CN113642698B - 地球物理测井智能解释方法、系统及存储介质 - Google Patents
地球物理测井智能解释方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113642698B CN113642698B CN202110662715.3A CN202110662715A CN113642698B CN 113642698 B CN113642698 B CN 113642698B CN 202110662715 A CN202110662715 A CN 202110662715A CN 113642698 B CN113642698 B CN 113642698B
- Authority
- CN
- China
- Prior art keywords
- well logging
- logging
- pixel
- convolution
- geophysical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000012634 fragment Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 45
- 238000011176 pooling Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 239000004927 clay Substances 0.000 abstract description 2
- 230000035699 permeability Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000008667 sleep stage Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 150000001642 boronic acid derivatives Chemical class 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明的一种地球物理测井智能解释方法、系统及存储介质，包括获取测井片段数据并进行预处理获得输入样本；建立并训练地球物理测井智能解释的神经网络模型；把处理好的输入样本输入到训练好的地球物理测井智能解释的网络网络模型中进行岩性、孔隙度、渗透率、泥质含量、含水饱和度、油气成分等地质信息识别。本发明设计一个像素增强的卷积模块来增强地球物理测井的微细节特征，这些特征与通过U‑Net网络提取的宏观语义特征融合在一起，构成了可以同时描述测井空间相关性和像素特异性的结合体。
Description
技术领域
本发明涉及石油勘探技术领域，具体涉及一种地球物理测井智能解释方法、系统及存储介质。
背景技术
作为石油开采的基础，地下岩性识别可以帮助确定储层的分布和质量。地球物理测井由于其良好的连续性和高分辨率而成为最广泛的岩性识别手段(如文献YunxinXie,Chenyang Zhu,Wen Zhou,Zhongdong Li,Xuan Liu,and Mei Tu.Evaluation of machinelearning methods for formation lithologyidentification:A comparison of tuningprocesses and model performances.Journal of Petroleum Science andEngineering,160:182–193,2018)。测井解释又名测井综合解释，核心是确定测井信息与地质信息之间应用的关系，采用正确的方法把测井信息加工成地质信息。测井资料记录的一般都是各种不同的物理参数，如电阻率、自然电位、声波速度、岩石体积密度等，可统称为测井信息。而测井资料解释与数字处理的成果，如岩性、泥质含量、含水饱和度、渗透率等，可统称为地质信息。从统计学或机器学习的角度，测井解释指的是从地球物理测井(输入)到通过录井资料(标签)手动或自动确定的地质信息(输出)映射模型的工作。以岩性预测工作为例，测井解释如图1所示。传统上，测井解释是由经验丰富的地球物理学家完成。随着常规油气藏的逐渐枯竭，迫切需要探索具有隐性分布的非常规油气藏。这些非常规油气藏的测井响应更加多样，岩性成分也更加复杂，从而增加了测井解释的难度和不确定性。因此，更加智能的测井解释方法的研究受到了广泛的关注。
