CN111783847B - 一种低对比度油气层识别方法、装置、设备及系统 - Google Patents

一种低对比度油气层识别方法、装置、设备及系统 Download PDF

Info

Publication number
CN111783847B
CN111783847B CN202010540915.7A CN202010540915A CN111783847B CN 111783847 B CN111783847 B CN 111783847B CN 202010540915 A CN202010540915 A CN 202010540915A CN 111783847 B CN111783847 B CN 111783847B
Authority
CN
China
Prior art keywords
layer
oil
data
initial input
input data
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
CN202010540915.7A
Other languages
English (en)
Other versions
CN111783847A (zh
Inventor
谢然红
高伦
王帅
徐陈昱
肖立志
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.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202010540915.7A priority Critical patent/CN111783847B/zh
Publication of CN111783847A publication Critical patent/CN111783847A/zh
Application granted granted Critical
Publication of CN111783847B publication Critical patent/CN111783847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本说明书提供了一种低对比度油气层识别方法、装置、设备及系统。所述方法包括获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。利用本说明书实施例可以提高对低对比度油气层识别的准确率。

Description

一种低对比度油气层识别方法、装置、设备及系统
技术领域
本申请涉及石油勘探开发技术领域，特别涉及一种低对比度油气层识别方法、装置、设备及系统。
背景技术
低对比度油气层分布十分广泛，然而由于其电阻率与水层电阻率差异很小，导致其在常规测井曲线上具有一定的隐蔽性，从而在一些地区早期勘探过程中容易被忽略。如今在进行老井复查时，由于缺少测井新方法的数据资料，低对比度油气层的识别和分类面临很大困难。因此，出于对实际情况和经济效益的考虑，如何利用已有的常规测井数据对低对比度油气层进行分类识别是一个亟需解决的问题。
发明内容
本说明书实施例提供了一种低对比度油气层识别方法、装置、设备及系统，可以实现对低对比度油气层的准确识别。
本说明书提供的低对比度油气层识别方法、装置、设备及系统是包括以下方式实现的。
一种低对比度油气层识别方法，包括：获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。
一种低对比度油气层识别装置，包括：数据获取模块，用于获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；划分模块，用于基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；聚类模块，用于利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；识别结果获得模块，用于将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。
一种低对比度油气层识别设备，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。
一种低对比度油气层识别系统，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例方法的步骤。
本说明书提供的一种低对比度油气层识别方法、装置、设备及系统。一些实施例中通过对常规测井数据进行划分，加入邻近泥岩层的测井数据放大油层和水层的差异，可以有效提高对低对比度油气层的识别效果。由于高维数据集具有更好的分层能力，通过聚类方法将输入数据映射到高维数据，利用高维数据集对神经网络训练，可以获得识别精度更高的目标神经网络模型，从而有效提高对低对比度油气层识别的准确率。采用本说明书提供的实施方案，可以提高对低对比度油气层识别的准确率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：
图1是本说明书提供的低对比度油气层识别方法的一个实施例的流程示意图；
图2是本说明书提供的低对比度油气层识别方法的一个具体实施例的流程示意图；
图3是本说明书提供的采用12折交叉验证获得的准确率与迭代次数关系的一个实施例的示意图；
图4是本说明书提供的按样本点个数显示识别结果的一个实施例的示意图；
图5是本说明书提供的按样本点比例显示识别结果的一个实施例的示意图；
图6是本说明书提供的一种低对比度油气层识别装置的一个实施例的模块结构示意图；
图7是本说明书提供的一种低对比度油气层识别服务器的一个实施例的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。
低对比度是一个相对概念，指的是在同一油藏中油气层与纯水层的电阻率比值(即电阻增大系数)较小的油气藏，因此利用阿尔奇公式计算的含水饱和度偏高，使得油气层被误解释为水层。目前，常用的分类识别方法包括交会图法、图版法以及根据地区低对比度油气层成因机理构建的识别流程方法等，但这些方法仅在特定的地区能取得一定的效果，缺乏普适性和准确性。
