CN112926680A - 基于贝叶斯神经网络的微生物岩沉积微相识别方法 - Google Patents

基于贝叶斯神经网络的微生物岩沉积微相识别方法 Download PDF

Info

Publication number
CN112926680A
CN112926680A CN202110332291.4A CN202110332291A CN112926680A CN 112926680 A CN112926680 A CN 112926680A CN 202110332291 A CN202110332291 A CN 202110332291A CN 112926680 A CN112926680 A CN 112926680A
Authority
CN
China
Prior art keywords
neural network
microbial
bayesian
layer
rock
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
Application number
CN202110332291.4A
Other languages
English (en)
Other versions
CN112926680B (zh
Inventor
宋金民
李柯然
杨迪
冯宇翔
李智武
叶玥豪
金鑫
赵玲丽
任佳鑫
范建平
田立洲
夏舜
王佳蕊
陈伟
邓豪爽
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202110332291.4A priority Critical patent/CN112926680B/zh
Publication of CN112926680A publication Critical patent/CN112926680A/zh
Application granted granted Critical
Publication of CN112926680B publication Critical patent/CN112926680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种基于贝叶斯神经网络的微生物岩沉积微相识别方法，包括以下步骤：S1、统计所有镜下鉴定结果，确定微生物岩沉积微相的类型、数目；S2、依据统计结果建立沉积微相贝叶斯网络结构图；S3、计算先验概率；S4、编写基于python的贝叶斯判别网络程序。本发明通过对已确定微生物岩性的多种类测井数据进行分析，建立先验概率集，有效解决了雷口坡组地层沉积微相样本数目分布不均，数目较少的叠层、泡沫绵层等对油气勘探具有重要意义的沉积微相难以预测的问题。本发明将贝叶斯算法引入感知机模型中，有效解决了感知机权重、阈值难以确定带来的误差，在提高识别准确度的同时也提高了识别工作的效率。

Description

基于贝叶斯神经网络的微生物岩沉积微相识别方法
技术领域
本发明属于岩相识别技术领域，特别涉及一种基于贝叶斯神经网络的微生物岩沉积微相识别方法。
背景技术
微生物岩的研究热潮在近年来兴起，然而微生物岩不是一种新的岩石类型，在此之前，常被称作“藻礁”、“藻丘”、“藻灰结核”、“隐藻灰岩”、“藻团块”、“菌藻”、藻格架”。微生物岩中，最为重要的为微生物碳酸盐岩，而其中微生物白云岩占主导地位，故本文中的微生物岩特指微生物白云岩。微生物碳酸盐岩结构主要包括叠层石(Stromatolite)、凝块石(Thrombolite)、树枝石(Dendrolite)、均匀石(Leiolite)、核形石(Oncolite)和纹理石(Laminite)。随着微生物岩储层的规模性发展，越来越多的学者开始关注微生物岩。
四川盆地雷口坡组微生物岩储层的研究兴起于上世纪80年代，刘效增将川西马角坝和黄莲桥一带出现的一套巨厚的微生物碳酸盐岩称为“隐藻类”，但未发现微生物岩能够成为优质储集岩。直到2015以来，YaS1井、Ys1井和Pz1井等微生物岩储层的相继成功勘探，国内微生物岩储层开始被业界广泛关注。四川盆地雷口坡组储层主要包括3种类型：古岩溶型、颗粒滩型以及微生物岩型。古岩溶型主要分布在川北元坝-龙岗地区雷四3亚段；颗粒滩型主要分布在卧龙河、磨溪地区雷一1亚段，中坝地区雷三段；微生物岩型分布在彭州地区雷四3亚段。
四川盆地微生物岩储层层位有上震旦统灯影组和中三叠统雷口坡组。灯影组微生物岩全盆地发育，而雷口坡组微生物岩仅在川西地区发育。四川盆地雷口坡组微生物岩主要有凝块叠层石、叠层石、凝块石、核形石、枝状石、泡沫绵层石、微生物包覆结构7种结构类型，储层岩性以凝块叠层石白云岩、叠层石白云岩为主。田瀚将川西地区雷口坡组的微生物岩类型分为藻屑白云石、藻团粒白云石以及藻纹层白云石，储集岩为藻白云岩。宋晓波将川西地区雷口坡组微生物岩称为藻砂屑白云岩，并且将雷四段划分为上、中和下三个亚段，分别对应于雷四3、雷四2及雷四1亚段，微生物岩主要发育在雷四段上亚段。
搜集资料表明。四川盆地钻遇雷口坡地层老井众多，由于年代较久，取心资料已大量遗失，加上新井取心资料较少，建立一种利用有限取心资料及测井数据的微生物岩岩性预测方法十分必要。
当前微生物岩测井识别研究较少，研究方法主要有宋金民提出的《基于测井数据深度学习的灯影组微生物岩微相识别》和田瀚提出的《成像测井成像测井在灯影组微生物岩岩相识别中的应用》。
宋金民等提出的识别方法以取心段观察和薄片鉴定结果为标签数据库，结合神经网络算法，对标签数据库对应深度的测井曲线进行学习，完成对未取心段微生物岩沉积微相识别划分(其流程如图1所示)。该方法以神经网络算法为基础，以岩心观察和镜下鉴定结果为约束，实现对未取心段的预测。此方法对标签数据库的要求较高，且容易因算法选择不当造成训练模型陷入“局部最优化陷阱”或是数据的过拟合现象。具体缺点总结如下：
(1)标签数据库质量要求高。标签数据库作为算法的约束条件，必须做到完全准确，但微生物岩岩石结构复杂，常表现为多种沉积微相共同发育，岩心观察和镜下鉴定工作困难，降低了标签数据库准确性。
(2)标签种类及数量分布条件苛刻。完神经网络算法学习过程需要对所有沉积微相标签进行学习，完美的标签应该尽可能多的包含所有沉积微相，且所有沉积微相标签数目应尽可能保持一致，否则容易造成某几类标签数据训练缺乏，降低预测准确率。
(3)算法缺陷。神经网络算法在训练过程中常因参数选择不当造成算法陷入“局部最优解”和“过拟合”现象。局部最优解是指优化器在下降过程将某一较高的损失函数值判定为最优解，但实际上虽然该值比领域函数值低，但并非全局上的最低值，“局部最优解”对算法准确性有着显著影响。“过拟合”现象指函数为了达到对损失函数最佳的拟合效果，采用过高阶数的函数进行拟合，这一过程表面上达到了最低的损失函数值，与数据实际分布差异巨大，对预测结果造成巨大误差。
田瀚等利用多地质点统计的方法,对动态全井眼图像进行拼接，总结各沉积微相在成像测井图像上的模式特征，完成对未取心段微生物岩沉积微相识别划分。该方法以电阻率成像为基础，通过电成像测井模式实现对未取心段的预测。具体缺点总结如下：
(1)受仪器及测试条件约束。成像测井质量的好坏影响图像处理结果，成像测井图像质量以及不同仪器刻度方式的差异会对特征提取存在影响，因此成像资料的好坏严重影响模型识别准确率。
(2)成岩改造作用限制。研究区灯影组微生物岩成岩改造作用强烈，部分岩相测井特征差异不明显，影响模型识别精度。
(3)图像分割难度高。由于成像测井颜色显示是渐变的，所以对于两种不同颜色的渐变色处，如何确定其岩相存在难度，而这种渐变色处，往往其岩石成分并非单一，该方法只能将其识别为主要岩类。
四川盆地雷口坡组地层钻井资料匮乏，无法利用取心、岩屑录井资料建立完整剖面，且雷口坡组地层井位设计整体偏老，缺乏成像测井资料。利用现有的微生物岩测井微相识别方法对雷口坡地层进行识别，识别准确度较低，识别效果不佳。
发明内容
本发明的目的在于克服现有技术的不足，提供一种在感知机神经网络模型对样本进行训练的基础上，将贝叶斯算法引入感知机模型中，有效解决了感知机权重、阈值难以确定带来的误差，在提高识别准确度的同时也提高了识别工作的效率的基于贝叶斯神经网络的微生物岩沉积微相识别方法。
本发明的目的是通过以下技术方案来实现的：基于贝叶斯神经网络的微生物岩沉积微相识别方法，包括以下步骤：
S1、统计所有镜下鉴定结果，确定微生物岩沉积微相的类型、数目；
S2、依据统计结果建立沉积微相贝叶斯网络结构图；
S3、根据统计结果计算每种岩相的概率；
S4、编写基于python的贝叶斯判别网络程序，利用Class分类建立多层感知机神经网络模型的结构模块。
进一步地，所述微生物岩沉积微相的类型包括纹层、叠层、凝块、泡沫绵层、纹层叠层、纹层凝块和凝块纹层叠层。
进一步地，所述贝叶斯网络结构是一个有向无环图，其中每个结点代表一种微生物岩沉积微相的类型，任意两个结点之间的弧代表两种类型之间的概率依赖关系；某条弧由某一类型A指向另一类型B时，说明A的取值会对B的取值产生影响；由于是有向无环图，A、B间不会出现有向回路；在贝叶斯网络结构中，如果从一个结点A有一条有向通路指向B，则称结点A为结点B的祖先，同时称结点B为结点A的后代。
进一步地，步骤S4所述的神经网络模型一共有两层：
第一层输入的数据是经过人工鉴定薄片后确定了沉积微相的测井数据，输出为每种岩相的先验概率；
第二层神经网络中增加了一个贝叶斯权重阈值调整模块，输入数据是待识别的测井数据，输入数据经过tanh函数计算数据流，经过softmax函数计算后完成输出，计算分类结果和先验概率的误差，若误差小于预设的阈值则结束训练，得到分类模型；否则将第二层的输出结果带入贝叶斯权重阈值调整模块，让神经网络重新调整权值阈值后重新进行训练。
所述第一层神经网络采激活函数采用tanh函数，公式为：
Figure BDA0002996631660000031
其中，x为第一层输入的确定了沉积微相的测井数据，f(x)是第一层神经网络的输出。
第二层神经网络中，初始权重、阈值均为0，贝叶斯权重阈值调整模块利用第一层神经网络的输出的先验概率，结合第二层神经网络的输出，计算二者之间的误差，若第二层神经网络的输出除以先验概率得到的结果大于0.85，则结束训练，否则利用rng模块随机生成新的权重和阈值，重新进行训练；
第二层神经网络的输出函数采用softmax函数，误差函数为argmax函数；
本发明的有益效果是：本发明通过对已确定微生物岩性的多种类测井数据进行分析，建立先验概率集，有效解决了雷口坡组地层沉积微相样本数目分布不均，数目较少的叠层、泡沫绵层等对油气勘探具有重要意义的沉积微相难以预测的问题。本次建立的网络模型在感知机神经网络模型对样本进行训练的基础上，将贝叶斯算法引入感知机模型中，有效解决了感知机权重、阈值难以确定带来的误差，在提高识别准确度的同时也提高了识别工作的效率。
附图说明
图1为现有技术中基于深度学习的微生物岩测井微相识别方法的流程图；
图2为本发明的基于贝叶斯神经网络的微生物岩沉积微相识别的流程图；
图3为本实施例的生物岩沉积微相图；
图4为本实施例的贝叶斯网络结构图。
具体实施方式
微生物岩：微生物岩是微生物形成的或与微生物有关的岩石的统称，意指底栖微生物群落捕获和粘结碳酸盐岩颗粒，或由其引起的矿物沉淀。地质历史时期的微生物一开始被认作为藻类，如蓝藻，后来因为其为原核生物，并且与细菌相似，故越来越多的被称为蓝细菌。
贝叶斯神经网络：贝叶斯神经网络模型是在神经网络模型基础上改进而来。改进的基础是多层感知机神经网络。多层感知机神经网络(Multi-layer perceptron neuralnetwork,MLP neural network)是利用每层内多个神经元，通过权重对数据放大、缩小，以及阈值处理后，经过累加处理后，传入下一层神经元，通过多层迭代后，完成数据输出。贝叶斯算法通过先验概率，在先验概率表的控制下，各层神经元的权重、阈值反复调整，直到拟输出结果与先验概率表吻合度达到0.85。
下面结合附图进一步说明本发明的技术方案。
如图2所示，本发明的基于贝叶斯神经网络的微生物岩沉积微相识别方法，包括以下步骤：
S1、统计所有镜下鉴定结果，确定微生物岩沉积微相的类型、数目；
所述微生物岩沉积微相的类型包括纹层、叠层、凝块、泡沫绵层、纹层叠层、纹层凝块和凝块纹层叠层，其形态如图3所示，数目和条件概率如表1所示。图中，A为hw24-1,x5(-)纹层泥质泥晶白云岩；B为YAS1-151673-叠层泥晶白云岩，溶孔顺层发育-5X(-)；C为6962m，亮晶砂屑凝块白云岩，见泡沫绵层；D为YAS1-151740-纹层泡沫绵层泥晶白云岩,溶孔-5X(-)；E为YAS1-151739-2-纹层叠层泥晶白云岩-5X(-)；F为YS1-151949-4-凝块纹层-2.5X(-)；G为YS1-152019-2-纹层叠层凝块-2.5X(-)；H为YS1-152019-纹层叠层凝块-2.5X(-)；I为YS1-152040-纹层生屑凝块泥晶云岩-2.5x(-)-纹层凝块。
表1雷口坡组地层沉积微相类型、数目及条件概率表
沉积微相 数目 编号 P_single
纹层 193 001 0.233656
叠层 28 010 0.019191
凝块 432 100 0.301887
泡沫绵层 10 000 0.01001
纹层叠层 58 011 0.058645
纹层凝块 76 101 0.081633
凝块纹层叠层 29 111 0.033918
TOTAL 826 1
条件概率表：贝叶斯网络中的条件概率表是结点的条件概率的集合。使用贝叶斯网络进行推理时，实际上是使用条件概率表当中的先验概率和已知的证据结点来计算所查询的目标结点的后验概率的过程。某些特殊领域下，条件概率可以由某方面的专家总结以往的经验给出，另外一种方法就是通过条件概率公式在大样本数据当中统计求得。本申请通过统计川西、川中地区雷口坡地层微生物岩薄片1032张，建立了先验概率表。
S2、依据统计结果建立沉积微相贝叶斯网络结构图；
贝叶斯网络结构(Structure of Bayesian Networks)：贝叶斯网的网络结构是一个有向无环图(Directed Acyclic Graph)，其中每个结点代表一种微生物岩沉积微相的类型，任意两个结点之间的弧代表两种类型(数据变量)之间的概率依赖关系。某条弧由某一属性A(数据变量)指向另一属性B(数据变量)时，说明属性A的取值可以对属性B的取值产生影响，由于是有向无环图，A、B间不会出现有向回路。在贝叶斯网当中，直接的原因结点A(弧尾)叫做其结果结点B(弧头)的双亲结点(parents)，B叫做A的孩子结点(children)。如果从一个结点X有一条有向通路指向Y，则称结点X为结点Y的祖先(ancestor)，同时称结点Y为结点X的后代(descendent)。本发明建立的贝叶斯网络结构如图4所示。
贝叶斯网络结构图是依据所有镜下沉积微相鉴定结果作出的。尽管镜下人工鉴定时会出现诸如“纹层叠层”这类一次包含两种沉积结构的沉积微相，但从沉积学的解释来看，“纹层叠层”沉积微相的形成与“纹层”和“叠层”这两类微相密切相关，在一定程度上认为“纹层叠层”是“纹层”这一沉积结构在“叠层”这一结构已经发育的情况下发生的条件概率或是“叠层”这一沉积结构在“纹层”这一沉积结构已经发育的情况下发生的条件概率。S4的判别程序是在神经网络反向传播训练结果的大框架下，把传统神经网络计算误差的方式做出了改变，改为利用条件改型进行判定。贝叶斯网络结构图即是判定的顺序，即首先对第一层的沉积微相识别结果进行抽样判定，判定通过后，利用神经网络对后续沉积微相进行条件概率的计算。反复训练后，直到搭建的神经网络训练误差与结构图中先验统计结果较为接近后，认为神经网络模型已经实现了识别预测工作。
S3、根据统计结果计算每种岩相的概率；
尽管“纹层叠层”可以认为是“纹层”、“叠层”在彼此作为条件概率的情况下发生，但这两种条件概型是忽略了众多地层因素的。沉积微相的发育直接受古环境控制，故环境的变化可能会导致某一种乃至某几种沉积微相的频繁发育，我们的条件概型是无法对几亿年的环境因素做出估计的。为了体现古环境的影响因素，最好的方式就是将所有镜下结果进行统计，这种统计结果与直接由条件概率公式(P(A|B))＝P(AB)/P(B)计算相比，更加符合实际地质结果。
S4、编写基于python的贝叶斯判别网络程序，利用Class分类建立多层感知机神经网络模型的结构模块。
对数据进行预处理，将数据分为测试集和训练集，并贴上标签。其中，感知机神经网络的权重、阈值的初始化赋值与贝叶斯改进算法进行结合，实现全部预测工作；
步骤S4所述的神经网络模型一共有两层：
第一层输入的数据是经过人工鉴定薄片后确定了沉积微相的测井数据，输出为每种岩相的先验概率；
第二层神经网络中增加了一个贝叶斯权重阈值调整模块，输入数据是待识别的测井数据，输入数据经过tanh函数计算数据流，经过softmax函数计算后完成输出，计算分类结果和先验概率的误差，若误差小于预设的阈值则结束训练，得到分类模型；否则将第二层的输出结果带入贝叶斯权重阈值调整模块，让神经网络重新调整权值阈值后重新进行训练。
所述第一层神经网络采激活函数采用tanh函数，公式为：
Figure BDA0002996631660000061
其中，x为第一层输入的确定了沉积微相的测井数据，f(x)是第一层神经网络的输出。
第二层神经网络中，初始权重、阈值均为0，贝叶斯权重阈值调整模块利用第一层神经网络的输出的先验概率，结合第二层神经网络的输出，计算二者之间的误差，若第二层神经网络的输出除以先验概率得到的结果大于0.85，则结束训练，否则利用rng模块随机生成新的权重和阈值，重新进行训练；
随机抽取训练集中某一些岩相进行训练，得到预测结果，例如训练集中共有1000个样本，每次抽出100个样本进行训练得到预测模型，抽取结果包含多种岩相。可能从数学角度来看，该模型已经具备了预测的功能，但从以往的经验来看，模型缺乏实际地质数据的约束下，对实际的预测工作帮助任然有限。换言之，这时候的神经网络模型只是满足众多数学解中的一个，利用这1000个样本的统计规律，结合反复迭代产生的统计效应，与先验概率进行比对，完成了利用实际地质条件选择比较接近的数学解的过程，能够得到更加精确的预测模型。
第二层神经网络的输出函数采用softmax函数，误差函数为argmax函数。
利用本发明构造的贝叶斯神经网络对雷口坡组沉积微相识别报告如表2所示。
表2贝叶斯网络对雷口坡组沉积微相识别报告
Figure BDA0002996631660000071
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 (6)

1.基于贝叶斯神经网络的微生物岩沉积微相识别方法，其特征在于，包括以下步骤：
S1、统计所有镜下鉴定结果，确定微生物岩沉积微相的类型、数目；
S2、依据统计结果建立沉积微相贝叶斯网络结构图；
S3、根据统计结果计算每种岩相的先验概率；
S4、编写基于python的贝叶斯判别网络程序，利用Class分类建立多层感知机神经网络模型的结构模块。
2.根据权利要求1所述的基于贝叶斯神经网络的微生物岩沉积微相识别方法，其特征在于，所述微生物岩沉积微相的类型包括纹层、叠层、凝块、泡沫绵层、纹层叠层、纹层凝块和凝块纹层叠层。
3.根据权利要求2所述的基于贝叶斯神经网络的微生物岩沉积微相识别方法，其特征在于，所述贝叶斯网络结构是一个有向无环图，其中每个结点代表一种微生物岩沉积微相的类型，任意两个结点之间的弧代表两种类型之间的概率依赖关系；某条弧由某一类型A指向另一类型B时，说明A的取值会对B的取值产生影响；由于是有向无环图，A、B间不会出现有向回路；在贝叶斯网络结构中，如果从一个结点A有一条有向通路指向B，则称结点A为结点B的祖先，同时称结点B为结点A的后代。
4.根据权利要求1所述的基于贝叶斯神经网络的微生物岩沉积微相识别方法，其特征在于，步骤S4所述的神经网络模型一共有两层：
第一层输入的数据是经过人工鉴定薄片后确定了沉积微相的测井数据，输出为每种岩相的先验概率；
第二层神经网络中增加了一个贝叶斯权重阈值调整模块，输入数据是待识别的测井数据，输入数据经过tanh函数计算数据流，经过softmax函数计算后完成输出，计算分类结果和先验概率的误差，若误差小于预设的阈值则结束训练，得到分类模型；否则将第二层的输出结果带入贝叶斯权重阈值调整模块，让神经网络重新调整权值阈值后重新进行训练。
5.根据权利要求4所述的基于贝叶斯神经网络的微生物岩沉积微相识别方法，其特征在于，所述第一层神经网络采激活函数采用tanh函数，公式为：
Figure FDA0002996631650000011
其中，x为第一层输入的确定了沉积微相的测井数据，f(x)是第一层神经网络的输出。
6.根据权利要求4所述的基于贝叶斯神经网络的微生物岩沉积微相识别方法，其特征在于，所述第二层神经网络中，初始权重、阈值均为0，贝叶斯权重阈值调整模块利用第一层神经网络的输出的先验概率，结合第二层神经网络的输出，计算二者之间的误差，若第二层神经网络的输出除以先验概率得到的结果大于0.85，则结束训练，否则利用rng模块随机生成新的权重和阈值，重新进行训练；
第二层神经网络的输出函数采用softmax函数，误差函数为argmax函数。
CN202110332291.4A 2021-03-29 2021-03-29 基于贝叶斯神经网络的微生物岩沉积微相识别方法 Active CN112926680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110332291.4A CN112926680B (zh) 2021-03-29 2021-03-29 基于贝叶斯神经网络的微生物岩沉积微相识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110332291.4A CN112926680B (zh) 2021-03-29 2021-03-29 基于贝叶斯神经网络的微生物岩沉积微相识别方法

Publications (2)

Publication Number Publication Date
CN112926680A true CN112926680A (zh) 2021-06-08
CN112926680B CN112926680B (zh) 2022-08-05

Family

ID=76176365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110332291.4A Active CN112926680B (zh) 2021-03-29 2021-03-29 基于贝叶斯神经网络的微生物岩沉积微相识别方法

Country Status (1)

Country Link
CN (1) CN112926680B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104975850A (zh) * 2014-04-01 2015-10-14 中国石油化工股份有限公司 碳酸盐岩微相类型识别方法及其沉积相描述方法
CN106066493A (zh) * 2016-05-24 2016-11-02 中国石油大学(北京) 贝叶斯岩相判别方法及装置
CN109389154A (zh) * 2018-09-07 2019-02-26 中国石油天然气集团有限公司 洪积扇砂砾岩储层岩相识别方法及装置
CN109522578A (zh) * 2017-09-20 2019-03-26 中国石油化工股份有限公司 基于贝叶斯模糊判别的复杂岩相预测方法及系统
US20190368316A1 (en) * 2018-05-31 2019-12-05 Schlumberger Technology Corporation Machine-Learning for Sedimentary Facies Prediction
CN110609327A (zh) * 2018-06-14 2019-12-24 中国石油化工股份有限公司 基于叠前地震属性的碳酸盐岩储集相预测方法及装置
CN111753958A (zh) * 2020-06-22 2020-10-09 成都理工大学 基于测井数据深度学习的灯影组微生物岩微相识别方法
CN111832636A (zh) * 2020-06-30 2020-10-27 中国石油大学(北京) 基于特征组合的朴素贝叶斯岩相分类方法及装置
CN112016477A (zh) * 2020-08-31 2020-12-01 电子科技大学 一种基于深度学习的测井沉积微相识别方法
CN112329804A (zh) * 2020-06-30 2021-02-05 中国石油大学(北京) 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104975850A (zh) * 2014-04-01 2015-10-14 中国石油化工股份有限公司 碳酸盐岩微相类型识别方法及其沉积相描述方法
CN106066493A (zh) * 2016-05-24 2016-11-02 中国石油大学(北京) 贝叶斯岩相判别方法及装置
CN109522578A (zh) * 2017-09-20 2019-03-26 中国石油化工股份有限公司 基于贝叶斯模糊判别的复杂岩相预测方法及系统
US20190368316A1 (en) * 2018-05-31 2019-12-05 Schlumberger Technology Corporation Machine-Learning for Sedimentary Facies Prediction
CN110609327A (zh) * 2018-06-14 2019-12-24 中国石油化工股份有限公司 基于叠前地震属性的碳酸盐岩储集相预测方法及装置
CN109389154A (zh) * 2018-09-07 2019-02-26 中国石油天然气集团有限公司 洪积扇砂砾岩储层岩相识别方法及装置
CN111753958A (zh) * 2020-06-22 2020-10-09 成都理工大学 基于测井数据深度学习的灯影组微生物岩微相识别方法
CN111832636A (zh) * 2020-06-30 2020-10-27 中国石油大学(北京) 基于特征组合的朴素贝叶斯岩相分类方法及装置
CN112329804A (zh) * 2020-06-30 2021-02-05 中国石油大学(北京) 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置
CN112016477A (zh) * 2020-08-31 2020-12-01 电子科技大学 一种基于深度学习的测井沉积微相识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUI LIU等: "Automatics sedimentary microfacies identification from logging curves based on deep process neural network", 《CLUSTER COMPUTING》 *
YUMEI LI等: "Facies identification from well logs:A comparison of discriminant analysis and naive Bayes classifier", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 *
常波涛等: "基于专家系统的粉砂岩低渗透储层沉积微相识别", 《特种油气藏》 *
张冰等: "先验模型对贝叶斯框架下岩性识别的影响研究", 《中国地球科学联合学术年会 2016》 *
许少华等: "基于遗传-BP神经网络的沉积微相自动识别", 《大庆石油学院学报》 *

Also Published As

Publication number Publication date
CN112926680B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN111814871B (zh) 一种基于可靠权重最优传输的图像分类方法
CN101271572B (zh) 基于免疫克隆选择聚类的图像分割方法
CN105184307B (zh) 一种医学领域图像语义相似度矩阵的生成方法
US8090538B2 (en) System and method for interpretation of well data
CN107038516B (zh) 一种中渗复杂断块油藏水驱开发效果定量评价方法
CN111966823B (zh) 一种面向标签噪声的图节点分类方法
CN110909909A (zh) 基于深度学习和多层时空特征图的短时交通流预测方法
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
CN108952699B (zh) 一种复杂地质钻进过程地层岩性智能识别方法
CN109829449A (zh) 一种基于超像素时空上下文的rgb-d室内场景标注方法
CN105467449B (zh) 基于地震分级敏感属性融合的深层薄互储层定量表征方法
CN111126658A (zh) 一种基于深度学习的煤矿瓦斯预测方法
CN110533024A (zh) 基于多尺度roi特征的双二次池化细粒度图像分类方法
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
CN108846474A (zh) 基于多维密集连接卷积神经网络的卫星云图云量计算方法
CN108596204B (zh) 一种基于改进型scdae的半监督调制方式分类模型的方法
CN107194349A (zh) 基于深度学习的高分辨率PolSAR图像城区地物分类方法
CN109613623A (zh) 一种基于残差网络的岩性预测方法
CN112016477A (zh) 一种基于深度学习的测井沉积微相识别方法
Chu et al. Co-training based on semi-supervised ensemble classification approach for multi-label data stream
CN106569272A (zh) 一种基于数据性质空间升维的地震属性融合方法
CN112926680B (zh) 基于贝叶斯神经网络的微生物岩沉积微相识别方法
Du et al. A deep learning framework using graph convolutional networks for adaptive correction of interwell connectivity and gated recurrent unit for performance prediction
CN114219531A (zh) 一种基于m-wu概念漂移检测的废旧手机动态定价方法
CN114065909A (zh) 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法

Legal Events

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