CN109212617B - 电成像测井相自动识别方法及装置 - Google Patents

电成像测井相自动识别方法及装置 Download PDF

Info

Publication number
CN109212617B
CN109212617B CN201810971743.1A CN201810971743A CN109212617B CN 109212617 B CN109212617 B CN 109212617B CN 201810971743 A CN201810971743 A CN 201810971743A CN 109212617 B CN109212617 B CN 109212617B
Authority
CN
China
Prior art keywords
layer
imaging logging
activation function
image
hidden
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810971743.1A
Other languages
English (en)
Other versions
CN109212617A (zh
Inventor
冯周
武宏亮
李宁
王克文
刘鹏
李雨生
王华峰
徐彬森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN201810971743.1A priority Critical patent/CN109212617B/zh
Publication of CN109212617A publication Critical patent/CN109212617A/zh
Priority to GB1905799.1A priority patent/GB2578341B/en
Priority to US16/506,891 priority patent/US11003952B2/en
Application granted granted Critical
Publication of CN109212617B publication Critical patent/CN109212617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
    • G01V3/20—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with propagation of electric current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Geophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种电成像测井相自动识别方法及装置，其中，该方法包括：获取电成像测井历史数据；对电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本；构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；利用训练样本对深度学习模型进行训练，获得已训练的深度学习模型；使用已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别。该方案能够自动准确识别出各段成像测井相类型，从而更好地研究和预测储层的分布规律。

