CN109389128A - 电成像测井图像特征自动提取方法及装置 - Google Patents
电成像测井图像特征自动提取方法及装置 Download PDFInfo
- Publication number
- CN109389128A CN109389128A CN201810971762.4A CN201810971762A CN109389128A CN 109389128 A CN109389128 A CN 109389128A CN 201810971762 A CN201810971762 A CN 201810971762A CN 109389128 A CN109389128 A CN 109389128A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- imaging logging
- electric imaging
- learning model
- 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.)
- Granted
Links
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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明提供一种电成像测井图像特征自动提取方法及装置,其中,该方法包括以下步骤: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;在全井眼覆盖的电成像测井图像中对典型的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将处理后的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;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地质特征类型识别,对所述识别结果进行形态学优化处理,获得特征优化识别结果。该方案能够自动、快速、准确的识别出电成像测井图像中的典型地质特征。
Description
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图像特征自动提取方法及装置。
背景技术
电成像测井是目前应用最为广泛的成像测井方法,通过电成像测井图像能够直观显示泥质、生屑、方解石晶体、孔隙、裂缝、层理以及断层、褶皱等地层沉积和构造特征,为储层综合分析提供重要依据。传统电成像测井图像解释主要由专家根据经验直接对各类特征进行定性判别,对专家经验依赖程度高,解释主观性强,难以满足油田勘探生产的紧迫需要。如何对电成像测井图像上的各类地质特征进行准确识别、分类和定量提取,是实现电成像测井资料自动化以及智能化处理的关键。
现有技术中,电成像测井图像特征自动识别和提取都是采用图像分割算法对电成像测井图像进行二值化处理,分离出特征区域,然后计算各特征区域的颜色、形状、纹理等特征参数,最后通过模糊数学、神经网络等方法对特征进行分类提取。这类方法虽然也在实际应用中取得一定的效果,但仍然存在以下问题:1)特征提取效果受图像分割质量控制,由于实际地质情况的复杂性,在长井段连续处理时,难以实现对图像特征的准确分离,造成特征提取漏失或误判;2)基于特征参数统计的分类方法受选取的参数指标影响,识别精度有限,且通常与特定区域地质条件相关,普适性差;3)现有技术通常仅对特定地质特征目标,如裂缝、溶洞进行识别和提取,不能满足地质研究和储层评价的差异化和多样性需要。
发明内容
本发明实施例提供了一种电成像测井图像特征自动提取方法及装置,能够自动、快速、准确的识别出电成像测井图像中的典型地质特征,同时统计的特征参数与储层物性、测试结果一致,为油气田勘探开发提供了重要的技术支持。
该电成像测井图像特征自动提取方法包括:
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的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将所述处理后的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地质特征类型识别,获得识别结果;
对所述识别结果进行形态学优化处理,获得特征优化识别结果。
该电成像测井图像特征自动提取装置包括:
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的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将所述处理后的图像确定为训练样本;
深度学习模型构建构模块,用于构建深度学习模型,所述深度学习模型包括输入层、多个隐藏层和输出层;
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地质特征类型识别,获得识别结果;
优化模块,用于对所述识别结果进行形态学优化处理,获得特征优化识别结果。
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图像特征自动提取方法。
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图像特征自动提取方法的计算机程序。
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,能够对电成像测井图像低层级的局部性特征和高层级抽象的结构性特征准确识别和分析,自动、快速、准确的识别出电成像测井图像中的典型地质特征,具有很好的识别精度。
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图像特征自动提取方法流程图(一);
图2是本发明实施例提供的一种某井段图像特征标记示意图;
图3是本发明实施例提供的一种特征识别及形态学处理优化效果示意图;
图4是本发明实施例提供的一种电成像测井图像特征自动提取方法流程图(二);
图5是本发明实施例提供的一种基于深度学习方法的电成像测井图像特征提取与储层评价示意图;
图6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(一)
图7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(二);
图8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: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的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将所述处理后的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地质特征类型识别,获得识别结果;
S107:对所述识别结果进行形态学优化处理,获得特征优化识别结果。
在本发明实施例中,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,按研究需要确定待提取的地质特征类型。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进行浏览并对典型的地质特征进行分类标记,以长庆油田靖边地区奥陶系下马家沟组有效储层评价和沉积相研究为例,在成像测井图像上最为关注的特征地质现象包括:溶孔、砾石、泥纹层、泥质条带、泥质厚层、裂缝、诱导缝七种类型。