本说明书提供的一种低对比度油气层识别方法、装置、设备及系统，可以实现对低对比度油气层的准确识别。
下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的，图1是本说明书提供的低对比度油气层识别方法的一个实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
需要说明的是，下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示，本说明书提供的一种低对比度油气层识别方法的一种实施例中，所述方法可以包括以下步骤。
S0：获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别。
本说明书实施例中，常规测井数据中可以包括试油层测井数据，也可以包括非试油层测井数据。测井数据可以包括自然伽马曲线、自然电位曲线、声波时差曲线、中子孔隙度曲线、密度曲线、深中浅电阻率曲线。
本说明书一些实施例中，常规测井数据可以通过测井仪器在井下测量得到，也可以通过其他方式获得，本说明书对此不作限定。
本说明书一些实施例中，获取常规测井数据后，可以对所述常规测井数据进行预处理。其中，预处理可以包括标准化处理、平滑处理等。标准化处理可以理解为是在全研究区范围内采用统一的外部刻度标准来标定各井的同类测井曲线，从而消除仪器性能和刻度不一致所造成的影响，提高测井数据的可靠性。平滑处理可以有效消除因统计涨落现象引起的自然伽马曲线波动，从而更好地划分储集层和相邻泥岩层。
对于一个油田，在长期的勘探与开发过程中，很难保证所有井的测井数据是用同一类型的仪器、相同的标准刻度器以及相同的操作方式进行仪器刻度和测量的。各井测井数据间必然存在仪器性能和刻度不一致引起的误差。因此，通过对测井数据进行标准化处理，可以有效提高测井数据在全油田范围内解决问题的能力。
一些实施场景中，标准化处理是以标准井为基础，首先对比标准层进行取值，求出校正量，然后对异常井进行校正。需要说明的是，由于一个研究区的同一地层，一般都具有相同的沉积环境和岩石物理特性，因而各井同一标准层的测井数据都具有相似的分布规律。因此，一般选择标准层作为全研究区的统一外部刻度标准。当由关键井的标准层建立起各类测井数据的标准分布模式时，便可以采用相关分析技术对各井的测井数据进行综合分析，从而有效消除仪器性能和刻度不一致等非地质因素对测井数据的影响。一些实施场景中，通常在研究区范围内选取1～2个沉积稳定、厚度适中(且变化小)、分布范围广、岩性与测井响应特征明显、易于识别的地层(如油页岩、钙质胶结的致密砂岩、盐岩，硬石膏、稳定的泥岩等)作为标准层。
一些实施场景中，在获取常规测井数据后，可以先对常规测井数据进行标准化处理，然后对标准化处理后的数据进行平滑处理，从而获得高质量的测井数据，为后续提高识别精度提供保障。另一些实施场景中，在获取常规测井数据后，可以先对常规测井数据进行平滑处理，然后对平滑处理后的数据进行标准化处理，从而获得高质量的测井数据，为后续提高识别精度提供保障。
本说明书实施例中，试油结果可以包括试油层深度信息以及试油层对应的类别。其中，油层深度信息可以理解为是试油层对应的深度区间，例如700-800m、3750-3775m等。试油层对应的类别可以包括干层、水层、含油水层、低产气层、低产油层、低产油气层、油气水同层、油水同层、油气同层、油层等。试油可以理解为是对油、气、水产量和井底压力，以及油、气、水物理性质等进行直接测试来认识和鉴别油、气层，为油、气井的生产和油气田开发提供可靠依据的工艺过程。一些实施场景中，试油结果可以表示为700-800m为低产油气层、1000-1250m为油气水同层等。
本说明书一个实施例中，可以选取研究区的任意一层或多层作为试油层，然后通过射孔、替喷、诱喷等多种方式，使试油层中的流体(包括油、气和水)进入井筒，流出地面，从而获取试油层流体的性质、各种流体的产量、地层压力以及流体流动过程中的压力变化等信息，最后通过对这些信息的分析和处理获得试油层的各种物性参数并确定试油层对应的类别。其中，选取试油层时可以相应获取试油层对应的深度信息。需要说明的是，一些实施场景中，可以将钻井、综合录井、电测所认识和评价的含油气层作为试油层。
S2：基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据。
本说明书实施例中，所述初始输入数据可以包括试油层测井数据和与试油层相邻的泥岩层测井数据。与试油层相邻的泥岩层可以包括试油层上覆泥岩层和试油层下侧泥岩层。一些实施场景中，与试油层相邻的泥岩层一般为试油层上覆泥岩层。
本说明书一些实施例中，在获取常规测井数据和试油结果后，可以根据试油结果中包括的试油层深度信息，对常规测井数据进行划分，以便获得多维数据，提高对低对比度油气层识别的准确率。
本说明书一些实施例中，所述基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据，可以包括：根据所述试油层深度信息，将所述常规测井数据划分为试油层和与所述试油层相邻的泥岩层；获取所述试油层对应的测井数据和所述泥岩层对应的测井数据，作为所述初始输入数据；其中，所述测井数据包括自然伽马曲线、自然电位曲线、声波时差曲线、中子孔隙度曲线、密度曲线、深中浅电阻率曲线。需要说明的是，电阻率测井方法可以包括双感应-球形聚焦电阻率测井、双侧向-微球聚焦电阻率测井、双感应-八侧向电阻率测井、双侧向-微侧向电阻率测井。本说明书实施例中，根据研究区实际情况，采用双感应-八侧向电阻率测井，其它实施场景中，可以根据研究区实际情况，选择不同电阻率测井方法。
例如一些实施场景中，可以根据试油层对应的深度位置，将常规测井数据划分为试油层测井数据和试油层上覆泥岩层测井数据。
