CN113159136A - 一种孔内数据融合的地层划分方法、装置、设备和存储介质 - Google Patents

一种孔内数据融合的地层划分方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113159136A
CN113159136A CN202110338786.8A CN202110338786A CN113159136A CN 113159136 A CN113159136 A CN 113159136A CN 202110338786 A CN202110338786 A CN 202110338786A CN 113159136 A CN113159136 A CN 113159136A
Authority
CN
China
Prior art keywords
gray
image
preset depth
hole
depth position
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
CN202110338786.8A
Other languages
English (en)
Other versions
CN113159136B (zh
Inventor
孙红林
郭建湖
吕小宁
化希瑞
刘铁
廖进星
张占荣
石碧波
刘庆辉
刘铁华
梁伟
王卫国
谢百义
张协崇
蒋道君
程昊
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 Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
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 Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202110338786.8A priority Critical patent/CN113159136B/zh
Publication of CN113159136A publication Critical patent/CN113159136A/zh
Application granted granted Critical
Publication of CN113159136B publication Critical patent/CN113159136B/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
    • 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
    • G06F18/25—Fusion 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种孔内数据融合的地层划分方法、装置、设备和存储介质，所述方法包括：获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；根据多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；基于所述样本数据集进行学习训练，建立神经网络模型；获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。

Description

一种孔内数据融合的地层划分方法、装置、设备和存储介质
技术领域
本发明涉及地质勘察技术领域，尤其涉及一种孔内数据融合的地层划分方法、装置、设备和存储介质。
背景技术
在现有的工程地质勘探中，为查清地层的结构、岩性与物理力学参数等，在地表工程地质调绘的基础上，展开工程地质钻探，利用工程地质钻机向地下钻孔，提取岩样或岩芯，选取代表性土样或岩样进行室内测试化验，必要时进行孔内标贯或动探、地球物理勘探等原位测试，现场进行岩性辨识，划分地层结构，目前，钻探过程中许多与地层参数有关的信息主要由钻探记录员定性描述并记录形成钻探原始记录表，并借助钻探取出的岩芯进行地层划分，人为因素干扰大(岩芯摆放不规范正确、工程师技术水平等)，准确度不高(溶洞位置记录不准确、软硬夹层漏记、土岩界面不准确)，尤其在复杂成因的第四系地层、第三系软岩、软硬互(夹)层岩层、断层破碎带等复杂地层，囿于钻探技术的局限性，无法保证地层划分的质量。
同时，工程地质勘探中，已有孔内光学成像、声波测试、电阻率成像等多种岩土测试设备和方法，可以获取孔内岩土图像、岩土物理力学参数等，并用于岩性描述、地层划分等，但是，每种测试方法提供的成果维度不一，且单种测试方法单独数据解释，导致地层划分质量提高有限。而针对该问题，目前尚无有效解决方案。
发明内容
有鉴于此，本发明实施例期望提供一种孔内数据融合的地层划分方法、装置、设备和存储介质。
本发明实施例的技术实施例是这样实现的：
本发明实施例提供一种孔内数据融合的地层划分方法，所述方法包括：
获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；
根据多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；
基于所述样本数据集进行学习训练，建立神经网络模型；
获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
在上述方案中，所述获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称，包括：
在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像；
对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；
对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；所述第二灰度图的数据维度与所述第一灰度图的数据维度相同；
将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；
获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。
在上述方案中，所述对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图，包括：
对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像；
将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图。
在上述方案中，所述对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图，包括：
对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像；
将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像；
对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图。
在上述方案中，所述基于所述样本数据集进行学习训练，建立神经网络模型，包括：
根据所述样本数据集更新神经网络结构参数；
基于所述神经网络结构参数确定所述神经网络模型。
