一种基于深度学习的岩性智能化识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的岩性智能化识别方法及系统，该方法包括：采集岩心图像数据，构建岩性智能化识别标签数据库；基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练；通过训练好的RNN语言模型，根据经过卷积网络生成的特征向量和输入样本，计算得到第一语言向量，利用循环递归方法将根据第一语言向量预测的第一个岩性标签作为下一层网络的输入，继续预测第二个岩性标签，依次预测直至结束，得到岩心图像的岩性标签预测结果；根据岩性标签预测结果，对相应的输入岩心图像进行岩性定名；将岩心图像的岩性识别结果与测井曲线的岩石分类进行结合，得到最终的岩性识别结果。果。果。

【技术实现步骤摘要】
一种基于深度学习的岩性智能化识别方法及系统


[0001]本专利技术涉及油气储层评价领域，尤指一种基于深度学习的岩性智能化识别方法及系统。

技术介绍

[0002]岩性识别是指通过某些特定方法来对岩性进行准确区分的过程。岩性识别作为在储层评价中的基础且重要的环节，是油藏描述、实时钻井监控以及储层参数预测的基础。因此，岩心识别的研究对于石油勘探具有重要的现实意义。
[0003]传统的岩性识别方法主要分为两种手段：钻井取心和测井曲线。其中，钻井取心是目前最直观，最可靠，最高精确率的方式，但是取心成本较高，而且要依靠于肉眼和部分物理手段，同时困难的是，该过程耗时且劳动密集，因此不能满足实际的工作要求。测井曲线数据可以为整个井段提供高分辨率的地下岩石物理信息，常规的利用测井资料识别地层岩性的方法主要有交汇图法、统计学方法和成像测井。基于测井曲线的岩性识别方法解决了不能取心的问题，在岩性识别工作中，相关专家通过对取心井中不同岩心样本对应的测井曲线特征观进行察，从而推导出非取心井中不同测井曲线对应的岩性，这个过程极其依赖于丰富的专家经验，效率较慢且成像测井又价格昂贵，非常不利于广泛实际应用。
[0004]深度学习技术作为新的技术浪潮已在很多领域表现优良，取得了显著的成果。目前在岩心智能化识别的应用也有了一定成果。通过阅读相关文献可以看出，目前大部分岩心智能化识别的研究都是基于岩心图像通过卷积神经网络等技术直接分类来预测岩性。但岩性定名是根据多种岩性特征的相关组合，如砂岩根据粒级划分等级有四类(粗砂、中砂、细砂、极细砂)，根据碎屑岩相对含量成分，分为七类(石英砂岩、长石石英砂岩、岩屑石英砂岩等)，因此直接的分类技术并不能对岩性进行准确的命名。而对于深度学习技术在基于测井数据的岩性识别应用方面也取得了一定成果，其目前使用模型方法原理各不相同，但大部分都是基于单一学习器，并没有很好地将取心样本与测井曲线相结合起来，因而对于岩性比较复杂的岩性识别精确率并不高。
[0005]综上所述，现有技术至少存在以下问题：
[0006]1、目前基于岩心图像的岩性识别，大部分方法是根据卷积神经网络做图像分类模型，无法解决岩性较多的问题。因此我们需要构建一种新型的细粒度分类网络，能够解决不同岩性之间相似性较大、同种岩性之间差异性比较大的问题。
[0007]2、目前基于测井曲线岩性识别，都是通过交汇图法、统计学方法、成像测井等技术手段进行识别，然而并未将取心样本和测井曲线智能化地相结合起来，来进一步地提高岩性识别的准确精度和专家识别效率。