近年来见证了机器学习在传统地球科学中的成功应用，并且已经提出了各种基于机器学习的测井解释方法。但是大多数方法通过将某个深度点的测井值作为特征向量，并将该深度的录井信息作为标签(深度点模型)来建立测井数据-岩性映射模型。但是，如图1所示，很容易观察到，SP曲线的波峰与三个砂岩地层有关，因此应将测井形状与绝对值分开考虑，而目前只有很少的研究考虑了地球物理测井的形状。在文献Liping Zhu,Hongqi Li,Zhongguo Yang,Chengyang Li,YileAo,et al.Intelligent logging lithologicalinterpretation with convolution neural networks.Petrophysics,59(06):799–810,2018中，作者从具有固定窗口大小的测井曲线构造二维图像，并使用窗口中心的岩性作为图像标签(深度段模型)。但是，该模型在表征厚度可变的岩性地层时存在局限性，输入图像是岩性跃变时的混合体。
总的来说，通过地球物理测井识别井眼的地质信息是石油勘探的基本任务。最近的跨学科研究证明了将机器学习应用于测井解释的可行性，其中大多数方法建立了从一个深度点的测井值到地质信息的映射。但是，由于地球物理测井的某些固有属性(例如，未知的异常方向)，除了绝对值外，还应考虑到测井的形状。
发明内容
本发明提出的一种地球物理测井智能解释方法、系统与存储介质，可解决上述技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种地球物理测井智能解释方法，包括以下步骤：
获取测井片段数据并进行预处理获得输入样本；
建立并训练地球物理测井智能解释的神经网络模型；
把处理好的输入样本输入到训练好的地球物理测井智能解释的神经网络模型中进行地质信息的预测。
进一步地，所述地球物理测井智能解释的神经网络模型包括：
给定N种测井曲线，训练样本x是尺寸为D×1×N的一维图像，其中每个通道包含一种测井曲线，D是整个测井曲线或测井段的深度点总数；x对应的标签是地质信息y，表示为其中yi∈Ω＝{1，2，…,C}，C为地质信息类别总数。
进一步地，所述地球物理测井智能解释的神经网络模型包括地球物理测井分割网络(SegLog)；
所述地球物理测井分割网络(SegLog)包括一个用于学习语义相似性的骨干U-Net模块和一个用于学习测井细节信息的像素增强卷积(PEC)模块；两个模块平行排列，保持其特征表示功能的一致性；然后，将每个模块的特征图结果沿通道维度聚合，以构成每个像素的特征表示；最后，这些同时描述宏语义信息和微细节信息的聚合特征表示被输送到到像素级预测器，以进行地质信息的预测。
进一步地，所述骨干U-Net模块是全卷积的编码器-解码器网络；
其中编码器包括四个卷积块，每个卷积块都执行两个连续的一维卷积，内核大小为3，步长为2，每个卷积后都进行了批量归一化、ReLU激活和最大池化；解码器包括四个转置卷积块，每个转置卷积块由最近邻居实现上采样，然后进行内核大小为3的1D卷积、批处理归一化与ReLU激活；具有相同比例的编码器和解码器的特征图沿着通道维度连接在一起。
进一步地，所述像素增强卷积(PEC)模块给定输入样本首先通过全局统计池化对x的每个通道执行统计：
分别执行3种统计：全局平均池化(GAP)以计算平均值，使用全局最大池化(GMP)获得最大值，以及全局协方差池化(GCP)以计算二阶统计量；这三个池化操作生成的特征的大小均为为1×1×N；对这些特征沿着纵向连接，所得的统计特征s(x)的大小为3×1×N，它描述了输入x的按通道的统计结果；
然后，将s(x)每个通道中的统计信息融合；通过卷积，得到了像素增强的滤波器，公式为：
f(x)＝δ((δ(s(x)TWs T))Wf)＝δ(δ(Wss(x))Wf)
其中δ表示ReLU激活函数，而Ws和Wf是可学习的参数矩阵；
像素增强型过滤器基于全局统计信息自动调整通道的权重，以服务于后续的像素增强；然后，使用深度卷积将输入x与像素增强滤波器进行卷积，以得到像素增强表示g(x)，公式为：
其中表示深度卷积；