Description

电成像测井相自动识别方法及装置
技术领域
本发明涉及电成像测井数据处理解释技术领域，特别涉及一种电成像测井相自动识别方法及装置。
背景技术
电成像测井相是指不同类型沉积地层在电成像测井图像上呈现出的颜色、结构等特征，通过对电成像测井相分析，并与地层岩相、沉积相建立关系，可以为储层测井综合评价和优质储层分布预测提供重要依据。传统电成像测井相解释主要由专家根据经验直接对图像进行划分，解释的主观性很强，难以满足油田生产的紧迫需要。如何对电成像测井相进行自动识别，实现自动化和智能化处理，是提升电成像测井资料解释效率的关键。
现有电成像测井相自动识别技术主要有两种方法，一种是在成像测井图像分割的基础上，对图像中的各类地质特征进行识别和定量提取，然后根据不同地质特征现象与测井相的关系通过模糊数学、神经网络等方法进行分类识别，这种方法受图像分割质量和地质特征识别效果控制，识别精度较低；另一种方法则是选取不同测井相的典型成像测井图像作为模板，并统计各类测井相典型图像的特征参数曲线，对待识别井段图像通过相关性匹配等方法确定相似度最高的模板即认为是对应的测井相类别，该方法受选取的特征参数指标影响，适用范围和识别精度较低，不能满足地质研究和储层评价的需要。
发明内容
本发明实施例提供了一种电成像测井相自动识别方法及装置，通过深度学习方法对电成像测井图像进行学习和预测，能够自动识别电成像测井相，具有很好的处理效率和识别精度，从而更好地研究和预测储层的分布规律。
该电成像测井相自动识别方法包括：
获取电成像测井历史数据；
对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；
在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本；
构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；
利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；
使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别。
该电成像测井相自动识别装置包括：
历史数据获取模块，用于获取电成像测井历史数据；
测井图像生成模块，用于对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；
训练样本确定模块，用于在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本；
深度学习模型构建构模块，用于建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；
训练模块，用于利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；
识别模块，用于使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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所述电成像测井相自动识别方法。
本发明实施例还提供了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执行上述所述电成像测井相自动识别方法的计算机程序。
在本发明实施例中，通过深度学习方法对电成像测井图像进行学习和预测，能够自动识别电成像测井相，具有很好的处理效率和识别精度，从而更好地研究和预测储层的分布规律。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电成像测井相自动识别方法流程图；
图2是本发明实施例提供的一种部分典型成像测井相对应的全井眼成像测井图像样本示意图；
图3是本发明实施例提供的一种电成像测井相识别结果示意图；
图4是本发明实施例提供的一种电成像测井相自动识别装置结构框图；
图5是本发明实施例提供的一种计算机设备的系统构成的示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中，提供了一种电成像测井相自动识别方法，如图1所示，该方法包括：
S101：获取电成像测井历史数据；
S102：对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；
S103：在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本；
S104：构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；
S105：利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；
S106：使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别。
在本发明实施例中，所述S101中，收集整理研究区的电成像测井资料，同时还可以包括其它常规测井资料、地质资料以及岩心描述等相关资料，以便对典型地质现象的成像测井图像显示特征进行综合认识。
在本发明实施例中，所述S102中，可以利用CIFLog测井软件平台电成像测井处理系统对收集整理的电成像测井资料进行加速度校正、均衡化等预处理后，获得原始电成像测井图像，对原始电成像测井图像进行电阻率刻度处理，获得反应井壁地层岩石电阻率的刻度图像。
目前电成像测井采用极板贴井壁方式测量，不能完全覆盖全井眼(通常覆盖率通常只能达到60％～80％)。然后对所述反应井壁地层岩石电阻率的刻度图像进行全井眼图像生成处理，具体的，就是采用全井眼图像处理方法对刻度图像中未覆盖部分进行概率插值处理，获得全井眼覆盖的电成像测井图像。通过全井眼图像处理能够有效弥补原图像中空白部分，图像特征更完整、直观，为后期图像特征自动识别和提取奠定基础，提升成像测井相自动识别效果。
在本发明实施例中，所述S103中，按研究需要确定全井眼覆盖的电成像测井图像的成像测井相类别。具体的，就是由测井专家对S102中获得的全井眼成像测井图像中的典型井段成像测井相进行识别，并按所属的测井相类别保存作为深度学习的的训练样本图像，样本图像包含有两重属性，一方面记录了对应深度段(一般取0.25m)的电成像测井全井眼图像，另一方面该样本图像所属的成像测井相即为其类别标签。
对每类成像测井相，应选取尽可能多的样本数量(不低于100个)，同时样本图像应尽量涵盖研究区该成像测井相可能的颜色、结构式样。
具体的，以塔里木油田奥陶系碳酸盐岩储层沉积相研究为例，最为关注的电成像测井相包括块状相、层状相和斑状相三大基本测井相，并细分为十五个测井亚相，具体划分如下：
块状相包括深色低阻块状相和浅色高阻块状相，其中深色低阻块状相的图像颜色为黑棕色系，图像颜色均匀，无明显结构特征；浅色高阻块状相的图像颜色为黄白色系、图像颜色均匀，无明显结构特征。
