【技术实现步骤摘要】
本专利技术涉及地球物理，具体为一种地球物理测井全井段岩相智能识别方法。
技术介绍
1、地球物理测井是一种利用各种仪器测量井下岩层的物理参数及井的技术状况的方法，主要用于勘探和开采石油、煤及金属矿体；这种方法通过测量岩层的电学、声学、放射性等特性，来分析地层特性，如电阻率、声波速度、岩石密度等，从而确定储集层的孔隙度、含油饱和度、渗透率等重要参数。地球物理测井不仅帮助划分油、气、水层，还在油、气田开发过程中研究油、气、水的动态及井的状况，为制定开发方案提供依据。全井段岩相指的是对整个井段中不同岩相的分布和特征进行综合描述和分析。岩相是指沉积环境中形成的岩石或岩石组合，它们反映了沉积时的古环境条件，如古气候、古物源、古盐度和古水深等；通过对全井段的岩相分析，可以了解沉积环境的演变过程，进而推断出地质历史时期的地质事件和沉积作用。
2、地层精细描述是油气勘探与开发的关键工作，复杂岩性的精确识别是地层解释工作中的最重要环节之一；随着油气行业数字化程度的加深，传统的岩性识别方法已难以适应与日俱增的数据维度和量级。
3、因此，不满足现有的需求，对此我们提出了一种地球物理测井全井段岩相智能识别方法。
技术实现思路
1、本专利技术的目的在于提供一种地球物理测井全井段岩相智能识别方法，通过构建神经网络测井岩性识别模型，获取历史岩相资料对其进行清洗及标签降维和参数降维处理，从而提高岩相样本集的有效性，利用岩相样本集对其模型进行参数确立和优化，从而提高模型演练的精准性；将待研究井
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种地球物理测井全井段岩相智能识别方法，包括以下步骤：
4、s1、获取数据资料：收集历史岩相相关资料和采集当前待研究井段的岩相资料；
5、s2、处理数据资料：对历史岩相资料进行清洗预处理，并对处理后的历史岩相资料进行标签降维和参数降维处理，将处理后的历史岩相资料作为岩相样本集；
6、s3、确立模型参数：构建神经网络测井岩性识别模型，将处理后的历史岩相资料导入神经网络测井岩性识别模型中进行训练与测试，并依次输出训练结果与测试结果，核对两次结果中各类岩性的概率是否一致，根据核对结果确立并优化神经网络测井岩性识别模型的岩性参数；
7、s4、分析岩性沉积：将当前待研究井段的岩相资料按s2处理步骤进行预处理后，再按s3步骤导入优化后的神经网络测井岩性识别模型进行参数识别，并输出当前待研究井段的各类岩性的概率；
8、s5、确立岩性信息：根据s4中所输出的参数训练结果，选取结果中概率最大值的岩性，作为当前待研究井段的岩性信息。
9、进一步的，所述s1中收集待研究井段的历史岩相资料和当前岩相资料，具体包括以下步骤：
10、通过查验以往测井相关文献收集多组历史测井岩相资料，选取其中资料数据较为准确的测井岩相资料作为样本数据，用于确立并优化神经网络测井岩性识别模型的岩性参数；
11、通过采用机械刻槽法采集当前待研究井段的地质岩相资料，具体地质岩相资料包括：岩层、岩相、沉积构造信息、测井曲线和测井深度。
12、进一步的，所述s2中对历史岩相资料进行清洗预处理，具体包括以下步骤：
13、对待处理的测井岩相资料中异常数据及错误数据进行剔除，对缺失数据进行补漏，并对预处理后的数据进行标准化处理，确保岩相数据的准确性和一致性后，对岩相数据按属性进行设立标签，并将各岩相数据与相应的测井曲线和测井深度进行归类。
14、进一步的，所述s2中对历史岩相资料进行标签降维和参数降维处理，具体包括以下步骤：
15、根据预处理后岩相数据的标签信息为依据，将相近的岩性进行合并，减少相类似及重复岩性的标签占比，将低于预设占比的岩性标签及所属岩性数据进行删除；
16、根据预处理后岩相数据的参数类别为依据，将参数高于预设相关度的两个以上参数类别进行降维选取，保留互不相关的参数类别。
17、进一步的，进行标签降维处理后得的标签内容包括：泥岩、砂岩、页岩、白云岩、砾岩、泥灰岩和泥膏岩七种岩性；进行参数降维处理后得到的参数包括：补偿声波、补偿电子、补偿密度、自然伽马和电阻率五种输入参数。
18、进一步的，所述s3中将处理后的历史岩相资料导入神经网络测井岩性识别模型中进行训练与测试，具体包括以下步骤：
19、将降维处理后的岩相数据作为岩相样本集，并将岩相样本集划分为训练集和测试集，训练集用于确立神经网络测井岩性识别模型的岩性参数，测试集用于确认和优化神经网络测井岩性识别模型的准确性；
20、将训练集导入神经网络测井岩性识别模型中进行训练，并输出训练结果，根据训练结果确立神经网络测井岩性识别模型的特征参数；再将测试集导入神经网络测井岩性识别模型中进行测试，并输出测试结果，将当前测试结果与训练结果进行比对，确定两次结果是否一致；若一致，则当前神经网络测井岩性识别模型运行正常，输出结果正常；若不一致，则将训练集再次导入神经网络测井岩性识别模型中进行训练，继续优化神经网络测井岩性识别模型的特征参数；再将测试集导入神经网络测井岩性识别模型中进行测试，并按上述比对过程继续对两次结果进行比对，直至两次结果一致为止。
21、进一步的，岩相样本集为多组，且每组岩相样本集的岩性参数各不相同，每组均对应划分有训练集和测试集，根据每组岩相样本集中不同的岩性参数对神经网络测井岩性识别模型的特征参数进行迭代更新，优化神经网络测井岩性识别模型的特征参数。