图2展示了某井段图像特征标记的示意图,从图2可见,该井段图像主要地质特征现象包括泥纹层、泥质条带,分别对这两类特征的准确区域进行标记,对每个图像特征都保存为两张图片,一张记录特征准确区域位置及其所属类别,该图像作为后续深度学习使用的标签图像,另一张为该特征对应深度段(特征点上下各取0.5m,总深度范围为1m)的电成像测井全井眼图像。
对每类地质特征,应标记尽可能多的样本数量(不低于100个),同时标记的样本应尽量涵盖研究区该类特征可能的式样。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120余口典型井成像测井图像进行识别和分类标记,建立了溶孔、砾石、泥纹层、泥质条带、泥质厚层、裂缝、诱导缝七类特征共计8733个样本,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,将样本集各类别地质特征成像测井图像及标签图像生成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12。也就是该深度学习模型包括12层结构,其中第一层为输入层、第二至十一层为隐藏层,第十二层为输出层,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,一个卷积层,一个激活层,一个池化层;
第三层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个池化层;
第四层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第五层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第七层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第八层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第九层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十一层:隐藏层,包含一个反卷积层,一个Crop层;
第十二层:输出层,包含一个softmax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标签图像,设定批处理大小为2,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;
第二层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,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设定为100。输入数据大小为[2,3,H0,W0],其中2为批大小,3为图像颜色通道数,H0、W0为输入图像的高度以及宽度。经过卷积运算后输出的数据大小为[2,64,H1,W1],其中2为批大小,64为通道数(经过64个神经元后产生了64个通道特征图),H1是特征图的高度,W1是特征图宽度,H1、W1可通过如下公式计算:
其中,H0、W0为输入图像的高度以及宽度;H1、W1为卷积层输出特征图像的高度以及宽度;Padding为边缘扩充值的大小;Cks为卷积核的大小;S为步长。
卷积层所得到的特征图再经过激活层进行处理,其中选用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。
数据再经过一次上面卷积加激活的操作,输入图像数据大小为[2,64,H1,W1],输出数据大小为[2,64,H1,W1]。
数据经由以上两层处理完成后,再经过池化层即下采样层,对图片进行无重叠的最大池化操作。其中池化窗口大小设为2*2,步长设为2。池化操作并不会改变特征图的个数,最终的数据大小为[2,64,H1/2,W1/2]。
第三层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,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。经卷积处理后输出数据大小为[2,128,H1/2,W1/2]的数据。输出特征图经非线性激活函数Relu函数处理。
数据再经过一次上面卷积加激活的操作,输入图像数据大小为[2,128,H1/2,W1/2],输出数据大小为:[2,128,H1/2,W1/2]。
数据经由以上两层处理完成后,再经过池化层即下采样层,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,最终输出大小为[2,128,H1/4,W1/4]的数据。
第四层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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[2,256,H1/4,W1/4]的数据。输出特征图经非线性激活函数Relu函数处理。
数据再经过两次上面卷积加激活的操作,输入图像数据大小为[2,256,H1/4,W1/4],输出数据大小为:[2,256,H1/4,W1/4]。
数据经由以上处理完成后,再经过池化层即下采样层池化,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,最终输出数据大小为[2,256,H1/8,W1/8]。
第五层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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[2,512,H1/8,W1/8]的数据。输出特征图经非线性激活函数Relu函数处理。数据再经过两次上面卷积加激活的操作,输入图像数据大小为[2,256,H1/8,W1/8],输出为:[2,512,H1/8,W1/8]。
数据经由以上处理完成后,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[2,512,H1/16,W1/16]。
第六层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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。输入数据经卷积处理后,再由Relu激活函数进行处理。数据再经过两次上面卷积加激活的操作。数据经由以上处理完成后,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,最终输出大小为[2,512,H1/32,W1/32]的数据。
第七层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层。卷积层共有4096个神经元,卷积核大小为7*7,步长设定为1,边缘扩充值Padding为0。输入数据经卷积处理后,再由Relu激活函数进行处理,最后在经过Dropout层,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[2,4096,H1/32,W1/32],输出数据大小为[2,4096,H1/32,W1/32]。
第八层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;卷积层共有4096个神经元,卷积核大小为1*1,步长设定为1,边缘扩充值为0。输入数据经卷积处理后,再由Relu激活函数进行处理,最后在经过Dropout层,丢弃数据概率设置为0.5。Dropout层输入数据大小为[2,4096,H1/32,W1/32],输出数据大小为[2,4096,H1/32,W1/32]。
