差；36为四条波形特征曲线；37为四条波形特征曲线依次串联，获得所述多条波形特征曲线对应的第一波形数据；38为对所述第一波形数据进行训练的全连接神经网络；39为所述第一波形数据通过全连接神经网络获得的第二判别误差；40为联合学习，具体为，通过所述第一判别误差和所述第二判别误差联合学习获得判别误差的过程，再将判别误差和第一地层岩性名称通过adam优化器优化的过程；41为神经网络模型。
[0150]
在本发明一种可选实施例中，所述根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称，包括：根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
[0151]
本实施例中，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的岩性类型概率值可以为将所述第二图片数据和所述第二波形数据输入至所述神经网络模型中，通过所述神经网络模型正向传递的计算，可以输出一个向量，所述向量中每个位置的值代表属于对应下标的岩性类型概率。
[0152]
基于所述岩性类型概率值确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称可以为基于所述岩性类型概率值选出最大的岩性类型概率值，将所述最大的岩性类型概率值对应的地层名称称为所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
[0153]
为了方便理解，这里示例说明，假设根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的岩性类型概率值为[0.61,0.16,0.13,0.1]，分别对应[花岗岩、灰岩、沉积岩、岩浆岩]，则0.61对应的花岗岩为所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
[0154]
本发明实施例提供的一种孔内数据联合误差损失的地层划分方法，通过根据所述第一图片数据、所述第一波形数据和所述第一地层岩性名称确定表征所述孔内数据联合误差损失的判别误差；基于所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称；实现了将不同维度的孔内数据融合以及对融合后的数据优化模型输出概率与地层真实岩性类别的误差，用于岩性的预测，大大提高地层划分精度，并降低了人工判识风险，弥补了单种测试解译的不足。
[0155]
本实施例提出一种孔内数据联合误差损失的地层划分装置，图7为本发明实施例孔内数据联合误差损失的地层划分装置的组成结构示意图，如图7所示，所述装置200包括：获得单元201、第一确定单元202、建立单元203和第二确定单元204，其中：
[0156]
所述获得单元201，用于获得所述孔内第一预设深度位置对应的第一图片数据、第一波形数据和第一地层岩性名称；
[0157]
所述第一确定单元202，用于根据所述获得单元201获得的所述第一图片数据和所述第一波形数据确定表征所述孔内数据联合误差损失的判别误差；
[0158]
所述建立单元203，用于基于所述第一确定单元202确定的所述判别误差和所述第一地层岩性名称进行学习训练，建立神经网络模型；
[0159]
所述第二确定单元204，用于获得待识别孔内第二预设深度位置对应的第二图片数据和第二波形数据，根据所述第二图片数据、所述第二波形数据和所述建立单元203获得的所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
[0160]
在其他的实施例中，所述获得单元201，还用于获得所述孔内第一预设深度位置对应的多条波形特征曲线、成像图像和第一地层岩性名称；对所述成像图像进行灰度化处理，确定所述成像图像对应的所述第一图片数据；对所述多条波形特征曲线进行预设处理，确定所述多条波形特征曲线对应的所述第一波形数据；所述第一图片数据的维度与所述第一波形数据的维度不相同。
[0161]
在其他的实施例中，所述获得单元201，还用于将所述多条波形特征曲线依次串联，获得所述多条波形特征曲线对应的一维数据；对所述一维数据进行归一化处理，确定所述一维数据对应的第一波形数据。
[0162]
在其他的实施例中，所述第一确定单元202，还用于根据所述第一图片数据和所述第一地层岩性名称获得所述第一图片数据对所述孔内第一预设深度位置的地层的第一判别误差；根据所述第一波形数据和所述第一地层岩性名称获得所述第一波形数据对所述孔内第一预设深度位置的地层的第二判别误差；根据所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
[0163]
在其他的实施例中，所述第一确定单元202，还用于获得第一权重系数和第二权重系数；所述第一权重系数表征所述第一图片数据对所述第一地层岩性名称的影响程度；所述第二权重系数表征所述第一波形数据对所述第一地层岩性名称的影响程度；基于所述第一权重系数、所述第二权重系数、所述第一判别误差和所述第二判别误差确定表征所述孔内数据联合误差损失的判别误差。
[0164]
在其他的实施例中，所述建立单元203，还用于基于所述判别误差和所述地层名称优化初始神经网络模型；将优化后的初始神经网络模型称为神经网络模型。
[0165]
在其他的实施例中，述第二确定单元204，还用于根据所述第二图片数据、所述第二波形数据和所述神经网络模型确定所述待识别孔内所述第二预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述第二预设深度位置对应的第二地层岩性名称。
[0166]
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
[0167]
需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的一种孔内数据联合误差损失的地层划分方法，并作为独立的产品销售或使用时，也可以存储在一
个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台地层划分设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
[0168]
对应地，本发明实施例提供一种孔内数据联合误差损失的地层划分设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例提供的一种孔内数据联合误差损失的地层划分方法中的步骤。
[0169]
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的一种孔内数据联合误差损失的地层划分方法中的步骤。
[0170]
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
[0171]
需要说明的是，图8为本发明实施例中孔内数据联合误差损失的地层划分设备硬件实体结构示意图，如图8所示，该地层划分设备300的硬件实体包括：处理器301和存储器303，可选地，所述地层划分设备300还可以包括通信接口302。
[0172]
可以理解，存储器303可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read
‑
only memory)、可擦除可编程只读存储器(eprom，erasable programmable read
‑
only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read
‑
only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd
‑
rom，compact disc read
‑
only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述的存储器303旨在包括但不限于这些和任意其它适合类型的存储器。
[0173]
上述本发明实施例揭示的方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理
器301可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器303，处理器301读取存储器303中的信息，结合其硬件完成前述方法的步骤。
[0174]
在示例性实施例中，地层划分设备可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field
‑
programmable gate array)、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)、或其他电子元件实现，用于执行前述方法。
[0175]
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个观测量，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其他形式的。
[0176]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例的目的。
[0177]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read
‑
only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0178]
或者，本发明实施例上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台地层划分设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0179]
本发明是实例中记载的孔内数据联合误差损失的地层划分设备方法、装置、设备和计算机存储介质只以本发明所述实施例为例，但不仅限于此，只要涉及到该孔内数据联合误差损失的地层划分设备方法、装置、设备和计算机存储介质均在本发明的保护范围。
[0180]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结
构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0181]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0182]
以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。