一种基于地质约束深度学习的岩性识别方法及相关设备

本发明属于深度学习，涉及一种基于地质约束深度学习的岩性识别方法及相关设备。

背景技术：

1、准确识别储层的岩石岩性对于甜点特征和勘探风险评估至关重要。岩石岩性与其物理参数和弹性性质密切相关。因此，为了清楚地识别岩石类型，现有技术中研究出了直接和间接的地球物理测量方法，前者是对钻孔岩芯样本进行实验室实验测量，后者是通过多条测井曲线手动解释岩石岩性。然而，这些方法的岩石岩性识别存在成本高、岩芯样本不足和预测有偏差的缺点。目前，领域内基于深度学习提出的神经网络算法，有望对储层岩性进行高效识别。

2、但是，目前领域内基于深度学习提出的神经网络算法对岩性识别多数依赖于输入参数的自身特征，而没有利用基于地质约束对深度学习方法进行网络构建。例如，ma等在论文《lithology identification based on principal component analysis and fuzzyrecognition》(基于主成分分析和模糊匹配的岩性识别)利用主成分分析识别岩性。虽然anazi等在论文《a support vector machine algorithm to classify lithofacies andmodel permeability in heterogeneous reservoirs》(非均质储层岩相分类和渗透率模型的支持向量机算法)中利用深度学习方法进行了岩性识别，但其假设岩性与测井参数的关系相互独立，忽略沉积过程中岩石的空间序列相关性和成岩作用。

技术实现思路

1、本发明的目的在于解决现有技术中针对岩性识别的深度学习方法并未基于地质约束进行构建的技术问题，提供一种基于地质约束深度学习的岩性识别方法及相关设备。

2、为了达到上述目的，本发明采用以下技术方案予以实现：

3、第一方面，本发明提供一种基于地质约束深度学习的岩性识别方法，其特征在于，包括以下步骤：

4、获取同工区内若干口测井的测井曲线，将所述测井曲线分为训练集和测试集；

5、对所述训练集进行地质约束操作，得到训练样本；对所述测试集进行地质约束操作，得到测试样本；

6、利用训练样本训练长短时记忆网络，得到基于地质约束的长短时记忆网络；

7、使用测试样本测试基于地质约束的长短时记忆网络的准确率，若准确率满足要求，则训练完成；若不满足要求，则返回至对所述训练集进行地质约束操作的步骤；

8、利用训练完成的基于地质约束的长短时记忆网络，对测井的岩性进行识别。

9、本发明的进一步改进在于：

10、所述测井曲线包括补偿中子测井曲线、密度测井曲线、伽马射线测井曲线、声波测井曲线和深部横向电阻率测井曲线。

11、所述地质约束操作包括矩形窗约束和高斯窗约束；所述基于地质约束的长短时记忆网络包括矩形窗约束长短时记忆网络和高斯窗约束长短时记忆网络。

12、所述矩形窗约束长短时记忆网络通过以下步骤建立：

13、对所述训练集进行矩形窗约束操作，对训练集的目标深度添加一个矩形窗，以考虑邻近信息，得到矩形窗训练样本；对所述测试集进行矩形窗约束操作，对测试集的目标深度添加一个矩形窗，以考虑邻近信息，得到矩形窗测试样本；