层状相包括深色低阻厚层相、浅色高阻厚层相、深色低阻薄层相、浅色高阻薄层相、深色低阻交错层状相、浅色高阻交错层状相、正向递变层状相、反向递变层状相、深色低阻变形层状相、浅色高阻变形层状相、互层相，其中深色低阻厚层相的图像颜色为黑棕色系，浅色高阻厚层相的图像颜色为黄白色系，深色低阻厚层相和浅色高阻厚层相图像结构为内部纹层相互平行，且产状与地层顶底界面一致，单层厚度大于0.1米；深色低阻薄层相的图像颜色为黑棕色系，浅色高阻薄层相的图像颜色为黄白色系，深色低阻薄层相和浅色高阻薄层相的图像结构为内部纹层相互平行，且产状与地层顶底界面一致，单层厚度小于0.1米；深色低阻交错层状相的图像颜色为黑棕色系，浅色高阻交错层状相的图像颜色为黄白色系，深色低阻交错层状相和浅色高阻交错层状相的图像结构为纹层成组出现，组间单层产状不协调；正向递变层状相的图像颜色为向上颜色渐深、图像结构为单层厚度向上减薄；反向递变层状相的图像颜色为向上颜色渐浅、图像结构为单层厚度向上增大；深色低阻变形层状相的图像颜色为黑棕色系，浅色高阻变形层状相的图像颜色为黄白色系，深色低阻变形层状相和浅色高阻变形层状相的图像结构为纹层扭曲变形；互层相的图像颜色为颜色深浅交互、图像结构为纹层厚薄相间。
斑状相包括亮斑相、暗斑相，其中亮斑相为颜色不均匀，呈斑块状，斑块颜色较浅，背景基质颜色相对较深；暗斑相为颜色不均匀，呈斑块状，斑块颜色较深，背景基质颜色相对较浅。
图2展示了几类典型成像测井相对应的全井眼成像测井图像样本。本实施案例中，通过对长庆油田、塔里木油田、西南油气田等油田80余口典型井成像测井图像对应测井相进行了识别和分类截取，建立了上述三大测井相15种亚相共计14500余个样本图像，作为后续深度学习模型训练的样本集。使用caffe框架自带的脚本文件，将样本集各类别成像测井相的图像及其所属测井相类别标签生成LevelDB数据。
在本发明实施例中，所述S104中，根据研究需要构建深度学习模型，该深度学习模型可以包含N层结构，具体这个N是多少，是根据研究需要确定的。本发明中经过研究得出一个最优的N，即17。也就是该深度学习模型包括17层结构，其中第一层为输入层、第二至十六层为隐藏层，第十七层为输出层，各层结构如下：
第一层：输入层，以LevelDB数据格式输入步骤S103获得的各类成像测井相样本图像及其所属类别标签。
第二层：隐藏层，包含一个卷积层，一个激活函数层；
第三层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第四层：隐藏层，包含一个卷积层和一个激活函数层；
第五层：隐藏层，包含一个卷积层和一个激活函数层，一个池化层；
第六层：隐藏层，包含一个卷积层，一个激活函数层；
第七层：隐藏层，包含一个卷积层，一个激活函数层；
第八层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第九层：隐藏层，包含一个卷积层，一个激活函数层；
第十层：隐藏层，包含一个卷积层，一个激活函数层；
第十一层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十二层：隐藏层，包含一个卷积层，一个激活函数层；
第十三层：隐藏层，包含一个卷积层，一个激活函数层；
第十四层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十五层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十六层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十七层：输出层，包含一个全连接层。
具体的，第一层：输入层，以LevelDB数据格式输入S103获得的训练集中的全井眼图像数据和对应的测井相类别标签，设定批处理大小为32，其中批处理大小的设定与计算机的显存有关，不同的显卡及显存大小设定值可以变化，同时对各输入图像纵向和横向分别进行缩放处理，处理后图像高度和宽度都为224。
第二层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有64个神经元，卷积核大小为3*3，步长设定为1，卷积核与输入图片进行无重叠卷积运算，边缘扩充值Padding设定为0即不进行边缘扩充。输入数据大小为[32,3,224,224],其中32为批大小，3为图像颜色通道数，[224,224]分别为输入图像的高度以及宽度。经过卷积运算后输出数据大小为[32,64,224,224]，其中32为批大小，64为通道数(有多少个神经元就会生成多少个通道特征图，经过64个神经元后产生了64个通道特征图)，[224,224]分别是特征图的高度和宽度。卷积层所得到的特征图再经过激活函数层进行处理，其中选用非线性激活函数Relu函数作为激活函数，计算公式为max(0,x)。Relu函数可减少反向传播时误差梯度的计算量，同时可增加网络的稀疏行，减少参数的相互依存关系，缓解过拟合问题的发生。激活函数层既不改变特征图大小也不改变特征图个数。
第三层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层，其中卷积层共有64个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理后输出数据大小为[32,64,224,224]的数据。输出特征图经非线性激活函数Relu函数处理后进行池化操作，池化窗口大小为2*2，池化步长为2，对图片进行无重叠最大值池化，池化操作只改变特征图大小，不改变特征图个数，池化层输出数据大小为[32,64,112,112]。
第四层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有128个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理后输出大小为[32,128,112,112]，输出特征图经relu函数激活处理。
第五层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层，其中卷积层共有128个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理后输出大小为[32,128,112，112]的数据。输出特征图经非线性激活函数Relu函数进行激活处理,再经过池化层即下采样层池化，池化窗口大小为2*2，池化步长为2，对图片进行无重叠最大值池化，最终输出图像数据大小为[32,128,56,56]。
第六层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有256个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理输出大小为[32,256,56,56],输出特征图经非线性激活函数Relu函数进行激活处理。
第七层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有256个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理输出大小为[32,256,56,56],输出特征图经非线性激活函数Relu函数进行激活处理。
第八层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层，其中卷积层共有256个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理后输出大小为[32,256,56,56]的数据。输出特征图经非线性激活函数Relu函数进行激活处理,再经过池化层进行最大值池化操作，池化窗口大小为3*3，池化步长为2，输出图像数据大小为[32,256,28,28]。