在上述方案中，所述根据所述样本数据集更新神经网络结构参数，包括：
根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差；
基于所述岩性类型概率误差更新神经网络结构参数。
在上述方案中，所述根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称，包括：
根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值；
基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
本发明实施例提供一种孔内数据融合的地层划分装置，所述装置包括：获得单元、第一确定单元、建立单元和第二确定单元，其中：
所述获得单元，用于获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；
所述第一确定单元，用于根据所述获得单元获得的多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；
所述建立单元，用于基于所述第一确定单元确定的所述样本数据集进行学习训练，建立神经网络模型；
所述第二确定单元，用于获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述建立单元获得的所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
在上述方案中，所述获得单元，还用于在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像；对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；所述第二灰度图的数据维度与所述第一灰度图的数据维度相同；将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。
在上述方案中，所述获得单元，还用于对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像；将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图。
在上述方案中，所述获得单元，还用于对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像；将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像；对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图。
在上述方案中，所述建立单元，还用于根据所述样本数据集更新神经网络结构参数；基于所述神经网络结构参数确定所述神经网络模型。
在上述方案中，所述第二确定单元，还用于根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
本发明实施例提供一种孔内数据融合的地层划分设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述方法的任一步骤。
本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述方法的任一步骤。
本发明实施例提供的一种孔内数据融合的地层划分方法、装置、设备和存储介质，其中，包括：获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；根据多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；基于所述样本数据集进行学习训练，建立神经网络模型；获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。采用本发明实施例的技术方案，通过基于所述样本数据集进行学习训练，建立神经网络模型；获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称；实现了将不同维度的钻孔孔内测试数据融合以及对融合后的数据进行地层划分，提高地层划分精度，并降低了人工判识风险，弥补了单种测试解译的不足。
附图说明
图1为本发明实施例一种孔内数据融合的地层划分方法实现流程示意图；
图2为本发明实施例一种孔内数据融合的地层划分方法中多条波形特征曲线的示意图；
图3为本发明实施例一种孔内数据融合的地层划分方法中成像图像的示意图；
图4为本发明实施例一种孔内数据融合的地层划分方法中第一灰度图的示意图；
图5为本发明实施例一种孔内数据融合的地层划分方法的应用场景示意图；
图6为本发明实施例孔内数据融合的地层划分装置的组成结构示意图；
图7为本发明实施例中孔内数据融合的地层划分设备硬件实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例提出一种孔内数据融合的地层划分方法，该方法应用于孔内数据融合的地层划分设备，该方法所实现的功能可以通过设计设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。
本实施例提出一种孔内数据融合的地层划分方法，图1为本发明实施例一种孔内数据融合的地层划分方法实现流程示意图，如图1所示，该方法包括：
步骤S101：获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定。
需要说明的是，所述孔内数据融合的地层划分方法可以为多种孔内数据融合的地层划分方法，具体的，可以为多种孔内数据图像化融合的地层划分方法，例如，多种孔内测试多维度数据图像化融合的地层划分方法。所述孔内可以为钻孔内。
获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称可以为获得多个孔内的每个孔内预设深度位置对应的灰度图以及地层岩性名称，进而获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。换句话说，先获得每个孔内预设深度位置均对应的一个灰度图以及地层岩性名称，进而获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。其中，所述预设深度可以根据实际情况进行确定，在此不做限定。作为一种示例，所述预设深度可以为任意深度，例如，某个深度。所述地层岩性名称可以为地层对应的岩性名称。
为了方便理解，这里示例说明，多个孔可以为n个孔，第一个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图1，地层岩性名称T1；第二个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图2，地层岩性名称T2；第三个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图3，地层岩性名称T3；…第n个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图n，地层岩性名称Tn。