14、使用矩形窗训练样本对长短时记忆网络进行训练，得到矩形窗约束长短时记忆网络。

15、在矩形窗训练样本中，每个输入样本包含五个采样点，并且具有相同权值。

16、所述高斯窗约束长短时记忆网络通过以下步骤建立：

17、对所述训练集进行高斯窗约束操作，得到高斯窗训练样本；对所述测试集进行高斯窗约束操作，得到高斯窗测试样本；

18、对高斯窗训练样本中形成输入样本聚类的五个采样点赋予不同的权重值。

19、所述使用测试样本测试基于地质约束的长短时记忆网络的准确率具体为：

20、测试样本作为测试数据，利用基于地质约束的长短时记忆网络来获得映射关系，测试样本测试基于地质约束的长短时记忆网络的准确率。

21、对所述训练集还进行无约束操作，得到无约束训练样本；对所述测试集还进行无约束操作，得到无约束测试样本；

22、利用无约束训练样本训练长短时记忆网络，得到无约束的长短时记忆网络。

23、第二方面，本发明提供一种基于地质约束深度学习的岩性识别系统，其特征在于，包括：

24、输入模块，获取同工区内若干口测井的测井曲线，将所述测井曲线分为训练集和测试集；

25、地质约束模块，对所述训练集进行地质约束操作，得到训练样本；对所述测试集进行地质约束操作，得到测试样本；

26、训练模块，利用训练样本训练长短时记忆网络，得到基于地质约束的长短时记忆网络；

27、测试模块，使用测试样本测试基于地质约束的长短时记忆网络的准确率，若准确率满足要求，则训练完成；若不满足要求，则返回至对所述训练集进行地质约束操作的步骤；

28、岩性识别模块，利用训练完成的基于地质约束的长短时记忆网络，对测井的岩性进行识别。

29、第三方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于地质约束深度学习的岩性识别方法的步骤。

30、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于地质约束深度学习的岩性识别方法的步骤。

31、与现有技术相比，本发明具有以下有益效果：

32、本发明公开了一种基于地质约束深度学习的岩性识别方法，针对网络结构，提出利用地质约束增强长短时记忆网络的鲁棒性，矩形窗约束长短时记忆网络在预测中心深度的岩石岩性时，只需在目标深度上添加一个矩形，以考虑邻近信息。在高斯窗约束长短时记忆网络(gwlstm)中形成输入样本聚类的五个采样点被赋予不同的权重值。这是因为周围的采样点对当前预测点的岩性有不同的影响。建立单个标签与多个采样点的映射关系。使得本方法的岩性识别准确率要高于传统的基于深度学习的岩性识别方法。

技术特征：

1.一种基于地质约束深度学习的岩性识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于地质约束深度学习的岩性识别方法，其特征在于，所述测井曲线包括补偿中子测井曲线、密度测井曲线、伽马射线测井曲线、声波测井曲线和深部横向电阻率测井曲线。

3.根据权利要求1所述的基于地质约束深度学习的岩性识别方法，其特征在于，所述地质约束操作包括矩形窗约束和高斯窗约束；所述基于地质约束的长短时记忆网络包括矩形窗约束长短时记忆网络和高斯窗约束长短时记忆网络。

4.根据权利要求3所述的基于地质约束深度学习的岩性识别方法，其特征在于，所述矩形窗约束长短时记忆网络通过以下步骤建立：

5.根据权利要求3所述的基于地质约束深度学习的岩性识别方法，其特征在于，所述高斯窗约束长短时记忆网络通过以下步骤建立：

6.根据权利要求4或5所述的基于地质约束深度学习的岩性识别方法，其特征在于，所述使用测试样本测试基于地质约束的长短时记忆网络的准确率具体为：

7.根据权利要求6所述的基于地质约束深度学习的岩性识别方法，其特征在于，对所述训练集还进行无约束操作，得到无约束训练样本；对所述测试集还进行无约束操作，得到无约束测试样本；

8.一种基于地质约束深度学习的岩性识别系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述基于地质约束深度学习的岩性识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述基于地质约束深度学习的岩性识别方法的步骤。

技术总结
本发明公开了一种基于地质约束深度学习的岩性识别方法及相关设备，属于深度学习技术领域。包括以下步骤：获取同工区内若干口测井的测井曲线，将所述测井曲线分为训练集和测试集；对所述训练集进行地质约束操作，得到训练样本；对所述测试集进行地质约束操作，得到测试样本；利用训练样本训练长短时记忆网络，得到基于地质约束的长短时记忆网络；使用测试样本测试基于地质约束的长短时记忆网络的准确率，若准确率满足要求，则训练完成；利用训练完成的基于地质约束的长短时记忆网络，对测井的岩性进行识别。本发明针对网络结构，提出利用地质约束增强长短时记忆网络的鲁棒性，使得本方法的岩性识别准确率提高。

技术研发人员：吕浩田,汶小岗,马丽,李辉,吴宝海,高静怀
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/1/16