第九层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有512个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理输出大小为[32,512,28,28],输出特征图经非线性激活函数Relu函数进行激活处理。
第十层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有512个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理输出大小为[32,512,28,28],输出特征图经非线性激活函数Relu函数进行激活处理。
第十一层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层，其中卷积层共有512个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理后输出大小为[32,512,28,28]的数据。输出特征图经非线性激活函数Relu函数进行激活处理,再经过池化层进行最大值池化操作，池化窗口大小为2*2，池化步长为2，输出图像数据大小为[32,512,14,14]。
第十二层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有512个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理输出大小为[32,512,14,14],输出特征图经非线性激活函数Relu函数进行激活处理。
第十三层：隐藏层，包含一个卷积层，一个激活函数层，其中卷积层共有512个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理输出大小为[32,512,14,14],输出特征图经非线性激活函数Relu函数进行激活处理。
第十四层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层，其中卷积层共有512个神经元，卷积核大小为3*3，步长设定为1，边缘扩充值Padding为1。经卷积处理后输出大小为[32,512,14,14]的数据。输出特征图经非线性激活函数Relu函数进行激活处理,再经过池化层进行最大值池化操作，池化窗口大小为2*2，池化步长为2，输出图像数据大小为[32,512,7,7]。
第十五层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层，全连接层共有4096个神经元。经全连接层处理后输出数据大小为[32,4096]。输出特征图经非线性激活函数Relu函数处理后进行Dropout操作，丢弃数据概率设置为0.5，设置Dropout层的主要作用是防止过拟合现象的出现，Dropout层输入数据大小为[32,4096]，输出数据大小为[32,4096]。
第十六层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层，全连接层共有4096个神经元。经全连接层处理后输出数据大小为[32,4096]。输出特征图经非线性激活函数relu函数处理后进行Dropout操作，丢弃数据概率设置为0.5，设置Dropout层的主要作用是防止过拟合现象的出现，Dropout层输入数据大小为[32,4096]，输出数据大小为[32,4096]。
第十七层：输出层，仅包含一个全连接层，共有15个神经元。输入数据大小为[32,4096]，输出数据大小为[32,15]，输出数据中记录了判别为各类测井相的概率，据此进行图像分类并给出所属测井相类别。
在隐藏层中通过多次的卷积和池化操作，得到的图像越来越小，分辨率越来越低，获得反映图像高维特征的热图，然后通过全连接层进行图像分类并给出所属测井相类别。
在本发明实施例中，所述S105中，利用S103标记的获得的各类成像测井相训练样本对S104建立的深度学习模型进行训练。训练过程中，以LevelDB数据格式输入训练样本图像和对应测井相类别标签，并输出各训练图像的预测类别，对各图像的预测类别和样本真实类别的差异，通过反向梯度传播对网络中的参数λ(包括权重参数、偏置参数)进行调整，优选模型参数。具体训练过程包括：
1)采用迁移学习方法对深度学习模型中的所有权重和偏置项进行初始化；
2)神经网络前向运算：基于所述初始化的权重参数、偏置参数，将所述训练样本通过输入单元输入卷积神经网络，计算隐藏层和输出层的每个单元的净输入和输出，输出层的输出为预测的成像测井相类别；
隐藏层和输出层的每个单元都有许多输入，这些输入连接上一层神经元的输出，每个连接都有一个权重。隐藏层和输出层每个神经元的净输入为连接该神经元的每个输入乘以其对应的权重，然后求和所得；将激活函数作用到隐藏层或输出层每个神经元的净输入，得到该神经元的输出。对于隐藏层的每个神经元，直到输出层，计算输出值，得到网络预测值。
3)神经网络后向运算：计算所述预测的成像测井相类别与所述训练样本所属的成像测井相类别之间的误差，若误差在预设误差范围之内，则所述初始化的权重参数、偏置参数为最优模型参数，基于所述初始化的权重参数、偏置参数的所述深度学习模型为已训练的深度学习模型。
若误差不在预设误差范围之内，则通过反向梯度传播方法对所述初始化的权重参数和偏置参数进行迭代优化(不断迭代上述过程前向运算和后向运算)，直到误差在预设误差范围之内时迭代结束，最后一次迭代获得的权重参数和偏置参数为最优模型参数。
具体的，采用Delta学习规则来计算误差，计算误差时会涉及到迭代学习率lr，采用step均匀分步策略，计算每次迭代学习率lr：
Figure BDA0001776376670000101
其中，lr为每次迭代的学习率；base_lr为初始学习率，可根据数据集大小调整；gamma为学习率变化比率；stepsize为分步大小；iter为迭代步数；floor函数表述向下取整。
具体的，除了是通过确定误差在预设误差范围之内，还可以通过确定所述预测的成像测井相类别与所述训练样本所属的成像测井相类别之间的均方距离是否最小，若最小，则确定所述初始化的权重参数、偏置参数为最优模型参数。
在本发明实施例中，所述S106中，对待识别井段的电成像测井图像进行加速度校正处理和均衡化处理、电阻率刻度处理、全井眼图像生成处理(S102中所述的各种处理)，生成待识别的全井眼覆盖的电成像测井图像，然后对该图像进行逐深度窗处理(深度范围一般为0.25m，此时图像大小和训练样本图像大小一致)，将各深度窗图像输入到S105已训练好的深度学习模型中，获得该图像预测类别即所属测井相类别结果。逐深度窗处理完成后即可获得该井段连续的成像测井相类别。
图3是某井段电成像测井相识别效果示意图，图中第一道是常规伽马曲线，第二道是电阻率刻度后的电成像测井图像，第三道是全井眼成像测井图像，第四道是基于深度学习的电成像测井相自动识别结果。从图中可见，本发明方法能够有效识别出各段成像测井相类型，从而更好地研究和预测储层的分布规律。