最后，用两个连续的1×1卷积处理g(x)，每个卷积随后进行批归一化和ReLU激活，以实现特征图的像素级通道融合，即：
F＝δ(δ(g(x)W1)W2)
其中F表示由PEC生成的特征图，W1和W2是1×1卷积的参数矩阵。
进一步地，所述将s(x)每个通道中的统计信息融合具体为通过对s(x)即结果大小为N×1×3，执行转置(transposition)操作，然后进行1×1卷积而实现的，分批归一化和ReLU激活，并以反向转置结束。
进一步地，所述ReLU激活和反向转置结束都具有N×1×1的大小。
进一步地，所述获取测井片段数据并进行预处理获得输入样本，其中预处理包括进行数据划分、设置重叠、归一化处理及设置评估指标；
所述数据划分包括将每个井的测井曲线分为多个段，每个段的长度为512点；
所述设置重叠包括在记录划分过程中，设置了64点重叠；
所述归一化处理包括所有测井曲线均归一化为[0，1]，以消除井和井之间不同测量范围所引起的误差；
所述评估指标包括报告每个类别的F1得分以进行比较，其定义为：
其中TP，FP和FN分别表示真阳性，假阳性和假阴性，另外，将宏平均F1分数计算为总体评估指标。
另一方面，本发明还公开了一种地球物理测井智能解释系统，包括以下单元，
数据获取单元，用于获取测井片段数据并进行预处理获得输入样本；
模型建立单元，用于建立并训练地球物理测井智能解释的神经网络模型；
智能解释单元，用于把处理好的输入样本输入到训练好的地球物理测井智能解释的神经网络模型中进行地质信息识别。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
由上述技术方案可知，本发明通过输入测井片段来进行测井解释，并且第一次将测井解释问题转化为一维的语义分割问题。这样的测井分割任务是具有挑战性的，有以下两个原因：(i)岩性地下分布的强烈空间异质性；(ii)地球物理测井的显著物理意义。为了解决这些挑战，本发明提出了一种名为SegLog的新型地球物理测井分割网络。设计一个像素增强的卷积模块来了解地球物理测井的微细节特征。这些特征与通过U-Net网络提取的宏观语义特征融合在一起，构成了可以同时描述测井空间相关性和像素特异性的结合体。在济阳盆地的两个测井数据集的实验结果验证了本发明的建模策略的有效性及其在岩性识别问题上的优异性能。
附图说明
图1是本发明的方法流程图；
图2是现有测井解释工作流程；
图3是不同的测井-地质信息建模策略；
图4为SegLog的体系结构；
图5为数据集B的交汇图；可见不同岩性类别的测井数据有很大的重叠；
图6是模型的变形；E和D分别表示骨干U-Net网的编码器和解码器；
图7是不同方法的测井解释可视化；SegLog的分割结果与真实情况更加一致。
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，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本发明实施例的一种地球物理测井智能解释方法包括以下步骤：
获取测井片段数据并进行预处理获得输入样本；
建立并训练地球物理测井智能解释的神经网络模型；
把处理好的输入样本输入到训练好的地球物理测井智能解释的神经网络模型中进行地质信息的预测。
以下整体说明：
如图2所示，本实施例所述的地球物理测井智能解释方法，将测井曲线建模为一维图像，并对每个像素(每个深度点)执行密集的测井解释，即一维语义分割模型。但是，由于以下两个原因，此测井分割任务非常具有挑战性。首先，岩性地下分布具有很强的空间异质性。例如，碳酸盐岩的空间分布在某些陆地沉积环境下非常分散，这导致其测井响应的局部连续性较弱。其次，地球物理测井反映了岩性的物理特征，因此不注意测井点绝对值的分割方法会导致性能下降。例如，在井径测井中，如果某个深度的钻孔直径较小/较大/等于钻头尺寸，则附近的岩性可能分别是溶胀的页岩，可溶性盐岩或非渗透性的钙质页岩。这与图像分割有很大的不同，因为图像的语义是由块(patch)决定的，而单个像素几乎无法指示类别。因此，简单地退化现有的二维语义分割模型变为一维分割或利用一维时间序列分割模型难以解决以上挑战。
为此，本发明提出了一个地球物理测井分割网络(SegLog)，以同时学习测井信号的空间相关性和像素特异性。以下具体说明：
基于现有研究中岩性识别的数学建模方法，如图3所示，有两种测井岩性模型：深度点模型和深度段模型；下面具体介绍：