每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定可以为将每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图进行叠置确定每个所述灰度图；作为一种示例，可以将每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图进行上下叠置确定每个所述灰度图。
步骤S102：根据多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集。
需要说明的是，所述根据多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集可以为将每个所述灰度图以及对应的所述地层岩性名称组合在一起，构建样本数据集。为了方便理解，这里示例说明，多个孔可以为 n个孔，第一个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图1，地层岩性名称T1；第二个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图2，地层岩性名称T2；第三个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图3，地层岩性名称T3；…第k个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图k，地层岩性名称Tk；…第n个孔内预设深度位置对应的灰度图以及地层岩性名称可以为灰度图n，地层岩性名称Tn；则样本数据集可以为由灰度图1，地层岩性名称T1；灰度图2，地层岩性名称T2；灰度图3，地层岩性名称T3；…灰度图k，地层岩性名称 Tk；…灰度图n，地层岩性名称Tn组成。
步骤S103：基于所述样本数据集进行学习训练，建立神经网络模型。
需要说明的是，基于所述样本数据集进行学习训练，建立神经网络模型可以为基于所述样本数据集进行卷积神经网络学习训练，建立神经网络模型。其中，所述卷积神经网络包括卷积层、池化层、全连接层；所述卷积层通过kernel (卷积核)、stride(步长)及padding(填充)，逐渐对数据进行特征的抽象提取；所述池化层包括最大池化、平均池化、滑动平均池化，L2范数池化等；所述全连接层通过形式化，进行映射。本实施例中，通过卷积层和池化层可以完成特征维度的裁剪，更加抽象的提取特征；在多层卷积和池化操作后，通过全连接层将特征映射到地层中岩性类别下。
步骤S104：获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
需要说明的是，所述待识别孔可以为新钻孔；所述预设深度可以为任意深度，在此不做限定，作为一种示例，所述预设深度可以为某一深度。获得待识别孔内所述预设深度位置的灰度图可以为获得新钻孔某深度位置的灰度图；所述灰度图由新钻孔内所述预设深度位置的成像图像对应的第一灰度图和所述新钻孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定。
根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称可以为将所述预设深度位置的灰度图输入至所述神经网络模型，基于所述神经网络模型处理后输出向量，基于所述向量确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
本发明实施例提供的一种孔内数据融合的地层划分方法，通过获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；基于所述样本数据集进行学习训练，建立神经网络模型；获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称；实现了将不同维度的钻孔孔内测试数据融合以及对融合后的数据进行地层划分，提高地层划分精度，并降低了人工判识风险，弥补了单种测试解译的不足。
在本发明一种可选实施例中，所述获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称，包括：在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像；对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；所述第二灰度图的数据维度与所述第一灰度图的数据维度相同；将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。
本实施例中，在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像可以为在每个孔内某个深度位置获得孔内的多条波形特征曲线以及成像图像；其中，所述多条波形特征曲线可以根据实际情况进行确定，在此不做限定。作为一种示例，所述多条波形特征曲线可以为弹性波特征曲线，具体的，所述弹性波特征曲线可以为横波和/或纵波特征曲线；所述成像图像可以根据实际情况进行确定，在此不做限定。作为一种示例，所述成像图像可以为光学成像图像。
为了方便理解，这里示例说明，所述孔为钻孔，所述预设深度位置为某深度处，所述某深度处根据实际情况进行确定，在此不做限定，作为一种示例，所述某深度处可以为钻孔0.5m处。图2为本发明实施例一种孔内数据融合的地层划分方法中多条波形特征曲线的示意图；如图2所示，多条波形特征曲线为4条弹性波波形特征曲线，分别为11、12、13、14，其中，11、12均为纵波波形特征曲线，13、14均为横波波形特征曲线。图3为本发明实施例一种孔内数据融合的地层划分方法中成像图像的示意图；如图3所示，在实际应用中，该成像图像可以为钻孔某深度处地层的孔内光学成像图像，又称为原始图像。
对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；其中，所述第一处理包括重采样处理、缩放处理、灰度处理等。
对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；其中，所述第二处理包括组合处理、叠加处理、归一化处理等。
所述第二灰度图的数据维度与所述第一灰度图的数据维度相同可以理解为所述第二灰度图与所述第一灰度图的图像宽度方向像素点数和图像高度方向像素点数均相同。
将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图，可以为将所述第一灰度图和所述第二灰度图进行上下叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；其中，所述第三灰度图为所述第一灰度图和所述第二灰度图进行上下叠置处理后得到新的灰度图。为了方便理解，这里示例说明，假设所述第二灰度图的数据维度与所述第一灰度图的数据维度均为n*m；其中，n为图像宽度方向像素点数； m为图像高度方向像素点数；将所述第一灰度图和所述第二灰度图进行上下叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图可以理解为将所述第一灰度图和所述第二灰度图在图像高度方向进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；则所述第三灰度图数据的维度为n*2m；其中，n为图像宽度方向像素点数；m为图像高度方向像素点数。