一些实施例中，在获得试油层测井数据和泥岩层测井数据后，可以分别进行保存。其中，可以保存到数据库中不同数据表中，也可以保存到其它地方，本说明书对此不作限定。一些实施例中，在获得试油层测井数据和泥岩层测井数据后，可以将二者合并，然后将合并后的数据作为初始输入数据。其中，合并方式可以包括拼接等。
例如，获取的试油层常规测井数据包括自然伽马曲线(记为“GR_tg”)、自然电位曲线(记为“SP_tg”)、声波时差曲线(记为“AC_tg”)、中子孔隙度曲线(记为“CNL_tg”)、密度曲线(记为“DEN_tg”)、深侧向电阻率曲线(记为“LLD_tg”)以及浅侧向电阻率曲线(记为“LLS_tg”)，获取的泥岩层测井数据包括自然伽马曲线(记为“GR_sh”)、自然电位曲线(记为“SP_sh”)、声波曲线(记为“AC_sh”)、中子孔隙度曲线(记为“CNL_sh”)、密度曲线(记为“DEN_sh”)、深侧向电阻率曲线(记为“LLD_sh”)以及浅侧向电阻率曲线(记为“LLS_sh”)，可以先将试油层测井数据保存到表1的第1-7行，泥岩层测井数据保存到表2的第1-7行，然后将试油层测井数据和泥岩层测井数据合并可以是将表2中的第1-7行放到表1中的8-14行，也可以是将表1中的1-7行放到表2中的8-14行，还可以是将表1中1-7行放到表3中的15-21行，将表2中1-7行放到表3中22-28行等，最后将放到表3中的14行数据作为初始输入数据。需要说明的是，上述为了更清楚的理解方案，只是进行示例性说，本说明书还可以包括其他方式，对此不作限定。
本说明书一些实施例中，由于低对比度储层复杂的成因机理，不同层段之间的测井响应差异可能很小，难以发现油层水层内在的分布规律，但是各层段与其邻近泥岩层的测井响应会存在一定的差异，因此通过对测井数据进行划分，加入邻近泥岩层的测井数据可以放大油层和水层的差异，使分类效果更好。另一些实施例中，由于测井数据中自然电位曲线(记为“SP曲线”)和自然伽马曲线(记为“GR曲线”)在不同井之间相差较大，所以通过加入邻近泥岩层的测井响应可以一定程度上降低SP曲线和GR曲线的变化对识别结果造成的影响，从而提高识别精度。
S4：利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量。
本说明书实施例中，预设聚类算法可以包括K均值聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)等。优选的，本说明书实施例中预设聚类算法选择DBSCAN算法。DBSCAN算法是一种基于密度的聚类算法，其在聚类的时候不需要预先指定簇的个数，而且最终的簇的个数不确定。本说明书实施例中，高维数据集可以理解为由高维数据组成的集合。其中，高维数据可以理解为是多维数据。由于多维数据可以包括研究区的更多特征信息，所以可以通过聚类算法将低维数据映射到高维数据，获得油气层更多特征信息，从而为后续提高识别精度提供保障。本说明书一个实施例中，高维数据集的维度数量大于初始输入数据的维度数量。例如，初始输入数据的维度数量是7，聚类处理后的维度数量是20。再如，初始输入数据的维度数量是14，聚类处理后的维度数量是49等。
本说明书一个实施例中，所述利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集，可以包括：利用DBSCAN算法对所述初始输入数据进行聚类处理，获得高维数据集。
一些实施例中，所述利用DBSCAN算法对所述初始输入数据进行聚类处理，获得高维数据集，可以包括：确定DBSCAN聚类的邻域参数数据，所述邻域参数数据包括邻域半径和邻域密度阈值；根据所述邻域参数数据对所述初始输入数据进行聚类，获得聚类簇数；对每一簇包括的数据进行平均处理，得到所述每一簇的中心点；计算所有初始输入数据到每一簇中心点的距离，获得高维数据集。
例如一些实施场景中，可以先确定DBSCAN聚类的邻域参数(ε，MinPts)，然后根据得到的邻域参数(ε，MinPts)对输入数据集I＝{x1,x2,...,xm}进行聚类，获得聚类后的h簇数据，对每一簇包含的数据点进行平均处理，获得每一簇的中心ci,i＝1,2,...,h，最后，可以计算输入数据集中所有数据点到所有簇中心的距离，从而把输入数据集I＝{x1,x2,...,xm}映射到新的数据集J＝{z1,z2,...,zm}。其中，ε表示邻域半径，MinPts表示邻域密度阈值，xi、zi表示聚类前后的第i个数据点，m表示数据点个数。由于数据集J比数据集I具有更高的维度数量，可使后续的识别效果更好。邻域半径可以理解为是一种距离度量，用于定位任何数据点的邻域内的点。邻域密度阈值可以理解为是聚类在一起的数据点的最小数目。需要说明的是，输入数据集中所有数据点到所有簇中心的距离可以包括欧式距离、曼哈顿距离、切比雪夫距离等。
一些实施例中，一般情况下，MinPts＝n+1，n表示输入数据的维度数量。
一些实施例中，对于输入数据集I＝{x1,x2,...,xm}，ε的选取可按以下步骤确定：
①计算距离矩阵其中，di,j表示xi到xj的距离；
其中，xi到xj的距离指欧式距离一些实施场景中还可以包括曼哈顿距离、切比雪夫距离等。
②将矩阵D按行从小到大排序，得到矩阵Ds，然后从矩阵最后一列开始，每一列减去前一列，得到新的矩阵Dd；
③按行计算矩阵Dd的最大值所在的索引，按照该索引找出矩阵Ds对应的元素，对这些元素取均值即可得到ε。
需要说明的是，ε还可以通过其他方式选取。
一些实施例中，邻域密度阈值可以根据实际场景确定，本说明书对此不作限定。
本说明书实施例中，通过利用聚类方法将初始输入数据映射到高维数据，可以有效提高对低对比度油气层识别的准确率。
S6：将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。
本说明书一个实施例中，在对低对比度油气层进行识别前，需要预先获取预设目标神经网络模型。
本说明书一个实施例中，预设目标神经网络模型可以通过下述方式获得：构建预设神经网络，所述预设神经网络包括预设数量的隐藏层；将所述试油层对应的类别转化为指示变量响应矩阵；基于所述高维数据集和所述指示变量响应矩阵对所述预设神经网络训练，获得目标神经网络模型。