深度点模型：给定N种测井曲线，训练样本x由在特定深度h的N个测井值组成，表示为x的标签是在深度h处的地质信息类别，表示为y∈Ω＝{1,2,…,C}，其中C是地质信息类别的数量。
深度段模型：给定N种测井曲线，每条曲线首先分解为具有不同深度分辨率的L条平滑曲线(通过多分辨率小波滤波)。然后，将原始曲线和平滑曲线按列组合在一起以获得2D图像，每种测井曲线都用作生成图像的通道。训练样本x是在某个深度h处尺寸为(2H+1)×(L+1)×N的较小图像(高度×宽度×通道)，其中H是固定的扩展值。x的标签是深度h的地质信息类别，表示为y∈Ω＝{1，2，…，C}。
本发明建立一个分割模型，将测井解释问题建模为一维语义分割。将测井曲线构造为具有多个通道的一维图像，并对每个像素(即每个深度点)执行密集的岩性预测，如图3所示。这种做法具有三个优点：(i)可以在每个深度位置预测岩性，(ii)可以利用测井曲线的空间相关性，并且(iii)可以放松规模约束。
语义分割模型：给定N种测井曲线，训练样本x是尺寸为D×1×N的一维图像，其中每个通道包含一种测井曲线，D是整个测井曲线(或测井段)的深度点总数。x的标记是致密岩性分割，表示为其中yi∈Ω＝{1，2，…，C}。
以下针对地球物理测井分割网络具体说明：
本发明所提出的方法是一个完全卷积模型，是一种应用于睡眠阶段的一维时间序列分割网络，采用流行的U-Net架构作为学习语义相似性的基础。如上所述，仅使用一维U-Net进行测井分割会忽略像素级测井值的重要性。因此，希望在学习到的语义相似性的基础上，提高测井值(即像素值)对岩性预测的影响。为此提出了一个地球物理测井分割网络(SegLog)，该网络将细节特异性纳入空间相关性表示中。
图4描述了SegLog的体系结构。SegLog由骨干U-Net模块和像素增强卷积(PEC)模块组成。骨干U-Net学习日志的语义相似性，而PEC学习测井的详细细节。每个模块的特征图会沿着通道尺寸进行汇总，最后映射到输出以进行密集的岩性分割。
SegLog是由两个主要模块组成：一个学习语义相似性的主干U-Net模块和一个学习测井细节信息的像素增强卷积(PEC)模块。两个模块平行排列，因此每个模块履行自己的职责，因此可以保持其特征表示功能的一致性。然后，将每个模块的特征图结果沿通道维度聚合，以构成每个像素的特征表示。最后，这些可以同时描述宏语义信息和微细节信息的聚合特征表示被馈送到像素级预测器，以进行密集的岩性分割。接下来，将详细介绍骨干网模块U-Net和PEC模块。
骨干网络U-Net
骨干U-Net模块是典型的全卷积的编码器-解码器网络。其中编码器包括四个卷积块，每个卷积块都执行两个连续的一维卷积，内核大小为3，步长为2，每个卷积后都进行了批量归一化、ReLU激活和最大池化；解码器包括四个转置卷积块，每个转置卷积块由最近邻居实现上采样，然后进行内核大小为3的1D卷积、批处理归一化与ReLU激活；具有相同比例的编码器和解码器的特征图沿着通道维度连接在一起。
像素增强卷积模块
给定输入样本x∈RD×1×N，首先通过全局统计池化对x的每个通道执行统计。分别执行3种统计：全局平均池化(GAP)以计算平均值，使用全局最大池化(GMP)获得最大值，以及全局协方差池化(GCP)以计算二阶统计量；这三个池化操作生成的特征(每个大小均为1×1×N)对这些特征沿着纵向连接，所得的统计特征s(x)的大小为3×1×N，它描述了输入x的按通道的统计结果；
然后，将s(x)每个通道中的统计信息融合。这是通过对s(x)(结果大小为N×1×3)执行算转置(transposition)操作，然后进行1×1卷积而实现的，分批归一化和ReLU激活(具有N×1×1的大小)，并以反向转置结束(具有1×1×N的大小)。该统计融合实践主要保留s(x)的结构信息，并且与直接执行3×1×N卷积相比，它使不同的通道可以共享每个统计的权重。统计融合后将1×1卷积堆叠在一起，以了解通道之间统计特征的相互依赖性。通过这种卷积，本发明得到了像素增强的滤波器，公式为：
f(x)＝δ((δ(s(x)TWs T))Wf)＝δ(δ(Wss(x))Wf)
其中δ表示ReLU激活函数，而Ws和Wf是可学习的参数矩阵。像素增强型过滤器基于全局统计信息自动调整通道的权重，以服务于后续的像素增强。然后，使用深度卷积将输入x与像素增强滤波器进行卷积，以得到像素增强表示g(x)，公式为：