获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称可以为获得每个孔内预设深度位置分别对应的第三灰度图以及地层岩性名称，根据每个孔内预设深度位置分别对应的第三灰度图以及地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；也就是说，多个孔内中的每个孔内预设深度位置均一一对应一个灰度图和地层岩性名称。
在本发明一种可选实施例中，所述对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图，包括：对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像；将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图。
本实施例中，对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像可以为获得所述多条波形特征曲线对应的像素点数，根据所述像素点数对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像。
为了方便理解，这里示例说明，所述多条波形特征曲线中的每条波形特征曲线均有像素点数组成，该像素点数可以记为n，在实际应用中，n一般为2 的倍数，例如，n可以为256，512，1024。所述成像图像的像素可以为宽度方向像素数记为w0，图像高度方向像素数记为h0；对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像可以为将所述成像图像宽度方向像素数由w0缩放为n，将所述成像图像高度方向像素数h0进行与成像图像宽度方向进行同比例缩放，所述成像图像高度方向像素同比例缩放后的像素可以记为m，则
Figure RE-GDA0003090215870000111
进而获得m*n的第一像素矩阵图像。
将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图可以为将所述第一像素矩阵图像按预设公式进行灰度转化，确定所述第一像素矩阵图像对应的第一灰度图；其中，所述预设公式可以根据实际情况进行确定，在此不做限定。为了方便理解，这里示例说明，所述预设公式可以为Gray(i,j)＝R(i,j)*0.299+G(i,j)*0.587+B(i,j)*0.114；其中，i 为图像宽度方向像素位置，j为图像高度方向像素位置，R(i,j)为图像宽度方向 i高度方向j的红色通道强度值；G(i,j)为图像宽度方向i高度方向j的绿色通道强度值；B(i,j)为图像宽度方向i高度方向j的蓝色通道强度值；Gray(i,j)为图像宽度方向i高度方向j的灰度值。图4为本发明实施例一种孔内数据融合的地层划分方法中第一灰度图的示意图；如图4所示。
在本发明一种可选实施例中，所述对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图，包括：对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像；将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像；对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图。
本实施例中，对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像可以为将所述多条波形特征曲线按预设顺序进行组合，获得所述多条波形特征曲线对应的第二像素矩阵图像；其中，所述预设顺序可以根据实际情况进行确定，在此不做限定；所述第二像素矩阵图像可以为二维像素矩阵图像。
为了方便理解，这里示例说明，所述多条波形特征曲线可以为k条，每条曲线长度均由i个像素点组成，每条曲线长度上第i个像素点的值记为xi，每条曲线长度均可以表示为一维向量{x1，x2，…，xi，…，xn}；将k个一维向量组合在一起，便形成二维像素矩阵图像。例如，k为4，将4条长度为n 的曲线，组合在一起，形成n*4的二维像素矩阵图像；其中，可以在矩阵第1 行n个位置依次填入第一条波形特征曲线的每个点值xi，矩阵第2行n个位置依次填入第二条波形特征曲线的每个点值xi，矩阵第3行n个位置依次填入第三条波形特征曲线的每个点值xi，矩阵第4行n个位置依次填入第四条波形特征曲线的每个点值xi。该过程可以将多条一维的波形特征曲线组合成二维像素矩阵图像，即升维过程。
将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像可以为将所述第二像素矩阵图像进行多次叠加，获得与所述第一像素矩阵图像中高度方向像素点数相关的第三像素矩阵图像。为了方便理解，这里示例说明，所述第一像素矩阵图像中高度方向像素点数记为m，叠加次数记为t次，
Figure RE-GDA0003090215870000131
二维像素矩阵图像为n*4，则将n*4 的二维矩阵叠加t次，形成n*(4*t)的二维矩阵，即第三像素矩阵图像。本实施例中，通过将所述第二像素矩阵图像进行叠加处理，使得所述第三像素矩阵图像与所述第一像素矩阵图像的数据维度相同。
对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图可以为对所述第三像素矩阵图像中的元素进行归一化处理，转化成所述第三像素矩阵图像对应的所述第二灰度图；其中，所述归一化处理可以按预设公式进行处理，所述预设公式可以根据实际情况进行确定，在此不做限定。
为了方便理解，这里示例说明，所述第三像素矩阵图像中的任意一个元素记为xij，所述预设公式可以为
Figure RE-GDA0003090215870000132
其中，min(xij)指所述第三像素矩阵图像中元素的最小值，max(xij)指所述第三像素矩阵图像中元素的最大值。通过该预设公式将所述第三像素矩阵图像中的元素均进行归一化处理，转化成所述第三像素矩阵图像对应的所述第二灰度图。
在本发明一种可选实施例中，所述基于所述样本数据集进行学习训练，建立神经网络模型，包括：根据所述样本数据集更新神经网络结构参数；基于所述神经网络结构参数确定所述神经网络模型。
本实施例中，根据所述样本数据集更新神经网络结构参数可以为根据所述样本数据集不断优化神经网络结构参数。作为一种示例，根据所述样本数据集不断优化神经网络结构参数可以为根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差；基于所述岩性类型概率误差不断优化神经网络结构参数。
基于所述神经网络结构参数确定所述神经网络模型可以为基于所述神经网络结构参数和预设神经网络模型确定所述神经网络模型；其中，所述预设神经网络模型可以根据实际情况进行确定，又称为初始神经网络模型，即学习训练前的通用神经网络模型；所述神经网络模型为学习训练后的可用神经网络模型，即基于所述样本数据集训练的可用神经网络模型。
在本发明一种可选实施例中，所述根据所述样本数据集更新神经网络结构参数，包括：根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差；基于所述岩性类型概率误差更新神经网络结构参数。