基于同一发明构思，本发明实施例中还提供了一种电成像测井相自动识别装置，如下面的实施例所述。由于电成像测井相自动识别装置解决问题的原理与电成像测井相自动识别方法相似，因此电成像测井相自动识别装置的实施可以参见电成像测井相自动识别方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例的电成像测井相自动识别装置的一种结构框图，如图4所示，包括：
历史数据获取模块401，用于获取电成像测井历史数据；
测井图像生成模块402，用于对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；
训练样本确定模块403，用于在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本；
深度学习模型构建构模块404，用于建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；
训练模块405，用于利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；
识别模块406，用于使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别。
下面对该结构进行说明。
在本发明实施例中，所述测井图像生成模块402具体用于：
对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像，包括：
对所述电成像测井历史数据进行加速度校正处理和均衡化处理，获得原始电成像测井图像；
对所述原始电成像测井图像进行电阻率刻度处理，获得反应井壁地层岩石电阻率的刻度图像；
对所述反应井壁地层岩石电阻率的刻度图像进行全井眼图像生成处理，生成全井眼覆盖的电成像测井图像。
在本发明实施例中，所述深度学习模型构建构模块404具体用于：
按照如下方式构建深度学习模型：
所述深度学习模型包括17层结构，第一层为输入层，第二层至第十六层为隐藏层，第十七层为输出层；
各层结构如下：
第一层：输入层；
第二层：隐藏层，包含一个卷积层，一个激活函数层；
第三层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第四层：隐藏层，包含一个卷积层和一个激活函数层；
第五层：隐藏层，包含一个卷积层和一个激活函数层，一个池化层；
第六层：隐藏层，包含一个卷积层，一个激活函数层；
第七层：隐藏层，包含一个卷积层，一个激活函数层；
第八层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第九层：隐藏层，包含一个卷积层，一个激活函数层；
第十层：隐藏层，包含一个卷积层，一个激活函数层；
第十一层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十二层：隐藏层，包含一个卷积层，一个激活函数层；
第十三层：隐藏层，包含一个卷积层，一个激活函数层；
第十四层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十五层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十六层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十七层：输出层，包含一个全连接层。
在本发明实施例中，所述识别模块406具体用于：
对待识别井段的电成像测井图像进行加速度校正处理和均衡化处理、电阻率刻度处理、全井眼图像生成处理，生成待识别的全井眼覆盖的电成像测井图像；
对所述待识别的全井眼覆盖的电成像测井图像进行逐深度窗处理，获得多个深度窗图像；
将所述多个深度窗图像输入到所述已训练的深度学习模型中，获得识别结果。
本发明实施例还提供了一种计算机设备，该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照电成像测井相自动识别方法及装置的实施，其内容被合并于此，重复之处不再赘述。
图5为本发明实施例的计算机设备500的系统构成的示意框图。如图5所示，该计算机设备500可以包括处理器100和存储器140；存储器140耦合到处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，电成像测井相自动识别功能可以被集成到处理器100中。其中，处理器100可以被配置为进行如下控制：获取电成像测井历史数据；对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本；构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别。
在另一个实施方式中，电成像测井相自动识别装置可以与处理器100分开配置，例如可以将电成像测井相自动识别装置配置为与处理器100连接的芯片，通过处理器的控制来实现电成像测井相自动识别功能。
如图5所示，该计算机设备500还可以包括：输入单元120、显示器160、电源170。值得注意的是，计算机设备500也并不是必须要包括图5中所示的所有部件；此外，计算机设备500还可以包括图5中没有示出的部件，可以参考现有技术。
其中，处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器100接收输入并控制计算机设备500的各个部件的操作。
输入单元120向处理器100提供输入。该输入单元120例如为按键或触摸输入装置。
存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
电源170用于向计算机设备500提供电力。
本发明实施例还提供了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执行上述所述电成像测井相自动识别方法的计算机程序。
综上所述，本发明提出的电成像测井相自动识别方法及装置具有如下优点：
1)将深度学习思想引入到电成像测井相自动中，实现了对不同类型测井相智能化识别和分析，有效提高了识别精度；
2)通过深度学习方法对各类成像测井相的内在属性自动分析并进行预测，避免了现有技术依赖地质特征提取效果以及统计的特征参数指标类型的弊端，并提高了识别的准确性；
3)基于大量典型测井相样本自动进行识别，具有广泛的适用性，同时减少了很多人为因素的影响，自动化程度高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电成像测井相自动识别方法，其特征在于，包括：
获取电成像测井历史数据；
对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；
在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本，其中，训练样本中的电成像测井图像中包括成像测井相的图像颜色和图像结构；
构建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；
利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；
使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别；