一些实施场景中，预设神经网络可以包括输入层、预设数量的隐藏层以及输出层。其中，预设数量的隐藏层可以根据实际场景进行调整。例如，预设数量可以是3、4、6等。
一些实施场景中，可以预先获取常规测井数据，然后利用常规测井数据对预设神经网络进行训练，获得预设目标神经网络模型。另一些实施场景中，可以预先获取常规测井数据，按照上述S0-S2步骤进行处理，获取初始输入数据，然后利用初始输入数据对预设神经网络进行训练，获得预设目标神经网络模型。另一些实施场景中，可以预先获取常规测井数据，按照上述S0-S4步骤进行处理，获得高维数据集，然后利用高维数据集进行训练，获得预设目标神经网络模型。优选的，一些实施场景中，可以在获得高维数据集后，将高维数据集划分为训练集和测试集，然后利用训练集对预设神经网络进行训练，获得预设目标神经网络模型。其中，训练集可以用于模型训练，以便获得识别油气层的最优模型。测试集可以用于利用获得的最优模型进行预测，从而实现对油气层的识别。神经网络是机器学习中的一种模型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。一般来说，神经网络的架构可以分为前馈神经网络、循环网络、对称连接网络。
需要说明的是，为了使训练获得的模型性能更好、更稳定，一些实施场景中，通常可以将数据集中的大部分数据作为训练集，剩余的小部分作为测试集。例如，采用K折交叉验证，可以将K-1折作为训练集，剩余1折作为测试集。其中，交叉验证可以在给定的建模样本中，利用大部分样本进行建模型，利用剩余的小部分样本和建立的模型进行预测。
本说明书一个实施例中，预设目标神经网络模型可以理解为是通过利用训练集对预设神经网络的训练，获得的性能最优、最稳定的神经网络模型，利用该预设目标神经网络模型可以实现对低对比度油气层的分类识别。
需要说明的是，训练神经网络主要是通过优化神经网络的参数(权重)来最大程度地减少神经网络的损失。一般可以通过神经网络将目标(实际)值与预测值进行匹配，再经过损失函数计算出损失，然后，使用梯度下降法优化网络权重，以使损失最小化。
优选的，本说明书一个实施例中，构建的预设神经网络中包括一个输入层、5个隐藏层和一个输出层。
一些实施场景中，指示变量响应可以理解为由目标指示变量类别(用1表示)与其它指示变量类别(用0表示)构成的向量，指示变量响应也可以称为指示变量响应向量。指示变量响应矩阵可以理解为由指示变量响应向量构成的矩阵。例如，总共包括10个指示变量，按顺序排列后为干层、水层、含油水层、低产气层、低产油层、低产油气层、油气水同层、油水同层、油气同层、油层，若当前指示变量为干层，则干层对应的指示变量响应向量为(1，0，0，0，0，0，0，0，0，0)，若当前指示变量为水层，则水层对应的指示变量响应向量为(0，1，0，0，0，0，0，0，0，0)，若当前指示变量为含油水层，则含油水层对应的指示变量响应向量为(0，0，1，0，0，0，0，0，0，0)，若当前指示变量为低产气层，则低产气层对应的指示变量响应向量为(0，0，0，1，0，0，0，0，0，0)，若当前指示变量为低产油层，则低产油层对应的指示变量响应向量为(0，0，0，0，1，0，0，0，0，0)，若当前指示变量为低产油气层，则低产油气层对应的指示变量响应向量为(0，0，0，0，0，1，0，0，0，0)，若当前指示变量为油气水同层，则油气水同层对应的指示变量响应向量为(0，0，0，0，0，0，1，0，0，0)，若当前指示变量为油水同层，则油水同层对应的指示变量响应向量为(0，0，0，0，0，0，0，1，0，0)，若当前指示变量为油气同层，则油气同层对应的指示变量响应向量为(0，0，0，0，0，0，0，0，1，0)，当前指示变量为油层，则油层对应的指示变量响应向量为(0，0，0，0，0，0，0，0，0，1)，指示变量响应矩阵为上述10种向量组成的矩阵。具体的可参见表1。
表1指示变量类别与指示变量响应的关系
指示变量类别 指示变量响应向量
干层 (1，0，0，0，0，0，0，0，0，0)
水层 (0，1，0，0，0，0，0，0，0，0)
含油水层 (0，0，1，0，0，0，0，0，0，0)
低产气层 (0，0，0，1，0，0，0，0，0，0)
低产油层 (0，0，0，0，1，0，0，0，0，0)
低产油气层 (0，0，0，0，0，1，0，0，0，0)
油气水同层 (0，0，0，0，0，0，1，0，0，0)
油水同层 (0，0，0，0，0，0，0，1，0，0)
油气同层 (0，0，0，0，0，0，0，0，1，0)
油层 (0，0，0，0，0，0，0，0，0，1)
本说明书一个实施例中，基于所述高维数据集和所述指示变量响应矩阵对所述预设神经网络训练，获得目标神经网络模型可以理解为是，将高维数据集中大部分数据作为训练样本，然后将训练样本作为预设神经网络的输入，指示变量响应矩阵作为神经网络的输出，对预设神经网络进行训练，从而获得预设目标神经网络模型。例如一些实施场景中，可以先构造一个含有五个隐藏层的神经网络，然后将从高维数据集中获得的训练集作为神经网络的输入，将获得的试油结果中包括的试油层对应的类别转化为指示变量响应矩阵作为神经网络的输出，对神经网络进行训练，从而获得预设目标神经网络模型。
本说明书一个实施例中，每层神经网络的激活函数均采用ReLU函数，训练时在最后一个隐藏层采用dropout方法随机关掉50％的神经元。需要说明的是，一些实施场景中，每层神经网络的激活函数还可以包括Sigmoid函数、Tanh函数等。
损失函数有助于优化神经网络的参数。本说明书一个实施例中，损失函数采用交叉熵的形式，且交叉熵函数的最优化采用最速梯度下降法。需要说明的是，一些实施场景中，损失函数还可以采用均方误差等。
本说明书实施例中，由于高维数据集可以包括更多油气层的特征信息，所以在对低对比度油气层进行识别前，可以预先利用高维数据集对神经网络进行训练，获得识别精度更高的目标神经网络模型。这样，后续可以直接利用获得的模型进行识别，方便且效率高。需要说明的是，上述只是进行示例性说明，本说明书预设目标神经网络模型还可以通过其他方式构建。
本说明书一个实施例中，在获得预设目标神经网络模型后，可以利用预设目标神经网络模型对低对比度油气层进行识别。