技术实现思路

[0008]为克服现有技术存在的缺陷，本专利技术提出了一种基于深度学习的岩性智能化识别方法及系统。本专利技术利用DenseCap网络构建细粒度分类网络，从而实现基于岩心图像的岩
性识别，解决了岩性类别较多情况下的自动划分问题；同时利用迁移学习技术将基于岩心图像的岩心识别和基于测井曲线的岩性识别相结合起来，综合考虑岩心图像和测定曲线的岩心识别技术，实现了复杂岩性识别。本专利技术不仅提高了岩性识别的准确率，同时也提升了识别过程的效率，对石油勘探开发行业的发展具有重要的意义。
[0009]在本专利技术实施例的第一方面，提出了一种基于深度学习的岩性智能化识别方法，该方法包括：
[0010]采集岩心图像数据，将岩性图像数据与岩性标签、岩性描述特征、岩性名称进行统计关联，构建岩性智能化识别标签数据库；
[0011]基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练，得到训练好的RNN语言模型；
[0012]通过训练好的RNN语言模型，根据经过卷积网络生成的特征向量和输入样本，计算得到第一语言向量，利用循环递归方法将根据第一语言向量预测的第一个岩性标签作为下一层网络的输入，继续预测第二个岩性标签，依次预测直至结束，得到岩心图像的岩性标签预测结果；
[0013]根据岩性标签预测结果，对相应的输入岩心图像进行岩性定名，得到岩心图像的岩性识别结果；
[0014]通过恢复缺失岩心图片的隐态表征方法抽取岩心图像的类别结构信息，并提取类别鲁棒特征，将类别结构信息及类别鲁棒特征融入迁移学习的框架，进行测井曲线的岩石分类，将岩心图像的岩性识别结果与测井曲线的岩石分类进行结合，得到最终的岩性识别结果。
[0015]进一步的，所述岩性标签至少包括粒径等级及成分组构类别。
[0016]进一步的，采集岩心图像数据，将岩性图像数据与岩性标签、岩性描述特征、岩性名称进行统计关联，构建岩性智能化识别标签数据库，还包括：
[0017]在岩性智能化识别标签数据库构建完成后，对岩心图像数据与岩性标签的顺序、参数做一一对应的处理。
[0018]进一步的，基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练，得到训练好的RNN语言模型，包括：
[0019]DenseCap网络由卷积网络层、密集定位层和RNN语言模型层组成；其中，
[0020]在卷积网络层，以VGG16网络结构为特征提取网络，经过卷积网络后输出特征图谱；
[0021]在密集定位层，在获取卷积网络层提取的特征图谱基础上，卷积定位网络对输入的卷积张量进行有条件性的选择，得出多个候选区域，对每个候选区域给出相应的坐标、置信度得分、特征三个输出张量；
[0022]在RNN语言模型层，将图片的特征图谱输入到RNN语言模型中，获得基于图片内容的自然语言序列。
[0023]进一步的，基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练，得到训练好的RNN语言模型，还包括：
[0024]在预测候选区域坐标时，DenseCap网络利用锚点对候选区域位置尺寸进行预测，其中，将特征图谱中的像素点作为锚点，并将锚点映射至原图像中，基于锚点划分出不同长
宽比例的候选区域，针对多个预测的候选区域进行边界回归，对目标候选区域进行精修微调，精修微调的方法为：利用线性回归对候选框的四个位移参数(t
x
,t
y
,t
w
,t
h
)，基于以下公式对候选框的中心点(x,y)和长宽尺寸(w,h)更新：
[0025]x＝x
a
+t
x
·
w
a
；
[0026]y＝y
a
+t
y
·
h
a
；
[0027][0028][0029]其中，(x
a
,y
a
)为初始候选框的中心坐标，(w
a
,h
a
)为初始中心坐标对应的长宽大小，四个位移参数(t
x
,t
y
,t
w
,t
h
)代表着中心坐标与长宽尺寸的变化参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的岩性智能化识别方法，其特征在于，该方法包括：采集岩心图像数据，将岩性图像数据与岩性标签、岩性描述特征、岩性名称进行统计关联，构建岩性智能化识别标签数据库；基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练，得到训练好的RNN语言模型；通过训练好的RNN语言模型，根据经过卷积网络生成的特征向量和输入样本，计算得到第一语言向量，利用循环递归方法将根据第一语言向量预测的第一个岩性标签作为下一层网络的输入，继续预测第二个岩性标签，依次预测直至结束，得到岩心图像的岩性标签预测结果；根据岩性标签预测结果，对相应的输入岩心图像进行岩性定名，得到岩心图像的岩性识别结果；通过恢复缺失岩心图片的隐态表征方法抽取岩心图像的类别结构信息，并提取类别鲁棒特征，将类别结构信息及类别鲁棒特征融入迁移学习的框架，进行测井曲线的岩石分类，将岩心图像的岩性识别结果与测井曲线的岩石分类进行结合，得到最终的岩性识别结果。2.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，所述岩性标签至少包括粒径等级及成分组构类别。3.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，采集岩心图像数据，将岩性图像数据与岩性标签、岩性描述特征、岩性名称进行统计关联，构建岩性智能化识别标签数据库，还包括：在岩性智能化识别标签数据库构建完成后，对岩心图像数据与岩性标签的顺序、参数做一一对应的处理。4.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练，得到训练好的RNN语言模型，包括：DenseCap网络由卷积网络层、密集定位层和RNN语言模型层组成；其中，在卷积网络层，以VGG16网络结构为特征提取网络，经过卷积网络后输出特征图谱；在密集定位层，在获取卷积网络层提取的特征图谱基础上，卷积定位网络对输入的卷积张量进行有条件性的选择，得出多个候选区域，对每个候选区域给出相应的坐标、置信度得分、特征三个输出张量；在RNN语言模型层，将图片的特征图谱输入到RNN语言模型中，获得基于图片内容的自然语言序列。5.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，基于DenseCap网络构建岩性识别描述模型，根据岩性智能化识别标签数据库对岩性识别描述模型进行训练，得到训练好的RNN语言模型，还包括：在预测候选区域坐标时，DenseCap网络利用锚点对候选区域位置尺寸进行预测，其中，将特征图谱中的像素点作为锚点，并将锚点映射至原图像中，基于锚点划分出不同长宽比例的候选区域，针对多个预测的候选区域进行边界回归，对目标候选区域进行精修微调，精修微调的方法为：利用线性回归对候选框的四个位移参数(t
x
,t
y
,t
w
,t
h
)，基于以下公式对候选框的中心点(x,y)和长宽尺寸(w,h)更新：
x＝x
a
+t
x
·
w
a
；y＝y
a
+t
y
·
h
a
；；其中，(x
a
,y
a
)为初始候选框的中心坐标，(w
a
,h
a
)为初始中心坐标对应的长宽大小，四个位移参数(t
x
,t
y
,t
w
,t
h
)代表着中心坐...

【专利技术属性】
技术研发人员：任义丽，罗路，陶治，许锟，李美超，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：