第九层:隐藏层,包含一个反卷积,一个卷积,一个Crop层,一个Eltwise层。反卷积层对第八层的输出图像进行4倍上采样,得到输出数据大小为[2,33,H1/8,W1/8]。卷积层对第五层的输出图像进行卷积,卷积层神经元数为待识别特征类别数,这里设置为7个神经元,卷积核大小为1*1,步长设定为1,边缘扩充值为1,得到输出图像数据大小为[2,7,H1/16,W1/16]。Crop层设置axis为2,offset为5。产生的输出数据大小为[2,7,H1/16,W1/16],最后在经过Eltwise层,最终产生输出数据大小为[2,7,H1/16,W1/16]。
第十层:隐藏层,包含一个反卷积,一个卷积,一个Crop层,一个Eltwise层。反卷积层对第九层的输出图像进行2倍上采样,得到输出图像数据大小为[2,7,H1/8,W1/8]。卷积层对第四层的输出进行卷积,卷积层神经元数为待识别特征类别数,这里设置为7个神经元,卷积核大小为1*1,步长设定为1,边缘扩充值为1,得到输出图像数据大小为[2,7,H1/8,W1/8]。Crop层设置axis为2,offset为9,产生的输出图像数据大小为[2,7,H1/8,W1/8],最后在经过Eltwise层,产生的输出图像数据大小为[2,7,H1/8,W1/8]。
第十一层:隐藏层,包含一个反卷积层,一个Crop层。反卷积层对第十层的输出图像进行8倍上采样,得到输出图像数据大小为[2,7,H1,W1]。Crop层设置axis为2,offset为31。最终输出为[2,7,H1,W1]。
第十二层:输出层,包含一个Softmax层。对原图每个像素点进行类别预测,得到特征识别的结果。
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。然后通过上采样操作将特征图像进行放大到原图像大小,并在输出层中对每个像素点分类进行预测得到特征识别的结果。
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标签图像,并输出各训练图像的预测类别,对各图像的预测地质特征类型和样本真实地质特征类型的差异,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:计算所述预测的地质特征类型与所述训练样本所包括的地质特征类型之间的误差,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。
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:
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地质特征类型与所述训练样本所包括的地质特征类型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(图3的最左侧图像)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,模型进行一次前向运算,即可获得该图像的预测地质特征类型。
在上述各像素点类别划分的结果图像中,不同的地质特征类型被标记为对应的标签属性,通过该图像可以即可直观显示出典型地质特征识别结果。
图3中的中间图像是某井段成像测井图像特征识别效果示意图,从图中可见,本发明方法能够有效识别出图中泥质条带、泥纹层等特征。
在本发明实施例中,所述S107中,在识别出典型地质特征类型之后,由于井下地质特征的复杂性以及数据采集等因素影响,成像测井图像上可能还包括一些异常干扰,造成特征图像识别效果不够理想,如相邻的溶蚀孔特征可能连接或线状的裂缝、泥纹层特征断开,因此,还需要对识别结果进行形态学优化处理。
具体的,对于识别结果为溶蚀孔、砾石类的图像区域,采用形态学开运算方法进行处理,以分离相邻特征之间可能因为噪声干扰形成的特征连接现象,开运算采半径为3个像素点的圆形结构元素。
对于识别结果为纹层、条带、裂缝类型的图像区域,采用形态学闭运算方法进行处理,以连接由于地质特征较弱可能引起的识别结果不连续现象,闭运算采5*5方形结构元素。
图3中最右侧图像是某井段泥纹层特征识别结果优化后示意图,从图中可见,原识别结果中该泥纹层特征出现了断开现象,通过形态学处理有效将两段断开的特征连接成为一个整体,提升了特征识别效果和后续参数定量统计的精度。
在本发明实施例中,如图4所示,本发明提出的电成像测井图像特征自动提取方法还包括:
S108:按照地质特征类型对所述识别结果进行地质特征发育参数统计;
S109:根据统计的地质特征发育参数对储层的发育程度进行评价。
具体的,不同地质特征发育情况指示了储层的物性、沉积属性,根据上述地质特征类型统计地质特征发育参数可指导储层综合评价。可选的,地质特征发育参数可以包括不同地质特征发育面孔率不同地质特征的粒径Gs和不同地质特征发育的个数Cn其中之一或多个。
数量Cn描述了单位深度范围内各类特征发育的个数,通过对特征分类计数累加统计获得;
粒径Gs描述了各类特征的平均尺寸,采用Feret直径描述,单个特征的粒径Gsi通过测量特征对象在多个方向上的直径取平均值得到,单位深度范围内特征平均粒径
面孔率描述了各类特征发育的程度,其中S是某类特征区域的总像素点数,S0是单位深度范围图像总像素点数。
一般的,识别的溶蚀孔、裂缝特征发育层段,统计得到的溶蚀孔面孔率、溶蚀孔数量、裂缝数量较大,通常对应于好的缝洞型储层;而纹层、条带类特征发育的层段,统计得到的纹层、条带面孔率、数量较大,通常对应与水动力较弱的沉积环境,储层较差。
在S106、S107的特征自动识别结果的基础上,对各类地质特征按类别进行统计其发育面孔率粒径Gs、数量Cn等参数。图5是某井段特征参数统计结果,图中第一道是待处理井段电成像测井图像,第二道上特征识别结果,第三道至第五道是统计的溶孔、泥纹层、诱导缝特征参数。从图中可见,根据本发明方法能够很好的识别出溶蚀孔、泥纹层、诱导缝特征并定量统计出各类特征发育参数,井段中部溶蚀孔发育,是颗粒滩沉积相的典型特征,为浅水沉积环境下微地貌高地,受波浪影响大,后期溶蚀强,是优质储层发育的主要部位。
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图像特征自动提取装置,如下面的实施例所述。由于电成像测井图像特征自动提取装置解决问题的原理与电成像测井图像特征自动提取方法相似,因此电成像测井图像特征自动提取装置的实施可以参见电成像测井图像特征自动提取方法的实施,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6是本发明实施例的电成像测井图像特征自动提取装置的一种结构框图(一),如图6所示,包括:
历史数据获取模块601,用于获取电成像测井历史数据;
测井图像生成模块602,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603,用于在所述全井眼覆盖的电成像测井图像中对典型的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将所述处理后的图像确定为训练样本;
深度学习模型构建构模块604,用于构建深度学习模型,所述深度学习模型包括输入层、多个隐藏层和输出层;
训练模块605,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606,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地质特征类型识别,获得识别结果;
优化模块607,用于对所述识别结果进行形态学优化处理,获得特征优化识别结果。
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602具体用于:
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604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12层结构,第一层为输入层,第二层至十一层为隐藏层,第十二层为输出层;
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,一个卷积层,一个激活层,一个池化层;
第三层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个池化层;
第四层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第五层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第七层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第八层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第九层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十一层:隐藏层,包含一个反卷积层,一个Crop层;
第十二层:输出层,包含一个softmax层。
在本发明实施例中,所述识别模块606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。
在本发明实施例中,如图7所示,该电成像测井图像特征自动提取装置还包括:
参数统计模块608,用于按照地质特征类型对所述识别结果进行地质特征发育参数统计;
评价模块609,用于根据统计的地质特征发育参数对储层的发育程度进行评价。
在本发明实施例中,所述地质特征发育参数包括不同地质特征发育面孔率、不同地质特征的粒径和不同地质特征发育的个数其中之一或多个。
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8为本发明实施例的计算机设备800的系统构成的示意框图。如图8所示,该计算机设备800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;对所述全井眼覆盖的电成像测井图像进行识别,确定所述全井眼覆盖的电成像测井图像所包括的地质特征类型,按地质特征类型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地质特征类型识别,获得识别结果。
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8所示,该计算机设备800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800也并不是必须要包括图8中所示的所有部件;此外,计算机设备800还可以包括图8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800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800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图像特征自动提取方法的计算机程序。
综上所述,本发明提出的电成像测井图像特征自动提取方法及装置具有如下优点:
1)将深度学习方法引入到电成像测井图像分析中,实现了对电成像测井图像低层级的局部性特征和高层级抽象的结构性特征准确识别和分析;
2)通过深度学习方法对各类特征内在属性的自动分析、预测和提取,解决了现有技术依赖图像分割质量和统计的特征参数指标类型的弊端,有效提升特征提取的准确性;
3)基于大量典型地质特征样本自动进行特征提取,具有很好的普适性,降低了多解性,同时为深度学习方法在其他学科的应用提供了重要的借鉴意义。
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 (14)
1.一种电成像测井图像特征自动提取方法,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的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将所述处理后的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地质特征类型识别,获得识别结果;
对所述识别结果进行形态学优化处理,获得特征优化识别结果。
2.如权利要求1所述的电成像测井图像特征自动提取方法,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1所述的电成像测井图像特征自动提取方法,其特征在于,按照如下方式构建深度学习模型:
所述深度学习模型包括12层结构,第一层为输入层,第二层至十一层为隐藏层,第十二层为输出层;
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,一个卷积层,一个激活层,一个池化层;
第三层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个池化层;
第四层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第五层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第七层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第八层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第九层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十一层:隐藏层,包含一个反卷积层,一个Crop层;
第十二层:输出层,包含一个softmax层。
4.如权利要求2所述的电成像测井图像特征自动提取方法,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。
5.如权利要求1或4所述的电成像测井图像特征自动提取方法,其特征在于,还包括:
按照地质特征类型对所述识别结果进行地质特征发育参数统计;
根据统计的地质特征发育参数对储层的发育程度进行评价。
6.如权利要求5所述的电成像测井图像特征自动提取方法,其特征在于,所述地质特征发育参数包括不同地质特征发育面孔率、不同地质特征的粒径和不同地质特征发育的个数其中之一或多个。
7.一种电成像测井图像特征自动提取装置,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的地质特征进行识别和标记,获得处理后的图像,并按地质特征类型将所述处理后的图像确定为训练样本;
深度学习模型构建构模块,用于构建深度学习模型,所述深度学习模型包括输入层、多个隐藏层和输出层;
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地质特征类型识别,获得识别结果;
优化模块,用于对所述识别结果进行形态学优化处理,获得特征优化识别结果。
8.如权利要求7所述的电成像测井图像特征自动提取装置,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。
9.如权利要求7所述的电成像测井图像特征自动提取装置,其特征在于,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12层结构,第一层为输入层,第二层至十一层为隐藏层,第十二层为输出层;
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,一个卷积层,一个激活层,一个池化层;