本实施例中，根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差可以为将所述样本数据集按预设比例分成训练集、验证集和测试集，通过预设公式不断优化初始模型的输出概率与真实岩性类别的实际误差，进而获得所述样本数据集对应的岩性类型概率误差。其中，所述预设比例可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设比例可以为80％、 10％、10％的比例。所述预设公式可以根据实际情况进行确定，在此不做限定，作为一种示例，所述实际误差记为loss，所述预设公式可以为
Figure RE-GDA0003090215870000141
Figure RE-GDA0003090215870000142
其中，ns是所述训练集的样本个数，f函数代表神经网络结构，包括了卷积层、池化层、非线性激活函数等，可以表示为y＝f(ψx+b)；γ为权重；w为网络参数；
Figure RE-GDA0003090215870000143
为独热编码(One-Hot Encoding)的向量，代表真实的岩性种类。在实际应用中，所述样本数据集中灰度图为n，ns可以为80％n，灰度图1的独热编码向量可以为
Figure RE-GDA0003090215870000144
灰度图2的独热编码向量可以为
Figure RE-GDA0003090215870000145
灰度图3的独热编码向量可以为
Figure RE-GDA0003090215870000146
灰度图i的独热编码向量可以为
Figure RE-GDA0003090215870000147
f(xi)为第i张灰度图经过神经网络结构处理后的输出向量，例如f(xi)＝{0.1,0.2,…,0.05,…,0.1}，每个位置的值代表对应下标的岩性类别的概率，则第i张灰度图的误差
Figure RE-GDA0003090215870000148
Figure RE-GDA0003090215870000149
进而求和得到所述样本数据集对应的训练集中所有图片的误差的和，即所述样本数据集对应的岩性类型概率误差。
基于所述岩性类型概率误差更新神经网络结构参数可以为基于所述岩性类型概率误差反向传递更新神经网络结构参数。其中，所述反向传递可以根据实际情况进行确定，在此不做限定。作为一种示例，所述反向传递可以为将正向传递过程中的公式y＝f(x)进行求导计算梯度，将误差再反向传递到ψ和b的每个参数，即更新ψ和b，例如，
Figure RE-GDA0003090215870000151
Figure RE-GDA0003090215870000152
Figure RE-GDA0003090215870000153
其中，ψ0和b0均为更新前的初始参数；该更新神经网络结构参数是不断更新的过程，直到达到模型对数据拟合。
在本发明一种可选实施例中，所述根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称，包括：根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
本实施例中，根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值可以为将所述预设深度位置的灰度图输入至所述神经网络模型中，通过所述神经网络模型正向传递的计算，可以输出一个向量，所述向量中每个位置的值代表属于对应下标的岩性类型概率。
基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称可以为基于所述岩性类型概率值选出最大的岩性类型概率值，将所述最大的岩性类型概率值对应的地层岩性名称称为所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
本发明实施例提供的一种孔内数据融合的地层划分方法，通过获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；基于所述样本数据集进行学习训练，建立神经网络模型；获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称；实现了将不同维度的钻孔孔内测试数据融合以及对融合后的数据进行地层划分，提高地层分类精度，并降低了人工判识风险，弥补了单种测试解译的不足。
为了方便理解，这里示例说明，假设多条波形特征曲线为4条弹性波特征曲线，其中，2条为横波特征曲线，2条为纵波特征曲线；图5为本发明实施例一种孔内数据融合的地层划分方法的应用场景示意图，如图5所示，21为4 条弹性波特征曲线；22为4条弹性波特征曲线进行组合、叠加和归一化处理后的第二灰度图；23为成像图像；24为成像图像进行缩放和灰度处理后的第一灰度图；25为第一灰度图和所述第二灰度图进行叠置处理后的灰度图；26为卷积神经网络中的卷积层；27为卷积神经网络中的池化层；28为卷积神经网络中的全连接层；以灰度图为n*2m数据灰度图，n为宽度，2m为高度为例，将多个灰度图和多个地层岩性名称确定地层的样本数据集；将样本数据集划分后的训练集进行卷积神经网络CNN训练，得到训练的模型。其中，CNN包括了卷积层26、池化层27、全连接层28。卷积层26通过kernel(卷积核)、stride (步长)及padding(填充)，逐渐对数据进行特征的抽象提取。形式化地，对 n*2m数据灰度图按第一预设公式
Figure RE-GDA0003090215870000161
和
Figure RE-GDA0003090215870000162
进行特征的抽象提取，其中，kernelw为卷积核的宽度，kernelh为卷积核的高度，paddingw为填充的宽度，paddingh为填充的高度，stridew为在宽度维度下的步长，strideh为高度维度下的步长，outw是抽象后特征的宽度，outh是抽象后特征的高度。
卷积完成后，采用第二预设公式
Figure RE-GDA0003090215870000163
作为激活函数，保证在大于0的特征下维持其本身特性，小于0的特征直接归为0。
池化层27包括最大池化、平均池化、滑动平均池化，L2范数池化等。通过采用平均池化的操作来体现第一灰度图和第二灰度图都能够影响岩性结果这一重要特征；其中，第一灰度图可以为岩性灰度图；第一灰度图可以为弹性波灰度图。
例如，25为上述弹性波灰度图和岩性灰度图合并后的样本；经过卷积后输出我们将其控制维度为3*3的大小，例如，
1,2,1
2,3,2
1,2,5
平均池化的大小为2*2。那么结果输出为2*2的大小矩阵可以为：
2，2
2，3
其中，第一行第一列的2是通过(1+2+2+3)/4求得。
第一行第二列的2是通过(2+1+3+2)/4求得。
第二行第一列的2是通过(2+3+1+2)/4求得。
第二行第二列的3是通过(3+2+2+5)/4求得。
同时引入池化层也能抑制模型过拟合。
Figure RE-GDA0003090215870000171
通过卷积层和池化层可以完成特征维度的裁剪，更加抽象的提取特征。在多层卷积和池化操作后，通过全连接层将特征映射到k种岩性类别下。
全连接层28形式化，抽象后的特征维度为(outw,outh),拉伸后维度为 (1,outw*outh)，通过第三预设公式prob＝softmax(out*w+b)和
Figure RE-GDA0003090215870000172
完成k种岩性的分类问题。其中，out的维度为(1,outw*outh)， w的维度是(outw*outh，k)，b的维度是(1,nc)，k代表维度，即分类的类别个数；w和b都是CNN中需要训练的参数，通过xavier算法初始化。
通过卷积层26、池化层27、全连接层28的操作，可以得到在n种岩性下的概率，通过第四预设公式