按照如下方式构建深度学习模型：
所述深度学习模型包括17层结构，第一层为输入层，第二层至第十六层为隐藏层，第十七层为输出层；
各层结构如下：
第一层：输入层；
第二层：隐藏层，包含一个卷积层，一个激活函数层；
第三层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第四层：隐藏层，包含一个卷积层和一个激活函数层；
第五层：隐藏层，包含一个卷积层和一个激活函数层，一个池化层；
第六层：隐藏层，包含一个卷积层，一个激活函数层；
第七层：隐藏层，包含一个卷积层，一个激活函数层；
第八层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第九层：隐藏层，包含一个卷积层，一个激活函数层；
第十层：隐藏层，包含一个卷积层，一个激活函数层；
第十一层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十二层：隐藏层，包含一个卷积层，一个激活函数层；
第十三层：隐藏层，包含一个卷积层，一个激活函数层；
第十四层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十五层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十六层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十七层：输出层，包含一个全连接层。
2.如权利要求1所述的电成像测井相自动识别方法，其特征在于，对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像，包括：
对所述电成像测井历史数据进行加速度校正处理和均衡化处理，获得原始电成像测井图像；
对所述原始电成像测井图像进行电阻率刻度处理，获得反应井壁地层岩石电阻率的刻度图像；
对所述反应井壁地层岩石电阻率的刻度图像进行全井眼图像生成处理，生成全井眼覆盖的电成像测井图像。
3.如权利要求2所述的电成像测井相自动识别方法，其特征在于，使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别，包括：
对待识别井段的电成像测井图像进行加速度校正处理和均衡化处理、电阻率刻度处理、全井眼图像生成处理，生成待识别的全井眼覆盖的电成像测井图像；
对所述待识别的全井眼覆盖的电成像测井图像进行逐深度窗处理，获得多个深度窗图像；
将所述多个深度窗图像输入到所述已训练的深度学习模型中，获得识别结果。
4.一种电成像测井相自动识别装置，其特征在于，包括：
历史数据获取模块，用于获取电成像测井历史数据；
测井图像生成模块，用于对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像；
训练样本确定模块，用于在所述全井眼覆盖的电成像测井图像中对典型成像测井相进行识别，按所属的成像测井相类别将所述全井眼覆盖的电成像测井图像确定为训练样本，其中，训练样本中的电成像测井图像中包括成像测井相的图像颜色和图像结构；
深度学习模型构建构模块，用于建深度学习模型，所述深度学习模型包括输入层、多个隐藏层和输出层；
训练模块，用于利用所述训练样本对所述深度学习模型进行训练，获得已训练的深度学习模型；
识别模块，用于使用所述已训练的深度学习模型，对待识别井段的电成像测井图像进行测井相识别；
所述深度学习模型构建构模块具体用于：
按照如下方式构建深度学习模型：
所述深度学习模型包括17层结构，第一层为输入层，第二层至第十六层为隐藏层，第十七层为输出层；
各层结构如下：
第一层：输入层；
第二层：隐藏层，包含一个卷积层，一个激活函数层；
第三层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第四层：隐藏层，包含一个卷积层和一个激活函数层；
第五层：隐藏层，包含一个卷积层和一个激活函数层，一个池化层；
第六层：隐藏层，包含一个卷积层，一个激活函数层；
第七层：隐藏层，包含一个卷积层，一个激活函数层；
第八层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第九层：隐藏层，包含一个卷积层，一个激活函数层；
第十层：隐藏层，包含一个卷积层，一个激活函数层；
第十一层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十二层：隐藏层，包含一个卷积层，一个激活函数层；
第十三层：隐藏层，包含一个卷积层，一个激活函数层；
第十四层：隐藏层，包含一个卷积层，一个激活函数层，一个池化层；
第十五层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十六层：隐藏层，包含一个全连接层，一个激活函数层和一个Dropout层；
第十七层：输出层，包含一个全连接层。
5.如权利要求4所述的电成像测井相自动识别装置，其特征在于，所述测井图像生成模块具体用于：
对所述电成像测井历史数据进行预处理，生成全井眼覆盖的电成像测井图像，包括：
对所述电成像测井历史数据进行加速度校正处理和均衡化处理，获得原始电成像测井图像；
对所述原始电成像测井图像进行电阻率刻度处理，获得反应井壁地层岩石电阻率的刻度图像；
对所述反应井壁地层岩石电阻率的刻度图像进行全井眼图像生成处理，生成全井眼覆盖的电成像测井图像。
6.如权利要求5所述的电成像测井相自动识别装置，其特征在于，所述识别模块具体用于：
对待识别井段的电成像测井图像进行加速度校正处理和均衡化处理、电阻率刻度处理、全井眼图像生成处理，生成待识别的全井眼覆盖的电成像测井图像；
对所述待识别的全井眼覆盖的电成像测井图像进行逐深度窗处理，获得多个深度窗图像；
将所述多个深度窗图像输入到所述已训练的深度学习模型中，获得识别结果。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3任一所述电成像测井相自动识别方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至3任一所述电成像测井相自动识别方法的计算机程序。
CN201810971743.1A 2018-08-24 2018-08-24 电成像测井相自动识别方法及装置 Active CN109212617B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810971743.1A CN109212617B (zh) 2018-08-24 2018-08-24 电成像测井相自动识别方法及装置
GB1905799.1A GB2578341B (en) 2018-08-24 2019-04-25 Method and apparatus for automatically recognizing electrical imaging well logging facies
US16/506,891 US11003952B2 (en) 2018-08-24 2019-07-09 Method and apparatus for automatically recognizing electrical imaging well logging facies