第三层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个池化层;
第四层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第五层:隐藏层,包含一个卷积层,一个激活函数层,一个卷积层,一个激活层,一个卷积层,一个激活层,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,一个卷积层,一个激活层,一个卷积层,一个激活层,一个池化层;
第七层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第八层:隐藏层,包含一个全卷积层,一个激活函数层,一个Dropout层;
第九层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十层:隐藏层,包含一个反卷积层,一个Crop层,一个Eltwise层;
第十一层:隐藏层,包含一个反卷积层,一个Crop层;
第十二层:输出层,包含一个softmax层。
10.如权利要求8所述的电成像测井图像特征自动提取装置,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。
11.如权利要求7或10所述的电成像测井图像特征自动提取装置,其特征在于,还包括:
参数统计模块,用于按照地质特征类型对所述识别结果进行地质特征发育参数统计;
评价模块,用于根据统计的地质特征发育参数对储层的发育程度进行评价。
12.如权利要求11所述的电成像测井图像特征自动提取装置,其特征在于,所述地质特征发育参数包括不同地质特征发育面孔率、不同地质特征的粒径和不同地质特征发育的个数其中之一或多个。
13.一种计算机设备,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6任一所述电成像测井图像特征自动提取方法。
14.一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6任一所述电成像测井图像特征自动提取方法的计算机程序。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810971762.4A CN109389128B (zh) | 2018-08-24 | 2018-08-24 | 电成像测井图像特征自动提取方法及装置 |
GB1906560.6A GB2576593C (en) | 2018-08-24 | 2019-05-09 | Method and apparatus for automatically extracting image features of electrical imaging well logging |
US16/507,270 US11010629B2 (en) | 2018-08-24 | 2019-07-10 | Method for automatically extracting image features of electrical imaging well logging, computer equipment and non-transitory computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810971762.4A CN109389128B (zh) | 2018-08-24 | 2018-08-24 | 电成像测井图像特征自动提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389128A true CN109389128A (zh) | 2019-02-26 |
CN109389128B CN109389128B (zh) | 2021-08-27 |
Family
ID=65418490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810971762.4A Active CN109389128B (zh) | 2018-08-24 | 2018-08-24 | 电成像测井图像特征自动提取方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11010629B2 (zh) |
CN (1) | CN109389128B (zh) |
GB (1) | GB2576593C (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009706A (zh) * | 2019-03-06 | 2019-07-12 | 上海电力学院 | 一种基于深层神经网络和迁移学习的数字岩心重构方法 |
CN110596166A (zh) * | 2019-09-11 | 2019-12-20 | 西京学院 | 一种油气储集空间类型及其含量的识别方法 |
CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
CN111415412A (zh) * | 2020-03-18 | 2020-07-14 | 北京山维科技股份有限公司 | 一种立体测图采编系统和方法 |
CN111665560A (zh) * | 2020-04-23 | 2020-09-15 | 中国石油天然气股份有限公司 | 油气层识别方法、装置、计算机设备及可读存储介质 |
CN111951347A (zh) * | 2020-08-24 | 2020-11-17 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN113137225A (zh) * | 2021-04-12 | 2021-07-20 | 中国地质调查局油气资源调查中心 | 一种基于砾石组分分析的砾岩储层评价方法 |
CN113298168A (zh) * | 2021-06-01 | 2021-08-24 | 中国地质大学(北京) | 野外地质露头图像构造识别方法及系统 |
CN113327210A (zh) * | 2021-06-30 | 2021-08-31 | 中海油田服务股份有限公司 | 测井图像填补方法、装置、介质及电子设备 |
CN113392924A (zh) * | 2021-06-29 | 2021-09-14 | 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 |
CN113436138A (zh) * | 2021-03-31 | 2021-09-24 | 成都飞机工业(集团)有限责任公司 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
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 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
US11528525B1 (en) * | 2018-08-01 | 2022-12-13 | Amazon Technologies, Inc. | Automated detection of repeated content within a media series |
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 |
CN111369479B (zh) * | 2019-11-12 | 2023-04-25 | 北京金阳普泰石油技术股份有限公司 | 一种沉积相带图局部自动更新方法及装置 |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