Figure RE-GDA0003090215870000173
不断优化模型输出概率与真实岩性类别的误差，完成模型的训练优化。其中，ns是训练样本数据集的样本个数，f函数代表整体CNN网络结构，通过采用L2正则化来防止过拟合，γ为权重；w为网络参数，采用L2正则项来防止过拟合；
Figure RE-GDA0003090215870000174
为独热编码的向量，代表真实的岩性种类。
本实施例中，通过将钻孔某个深度位置获得孔内弹性波特征曲线和孔内光学成像图像，通过组合、叠加、归一化和灰度化等处理得到可供机器学习的样本数据集，解决了不同维度数据的融合问题；并将融合后的样本数据集通过算法不断优化模型输出概率与真实岩性类别的误差，得到可用学习的神经网络模型，用于岩性的预测，降低了人工判识风险，弥补了单种测试解译的不足。
本实施例提出一种孔内数据融合的地层划分装置，图6为本发明实施例孔内数据融合的地层划分装置的组成结构示意图，如图6所示，所述装置200包括：获得单元201、第一确定单元202、建立单元203和第二确定单元204，其中：
所述获得单元201，用于获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；
所述第一确定单元202，用于根据所述获得单元201获得的多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；
所述建立单元203，用于基于所述第一确定单元202确定的所述样本数据集进行学习训练，建立神经网络模型；
所述第二确定单元204，用于获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述建立单元203获得的所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
在其他的实施例中，所述获得单元201，还用于在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像；对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；所述第二灰度图的数据维度与所述第一灰度图的数据维度相同；将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。
在其他的实施例中，所述获得单元201，还用于对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像；将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图。
在其他的实施例中，所述获得单元201，还用于对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像；将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像；对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图。
在其他的实施例中，所述建立单元203，还用于根据所述样本数据集更新神经网络结构参数；基于所述神经网络结构参数确定所述神经网络模型。
在其他的实施例中，所述建立单元203，还用于根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差；基于所述岩性类型概率误差更新神经网络结构参数。
在其他的实施例中，述第二确定单元204，还用于根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的一种孔内数据融合的地层划分方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台地层划分设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
对应地，本发明实施例提供一种孔内数据融合的地层划分设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例提供的一种孔内数据融合的地层划分方法中的步骤。
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的一种孔内数据融合的地层划分方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，图7为本发明实施例中孔内数据融合的地层划分设备硬件实体结构示意图，如图7所示，该地层划分设备300的硬件实体包括：处理器 301和存储器303，可选地，所述地层划分设备300还可以包括通信接口302。
可以理解，存储器303可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM， Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM， ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM， Static Random Access Memory)、同步静态随机存取存储器(SSRAM， Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM， SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM， SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器 (DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器303旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器301中，或者由处理器301 实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器 (DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器303，处理器301读取存储器303中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，地层划分设备可以被一个或多个应用专用集成电路 (ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD， ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其他的方式实现。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，如：多个单元或组件可以结合，或可以集成到另一个观测量，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其他形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例的目的。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明实施例上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台地层划分设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明是实例中记载的孔内数据融合的地层划分设备方法、装置、设备和计算机存储介质只以本发明所述实施例为例，但不仅限于此，只要涉及到该孔内数据融合的地层划分设备方法、装置、设备和计算机存储介质均在本发明的保护范围。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种孔内数据融合的地层划分方法，其特征在于，所述方法包括：