其中，识别结果可以包括低对比度油气层对应的类别，如干层、水层、含油水层、油层等。
本说明书一个实施例中，在获得高维数据集后，可以从获得的高维数据集中获取一部分数据作为测试集输入预设目标神经网络模型进行识别。例如一些实施场景中，在获得高维数据集后，可以将高维数据集划分为训练集和测试集，然后将测试集输入预设目标神经网络模型进行识别。其中，训练集可以用于模型训练，以便获得识别油气层的最优模型。测试集可以用于利用获得的最优模型进行油气层类别的预测，从而实现对油气层的识别。
本说明书一个实施例中，在获得预设目标神经网络模型和高维数据集，将高维数据集划分为训练集和测试集后，可以将测试集输入预设目标神经网络模型，从而获得对低对比度油气层的识别结果。一些实施场景中，在获得识别结果后，可以将识别结果与目标结果进行对比，从而确定识别结果的准确率。其中，准确率可以理解为是识别正确的样本数与总样本数的比值。目标结果是期望输出的结果。目标结果与实际输出的识别结果可能一致，也可能不一致。
下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。如图2所示，图2是本说明书提供的低对比度油气层识别方法的一个具体实施例的流程示意图。在本具体实施例中，可以包括以下步骤。
S20：获取常规测井数据和试油结果；
本实施例中，试油结果包括试油层深度信息以及试油层对应的类别。
S22：基于试油层深度信息，对常规测井数据进行划分，获取初始输入数据；
本实施例中，根据试油层深度信息，将常规测井数据划分后，可以将试油层测井数据和试油层的邻近泥岩层测井数据合并，其中，试油层测井数据包括GR_tg、SP_tg、AC_tg、CNL_tg、DEN_tg、ILD_tg以及LL8_tg，试油层邻近泥岩层测井数据包括GR_sh、SP_sh、AC_sh、CNL_sh、DEN_sh、ILD_sh以及LL8_sh，获得共计14个参数作为初始输入数据。
需要说明的是，本实施例中，采用双感应-八侧向电阻率测井。其中，选择八侧向电阻率(记为“LL8”)双感应中的深感应电阻率(记为“ILD”)。
S24：利用DBSCAN算法对初始输入数据进行聚类处理，获得高维数据集；
本实施例中，由于n＝14，因此邻域密度阈值MinPts＝15。对于输入数据集I＝{x1,x2,...,xm}，m＝3192。根据S4步骤中提供的方式选取邻域半径ε＝0.2276。
本实施例中，根据得到的邻域参数(ε，MinPts)对数据集I进行聚类，聚成49簇，然后对每一簇包含的数据点进行平均，得到每一簇的中心ci,i＝1,2,...,49，最后，计算所有数据点到所有簇中心的距离，把输入数据集I＝{x1,x2,...,xm}映射到新的数据集J＝{z1,z2,...,zm}。本实施例中，I＝{x1,x2,...,xm}是14×3192的矩阵，J＝{z1,z2,...,zm}是49×3192的矩阵，可见，数据集J比数据集I具有更高的维度数量。
S26：将高维数据集中包括的训练集输入预设神经网络，基于试油层对应的类别对所述预设神经网络进行训练，获得目标神经网络模型；
本实施例中，在获得高维数据集后，可以将高维数据集划分为训练集和测试集。例如，采用12折交叉验证，可以将高维数据集中11折作为训练集，剩余1折作为测试集。
本实施例中，构造一个含有五个隐藏层的神经网络作为预设神经网络，其中，每层神经网络的激活函数均采用ReLU函数，在最后一个隐藏层采用dropout方法在训练时随机去掉50％的神经元，残差采用交叉熵的形式，且交叉熵函数的最优化采用最速梯度下降法。
本实施例中，在获得高维数据集J后，可以将J中包括的训练集作为预设神经网络的输入，将试油层对应的类别转化为指示变量响应矩阵后，作为预设神经网络的输出，对预设神经网络进行训练，从而获得目标神经网络模型。
S28：将高维数据集中包括的测试集输入目标神经网络模型，获得识别结果。
本实施例中，采用12折交叉验证，即将高维数据集中11折作为训练集，用来训练获得目标神经网络模型，剩余1折作为测试集，用来预测低对比度油气层所属类别。具体的，如图3、图4、图5所示，其中，图3是本说明书提供的采用12折交叉验证获得的准确率与迭代次数关系的一个实施例的示意图，图4是本说明书提供的按样本点个数显示识别结果的一个实施例的示意图，横坐标表示类别，纵坐标表示样本数，图5是本说明书提供的按样本点比例显示识别结果的一个实施例的示意图，横坐标表示类别，纵坐标表示准确率。在图4、图5中，总样本数表示测试集中数据点数量，预测正确的样本数表示识别结果正确的数据点数。
为了验证说明书提供方法的有效性，利用方法一、方法二、本方法分别对低对比度油气层进行识别。其中，在方法一中，仅将试油层测井数据作为神经网络的输入，对低对比度油气层进行分类识别。在方法二中，不利用DBSCAN聚类将数据映射到更高维数据集，直接将试油层测井数据和邻近泥岩层测井数据作为神经网络的输入，对低对比度油气层进行分类识别。本实施例中，将方法一、方法二和本方法各运行5次，准确率如表2所示。
表2不同方法获得的准确率
准确率(％) 第一次 第二次 第三次 第四次 第五次 平均
方法一 76.7 73.4 77.1 77.5 75.0 75.94
方法二 83.7 84.1 86.4 84.2 85.5 84.78
本方法 88.5 85.9 86.3 88.1 88.3 87.42
可见，本说明书提供的方法可以更准确的实现对低对比度油气层的识别。
本说明书提供的一种低对比度油气层识别方法，通过对常规测井数据进行划分，加入邻近泥岩层的测井数据放大油层和水层的差异，可以有效提高对低对比度油气层的识别效果。由于高维数据集可以包括更多油气层的特征信息，通过聚类方法将输入数据映射到高维数据，利用高维数据集对神经网络训练，可以获得识别精度更高的目标神经网络模型，从而有效提高对低对比度油气层识别的准确率。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
基于上述所述的一种低对比度油气层识别方法，本说明书一个或多个实施例还提供一种低对比度油气层识别装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，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。
具体地，图6是本说明书提供的一种低对比度油气层识别装置的一个实施例的模块结构示意图，如图6所示，本说明书提供的一种低对比度油气层识别装置可以包括：数据获取模块120，划分模块122，聚类模块124，识别结果获得模块126。
数据获取模块120，可以用于获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；
划分模块122，可以用于基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；
聚类模块124，可以用于利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；
识别结果获得模块126，可以用于将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。
基于前述方法所述实施例的描述，本说明书所述装置的另一个实施例中，执行所述划分模块122前，可以包括：
预处理模块，可以用于对所述常规测井数据进行预处理，所述预处理包括标准化处理、平滑处理。
基于前述方法所述实施例的描述，本说明书所述装置的另一个实施例中，所述划分模块122，可以包括：
划分单元1220，可以用于根据所述试油层深度信息，将所述常规测井数据划分为试油层和与所述试油层相邻的泥岩层；
获取单元1222，可以用于获取所述试油层对应的测井数据和所述泥岩层对应的测井数据，作为所述初始输入数据；其中，所述测井数据包括自然伽马曲线、自然电位曲线、声波时差曲线、中子孔隙度曲线、密度曲线、深中浅电阻率曲线。
基于前述方法所述实施例的描述，本说明书所述装置的另一个实施例中，所述聚类模块124，可以包括：
聚类单元1240，可以用于利用DBSCAN算法对所述初始输入数据进行聚类处理，获得高维数据集。
基于前述方法所述实施例的描述，本说明书所述装置的另一个实施例中，所述聚类单元1240，可以包括：
参数确定单元，可以用于确定DBSCAN聚类的邻域参数数据，所述邻域参数数据包括邻域半径和邻域密度阈值；
簇数获得单元，可以用于根据所述邻域参数数据对所述初始输入数据进行聚类，获得聚类簇数；
中心点获得单元，可以用于对每一簇包括的数据进行平均处理，得到所述每一簇的中心点；
计算单元，可以用于计算所有初始输入数据到每一簇中心点的距离，获得高维数据集。
基于前述方法所述实施例的描述，本说明书所述装置的另一个实施例中，所述预设目标神经网络模型的获得方式，可以包括：
构建单元，可以用于构建预设神经网络，所述预设神经网络包括预设数量的隐藏层；
转化单元，可以用于将所述试油层对应的类别转化为指示变量响应矩阵；
训练单元，可以用于基于所述高维数据集和所述指示变量响应矩阵对所述预设神经网络训练，获得目标神经网络模型。
本说明书提供的一种低对比度油气层识别装置，通过对常规测井数据进行划分，加入邻近泥岩层的测井数据放大油层和水层的差异，可以有效提高对低对比度油气层的识别效果。由于高维数据集可以包括更多油气层的特征信息，通过聚类方法将输入数据映射到高维数据，利用高维数据集对神经网络训练，可以获得识别精度更高的目标神经网络模型，从而有效提高对低对比度油气层识别的准确率。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书还提供一种低对比度油气层识别设备的实施例，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；
基于所述试油层深度信息，对所述测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；
利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；
将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。
需要说明的，上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书还提供一种低对比度油气层识别系统的实施例，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤，例如包括：获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图7是本说明书提供的一种低对比度油气层识别服务器的一个实施例的硬件结构框图，该服务器可以是上述实施例中的低对比度油气层识别装置或低对比度油气层识别系统。如图7所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图7所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图7中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图7所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的低对比度油气层识别方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书提供的上述低对比度油气层识别方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元中的部分具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、平板电脑、智能手机等。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把部分模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (8)