CN111652870B (zh) * | 2020-06-02 | 2023-04-07 | 集美大学诚毅学院 | 一种布匹缺陷检测方法、装置、存储介质及电子设备 |
CN111680838A (zh) * | 2020-06-08 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种空调负荷聚合功率预测方法及系统 |
CN111695635B (zh) * | 2020-06-15 | 2023-08-08 | 中国地质大学(北京) | 动态分类委员会机器测井流体识别方法及系统 |
MX2022015868A (es) | 2020-06-24 | 2023-01-24 | Shell Int Research | Metodo para predecir caracteristicas geologicas a partir de registros de imagenes de pozo. |
CN111796333B (zh) * | 2020-06-29 | 2023-09-26 | 中国石油天然气集团有限公司 | 基于滑动窗口的微电阻率成像资料电扣均衡方法 |
CN111915560A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 基于深度卷积神经网络的岩石强度参数确定方法 |
CN111833360B (zh) * | 2020-07-14 | 2024-03-26 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及计算机可读存储介质 |
CN111856561B (zh) * | 2020-07-28 | 2023-03-14 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN112052829B (zh) * | 2020-09-25 | 2023-06-30 | 中国直升机设计研究所 | 一种基于深度学习的飞行员行为监控方法 |
CN112198170B (zh) * | 2020-09-29 | 2023-09-29 | 合肥公共安全技术研究院 | 一种无缝钢管外表面三维检测中识别水滴的检测方法 |
CN112580519B (zh) * | 2020-12-22 | 2022-08-19 | 中国科学院合肥物质科学研究院 | 基于自适应混合特征重校准的深度学习模型的大豆损伤识别方法 |
CN112800581B (zh) * | 2020-12-30 | 2023-12-01 | 成都北方石油勘探开发技术有限公司 | 一种油田精细地质模型的建模研究方法 |
CN112668498B (zh) * | 2020-12-30 | 2024-02-06 | 西安电子科技大学 | 空中辐射源个体智能增量识别方法、系统、终端及应用 |
CN112613581B (zh) * | 2020-12-31 | 2023-10-13 | 广州大学华软软件学院 | 一种图像识别方法、系统、计算机设备和存储介质 |
CN112733777B (zh) * | 2021-01-18 | 2023-12-05 | 华侨大学 | 一种遥感图像的道路提取方法、装置、设备和存储介质 |
CN113033676B (zh) * | 2021-03-30 | 2022-09-09 | 中铁第四勘察设计院集团有限公司 | 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 |
WO2022216311A1 (en) | 2021-04-08 | 2022-10-13 | Sas Institute Inc. | Machine-learning techniques for automatically identifying tops of geological layers in subterranean formations |
CN113239978A (zh) * | 2021-04-22 | 2021-08-10 | 科大讯飞股份有限公司 | 医学图像预处理模型与分析模型的相关方法和装置 |
CN113642698B (zh) * | 2021-06-15 | 2024-04-02 | 中国科学技术大学 | 地球物理测井智能解释方法、系统及存储介质 |
CN113435488B (zh) * | 2021-06-17 | 2023-11-07 | 深圳大学 | 一种图像采样概率提升方法及其应用 |
CN113378825B (zh) * | 2021-07-09 | 2024-04-05 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
CN113780346B (zh) * | 2021-08-06 | 2023-06-16 | 中国科学技术大学 | 一种先验约束分类器调整方法、系统及可读存储介质 |
CN113642662B (zh) * | 2021-08-24 | 2024-02-20 | 凌云光技术股份有限公司 | 一种基于轻量化分类模型的分类检测方法及装置 |
CN114297940A (zh) * | 2021-12-31 | 2022-04-08 | 合肥工业大学 | 确定非稳态储层参数的方法及装置 |
WO2024018277A2 (en) * | 2022-07-22 | 2024-01-25 | Cgg Services Sas | Machine learning based borehole data analysis |
CN116108368B (zh) * | 2023-02-21 | 2023-09-01 | 北京金阳普泰石油技术股份有限公司 | 一种基于深度学习混合模型的沉积微相识别方法和装置 |
CN116152259B (zh) * | 2023-04-23 | 2023-07-04 | 西南石油大学 | 一种基于图神经网络的储层渗透率计算方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1687806A (zh) * | 2005-06-10 | 2005-10-26 | 中油测井技术服务有限责任公司 | 一种电成像测井图全井壁复原方法 |
EP2031423A1 (en) * | 2007-08-31 | 2009-03-04 | Services Pétroliers Schlumberger | Identifying geological features in an image of an underground formation surrounding a borehole |
CN101802649A (zh) * | 2008-04-10 | 2010-08-11 | 普拉德研究及开发股份有限公司 | 利用井眼图像、数字岩石样品以及多点统计算法生成数值假岩心的方法 |
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 |
CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
CN105551018A (zh) * | 2015-12-03 | 2016-05-04 | 长江大学 | 面向碳酸盐岩复杂储层数字岩心的各组分提取方法 |
CN106202997A (zh) * | 2016-06-29 | 2016-12-07 | 四川大学 | 一种基于深度学习的细胞分裂检测方法 |