22、进一步的，所述s4、s5中分析岩性沉积与确立岩性信息，具体包括以下步骤：
23、将当前所采集的待研究井段的岩相资料进行清洗，剔除错误数据，填补缺失数据，统一数据参数，并对剩余下的数据设立属性标签；根据标签内容将相近或一致标签参数进行合并，剔除占比较低的标签参数，保留互不相关的参数类别；
24、将预处理后的待研究井段的岩相数据导入优化后的神经网络测井岩性识别模型进行参数识别，并输出当前待研究井段的各个岩性参数概率，根据当前岩性参数类别的概率，选取概率最大值对应的岩性参数作为当前待研究井段的岩性信息。
25、进一步的，对待处理的测井岩相资料中异常数据及错误数据进行剔除，剔除的异常数据及错误数据具体包括：剔除薄层、岩性突变段和井壁垮塌段数据。
26、进一步的，对测试结果与训练结果进行比对时，通过获取此次岩相样本集中测井曲线和测井深度范围，将测井深度范围及对应的测井曲线增添至训练集和测试集中，用于辅助神经网络测井岩性识别模型进行演练；并将位于测井深度范本文档来自技高网...
【技术保护点】
1.一种地球物理测井全井段岩相智能识别方法，包括以下步骤：
2.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述S1中收集待研究井段的历史岩相资料和当前岩相资料，具体包括以下步骤：
3.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述S2中对历史岩相资料进行清洗预处理，具体包括以下步骤：
4.根据权利要求3所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述S2中对历史岩相资料进行标签降维和参数降维处理，具体包括以下步骤：
5.根据权利要求4所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：进行标签降维处理后得的标签内容包括：泥岩、砂岩、页岩、白云岩、砾岩、泥灰岩和泥膏岩七种岩性；进行参数降维处理后得到的参数包括：补偿声波、补偿电子、补偿密度、自然伽马和电阻率五种输入参数。
6.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述S3中将处理后的历史岩相资料导入神经网络测井岩性识别模型中进行训练与测试，具体包括以下步骤：p>
7.根据权利要求6所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：岩相样本集为多组，且每组岩相样本集的岩性参数各不相同，每组均对应划分有训练集和测试集，根据每组岩相样本集中不同的岩性参数对神经网络测井岩性识别模型的特征参数进行迭代更新，优化神经网络测井岩性识别模型的特征参数。
8.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述S4和S5中分析岩性沉积与确立岩性信息，具体包括以下步骤：
9.根据权利要求3所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：对待处理的测井岩相资料中异常数据及错误数据进行剔除，剔除的异常数据及错误数据具体包括：剔除薄层、岩性突变段和井壁垮塌段数据。
10.根据权利要求6所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：对测试结果与训练结果进行比对时，通过获取此次岩相样本集中测井曲线和测井深度范围，将测井深度范围及对应的测井曲线增添至训练集和测试集中，用于辅助神经网络测井岩性识别模型进行演练；并将位于测井深度范围中心深度点的实际岩性作为此次岩相样本集的实际岩性，通过核对测试结果和训练结果所输出概率最大的岩性是否与岩相样本集的实际岩性相一致，得到测试结果与训练结果是否一致且准确。
...【技术特征摘要】
1.一种地球物理测井全井段岩相智能识别方法，包括以下步骤：
2.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述s1中收集待研究井段的历史岩相资料和当前岩相资料，具体包括以下步骤：
3.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述s2中对历史岩相资料进行清洗预处理，具体包括以下步骤：
4.根据权利要求3所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述s2中对历史岩相资料进行标签降维和参数降维处理，具体包括以下步骤：
5.根据权利要求4所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：进行标签降维处理后得的标签内容包括：泥岩、砂岩、页岩、白云岩、砾岩、泥灰岩和泥膏岩七种岩性；进行参数降维处理后得到的参数包括：补偿声波、补偿电子、补偿密度、自然伽马和电阻率五种输入参数。
6.根据权利要求1所述的一种地球物理测井全井段岩相智能识别方法，其特征在于：所述s3中将处理后的历史岩相资料导入神经网络测井岩性识别模型中进行训练与测试，具体包括以下步骤：
7.根据权利要求6所述的一种地球物理测井全井段岩相智...
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。