获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；
根据多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；
基于所述样本数据集进行学习训练，建立神经网络模型；
获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
2.根据权利要求1所述的方法，其特征在于，所述获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称，包括：
在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像；
对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；
对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；所述第二灰度图的数据维度与所述第一灰度图的数据维度相同；
将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；
获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。
3.根据权利要求2所述的方法，其特征在于，所述对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图，包括：
对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像；
将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图。
4.根据权利要求3所述的方法，其特征在于，所述对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图，包括：
对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像；
将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像；
对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图。
5.根据权利要求1所述的方法，其特征在于，所述基于所述样本数据集进行学习训练，建立神经网络模型，包括：
根据所述样本数据集更新神经网络结构参数；
基于所述神经网络结构参数确定所述神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述样本数据集更新神经网络结构参数，包括：
根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差；
基于所述岩性类型概率误差更新神经网络结构参数。
7.根据权利要求1所述的方法，其特征在于，所述根据所述预设深度位置的灰度图和所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称，包括：
根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值；
基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
8.一种孔内数据融合的地层划分装置，其特征在于，所述装置包括：获得单元、第一确定单元、建立单元和第二确定单元，其中：
所述获得单元，用于获得多个孔内预设深度位置分别对应的灰度图以及地层岩性名称；每个所述灰度图由每个孔内所述预设深度位置的成像图像对应的第一灰度图和所述每个孔内所述预设深度位置的多条波形特征曲线对应的第二灰度图确定；
所述第一确定单元，用于根据所述获得单元获得的多个所述灰度图和多个所述地层岩性名称确定所述地层的样本数据集；
所述建立单元，用于基于所述第一确定单元确定的所述样本数据集进行学习训练，建立神经网络模型；
所述第二确定单元，用于获得待识别孔内所述预设深度位置的灰度图，根据所述预设深度位置的灰度图和所述建立单元获得的所述神经网络模型确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
9.根据权利要求8所述的装置，其特征在于，所述获得单元，还用于在每个孔内预设深度位置获得孔内的多条波形特征曲线以及成像图像；对所述成像图像进行第一处理，确定所述成像图像对应的第一灰度图；对所述多条波形特征曲线进行第二处理，确定所述多条波形特征曲线对应的第二灰度图；所述第二灰度图的数据维度与所述第一灰度图的数据维度相同；将所述第一灰度图和所述第二灰度图进行叠置处理，获得所述每个孔内预设深度位置对应的第三灰度图；获得所述第三灰度图的地层岩性名称，根据所述第三灰度图和所述地层岩性名称确定多个孔内预设深度位置分别对应的灰度图以及地层岩性名称。
10.根据权利要求9所述的装置，其特征在于，所述获得单元，还用于对所述成像图像的像素进行缩放处理，获得与所述多条波形特征曲线对应像素点数相关的第一像素矩阵图像；将所述第一像素矩阵图像进行灰度处理，确定所述第一像素矩阵图像对应的第一灰度图。
11.根据权利要求10所述的装置，其特征在于，所述获得单元，还用于对所述多条波形特征曲线进行组合处理，获得所述多条波形特征曲线对应的第二像素矩阵图像；将所述第二像素矩阵图像进行叠加处理，获得与所述第一像素矩阵图像中像素点数相关的第三像素矩阵图像；对所述第三像素矩阵图像进行归一化处理，确定所述第三像素矩阵图像对应的所述第二灰度图。
12.根据权利要求8所述的装置，其特征在于，所述建立单元，还用于根据所述样本数据集更新神经网络结构参数；基于所述神经网络结构参数确定所述神经网络模型。
13.根据权利要求12所述的装置，其特征在于，所述建立单元，还用于根据所述样本数据集获得所述样本数据集对应的岩性类型概率误差；基于所述岩性类型概率误差更新神经网络结构参数。
14.根据权利要求8所述的装置，其特征在于，所述第二确定单元，还用于根据所述预设深度位置的灰度图和所述神经网络模型获得所述预设深度位置对应的岩性类型概率值；基于所述岩性类型概率值确定所述待识别孔内所述预设深度位置对应的预测地层岩性名称。
15.一种孔内数据融合的地层划分设备，包括存储器和处理器，所述存储器存储有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程序时实现权利要求1至7任一项所述方法中的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法中的步骤。