CN106323836A (zh) * | 2016-08-11 | 2017-01-11 | 中国石油天然气股份有限公司 | 一种井壁渗透率计算方法及装置 |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN108364278A (zh) * | 2017-12-21 | 2018-08-03 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
Family Cites Families (14)
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 |
FR2772486B1 (fr) * | 1997-12-15 | 2000-01-07 | Elf Exploration Prod | Methode de detection automatique des heterogeneites planaires recoupant la stratification d'un milieu |
US6574565B1 (en) * | 1998-09-15 | 2003-06-03 | Ronald R. Bush | System and method for enhanced hydrocarbon recovery |
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 |
US10198804B2 (en) * | 2015-04-15 | 2019-02-05 | Halliburton Energy Services, Inc. | Method for determining fabric and upscaled properties of geological sample |
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 |
CN106529534A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合倾斜校正和投影法的不定长车牌字符分割方法 |
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 |
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 |
CN109212617B (zh) * | 2018-08-24 | 2020-09-08 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
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 |
-
2018
- 2018-08-24 CN CN201810971762.4A patent/CN109389128B/zh active Active
-
2019
- 2019-05-09 GB GB1906560.6A patent/GB2576593C/en active Active
- 2019-07-10 US US16/507,270 patent/US11010629B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1687806A (zh) * | 2005-06-10 | 2005-10-26 | 中油测井技术服务有限责任公司 | 一种电成像测井图全井壁复原方法 |
EP2031423A1 (en) * | 2007-08-31 | 2009-03-04 | Services Pétroliers Schlumberger | Identifying geological features in an image of an underground formation surrounding a borehole |
CN101802649A (zh) * | 2008-04-10 | 2010-08-11 | 普拉德研究及开发股份有限公司 | 利用井眼图像、数字岩石样品以及多点统计算法生成数值假岩心的方法 |
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 |
CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
CN105551018A (zh) * | 2015-12-03 | 2016-05-04 | 长江大学 | 面向碳酸盐岩复杂储层数字岩心的各组分提取方法 |
CN106202997A (zh) * | 2016-06-29 | 2016-12-07 | 四川大学 | 一种基于深度学习的细胞分裂检测方法 |
CN106323836A (zh) * | 2016-08-11 | 2017-01-11 | 中国石油天然气股份有限公司 | 一种井壁渗透率计算方法及装置 |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN108364278A (zh) * | 2017-12-21 | 2018-08-03 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
Non-Patent Citations (5)
Title |
---|
刘瑞林 等: "基于小波变换图像分割技术的电成像测井资料裂缝、孔洞面孔率提取方法", 《地球物理学报》 * |
吴正阳 等: "裂缝性储层分级评价中的卷积神经网络算法研究与应用", 《石油物探》 * |
段友祥 等: "卷积神经网络在储层预测中的应用研究", 《通信学报》 * |
赵军 等: "基于图像分割的成像测井资料目标拾取与计算", 《地球物理学进展》 * |
邹长春 等编: "《地球物理测井教程》", 31 December 2010 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009706A (zh) * | 2019-03-06 | 2019-07-12 | 上海电力学院 | 一种基于深层神经网络和迁移学习的数字岩心重构方法 |
CN110596166A (zh) * | 2019-09-11 | 2019-12-20 | 西京学院 | 一种油气储集空间类型及其含量的识别方法 |
CN110866912B (zh) * | 2019-11-15 | 2022-04-19 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
CN110866912A (zh) * | 2019-11-15 | 2020-03-06 | 成都理工大学 | 基于成像测井图像纹理的页岩纹层非均质性数据处理方法 |
CN111415412A (zh) * | 2020-03-18 | 2020-07-14 | 北京山维科技股份有限公司 | 一种立体测图采编系统和方法 |
CN111415412B (zh) * | 2020-03-18 | 2023-08-04 | 北京山维科技股份有限公司 | 一种立体测图采编系统和方法 |
CN111665560A (zh) * | 2020-04-23 | 2020-09-15 | 中国石油天然气股份有限公司 | 油气层识别方法、装置、计算机设备及可读存储介质 |
CN111951347A (zh) * | 2020-08-24 | 2020-11-17 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN111951347B (zh) * | 2020-08-24 | 2021-03-12 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN113436138B (zh) * | 2021-03-31 | 2023-07-21 | 成都飞机工业(集团)有限责任公司 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