其中表示深度卷积。此操作以柔和的方式强调或抑制单个通道。它的实际含义可以解释为根据重要性将权重分配给不同类型的测井曲线，从而增强了像素级测井值对岩性预测的重要性。
最后，用两个连续的1×1卷积处理g(x)，每个卷积随后进行批归一化和ReLU激活，以实现特征图的像素级通道融合，即：
F＝δ(δ(g(x)W1)W2)
其中F表示由PEC生成的特征图，W1和W2是1×1卷积的参数矩阵。公式(2)和(3)构成了深度可分离卷积，其中(i)允许像素增强和通道融合将分别进行，(ii)关键是与传统卷积相比较减少了参数量。
以下是本发明实施例的具体应用：
数据描述
为了评估该方法的性能，使用了来自中国东部渤海湾盆地东南部济阳盆地的真实测井数据，在研究区域内总共选择了202口井。岩性是一种重要的地质信息，这里实验以岩性分类为目标。用6种测井曲线，分别是声波(AC)，井径(CAL)，补偿中子(CNL)，伽马射线(GR)，2.5m底部梯度电阻率(R25)和自然电势(SP)。岩性的真实标签是通过录井获得的。根据岩性解释结果，这202口井组成两个数据集s：数据集A包含73口井，具有3种粗糙的岩性类型，即泥岩(MS)，砂岩(SA)和碳酸盐岩(CR)。数据集B包含具有5个精细岩性划分的129口井，即泥岩(MS)，细砂岩(FS)，粗砂岩(CS)，碳酸盐岩(CR)和火成岩(IR)。
涉及的大多数井为勘探井，具有分布位置不同，沉积环境多样，地质构造异质的特点。因此，在输入空间中相同岩性类别的样本分布是不同的，这增加了岩性识别的复杂性。图5显示数据集B中部分数据的交汇图，正如预期的那样，在两次任意测井的情况下，不同岩性的数据分布存在相当大的重叠。
预处理
对原始记录数据执行以下预处理以获得输入样本。
数据划分：在不同的井之间(标记的)测井曲线的长度各不相同，范围从900点到53000点。为了促进训练过程并丰富样本数量，本发明将每个井的测井曲线分为多个段，每个段的长度为512点。请注意，此过程在实际中不是必需的，因为建议的网络是一个完全卷积模型，支持任意规模的输入。不建议将其分成较小的长度，因为这可能导致测井无法覆盖较厚的油层(即较厚的砂岩地层)。
重叠：对于训练井，在记录划分过程中，本发明设置了64点重叠。这可以(i)增加训练样本的数量，并且(ii)更改极端点的位置，从而提高模型的鲁棒性。
归一化：所有测井曲线均归一化为[0，1]，以消除井和井之间不同测量范围所引起的误差加速融合。
评估指标
在岩性识别中，这些类别是高度不平衡的。因此，本发明报告每个类别的F1得分以进行比较，其定义为：
其中TP，FP和FN分别表示真阳性，假阳性和假阴性。另外，将宏平均F1分数计算为总体评估指标。
实现细节
实验是在配备两个NVIDIA GeForce RTX 2080Ti GPU和一个Intel i9-10900KCPU的服务器上进行的。使用开源深度学习库PyTorch来实现本发明的网络。优化使用Adam的学习率为0.001，最小批量大小为256。
不同的测井岩性模型比较
将本发明的SegLog模型与五个用于岩性识别的深度点模型和一个深度分段模型进行了比较。将它们表示为：OKNN，LDMKL-SVM，MS-RF，CB,1D-CNN和2D-CNN。
这是比较不同数学建模策略的新尝试。不同的建模方法具有不同的输入(和输出)形式和尺寸。将一个深度点(所有测井值)视为一个像素。为了使比较尽可能公平，使每个模型的所有输入样本都覆盖相同数量的像素。表1列出了每种建模方法中的样本数量。
表1：每种建模方法中的样本数
结果
表2总结了实验结果。有以下观察结果：(i)与两个数据集上的基线相比，本发明的方法均获得了最佳的总体性能，这表明本发明将语义分割建模为岩性识别问题的新尝试是有效的。与深度点和深度段模型相比，这样的建模策略更有利于提高了测井曲线表征岩石地质特性的能力。(ii)实验上，深度段模型的性能比深度点模型的性能差。此外，深度段模型的每类F1得分波动很大。这可以归因于岩性地层厚度的变化，这导致相应的测井响应部分的宽度存在明显差异。使用固定的窗口大小生成每种岩性的图像会忽略较厚岩性地层的完整性，并会增加较薄岩性地层的信号冗余。本发明的模型放宽了这一限制，因此在按班级F1评分方面显示了最佳性能或相同。
表2：建模方法的比较(％)
与最新语义的比较分割方法
为了进一步验证SegLog的有效性，本发明将其与7种最新的语义分割方法进行了比较。这些方法分为三类：地质学分割模型和一维FCN-DAF，一维分割模型和2D分割模型。提议使用1D-SegNet来选择微地震事件的首次到达，并设计1D-FCN-DAF进行储层分类。U-Time是应用于睡眠阶段的一维时间序列分割网络。DeepLabv3+，DFANet，DMNet和GFFNet是常规的图像分割模型。
在U-Time的实现中，本发明将四个编码器块的缓冲窗口大小设置为(2、2、2、2)，以确保定义了最大缓冲操作。另外，本发明将分段频率设置为等于采样率以实现逐点标记。对于四个2D分割模型，本发明将它们修改为1D模型，并固定了它们的网络结构。本发明遵循DeepLabv3+，DMNet和GFFNet将Xception，ResNet和ResNet设置为各自的骨干。对于DFANet，本发明使用中提出的修改后的Xception作为主干。
结果
如表3所示，本发明的SegLog在数据集A上达到了78.6％的Macro-F1，在数据集B上达到了66.2％的Macro-F1，始终优于所有基线。与地质分割模型相比，在两个数据集上，本发明的模型讲Macro-F1得分平均提高了10％。这表明，与现有的地质分割模型相比，该方法更适合从原始测井信号中提取不同岩性的语义信息。测井信号可以视为深度级别的一组时间序列(深度序列)。但是，直接将时间序列分割模型应用于测井分割是无效的。如表3所示，U-Time的Macro-F1分别比数据集A和数据集B的模型低5.6％和9.4％。这是因为时间序列分割模型通常会提取时间序列的趋势和形状特征，而无需注意点的绝对值。在图像分割中也出现了类似的情况，即图像的语义信息是由补丁决定的。相比之下，在许多测井信号中(例如卡尺和电阻率)，每个点都有物理意义。因此，本发明设计的学习像素级特征并将其与宏语义融合的设计更有利于对测井信号进行分割。不出所料，与简化的2D图像分割模型相比，本发明的模型在两个数据集上至少实现了6.7％和3.3％的增益。
此外，通过比较表2和表3，本发明发现在精细岩性分类(数据集B)中，某些语义分割方法(例如1D-FCN-DAF，DeepLabv3+和DFANet)的效果甚至比深度点方法差，特别是在碳酸盐岩(CR)上。这是因为深度点模型是像素级的，不受CR分布散度的影响。
表3：最先进的语义分割方法的比较(％)
消融研究与模型变化
为了评估建议的SegLog的每个组件的贡献，本发明在SegLog中删除了这些组件并比较了结果。本发明专注于像素增强卷积模块。结果显示在表4中(在第三种情况下，本发明用简单的按通道平均代替SF)。本发明观察到，特征图(CFF)上的通道融合部分有助于SegLog的性能，因为它实现了像素级跨通道交互，以学习日志记录详细信息的特征表示。引入全局统计池(GSP)可以稍微改善Macro-F1。但是，此改进受到限制，因为如果不执行统计信息融合(SF)，则无法考虑不同统计值对确定信道权重的影响。SegLog与CFF，GSP和SF的所有三个组件一起产生了最佳性能。
表4：SegLog与不同组件(Macro-F1，以％为单位)的比较CFF：特征图上的通道融合；GSP：全球统计信息池；SF：统计融合；
模型变换
如图6所示，本发明以不同的方式排列SegLog的编码器，解码器和PEC：在输入端串联(SegLog-SI)，在中间特征图上串联串联(SegLog SF)，在输出端串联(SegLog-SO)，并行(SegLog-P)。结果显示在表5中。并行类型的SegLog胜过每个系列类型的SegLog。在SegLog-SF和SegLog-SO的结构下，PEC模块的输入是高水平的特征图。换句话说，PEC不处理测井数据的原始值。尽管SegLog-SI可以提取原始测井值的微细节信息，但由于其非常深的系列网络，它在前几层(即PEC模块)中就遇到了逐渐消失的梯度问题。相比之下，SegLog-P不仅可以确保原始记录数据的可用性，而且可以保持PEC模块和编码器-解码器模块的功能表示能力的一致性。
表5：具有不同结构的SegLog的比较(％)
可视化