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810971743.1A CN109212617B (zh) 2018-08-24 2018-08-24 电成像测井相自动识别方法及装置

Publications (2)

Publication Number Publication Date
CN109212617A CN109212617A (zh) 2019-01-15
CN109212617B true CN109212617B (zh) 2020-09-08

Family

ID=64989335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810971743.1A Active CN109212617B (zh) 2018-08-24 2018-08-24 电成像测井相自动识别方法及装置

Country Status (3)

Country Link
US (1) US11003952B2 (zh)
CN (1) CN109212617B (zh)
GB (1) GB2578341B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389128B (zh) * 2018-08-24 2021-08-27 中国石油天然气股份有限公司 电成像测井图像特征自动提取方法及装置
CN110659697A (zh) * 2019-09-29 2020-01-07 郑州大学 一种涂板过程的质量异常监控与诊断方法和系统
CN111042808B (zh) * 2019-12-27 2021-03-16 中国石油天然气集团有限公司 一种用于层状砂砾岩储层的电成像图像刻度方法及系统
CN111222549B (zh) * 2019-12-30 2023-10-24 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111597752B (zh) * 2020-04-08 2023-06-30 山东大学 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统
CN111597753B (zh) * 2020-04-08 2023-06-30 山东大学 数据深度变化特征自适应的二维电阻率反演方法及系统
CN113627607B (zh) * 2020-05-07 2024-09-06 中国石油化工股份有限公司 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质
CN111751878B (zh) * 2020-05-21 2023-05-30 中国石油天然气股份有限公司 横波速度的预测方法和装置
CN111723690B (zh) * 2020-06-03 2023-10-20 北京全路通信信号研究设计院集团有限公司 一种电路设备状态监测方法和系统
KR20210150917A (ko) 2020-06-04 2021-12-13 에스케이이노베이션 주식회사 웰 로그를 학습하여 암상을 추정하는 방법 및 장치
KR20210150916A (ko) 2020-06-04 2021-12-13 에스케이이노베이션 주식회사 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치
CN111753958A (zh) * 2020-06-22 2020-10-09 成都理工大学 基于测井数据深度学习的灯影组微生物岩微相识别方法
CN114016998A (zh) * 2020-07-16 2022-02-08 中国石油天然气集团有限公司 一种测井遇阻遇卡的预测方法及装置
US11670073B2 (en) 2020-08-25 2023-06-06 Saudi Arabian Oil Company System and method for detection of carbonate core features from core images
US11898435B2 (en) 2020-09-25 2024-02-13 Halliburton Energy Services, Inc. Correcting borehole images using machine-learning models
CN112433248B (zh) * 2020-11-10 2022-09-30 成都理工大学 一种碳酸盐岩沉积环境下隐蔽储层的探测方法
CN114592857A (zh) * 2020-12-07 2022-06-07 中国石油天然气股份有限公司 测井曲线填充处理方法及装置
CN112862169B (zh) * 2021-01-28 2024-03-29 中国石油大学(北京) 预测陆相泥页岩游离油含量的方法及装置
CN113392924B (zh) * 2021-06-29 2023-05-02 中海油田服务股份有限公司 声电成像测井图的识别方法及相关设备
CN113781463A (zh) * 2021-09-17 2021-12-10 成都理工大学 一种定量评价碳酸盐岩烃源岩眼皮的方法、系统
CN114004999B (zh) * 2021-11-03 2024-10-15 中国地质大学（武汉） 一种基于机器学习的钻井液流变参数实时测量方法
WO2024018277A2 (en) * 2022-07-22 2024-01-25 Cgg Services Sas Machine learning based borehole data analysis
US12098632B2 (en) 2022-07-22 2024-09-24 Saudi Arabian Oil Company System and method for well log repeatability verification
CN115680612A (zh) * 2022-11-01 2023-02-03 中国矿业大学(北京) 一种监测煤层覆岩裂隙演化的钻孔电阻率全空间成像方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102011583A (zh) * 2010-11-30 2011-04-13 中国石油天然气股份有限公司 一种电成像结合礁滩地质模型识别储层的方法
WO2015127349A1 (en) * 2014-02-24 2015-08-27 Saudi Arabian Oil Company Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells
CN106910185A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的dbcc分类模型及构建方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5251286A (en) * 1992-03-16 1993-10-05 Texaco, Inc. Method for estimating formation permeability from wireline logs using neural networks
FR2738871B1 (fr) * 1995-09-19 1997-11-14 Elf Aquitaine Procede pour realiser une representation des textures d'une structure geologique
US6574565B1 (en) * 1998-09-15 2003-06-03 Ronald R. Bush System and method for enhanced hydrocarbon recovery
CN101899971A (zh) 2010-05-27 2010-12-01 中国石油天然气股份有限公司 碳酸盐岩地层电成像测井相的识别方法及其装置
US20140149041A1 (en) 2012-10-29 2014-05-29 Saudi Arabian Oil Company Rock facies prediction in non-cored wells from cored wells
US10282465B2 (en) * 2014-02-25 2019-05-07 Intel Corporation Systems, apparatuses, and methods for deep learning of feature detectors with sparse coding
CN104732562A (zh) 2015-03-24 2015-06-24 中国石油集团川庆钻探工程有限公司 一种电成像测井图像相似度比对方法
CN105626058B (zh) * 2015-12-30 2018-11-16 中国石油天然气股份有限公司 一种确定储层岩溶发育程度的方法及装置
EP3264335A1 (en) * 2016-06-28 2018-01-03 Services Pétroliers Schlumberger Automatic dip picking in borehole images
CN106443802B (zh) * 2016-09-20 2018-11-13 中石化石油工程技术服务有限公司 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统
CN106526693B (zh) 2016-09-30 2018-10-16 中国石油天然气股份有限公司 裂缝识别方法和装置
CA3038714A1 (en) * 2016-10-14 2018-04-19 Chevron U.S.A. Inc. System and method for seismic facies identification using machine learning
CN106610508B (zh) 2016-11-15 2019-05-07 中国石油天然气股份有限公司 一种裂缝的地震属性判识系统及方法
CN107356958B (zh) 2017-07-21 2018-12-18 西南石油大学 一种基于地质信息约束的河流相储层分步地震相预测方法
US10990882B2 (en) * 2017-07-28 2021-04-27 International Business Machines Corporation Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base
CN107797154B (zh) 2017-09-22 2019-04-12 中国石油天然气股份有限公司 一种电成像测井图像刻度方法及装置
US11591894B2 (en) * 2017-11-15 2023-02-28 Schlumberger Technology Corporation Field operations system with particle filter

