CN110176070A - 一种基于钻孔数据进行机器学习的地层序列模拟方法 - Google Patents
一种基于钻孔数据进行机器学习的地层序列模拟方法 Download PDFInfo
- Publication number
- CN110176070A CN110176070A CN201910374054.7A CN201910374054A CN110176070A CN 110176070 A CN110176070 A CN 110176070A CN 201910374054 A CN201910374054 A CN 201910374054A CN 110176070 A CN110176070 A CN 110176070A
- Authority
- CN
- China
- Prior art keywords
- sequence
- model
- bed succession
- succession
- bed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 12
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 13
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于钻孔数据进行机器学习的地层序列模拟方法，该方法包括：数据归一化、地层序列填充、地层编码、建立地层类型序列模型、建立地层层厚序列模型、地层序列模型；该方法利用python语言，在Pytorch深度学习框架下进行，特别涉及三维地质建模过程中地层层序的建立，适用于在地层三维建模过程中进行地层序列模型的开发与验证。能够较为准确地判断相应位置的地层信息，同时该方法不依赖于数据假设与专家经验等主观因素，通过与实际钻孔数据结果对比表明，上述模型具有较好的可行性，可应用于地质信息化研究与工程规划、设计建造等方面。
Description
技术领域：
本发明属于机器学习与地质学交叉领域，该方法利用python语言，在 Pytorch深度学习框架下进行。特别涉及三维地质建模过程中地层层序的建立。适用于在地层三维建模过程中进行地层序列模型的开发与验证。
背景技术：
地层结构是漫长的地质作用的结果，在时空分布上表现为不均匀、不规则性等，但在宏观上具有统计上的规律性。弄清地层结构及其规律是地质信息化基础，同时不良地层分布也是工程建设的重点关注对象。
在地层序列模拟的过程中，存在两大难点，一是地层三维模型建立过程中，建模方法与插值方法选择受主观因素影响大，具有局限性且缺乏科学合理性。目前钻孔连接插值方法有多重选择，如线性插值、多项式插值、反距离插值以及克里金插值等，不同方法模拟效果存在差异。二是地层结构与分布规律研究，钻孔数据是基础，它可以提供准确地层结构信息，但成本高，耗时长，同时具有离散性。目前可采用方法是采取虚拟钻孔，利用地质学家经验补充，但一则是有经验的地质学家数量有限，其次在地层三维建模过程中数据量大，效率有限，该方法受主观因素影响仍然较大。
本发明提供一种基于钻孔数据进行机器学习的地层序列模拟方法,它将钻孔数据处理为地层序列数据,建立地层类型序列与地层层厚序列模型，实现基于输入钻孔坐标，能较准确判断相应位置地层信息。
发明内容：
针对现有技术不足，发明了一种基于钻孔数据进行机器学习的地层序列模拟方法，规避假设与专家经验等主观因素，实现基于输入钻孔坐标，能较为准确判断相应位置地层信息，通过与实际钻孔数据结果对比，上述模型具有较好可行性，可应用于地质信息化研究与工程规划、设计建造等方面。
一种基于循环神经网络原理的地层序列机器学习模拟方法，包括以下步骤：
(1)数据归一化，钻孔数据中，坐标与地层层厚间数量级相差较大。为保证收敛，数据需进行归一化处理——将取值范围压缩为0～1；
(2)地层序列填充，引入终止标记(End of Sequence,EOS)作为虚拟地层充当填充元素，将不等长地层序列填充为等长地层序列，同时表示地层序列结束。此外，为地层序列添加起始标记(Start of Sequence,SOS)，作为RNN预测开始信号；
(3)地层编码，将每一种地层用唯一数字标识表示，并利用独热编码实现地层向量化表示；
(4)建立地层类型序列模型，建立坐标信息与RNN输出过程关联方法，利用坐标信息对RNN进行初始状态赋值，以此使坐标指导地层序列模拟；
(5)模型验证，利用地层准确率以及编辑距离序列相似度为评价标准；
(6)建立地层层厚序列模型，利用坐标信息作为RNN隐藏层初始状态，建立坐标与地层类型连接。
(7)建立地层序列模型，将地层类型序列模型与地层厚度序列模型相连接，以地层类型序列模型模拟结果作为地层厚度序列模型编码器输入，构建完整地层序列模型。
本发明具有以下优点：
(1)一种基于钻孔数据进行机器学习的地层序列模拟方法，区别于传统插值方法，如线性插值、多项式插值、反距离插值与克里金插值等。模型建模与插值方法选取受主观因素影响，具有局限性且缺乏科学合理性。该方法可规避主观因素，利用智能方法模拟地层分布。该方法不依赖数据假设与专家经验等主观因素，通过与实际钻孔数据结果对比，该方法具有较好可行性。
(2)与统计学方法相比，机器学习手段不对数据作假设，而是检验输出与数据标签接近程度，通过BP(Back Propagation，误差反向传导)算法不断调整参数以获得更高准确率。
(3)该方法采用导师驱动学习的回合，有正确监督信号指导，可更好拟合训练数据，有助加快循环神经网络模型收敛速度，对地层序列有较高预测能力。