CN202110338786.8A 2021-03-30 2021-03-30 一种孔内数据融合的地层划分方法、装置、设备和存储介质 Active CN113159136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110338786.8A CN113159136B (zh) 2021-03-30 2021-03-30 一种孔内数据融合的地层划分方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110338786.8A CN113159136B (zh) 2021-03-30 2021-03-30 一种孔内数据融合的地层划分方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113159136A true CN113159136A (zh) 2021-07-23
CN113159136B CN113159136B (zh) 2023-05-09

Family

ID=76885344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110338786.8A Active CN113159136B (zh) 2021-03-30 2021-03-30 一种孔内数据融合的地层划分方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113159136B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286802A1 (en) * 2016-04-01 2017-10-05 Saudi Arabian Oil Company Automated core description
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及系统
CN110233988A (zh) * 2019-05-05 2019-09-13 中铁第四勘察设计院集团有限公司 地质勘探管理系统
CN110554427A (zh) * 2019-07-23 2019-12-10 中国石油化工股份有限公司 一种基于地震波形正演的岩性组合预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286802A1 (en) * 2016-04-01 2017-10-05 Saudi Arabian Oil Company Automated core description
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及系统
CN110233988A (zh) * 2019-05-05 2019-09-13 中铁第四勘察设计院集团有限公司 地质勘探管理系统
CN110554427A (zh) * 2019-07-23 2019-12-10 中国石油化工股份有限公司 一种基于地震波形正演的岩性组合预测方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安鹏等: "基于深度学习的测井岩性识别方法研究与应用", 《地球物理学进展》 *
李明超等: "耦合岩石图像与锤击音频的岩性分类智能识别分析方法", 《岩石力学与工程学报》 *

Also Published As

Publication number Publication date
CN113159136B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
EP3535607B1 (en) Seismic data processing artificial intelligence
US20200160173A1 (en) Deep Learning Based Reservoir Modeling
US8768672B2 (en) Method for predicting time-lapse seismic timeshifts by computer simulation
EP4136318A1 (en) Earth modeling methods using machine learning
US20210089897A1 (en) High-resolution earth modeling using artificial intelligence
BR112021008915A2 (pt) método para analisar propriedades de formação geológica, sistema e meio legível por computador não transitório
US11699099B2 (en) Confidence volumes for earth modeling using machine learning
CN114943178B (zh) 一种三维地质模型建模方法、装置及计算机设备
CN115659848B (zh) 一种基于深度学习网络快速预测二维盆地基底界面的方法
CN115393656B (zh) 一种用于随钻测井图像地层分类的自动分类方法
KR20210150917A (ko) 웰 로그를 학습하여 암상을 추정하는 방법 및 장치
CN113109874A (zh) 一种使用神经网络的波阻抗反演方法和神经网络系统
CN112444850B (zh) 地震资料速度建模方法、存储介质及计算设备
CN111611422B (zh) 基于svc自动生成地震灾害风险评估中定性图件的方法及系统
CN113159136B (zh) 一种孔内数据融合的地层划分方法、装置、设备和存储介质
Felletti Statistical modelling and validation of correlation in turbidites: an example from the Tertiary Piedmont Basin (Castagnola Fm., Northern Italy)
CN112199859B (zh) 一种重力梯度数据联合反演的方法
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
CN113033676B (zh) 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
EP2863242A2 (en) Classification and visualization of time-series data
KR102410041B1 (ko) 딥러닝을 이용한 광물 조성 예측 방법 및 그 장치
WO2010047858A1 (en) Method for predicting time-lapse seismic timeshifts by computer simulation
CN117710758B (zh) 一种遥感图像岩土解译方法、介质及设备
Ebinesan et al. Rapid history matching of petroleum production from well logs and 4D seismic via Machine Learning techniques in the Norne Field, offshore Norway
CN118247579B (zh) 一种岩性识别方法、装置和存储介质

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