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102011583A (zh) * 2010-11-30 2011-04-13 中国石油天然气股份有限公司 一种电成像结合礁滩地质模型识别储层的方法
WO2015127349A1 (en) * 2014-02-24 2015-08-27 Saudi Arabian Oil Company Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells
CN106910185A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的dbcc分类模型及构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的测井岩性识别方法研究与应用;安鹏 等;《地球物理学进展》;20180630;第33卷(第3期);第1029-1034页 *
裂缝性储层分级评价中的卷积神经网络算法研究与应用;吴正阳 等;《石油物探》;20180731;第57卷(第4期);第618-626页 *

Also Published As

Publication number Publication date
GB2578341B (en) 2021-05-19
US11003952B2 (en) 2021-05-11
GB201905799D0 (en) 2019-06-05
GB2578341A (en) 2020-05-06
US20200065620A1 (en) 2020-02-27
CN109212617A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109212617B (zh) 电成像测井相自动识别方法及装置
CN109389128B (zh) 电成像测井图像特征自动提取方法及装置
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN109934293A (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
CN108647588A (zh) 物品类别识别方法、装置、计算机设备和存储介质
CN110276402B (zh) 一种基于深度学习语义边界增强的盐体识别方法
US8090538B2 (en) System and method for interpretation of well data
CN106528826A (zh) 一种基于深度学习的多视图外观专利图像检索方法
CN109697434A (zh) 一种行为识别方法、装置和存储介质
CN106228185A (zh) 一种基于神经网络的通用图像分类识别系统及方法
CN107273936A (zh) 一种gan图像处理方法及系统
CN108764247B (zh) 基于稠密连接的深度学习物体检测方法及装置
CN111833322B (zh) 一种基于改进YOLOv3的垃圾多目标检测方法
CN110852393A (zh) 一种遥感图像的分割方法及系统
CN107609575A (zh) 书法评价方法、书法评价装置和电子设备
CN106295502A (zh) 一种人脸检测方法及装置
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN112927253B (zh) 基于卷积神经网络的岩心fib-sem图像分割方法
CN106570516A (zh) 一种利用卷积神经网络cnn的障碍物识别方法
CN114842180B (zh) 一种点云补全方法、装置、设备及介质
CN110441820B (zh) 地质构造的智能解释方法
CN110866922B (zh) 基于强化学习和迁移学习的图像语义分割模型及建模方法
CN109740451A (zh) 基于重要性加权的道路场景图像语义分割方法
CN113627607B (zh) 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质
CN110738132A (zh) 一种具备判别性感知能力的目标检测质量盲评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant