CN112016477A - 一种基于深度学习的测井沉积微相识别方法 - Google Patents
一种基于深度学习的测井沉积微相识别方法 Download PDFInfo
- Publication number
- CN112016477A CN112016477A CN202010895714.9A CN202010895714A CN112016477A CN 112016477 A CN112016477 A CN 112016477A CN 202010895714 A CN202010895714 A CN 202010895714A CN 112016477 A CN112016477 A CN 112016477A
- Authority
- CN
- China
- Prior art keywords
- logging
- data
- image
- curve
- microfacies
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种基于深度学习的测井沉积微相识别方法,包括以下步骤:S1、将多条一维测井曲线按列排列,组成二维测井图像;S2、标记测井图像的每个数据点,获得标签图;S3、分别对二维测井图像和标签图进行处理;S4、构建沉积微相识别的全卷积神经网络模型,并利用构建的模型识别测井数据。本发明可以准确地找到各沉积微相之间的主要分界面,并对沉积微相进行识别和划分;提高了测井曲线进行沉积微相识别的效率与准确度。本发明能够最大程度的保留数据本身的特点,可实现测井沉积微相的智能化识别,能方便、快捷、高效地完成测井沉积微相识别任务。
Description
技术领域
本发明属于油气勘探技术领域,特别涉及一种基于深度学习的测井沉积微相识别方法。
背景技术
沉积微相识别是油气勘探过程中必不可少的一项研究内容。不同沉积微相中的岩性组合、结构构造等特征对油气资源的生成与存储具有重要的控制作用。对沉积微相进行研究与识别,有利于揭露储层砂体的性质,为油气勘探开发提供实践指导意义,提高油田经济效益。
常规的测井沉积微相识别主要是地质学家通过观察岩芯、测井曲线特征,来进行人工解释和定性描述(Ding et al.,2014)。这种方式主观性强,准确率低,工作量大,会耗费大量人力与物力资源。为了较为准确、方便地定义沉积微相的划分标准,沉积微相识别逐渐由传统的定性识别过渡到定量识别。很多学者将测井曲线变化特征用数学表达的形式进行描述,并构制出特定的参数指标作为沉积微相的判断依据(Chen,1998;Deng and Meng,2010)。贝叶斯准则(Bayes)(Li and Anderson-Sprecher,2006)、线性判别分(Li andAnderson-Sprecher, 2006)、模糊逻辑(Saggaf and Nebrija,2003)]、K近邻算法(KNN)(Moradi et al.,2019)、支持向量机(SVM)(Zhao et al.,2016;Wang et al.,2019)等数理统计或机器学习方法相继应用于沉积微相的识别。这些方法都需要将测井曲线提前分层并人工选取准则和参数来提取曲线特征,以至于容易造成有用信息的丢失。另外,这些方法大多都依赖于数理模型和先验信息,但地下地质情况的复杂性难以用确定的函数表达,故基于数理统计的测井沉积微相识别准确率较低。
近几年来兴起的神经网络能够自主地学习和提取数据之间的特征,为测井沉积微相的识别提供了新的手段。网络自主学习曲线特征而非人工提取,可最大限度地保持数据本身的特点。SOM(Li et al.,2013;Chang et al.,2002;Saggaf and Nebrija,2000)、ANN(Bhatt and Helle,2002;Zhang et al.,2017)、BP(Liu et al.,2015)等网络都已经在沉积微相的识别中得到广泛的应用。这些方法仍然需要将测井曲线提前分层,使单层的测井数据、特征参数以向量的形式作为输入。这些传统的神经网络能够挖掘测井数据之间的复杂非线性映射关系,但与数理统计方法一样,它们构造的只是点与点之间的映射关系,忽略了测井数据随储存深度变化的整体形态特征。
沉积微相反映的是地质时期循序渐进的沉积作用过程,作为该过程产物的响应,测井曲线随深度变化的整体形态特征是沉积微相识别的关键。测井沉积微相的识别主要包含分层、特征提取和分类3方面的内容,以往方法通常只能将这三个步骤分开进行。在此过程中,选择合适的判别依据进行测井曲线分层是准确识别沉积微相的关键。层间差异、活动函数或基于数理统计是常用的分层方法,通常考虑的是点与点之间的差异程度,忽略了测井数据纵向上的整体变化。沉积微相反映的是地质时期循序渐进的沉积作用过程,作为该过程产物的响应,测井曲线随深度变化的整体形态特征是沉积微相识别的关键。
全卷积神经网络(FCN)是广泛应用于图像语义分割的深度学习架构之一,具有端到端的特点。利用FCN对测井曲线进行沉积微相的识别,不仅可以考虑测井曲线随深度变化的整体形态变化特征,还可将分层、特征提取和分类同时进行。大部分全卷积神经网络都需要大量的样本,但测井数据难以获取,样本少。
发明内容
本发明的目的在于克服现有技术的不足,提供一种可以准确地找到各沉积微相之间的主要分界面,并对沉积微相进行识别和划分,提高了测井曲线进行沉积微相识别的效率与准确度的基于深度学习的测井沉积微相识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于深度学习的测井沉积微相识别方法,包括以下步骤:
S1、将多条一维测井曲线按列排列,组成二维测井图像;
S2、标记测井图像的每个数据点,获得标签图;
S3、分别对二维测井图像和标签图进行处理;
S4、构建沉积微相识别的全卷积神经网络模型,并利用构建的模型识别测井数据。
进一步地,所述步骤S1具体实现方法为:将不同类型的一维测井曲线数据值按列依次排列组成二维图像,每一条一维测井曲线作为二维图像的一列。
进一步地,所述步骤S2具体实现方法为:根据专家意见,为每一口井所对应的测井图像人工标记相应的标签:确定研究区内出现的所有沉积微相类别,为每一种沉积微相赋予一个数值来表示;然后,根据专家的识别结果对每一口井,将各深度的沉积微相类别用其对应的具体数值来代替,生成该井的标签图。
进一步地,所述步骤S3包括以下子步骤:
S31、将输入的二维测井图像数据按列进行归一化处理;
S32、对归一化处理后的数据进行增强;
S33、将测井图像和对应的标签图进行切割处理。
所述步骤S31中采用最小值-最大值方法进行归一化处理,其具体实现方法为:将每一条测井曲线视为一个由N个数值构成的向量,归一化后的数据可由以下公式求取:
x′i=(xi-min(X))/(max(X)-min(X))
其中x′i代表数据值xi归一化的结果,i=1,…,N;min(X),max(X)分别代表测井曲线X的最小值和最大值。
所述步骤S32中利用曲线拉伸-压缩变换的数据增强方法进行数据增强,具体实现方法为:拉伸是指在相邻两个数据之间插入二者的平均值以拉伸曲线长度;压缩是指每隔一个数据点便删除一个值来压缩曲线;用排列组合的方式选取其中代表同一沉积微相类别的一个或多个曲线段进行拉伸或压缩变换,从而构造出新的曲线。
所述步骤S33具体实现方法为:用一个固定大小、固定步长的矩形框分别沿着每口井的二维图像数据和对应的标签图移动截取数据,得到大小相同的数据块和对应的标签。
本发明的有益效果是:本发明能够同时实现以往测井沉积微相识别方法中涉及到的分层、特征提取和分类3个步骤,解决了测井曲线纵向上的整体结构变化特征常常被忽略的问题;本发明借助深度学习和语义分割的思想,提出一种基于深度学习的测井沉积微相识别方法。该方法通过对传统U-net架构进行去池化层,引入多卷积块,构建了一个端到端的测井沉积微相识别模型。可以准确地找到各沉积微相之间的主要分界面,并对沉积微相进行识别和划分;提高了测井曲线进行沉积微相识别的效率与准确度。本发明能够最大程度的保留数据本身的特点,可实现测井沉积微相的智能化识别,能方便、快捷、高效地完成测井沉积微相识别任务。
附图说明
图1为U-net网络结构示意图;
图2为本发明的多尺度卷积块结构示意图;
图3为本发明的压缩层结构示意图;
图4为本发明的用于沉积微相识别的模型U-net结构示意图;
图5为本发明的基于深度学习的测井沉积微相识别方法的流程图;
图6为本发明获取二维测井图像示意图;
图7为本发明进行数据标记的示意图;
图8为本发明进行数据增强的示意图;
图9为本发明实施例构成理论曲线的3种基本形态图;
图10为本发明实施例某条理论测试曲线在不同网络架构下的测试结果图;
图11为本发明的本发明在塔里木盆地轮南地区的三叠系地层的测试结果图。
具体实施方式
下面对本发明的原理进行说明。
U-net网络是一个基于FCN的图像分割网络,最早用于医学图像分割(Ronneberger, 2015)。该模型主要包括压缩路径和扩展路径两个部分,且二者呈对称分布形成一个U形,故称为U-net,U-net网络架构如图1所示,图中,Conv 3×3,ReLU:卷积核大小为3×3的卷积,ReLU激活函数;Copy and concatenate:复制与拼接操作;Max pooling:2×2最大池化操作;Up-conv 2×2:2×2反卷积操作。
压缩路径又称之为下采样,如图1左侧所示。由卷积层、ReLU修正线性单元和最大池化层(下采样)构成,主要起到特征提取的作用。卷积层由多个不同的卷积核组成,能够提取图像不同的特征信息。组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元。卷积核有规律地扫过输入图像,提取的是感受野内的图像特征,而不是点与点之间的映射关系,有助于捕获图像局部特征。然而每一步都只包含2 次3×3的卷积操作,缺少提取图像多尺度信息的特点。ReLU通常在卷积之后,起到去线性化作用,使得后期卷积能有效提取特征。最大池化层一般在连续卷积层之后,以丢失空间信息为代价来实现特征降维、扩大视野的作用。在池化的区域内,最大池化会保留特征图的最大值而舍弃其他像素值。它可对输入图像进行特征选择和信息过滤,保留图像最主要的特征,而忽略了区域内数据的分布特征。有时它可能会丢失图像边界的重要信息而导致边界识别准确率降低。另外,在一定程度上,它能保持特征的尺度不变性、平移不变性和旋转不变性。
扩展路径又称之为上采样,如图1右侧部分所示。由反卷积层、拼接层、卷积层组成,主要起到恢复图像信息的作用。反卷积层是最大池化的逆向操作,用于恢复图像,实现特征映射的上采样,通常通过插值的方式实现。每经过一次2×2的反卷积操作,图像尺寸都扩大一倍,这样逐层上采样便可恢复到输入图像尺寸的大小。拼接层将上采样低分辨率的特征图与相对应的下采样高分辨率的特征图进行拼接,以增强图像的局部特征。卷积层同样由2次3×3的卷积,1次ReLU修正线性单元构成,起到特征提取的作用。最后的1×1 卷积和Softmax激活函数可实现对图像像素级别的分类,进行语义分割。
本发明进行沉积微相识别的主要依据是测井曲线的形态变化。由于地质体形成的复杂性和特殊性,受沉积旋回周期的长短以及沉积盆地形态的影响,同一沉积环境下形成的地质体厚度存在着差异。这种差异在测井曲线形态上,就表现为曲线长度和幅度的不同,但整体形态特征类似,具有多尺度性的特点。然而在原始U-net架构中,下采样和上采样部分的每一层中卷积操作都是由2个3×3卷积组成。为了使网络能够从不同的尺度曲线中更好地学习并提取所需特征,综合考虑测井曲线特征和U-net架构特性,本发明对原U-net架构主要进行了以下两方面的改进,构建了一个更适用于测井沉积微相识别的模型(U-net(Ada))。
(1)由于地质体形成的复杂性和特殊性,受沉积旋回周期的长短以及沉积盆地形态的影响,同一沉积环境下形成的地质体厚度存在着差异。这种差异在测井曲线形态上,就表现为曲线长度和幅度的不同,但整体形态特征类似,具有多尺度性的特点。然而在原始U-net 架构中,下采样和上采样部分的每一层中卷积操作都是由2个3×3卷积组成,这可能无法更好地提取到测井曲线上不同尺度的重要特征信息。为了使网络能够从不同的尺度曲线中更好地学习并提取更多有用的特征,加入了多尺度卷积块(Multiconv block,如图2所示)。图中参数分别定义为:(1)Input,Output:输入、输出;(2)1×1Conv,3×3Conv,5×5Conv, 7×7Conv:卷积核大小分别为1×1、3×3、5×5、7×7的卷积操作。(3)Concatenateoperation:拼接操作;(4)Addition:残差连接加和操作。该多尺度卷积块可以并行进行3×3、5×5和 7×7的卷积操作,并将各自卷积操作得到的特征图进行拼接。另外还加入了残差连接和1×1 的卷积以获取更多空间信息以及提高网络性能。
(2)由于沉积作用是时序渐进的,测井数据作为沉积体的地球物理响应,具有一定的时序特征,即测井曲线形态具有“矢量性”,即形态相似,但具有不同方向的测井曲线代表不同的沉积学特征。利用测井曲线进行沉积微相的识别,必须满足旋转不变性,且测井曲线纵向上的整体形态变化特征是沉积微相识别的关键。原U-net架构中的最大池化层,具有特征降维,扩大感受野,减小图像尺寸大小的特点。不仅有利于网络学习到复杂的图像特征,还起到了减少网络参数,防止过拟合的作用。然而,最大池化层会丢失空间信息,从而造成沉积微相边界关键信息的损失。一定程度上,最大池化层可以保持特征的尺度不变性、平移不变性和旋转不变性。由于测井曲线具有时序性,且本文所利用的输入数据是由不同类型的测井曲线依次排列构成的,所以平移不变性和旋转不变性可能会对沉积微相识别造成不利的影响。为减弱池化层的不利因素,同时保留其特征降维,扩大视野、减少网络参数的优势,本发明将原U-net网络的池化层去掉,用步长为2的卷积操作来替代,构成一个压缩层(Compress layer,如图3所示)。图中,Input 128×128,Output 64×64:输入、输出(图像大小分别为128×128、64×64);Stride表示步长大小。该压缩层可实现图像的特征降维,并一定程度上减弱了池化层的旋转不变性和丢失空间信息的特征。
最后用于沉积微相识别的模型U-net(Ada)如图4所示,不同类型测井曲线形成的输入测井图像反馈到包含收缩路径和扩展路径的网络中。图中参数分别定义为:(1)Inputlogging:输入测井图;Output segmentation map:输出的最终结果图;(2)Copy andconcatenate:复制与拼接;(3)Multiconv block:多尺度卷积块;(4)Compress layer:压缩层;(5)Concatenate operation:拼接操作;(6)Up-conv 2×2:卷积核大小为2×2的反卷积操作;(7)Conv 1 ×1:卷积核大小为1×1的卷积操作;(8)各模块左侧的数字,比如800×4,400×2等:代表的是该模块所对应的图像大小;(9)各模块上方的数字,比如64,128,256:代表的是该模块所对应的通道数。
收缩路径:由多尺度卷积块和压缩层组成,起到特征提取的作用。每一步都包括一个多尺度卷积块和压缩层。多尺度卷积块由1×1、3×3、5×5和7×7卷积操作以及残差连接组成,能够提取图像不同尺度的特征信息。在每一个卷积操作过后都有一个ReLU单元去线性化,使得后期卷积能有效提取特征。压缩层是一个步长为2的3×3卷积操作,实现在特征提取的同时缩减图像,扩大视野,减弱网络的旋转不变性以替代最大池化操作进行下采样。在该路径中,每经过一步,图像减小一半,通道数增加一倍。
扩展路径:由多尺度卷积块、反卷积层和拼接层构成,起到恢复图像信息的作用。每一步由一个2×2个反卷积操作、一个拼接层和一个多尺度卷积块组成。反卷积层是最大池化的逆向操作,用于恢复图像,实现特征映射的上采样。每经过一次2×2的反卷积操作,图像尺寸都扩大一倍,这样逐层上采样便可恢复到输入图像尺寸的大小。拼接层将上采样低分辨率的特征图与相对应的下采样高分辨率的特征图进行拼接,以增强图像的局部特征。多尺度卷积块与收缩路径的一样,起到特征提取的作用。最后,应用1×1卷积以及Softmax 函数实现对图像像素级别的分类,得到最后的分割结果图像。在该路径中,每经过一步,图像增大一倍,通道数减少一半。
下面结合附图进一步说明本发明的技术方案。
如图5所示,本发明的一种基于深度学习的测井沉积微相识别方法,包括以下步骤:
S1、将多条一维测井曲线按列排列,组成二维测井图像;具体实现方法为:根据研究区地质背景特征以及测井岩芯资料,选取多条有利于识别研究区沉积微相的目标测井曲线。为满足U-net网络以二维图像作为输入的要求,将不同类型的一维测井曲线数据值按列依次排列组成二维图像,每一条一维测井曲线作为二维图像的一列,并将测井曲线转换成二维数值图像,如图6所示。
S2、标记测井图像的每个数据点,获得标签图;具体实现方法为:根据专家意见,为每一口井所对应的测井图像人工标记相应的标签:确定研究区内出现的所有沉积微相类别,为每一种沉积微相赋予一个数值来表示;然后,根据专家的识别结果对每一口井,将各深度的沉积微相类别用其对应的具体数值来代替,生成该井的标签图。如图7所示,比如某个研究区域主要出现有水下分流河道、河道侧缘、河道间湾、河口坝4种沉积微相,我们可以用具体的数字(例如图6中的1,2,3,4;也可以是0,1,2,3,根据自己而定)来分别表示这些沉积微相类别。如果该区域出现有8种不同的沉积微相,则需要用数字0 1 2 3 4 5 6 7 来分别表示他们,以生成标签图。
S3、分别对二维测井图像和标签图进行处理;
为了使数据能够满足网络的输入以及使网络能够有效地学习并提取数据的特征,需要对原始测井图像和标签图进行一系列的处理。首先,分别对每一口井的测井图像进行按列归一化处理,以消除不同量纲所带来的影响。接着利用本发明所提出的测井数据增强方法对归一化的测井图像进行处理,以增大样本量,使网络能够被充分训练。最后,根据所有沉积微相所对应数据的最大尺度和最小尺度,选择合适的测井图像尺寸大小。将每一口井的测井图像切割成固定尺寸的样本图像以作为输入数据。具体包括以下子步骤:
S31、将输入的二维测井图像数据按列进行归一化处理;
本发明要求的输入数据是由不同类型的测井曲线值按列排布形成的。不同类型的测井曲线具有不同的量纲,数据值的范围差异很大,网络可能无法学习到数据最本质的变化特征而造成错误分类。为了消除数据量纲的影响、便于网络求解与优化,需要对原始测井数据进行归一化处理。归一化方法能够保持曲线的形态,只是将数据变换到不同的数值范围内,故对分类任务没有影响。采用最小值-最大值方法进行归一化处理,最小值-最大值(Min-Max) 方法是机器学习中常用的数据归一化方法,它可将数据重新缩放到[0,1]范围内。其具体实现方法为:将每一条测井曲线视为一个由N个数值构成的向量,归一化后的数据可由以下公式求取:
x′i=(xi-min(X))/(max(X)-min(X))
其中x′i代表数据值xi归一化的结果,i=1,…,N;min(X),max(X)分别代表测井曲线X的最小值和最大值。
S32、对归一化处理后的数据进行增强;
利用深度学习算法训练神经网络的一个重要特征就是需要大量的样本。但测井数据难以获取,且样本量很少。在传统的图像分割过程中,往往会采用数据增强的方式来增加样本量使网络学习到更多的特征,包括旋转、平移、缩放、随机遮挡、水平翻转、噪声扰动等。受沉积地层序列的影响,地层在垂向上的形态变化是分析沉积环境的主要判别依据。具有时序性的沉积作用决定了测井曲线形态具有“矢量性”。对测井曲线图像进行旋转、平移、翻转等变换会破坏曲线本身所代表的物理含义,所以传统数据增强的方式并不适用于测井数据。
由于地质体形成的复杂性和特殊性,利用测井曲线形态进行沉积微相识别必须满足尺度不变性,即具有不同尺度的同一测井曲线形态,代表同一个沉积微相。这是由于地壳运动、海平面、气候以及沉积物源变化会引起沉积环境的周期性变化。有些周期较长,有些周期较短,从而造成了沉积旋回中沉积物厚度的变化。另外在不同的地理位置,同一沉积环境下受沉积事件和沉积盆地形态的影响,其沉积厚度也存在着一定的差异。在测井曲线形态上, 就表现为曲线长度和幅度的不同,但整体形态特征类似。
由此,本发明提出了一种利用曲线拉伸-压缩变换的数据增强方法,以充分利用现有的测井数据,加大样本量。主要是对整个测井曲线中代表某个沉积环境的曲线段(即同一类的曲线段)进行拉伸或压缩,反映了同一沉积环境中形成的不同厚度的沉积物变化特征(如图8所示,曲线L1经过数据增强得到L2,二者形态一致)。具体实现方法为:拉伸是指在相邻两个数据之间插入二者的平均值以拉伸曲线长度;压缩是指每隔一个数据点便删除一个值来压缩曲线;用排列组合的方式选取其中代表同一沉积微相类别的一个或多个曲线段进行拉伸或压缩变换,从而构造出新的曲线。
S33、将测井图像和对应的标签图进行切割处理;
由于在网络的训练过程中,其输入图像的大小必须一致。不同井的测井数据大小不一,且纵向上数据太长,测井图像纵横比太大。而U-net网络的池化层具有对数据减半的功能,所以测井图像的尺寸最好是2的倍数。
鉴于此,本发明将每口井所对应的测井图像以及测井图像对应的标签图进行切割。根据研究区内不同沉积微相所对应的测井数据的最小、最大尺度来确定合适的测井图像大小。尽量使切割后的图像包含多个沉积微相,避免一幅测井图像只包含一个沉积微相。所以,用一个固定大小、固定步长的矩形框分别沿着每口井的二维图像数据和对应的标签图移动截取数据,得到大小相同的数据块和对应的标签,将输入数据转换成统一尺寸的图像送入网络进行学习。网络模型训练完成后,对未知井进行沉积微相划分时,同样先将井数据用矩形框切割成多张图像,再分别用训练好的模型对这些图像进行沉积微相识别,最后再将识别好的图像拼接成一幅完整的测井沉积微相识别分割图。
S4、构建沉积微相识别的全卷积神经网络模型,并利用构建的模型识别测井数据。
下面将本发明的方法应用于理论数据模型以及实际工区数据来验证方法的效果。
(1)理论数据:为验证本发明的可行性,现模拟GR曲线制作了33条长短不一、形态各异的波动曲线。每条曲线都包含有3种基本形态,分别为A、B、C三类(图9(a)、 (b)、(c)所示)。为了使网络学习并区分这3类形态的基本特征,分割识别出完整波动曲线中不同的类别段,可将每条曲线重复排列构成图像,以满足网络输入的要求。另外,我们还对原波动曲线进行了属性延伸来增加特征,分别计算了原波动曲线的斜率曲线、方位曲线和方差曲线共同组成128*4大小的新样本,从而来提高识别的准确率。经过本文提出的数据增强的方式,曲线扩充为612条,并切割成1638个128*4大小的样本参与U-net网络的训练。其中训练集有1474个,验证集有164个。测试集是额外制作的新曲线,共包含有60个。实验结果显示,本发明能够有效地对3类基本形态进行识别与划分。图10(a)、 (b)、(c)、(d)分别为原始测试曲线、真实标签、U-net(Raw)测试结果和本发明的U-net (Ada)测试结果。图10(e)为原测试曲线外加3条延伸的差分曲线、斜率曲线、方差曲线,(f)、(g)分别为(e)的U-net(Raw)测试结果和U-net(Ada)测试结果。由结果图 10可知,相比原U-net架构(U-net(Raw)),本发明提出的模型(U-net(Ada))整体性能表现良好,识别准确率较高。另外,曲线进行属性延伸后,准确率有明显提高,尤其在本发明所搭建的识别模型中,表现最突出,准确率最高。当某种形态的曲线段较短或变化不明显时,容易被识别错误或没有被识别出来(用红色虚线圈起的地方)。但在去掉池化层之后,这些误分的区域得到了较好的改善。
(2)实际测井数据:为测试本发明所提出方法的实际应用性,将该方法应用于塔里木盆地LN地区三叠系地层的沉积微相识别中,与原始U-net架构(U-net(Raw))以及传统方法所应用的ANN和SVM模型进行对比。钻井以及测井资料显示,该地层主要由河流湖泊相沉积的碎屑岩组成,为一套内陆河湖三角洲相沉积,可进一步划分为水下分流河道、河道侧缘和分流间湾这三种沉积微相。输入数据由CAL、DEN、GR、SP测井曲线,GR 曲线延伸的斜率曲线(GR-G)、方位曲线(GR-O)和方差曲线(GR-A),以及1条岩性曲线(L)组成。经过本文提出的数据增强的方式,测井图像由原来的19张扩充为258张,并切割成1286个800×4大小的样本参与网络的训练。其中训练集有1125个,验证集有125 个,测试集有36个。
图11为本发明在塔里木盆地轮南地区的三叠系地层的测试结果。输入数据由CAL、DEN、GR、SP测井曲线以及GR延伸的斜率曲线(GR-G)、方位曲线(GR-O)、方差曲线 (GR-A)和利用SOM聚类得到的岩性曲线(L)组成。将传统的ANN、SVM分类算法、原始的U-net架构(U-net(Raw))以及本发明所搭建的模型(U-net(Ada))得到的结果与相关专家进行人工标记的结果(True)进行对比。1、2、3分别代表水下分流河道、河道侧缘和河道间湾3种沉积微相。图10(图10中a、b两个图是一个连续的图,由于整个图太大,在成图时会使得曲线压缩得比较厉害,无法体现出一些细节特征,所以将整个图分做a、 b两部分,分开成图,效果更好)显示了本发明所搭建的模型(U-net(Ada))与原始U-net 架构(U-net(Raw))以及传统方法所应用的ANN和SVM模型识别沉积微相的结果图。可以看出,本发明所提出的方法能够有效的应用于测井沉积微相的识别当中。该方法可以准确地找到各沉积微相之间的主要分界面,并对沉积微相进行识别和划分。相比传统的ANN 和SVM分类算法,本发明中的方法对于沉积微相的识别具有明显的优越性。ANN和SVM 的分割结果表现出碎片化的特征,可能是由于没有考虑到测井曲线整体的形态变化造成的。相对而言,U-net(Raw)和U-net(Ada)的效果更好,分割结果具有较好的连续性和成块性,尤其U-net(Ada)表现出最好的优越性。相比U-net(Raw)架构,去除池化层(U-net (Ada))能使得沉积微相识别的准确率得到明显的提高。在局部区域,由于数据的突变, U-net(Ada)会进行更为细致的划分,从而导致了很多误分的情况。相比人工识别,本发明提出的方法灵敏度更高,将人工分类的结果细分为多类。
CAL、DEN、GR、SP测井曲线以及GR延伸的斜率曲线(GR-G)、方位曲线(GR-O)、方差曲线(GR-A)和利用SOM聚类得到的岩性曲线(L)指的是输入数据,共由这8条曲线构成二维测井图像。后面的5个柱状图指的是测井上相应深度的沉积微相类别,以及利用的方法识别的结果,不同的颜色代表不同的沉积微相类别:True:相关专家进行人工标记的结果,也是该测试井所对应的沉积微相识别的真实结果,其他方法都以True作为评判依据来分析方法效果;ANN、SVM:利用传统的分类算法ANN、SVM进行识别所得到的结果;U-net(Raw):利用原始的U-net架构进行识别所得到的结果;U-net(Ada):利用本发明所搭建的模型得到的结果。1、2、3分别代表水下分流河道、河道侧缘和河道间湾3种沉积微相。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于深度学习的测井沉积微相识别方法,其特征在于,包括以下步骤:
S1、将多条一维测井曲线按列排列,组成二维测井图像;
S2、标记测井图像的每个数据点,获得标签图;
S3、分别对二维测井图像和标签图进行处理;
S4、构建沉积微相识别的全卷积神经网络模型,并利用构建的模型识别测井数据。
2.根据权利要求1所述的一种基于深度学习的测井沉积微相识别方法,其特征在于,所述步骤S1具体实现方法为:将不同类型的一维测井曲线数据值按列依次排列组成二维图像,每一条一维测井曲线作为二维图像的一列。
3.根据权利要求1所述的一种基于深度学习的测井沉积微相识别方法,其特征在于,所述步骤S2具体实现方法为:根据专家意见,为每一口井所对应的测井图像人工标记相应的标签:确定研究区内出现的所有沉积微相类别,为每一种沉积微相赋予一个数值来表示;然后,根据专家的识别结果对每一口井,将各深度的沉积微相类别用其对应的具体数值来代替,生成该井的标签图。
4.根据权利要求1所述的一种基于深度学习的测井沉积微相识别方法,其特征在于,所述步骤S3包括以下子步骤:
S31、将输入的二维测井图像数据按列进行归一化处理;
S32、对归一化处理后的数据进行增强;
S33、将测井图像和对应的标签图进行切割处理。
5.根据权利要求4所述的一种基于深度学习的测井沉积微相识别方法,其特征在于,所述步骤S31中采用最小值-最大值方法进行归一化处理,其具体实现方法为:将每一条测井曲线视为一个由N个数值构成的向量,归一化后的数据可由以下公式求取:
x′i=(xi-min(X))/(max(X)-min(X))
其中x′i代表数据值xi归一化的结果,i=1,…,N;min(X),max(X)分别代表测井曲线X的最小值和最大值。
6.根据权利要求4所述的一种基于深度学习的测井沉积微相识别方法,其特征在于,所述步骤S32中利用曲线拉伸-压缩变换的数据增强方法进行数据增强,具体实现方法为:拉伸是指在相邻两个数据之间插入二者的平均值以拉伸曲线长度;压缩是指每隔一个数据点便删除一个值来压缩曲线;用排列组合的方式选取其中代表同一沉积微相类别的一个或多个曲线段进行拉伸或压缩变换,从而构造出新的曲线。
7.根据权利要求4所述的一种基于深度学习的测井沉积微相识别方法,其特征在于,所述步骤S33具体实现方法为:用一个固定大小、固定步长的矩形框分别沿着每口井的二维图像数据和对应的标签图移动截取数据,得到大小相同的数据块和对应的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895714.9A CN112016477B (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的测井沉积微相识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895714.9A CN112016477B (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的测井沉积微相识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016477A true CN112016477A (zh) | 2020-12-01 |
CN112016477B CN112016477B (zh) | 2023-06-09 |
Family
ID=73503497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895714.9A Active CN112016477B (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的测井沉积微相识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016477B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926680A (zh) * | 2021-03-29 | 2021-06-08 | 成都理工大学 | 基于贝叶斯神经网络的微生物岩沉积微相识别方法 |
CN113130018A (zh) * | 2021-04-20 | 2021-07-16 | 东北石油大学 | 基于储层元目标不变特征描述的岩性识别方法 |
CN113642698A (zh) * | 2021-06-15 | 2021-11-12 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701319A (zh) * | 2016-03-08 | 2016-06-22 | 中国石油大学(华东) | 一种水平井规则开发井网下的沉积微相建模方法 |
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 |
CN109670533A (zh) * | 2018-11-23 | 2019-04-23 | 何旭 | 一种基于卷积神经网络的多尺度测井相识别方法 |
US20190169962A1 (en) * | 2016-08-08 | 2019-06-06 | Schlumberger Technology Corporation | Machine Learning Training Set Generation |
CN109919948A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
-
2020
- 2020-08-31 CN CN202010895714.9A patent/CN112016477B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701319A (zh) * | 2016-03-08 | 2016-06-22 | 中国石油大学(华东) | 一种水平井规则开发井网下的沉积微相建模方法 |
US20190169962A1 (en) * | 2016-08-08 | 2019-06-06 | Schlumberger Technology Corporation | Machine Learning Training Set Generation |
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 |
CN109670533A (zh) * | 2018-11-23 | 2019-04-23 | 何旭 | 一种基于卷积神经网络的多尺度测井相识别方法 |
CN109919948A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法 |
CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
Non-Patent Citations (2)
Title |
---|
HANPENG CAI,YONGXIANG HU: "deep learning for recognition of sedimentary microfacies with logging data", SEG INTERNATIONAL EXPOSITION AND ANNUAL MEETING * |
胡永香: "测井曲线沉积微相的智能识别方法", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, pages 019 - 20 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926680A (zh) * | 2021-03-29 | 2021-06-08 | 成都理工大学 | 基于贝叶斯神经网络的微生物岩沉积微相识别方法 |
CN112926680B (zh) * | 2021-03-29 | 2022-08-05 | 成都理工大学 | 基于贝叶斯神经网络的微生物岩沉积微相识别方法 |
CN113130018A (zh) * | 2021-04-20 | 2021-07-16 | 东北石油大学 | 基于储层元目标不变特征描述的岩性识别方法 |
CN113642698A (zh) * | 2021-06-15 | 2021-11-12 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112016477B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karimpouli et al. | Image-based velocity estimation of rock using convolutional neural networks | |
US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
Liu et al. | Seismic facies classification using supervised convolutional neural networks and semisupervised generative adversarial networks | |
Mohd Razak et al. | Convolutional neural networks (CNN) for feature-based model calibration under uncertain geologic scenarios | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
US11119235B2 (en) | Automated seismic interpretation using fully convolutional neural networks | |
CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
CN112016477B (zh) | 一种基于深度学习的测井沉积微相识别方法 | |
Tahmasebi et al. | Multiple-point geostatistical modeling based on the cross-correlation functions | |
CN109215029B (zh) | 一种基于卷积神经网络的三维地质异常体的分割提取方法 | |
Souza et al. | Automatic classification of hydrocarbon “leads” in seismic images through artificial and convolutional neural networks | |
CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
ul Islam | Using deep learning based methods to classify salt bodies in seismic images | |
US11808906B2 (en) | Method for predicting subsurface features from seismic using deep learning dimensionality reduction for segmentation | |
CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN111856578A (zh) | 张量深度自编码网络的宽方位叠前地震反射模式分析方法 | |
US20220206176A1 (en) | System and method for identifying subsurface structures | |
CN113642698A (zh) | 地球物理测井智能解释方法、系统及存储介质 | |
Lemenkova | Hierarchical cluster analysis by R language for pattern recognition in the bathymetric data frame: a Case study of the Mariana Trench, Pacific Ocean | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
Souza et al. | CNN prediction enhancement by post-processing for hydrocarbon detection in seismic images | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
AlSalmi et al. | Automated seismic semantic segmentation using Attention U-Net |
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 |