(4)该方法采用地层准确率、基于编辑距离序列相似度作为评价标准，同时引入交叉熵损失函数描述模拟结果与真实地层之间接近程度，在模型进行验证时，地层准确率将模拟结果逐一对比，能够准确描述预测序列与真实地层序列接近程度。
附图说明：
图1是本发明一种基于钻孔数据进行机器学习的地层序列模拟方法。
具体实施方式：
下面结合附图对本发明的一个实施例作进一步说明。
一种基于钻孔数据进行的地层序列模拟方法，主要包括：输入坐标信息，地层类型序列模型，模拟地层类型序列，截取终止标记填充，地层层厚序列模型，模拟层层厚序列模型，地层序列。具体步骤如下：
(1)输入坐标信息，寻求坐标信息与RNN输出过程关联，利用坐标信息对 RNN初始状态赋值，使坐标指导地层序列模拟。
(2)按照标准钻孔柱状图比例尺换算钻孔总深度，判断是否需要分页绘制，若需要则将该地层“剪开”，剪开部分分别位于该页尾，与下页首。
(3)建立底层层厚序列模型，采取seq2seq(sequence to sequence,序列- 序列)架构，利用两个串联RNN分别作为编码器与解码器建立地层层厚模型，编码器处理地层类型信息，以其最后时刻隐藏层状态作为解码器初始状态，进而预测每种地层类型对应层厚。
(4)截取终止标记，填充地层序列，引入终止标记作为虚拟地层充当填充元素，将不等长地层序列填充为等长地层序列，同时作为表示地层序列结束标记。在每次训练中，RNN输出等长地层序列，终止标记出现时，采样过程停止，取终止标记出现前所有序列作为预测地层序列。
(5)连接地层类型序列模型与地层厚度序列模型，以地层类型序列模型模拟结果作为地层厚度序列模型编码器输入，构建完整地层序列模型。
Claims (3)
1.一种基于钻孔数据进行机器学习的地层序列模拟方法，属于机器学习与地质学的交叉领域，其特征是：将钻孔地层数据处理为地层类型序列与地层层厚序列，利用循环神经网络建立地层类型序列模型，采用序列-序列架构建立地层层厚序列模型，组成完整地层序列模型。
2.基于权利要求1所述的地层序列，其特征在于引入终止标记(End of Sequence,EOS)作为虚拟地层充当填充元素，将不等长地层序列填充为等长，同时作为表示地层序列结束标记。
3.基于权利要求1所述地层层厚序列采取seq2seq(sequence to sequence,序列-序列)架构，其特征在于利用两个串联RNN分别作为编码器与解码器建立地层层厚模型，编码器负责处理地层类型信息，以其最后时刻隐藏层状态作为解码器初始状态，进而预测每一地层类型对应层厚。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910374054.7A CN110176070A (zh) | 2019-05-07 | 2019-05-07 | 一种基于钻孔数据进行机器学习的地层序列模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910374054.7A CN110176070A (zh) | 2019-05-07 | 2019-05-07 | 一种基于钻孔数据进行机器学习的地层序列模拟方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110176070A true CN110176070A (zh) | 2019-08-27 |
Family
ID=67691392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910374054.7A Pending CN110176070A (zh) | 2019-05-07 | 2019-05-07 | 一种基于钻孔数据进行机器学习的地层序列模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110176070A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743347A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种勘察成果数据存储及利用的系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101906965A (zh) * | 2010-07-14 | 2010-12-08 | 中国矿业大学(北京) | Vr地质环境下的地层识别与分析技术 |
| US20140225890A1 (en) * | 2011-09-30 | 2014-08-14 | Total Sa | Method for extracting a thumbnail image from a training image so as to constrain the multipoint geostatistical modeling of the subsoil |
| CN107657365A (zh) * | 2017-09-08 | 2018-02-02 | 中国石油天然气股份有限公司 | 地质资源开采价值评价方法及装置 |
| US20190057168A1 (en) * | 2016-03-28 | 2019-02-21 | Baker Hughes, A Ge Company, Llc | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation |
-
2019
- 2019-05-07 CN CN201910374054.7A patent/CN110176070A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101906965A (zh) * | 2010-07-14 | 2010-12-08 | 中国矿业大学(北京) | Vr地质环境下的地层识别与分析技术 |
| US20140225890A1 (en) * | 2011-09-30 | 2014-08-14 | Total Sa | Method for extracting a thumbnail image from a training image so as to constrain the multipoint geostatistical modeling of the subsoil |
| US20190057168A1 (en) * | 2016-03-28 | 2019-02-21 | Baker Hughes, A Ge Company, Llc | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation |
| CN107657365A (zh) * | 2017-09-08 | 2018-02-02 | 中国石油天然气股份有限公司 | 地质资源开采价值评价方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| AKIRA TAKEZAWA: "How to implement Seq2Seq LSTM Model in Keras", 《TOWARDS DATA SCIENCE》 * |
| HAO-KUN DU ETAL.: "Seismic facies analysis based on self-organizing map and empirical mode decomposition", 《JOURNAL OF APPLIED GEOPHYSICS》 * |
| 蒋金泉: "上覆高位岩浆岩下离层空间的演化规律及其预测", 《岩土工程学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743347A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种勘察成果数据存储及利用的系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102362262B (zh) | 用于表征地下储油层中的裂面的系统和方法 | |
| CN106873033B (zh) | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 | |
| CN103454686B (zh) | 基于地层切片的小尺度沉积相进行储层预测的方法及系统 | |
| CN105469443B (zh) | 基于地质路线（prb）过程双重建模生成三维地质图的方法 | |
| CN109271898A (zh) | 基于优化卷积神经网络的溶洞体识别算法 | |
| CN105005079B (zh) | 一种井曲线反演方法 | |
| CN105093277B (zh) | 地震建模中的浅中深层速度融合方法 | |
| CN103472484A (zh) | 基于rs三维敏感地震属性分析的水平井轨迹优化方法 | |
| CN108984886A (zh) | 一种反演多层油藏井间动态连通性的方法 | |
| CN106150477A (zh) | 一种确定单井控制储量的方法 | |
| CN104914465A (zh) | 火山岩裂缝定量预测方法及装置 | |
| CN105631529A (zh) | 一种边水气藏见水时间预测方法 | |
| CN108952699A (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
| CN112444841A (zh) | 基于分尺度多输入卷积网络的含薄层岩性地震预测方法 | |
| CN110176070A (zh) | 一种基于钻孔数据进行机器学习的地层序列模拟方法 | |
| CN106354893A (zh) | 水平井随钻资料地质建模的方法 | |
| CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN112502613B (zh) | 一种钻井方法及装置 | |
| CN102074027B (zh) | 二维地质模型成块方法 | |
| CN105116466A (zh) | 一种确定油田储层物性特征的方法和装置 | |
| CN107238860A (zh) | 二维地质模型的建模方法及系统 | |
| CN107122895A (zh) | 一种能同时实现不同岩体分级的方法 | |
| CN110486009A (zh) | 一种无限大地层的参数自动反求方法及系统 | |
| CN108133286A (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190827 |
|
| WD01 | Invention patent application deemed withdrawn after publication |