1.一种低对比度油气层识别方法，其特征在于，包括：
获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；
基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；所述基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据，包括：根据所述试油层深度信息，将所述常规测井数据划分为试油层和与所述试油层相邻的泥岩层；获取所述试油层对应的测井数据和所述泥岩层对应的测井数据，作为所述初始输入数据；其中，所述测井数据包括自然伽马曲线、自然电位曲线、声波时差曲线、中子孔隙度曲线、密度曲线、深中浅电阻率曲线；
利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；
将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得；所述识别结果包括低对比度油气层对应的类别；所述类别包括以下之一：干层、水层、含油水层、低产气层、低产油层、低产油气层、油气水同层、油水同层、油气同层、油层。
2.根据权利要求1所述的方法，其特征在于，所述利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集，包括：
利用DBSCAN算法对所述初始输入数据进行聚类处理，获得高维数据集。
3.根据权利要求2所述的方法，其特征在于，所述利用DBSCAN算法对所述初始输入数据进行聚类处理，获得高维数据集，包括：
确定DBSCAN聚类的邻域参数数据，所述邻域参数数据包括邻域半径和邻域密度阈值；
根据所述邻域参数数据对所述初始输入数据进行聚类，获得聚类簇数；
对每一簇包括的数据进行平均处理，得到所述每一簇的中心点；
计算所有初始输入数据到每一簇中心点的距离，获得高维数据集。
4.根据权利要求1所述的方法，其特征在于，所述预设目标神经网络模型通过下述方式获得：
构建预设神经网络，所述预设神经网络包括预设数量的隐藏层；
将所述试油层对应的类别转化为指示变量响应矩阵；
基于所述高维数据集和所述指示变量响应矩阵对所述预设神经网络训练，获得目标神经网络模型。
5.一种低对比度油气层识别装置，其特征在于，包括：
数据获取模块，用于获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；
划分模块，用于基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；
聚类模块，用于利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；
识别结果获得模块，用于将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得；所述识别结果包括低对比度油气层对应的类别；所述类别包括以下之一：干层、水层、含油水层、低产气层、低产油层、低产油气层、油气水同层、油水同层、油气同层、油层；
其中，所述划分模块，包括：划分单元，用于根据所述试油层深度信息，将所述常规测井数据划分为试油层和与所述试油层相邻的泥岩层；获取单元，用于获取所述试油层对应的测井数据和所述泥岩层对应的测井数据，作为所述初始输入数据；其中，所述测井数据包括自然伽马曲线、自然电位曲线、声波时差曲线、中子孔隙度曲线、密度曲线、深中浅电阻率曲线。
6.根据权利要求5所述的装置，其特征在于，所述聚类模块，包括：
聚类单元，用于利用DBSCAN算法对所述初始输入数据进行聚类处理，获得高维数据集。
7.一种低对比度油气层识别设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
获取常规测井数据和试油结果，所述试油结果包括试油层深度信息以及试油层对应的类别；
基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据；其中，所述初始输入数据包括试油层测井数据和与所述试油层相邻的泥岩层测井数据；所述基于所述试油层深度信息，对所述常规测井数据进行划分，获取初始输入数据，包括：根据所述试油层深度信息，将所述常规测井数据划分为试油层和与所述试油层相邻的泥岩层；获取所述试油层对应的测井数据和所述泥岩层对应的测井数据，作为所述初始输入数据；其中，所述测井数据包括自然伽马曲线、自然电位曲线、声波时差曲线、中子孔隙度曲线、密度曲线、深中浅电阻率曲线；
利用预设聚类算法对所述初始输入数据进行聚类处理，获得高维数据集；其中，所述高维数据集的维度数量大于所述初始输入数据的维度数量；
将所述高维数据集输入预设目标神经网络模型进行识别，获得对低对比度油气层的识别结果；其中，所述预设目标神经网络是基于所述高维数据集和所述试油层对应的类别预先训练获得；所述识别结果包括低对比度油气层对应的类别；所述类别包括以下之一：干层、水层、含油水层、低产气层、低产油层、低产油气层、油气水同层、油水同层、油气同层、油层。
8.一种低对比度油气层识别系统，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-4中任意一项所述方法的步骤。
CN202010540915.7A 2020-06-15 2020-06-15 一种低对比度油气层识别方法、装置、设备及系统 Active CN111783847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010540915.7A CN111783847B (zh) 2020-06-15 2020-06-15 一种低对比度油气层识别方法、装置、设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010540915.7A CN111783847B (zh) 2020-06-15 2020-06-15 一种低对比度油气层识别方法、装置、设备及系统