CN113436138A (zh) * | 2021-03-31 | 2021-09-24 | 成都飞机工业(集团)有限责任公司 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
CN113137225A (zh) * | 2021-04-12 | 2021-07-20 | 中国地质调查局油气资源调查中心 | 一种基于砾石组分分析的砾岩储层评价方法 |
CN113298168A (zh) * | 2021-06-01 | 2021-08-24 | 中国地质大学(北京) | 野外地质露头图像构造识别方法及系统 |
CN113298168B (zh) * | 2021-06-01 | 2023-11-24 | 中国地质大学(北京) | 野外地质露头图像构造识别方法及系统 |
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 |
CN113392924A (zh) * | 2021-06-29 | 2021-09-14 | 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 |
CN113327210B (zh) * | 2021-06-30 | 2023-04-07 | 中海油田服务股份有限公司 | 测井图像填补方法、装置、介质及电子设备 |
CN113327210A (zh) * | 2021-06-30 | 2021-08-31 | 中海油田服务股份有限公司 | 测井图像填补方法、装置、介质及电子设备 |
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 |
Also Published As
Publication number | Publication date |
---|---|
US20200065606A1 (en) | 2020-02-27 |
CN109389128B (zh) | 2021-08-27 |
GB201906560D0 (en) | 2019-06-26 |
GB2576593C (en) | 2021-06-02 |
GB2576593B (en) | 2021-05-12 |
GB2576593A (en) | 2020-02-26 |
US11010629B2 (en) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389128A (zh) | 电成像测井图像特征自动提取方法及装置 | |
CN109212617A (zh) | 电成像测井相自动识别方法及装置 | |
Ye et al. | A new tool for electro-facies analysis: multi-resolution graph-based clustering | |
CA2577845C (en) | Method for creating facies probability cubes based upon geologic interpretation | |
Chamberlin et al. | Using bar preservation to constrain reworking in channel-dominated fluvial stratigraphy | |
CN107678059A (zh) | 一种储层含气识别的方法、装置及系统 | |
Moradi et al. | Inversion of well logs into rock types, lithofacies and environmental facies, using pattern recognition, a case study of carbonate Sarvak Formation | |
Zhang et al. | 3D porosity modeling of a carbonate reservoir using continuous multiple-point statistics simulation | |
CN107798340A (zh) | 基于空间约束多自编码器的多元地球化学异常识别方法 | |
CN108957535A (zh) | 油藏地震储层的预测方法及装置 | |
Jiang et al. | Deep-learning-based vuggy facies identification from borehole images | |
CN110163140A (zh) | 人群密度图获取方法及装置 | |
CN109613623A (zh) | 一种基于残差网络的岩性预测方法 | |
Harris | Lessons from a modern carbonate sandbody–A personal experience of comparative sedimentology | |
Demyanov et al. | Can machine learning reveal sedimentological patterns in river deposits? | |
Abedini et al. | Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation | |
Ferrer et al. | Modeling the uncertainty in the layout of geological units by implicit boundary simulation accounting for a preexisting interpretive geological model | |
CN115639605A (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
Bandura et al. | Physically based morphostructural land surface segmentation: Case of the Alps and Western Carpathians | |
Bertoncello | Conditioning surface-based models to well and thickness data | |
Aminian et al. | A new approach for reservoir characterization | |
Pan et al. | Efficient Subsurface Modeling with Sequential Patch Generative Adversarial Neural Networks | |
CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
McLennan et al. | Implicit boundary modeling (boundsim) | |
Arpat et al. | Characterization of West-Africa submarine channel reservoirs: a neural network based approach to integration of seismic data |
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 |