Publications (2)

Publication Number Publication Date
CN111783847A CN111783847A (zh) 2020-10-16
CN111783847B true CN111783847B (zh) 2023-08-25

Family

ID=72756455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010540915.7A Active CN111783847B (zh) 2020-06-15 2020-06-15 一种低对比度油气层识别方法、装置、设备及系统

Country Status (1)

Country Link
CN (1) CN111783847B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102518428A (zh) * 2011-11-11 2012-06-27 中国石油天然气股份有限公司 油水层识别方法及装置
CN103258091A (zh) * 2013-04-28 2013-08-21 北京大学 非常规油气藏水平井段三维岩体力学模型建立的方法及装置
CN104047597A (zh) * 2014-01-26 2014-09-17 中国石油大学(华东) 含油气泥页岩地层测井曲线标准化方法
CN106246170A (zh) * 2016-09-09 2016-12-21 中国石油集团渤海钻探工程有限公司 五岩芯联测物理模拟装置及流体性质识别方法
CN106285660A (zh) * 2016-08-23 2017-01-04 中国石油天然气股份有限公司 一种多层砂岩油藏低阻油层识别方法及装置
CN108252709A (zh) * 2016-12-28 2018-07-06 中国石油化工股份有限公司 一种致密砂岩油藏的油水性质识别方法及系统
CN108301823A (zh) * 2018-01-19 2018-07-20 北京捷贝通石油技术股份有限公司 一种识别储层油气甜点的方法
CN110344825A (zh) * 2019-06-28 2019-10-18 中国石油天然气股份有限公司 一种低孔低渗低电阻率砂岩油层综合判识方法
CN110619353A (zh) * 2019-08-22 2019-12-27 中国石油天然气集团有限公司 一种基于深度学习的多尺度测井曲线自动识别方法
CN110633868A (zh) * 2019-07-19 2019-12-31 中国石油化工股份有限公司 遗传算法优化神经网络进行探井试油层油气性质预测方法
CN110674841A (zh) * 2019-08-22 2020-01-10 中国石油天然气集团有限公司 一种基于聚类算法的测井曲线识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7176682B2 (en) * 2004-01-04 2007-02-13 Halliburton Energy Services, Inc. Method and apparatus for detecting hydrocarbons with NMR logs in wells drilled with oil-based muds
CA2966043C (en) * 2015-03-27 2020-02-18 Pason Systems Corp. Method and apparatus for drilling a new well using historic drilling data

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102518428A (zh) * 2011-11-11 2012-06-27 中国石油天然气股份有限公司 油水层识别方法及装置
CN103258091A (zh) * 2013-04-28 2013-08-21 北京大学 非常规油气藏水平井段三维岩体力学模型建立的方法及装置
CN104047597A (zh) * 2014-01-26 2014-09-17 中国石油大学(华东) 含油气泥页岩地层测井曲线标准化方法
CN106285660A (zh) * 2016-08-23 2017-01-04 中国石油天然气股份有限公司 一种多层砂岩油藏低阻油层识别方法及装置
CN106246170A (zh) * 2016-09-09 2016-12-21 中国石油集团渤海钻探工程有限公司 五岩芯联测物理模拟装置及流体性质识别方法
CN108252709A (zh) * 2016-12-28 2018-07-06 中国石油化工股份有限公司 一种致密砂岩油藏的油水性质识别方法及系统
CN108301823A (zh) * 2018-01-19 2018-07-20 北京捷贝通石油技术股份有限公司 一种识别储层油气甜点的方法
CN110344825A (zh) * 2019-06-28 2019-10-18 中国石油天然气股份有限公司 一种低孔低渗低电阻率砂岩油层综合判识方法
CN110633868A (zh) * 2019-07-19 2019-12-31 中国石油化工股份有限公司 遗传算法优化神经网络进行探井试油层油气性质预测方法
CN110619353A (zh) * 2019-08-22 2019-12-27 中国石油天然气集团有限公司 一种基于深度学习的多尺度测井曲线自动识别方法
CN110674841A (zh) * 2019-08-22 2020-01-10 中国石油天然气集团有限公司 一种基于聚类算法的测井曲线识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蠡县斜坡低饱和度油藏测井评价方法研究;任书莲;《中国优秀硕士学位论文全文数据库 基础科学辑》;A011-531 *

Also Published As

Publication number Publication date
CN111783847A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Kratzert et al. Benchmarking a catchment-aware long short-term memory network (LSTM) for large-scale hydrological modeling
CN107678059B (zh) 一种储层含气识别的方法、装置及系统
CN106886043B (zh) 基于地震数据深度学习的储层检测方法
CA2791872A1 (en) Clustering process for analyzing pressure gradient data
CN110414723B (zh) 基于微震事件的裂缝油气藏历史拟合的方法、装置及系统
CN105760673A (zh) 一种河流相储层地震敏感参数模板分析方法
Sharma et al. Classification of oil and gas reservoirs based on recovery factor: a data-mining approach
CN111472751A (zh) 测井解释方法、知识图谱构建方法及相关装置
Tian et al. Deep learning assisted well log inversion for fracture identification
WO2023133213A1 (en) Method for automated ensemble machine learning using hyperparameter optimization
EP2895892A1 (en) Modeling subterranean fluid viscosity
Eriavbe et al. Machine learning application to permeability prediction using log & core measurements: A realistic workflow application for reservoir characterization
BR112016011081B1 (pt) método de treinamento de um modelo de permeabilidade de formação subterrânea, sistema e meio de leitura por computador não transitório
CN111783847B (zh) 一种低对比度油气层识别方法、装置、设备及系统
Salehi et al. A Multiscale Data-Driven Forecasting Framework for Optimum Field Development Planning
Lu et al. Lithology Logging Recognition Technology Based on GWO‐SVM Algorithm
CN116927771A (zh) 一种预测页岩储层总有机碳数据的方法、装置、设备及介质
Chikhi et al. Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province
Sun et al. Optimization of models for rapid identification of oil and water layers during drilling-a win-win strategy based on machine learning
CN112541523B (zh) 一种泥质含量计算方法和装置
CN114707597A (zh) 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统
CN111582292B (zh) 夹层识别方法和装置
Fan et al. Quantitative Prediction of Low‐Permeability Sandstone Grain Size Based on Conventional Logging Data by Deep Neural Network‐Based BP Algorithm
Ashayeri et al. Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays
CN111155986A (zh) 一种多层合采气井井距的确定方法、装置、设备及系统

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