图7显示了不同方法的岩性识别结果。本发明可以看到，分割模型比深度点和深度分段模型具有更好的连续性。这是因为前者考虑了测井曲线的远程信息。但是，一维SegNet，U-Time和DMNet在细节方面表现不佳。例如，无法捕获一些薄的碳酸盐岩地层。原因是车体硼酸盐岩具有复杂的成分和分散的分布，这使得测井像素补丁在表征语义时容易受到背景的影响。SegLog通过像素级别的详细功能补充了全局信息，因此它可以通过真实的地下岩性分布获得更一致的分段结果。
综上所述，本发明调查了测井岩性识别问题，并将该问题建模为一维语义分割。本发明提出了一个地球物理测井分段网络(SegLog)来解决它。SegLog合并了像素增强的卷积模块，以增强通过测井像素表示的细节信息。此信息与骨干U-Net网络所学到的语义相似性进行汇总，这使像素级岩性分类的高水准表征能够表示空间相关性和细节特异性。在济阳盆地的两个数据集上进行的大量实验，验证了本发明的建模策略的有效性以及本发明的模型在岩性识别问题上的优越性。
另一方面，本发明还包括一种地球物理测井智能解释系统，包括以下单元，
数据获取单元，用于获取测井片段数据并进行预处理获得输入样本；
模型建立单元，用于建立并训练地球物理测井智能解释的神经网络模型；
智能解释单元，用于把处理好的输入样本输入到训练好的地球物理测井智能解释的神经网络模型中进行地质信息识别。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(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。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种地球物理测井智能解释方法，其特征在于：包括以下步骤：
获取测井片段数据并进行预处理获得输入样本；
建立并训练地球物理测井智能解释的神经网络模型；
所述地球物理测井智能解释的神经网络模型包括地球物理测井分割网络(SegLog)，所述地球物理测井分割网络(SegLog)包括一个用于学习语义相似性的骨干U-Net模块和一个用于学习测井细节信息的像素增强卷积(PEC)模块；两个模块平行排列，保持其特征表示功能的一致性；然后，将每个模块的特征图结果沿通道维度聚合，以构成每个像素的特征表示；最后，这些同时描述宏语义信息和微细节信息的聚合特征表示被输送到到像素级预测器，以进行地质信息的预测；
所述骨干U-Net模块是全卷积的编码器-解码器网络；
其中编码器包括四个卷积块，每个卷积块都执行两个连续的一维卷积，内核大小为3，步长为2，每个卷积后都进行了批量归一化、ReLU激活和最大池化；解码器包括四个转置卷积块，每个转置卷积块由最近邻居实现上采样，然后进行内核大小为3的1D卷积、批处理归一化与ReLU激活；具有相同比例的编码器和解码器的特征图沿着通道维度连接在一起；
所述像素增强卷积(PEC)模块给定输入样本首先通过全局统计池化对x的每个通道执行统计：
分别执行3种统计：全局平均池化(GAP)以计算平均值，使用全局最大池化(GMP)获得最大值，以及全局协方差池化(GCP)以计算二阶统计量；这三个池化操作生成的特征的大小均为为1×1×N；对这些特征沿着纵向连接，所得的统计特征s(x)的大小为3×1×N，它描述了输入x的按通道的统计结果；
然后，将s(x)每个通道中的统计信息融合；通过卷积，得到了像素增强的滤波器，公式为：
f(x)＝δ((δ(s(x)TWs T))Wf)＝δ(δ(Wss(x))Wf)
其中δ表示ReLU激活函数，而Ws和Wf是可学习的参数矩阵；
像素增强型过滤器基于全局统计信息自动调整通道的权重，以服务于后续的像素增强；然后，使用深度卷积将输入x与像素增强滤波器进行卷积，以得到像素增强表示g(x)，公式为：
其中表示深度卷积；
最后，用两个连续的1×1卷积处理g(x)，每个卷积随后进行批归一化和ReLU激活，以实现特征图的像素级通道融合，即：
F＝δ(δ(g(x)W1)W2)
其中F表示由PEC生成的特征图，W1和W2是1×1卷积的参数矩阵；
把处理好的输入样本输入到训练好的地球物理测井智能解释的神经网络模型中进行地质信息的预测。
2.根据权利要求1所述的地球物理测井智能解释方法，其特征在于：所述地球物理测井智能解释的神经网络模型包括：
给定N种测井曲线，训练样本x是尺寸为D×1×N的一维图像，其中每个通道包含一种测井曲线，D是整个测井曲线或测井段的深度点总数；x对应的标签是地质信息y，表示为其中yi∈Ω＝{1,2,…,C}，C为地质信息类别总数。
3.根据权利要求1所述的地球物理测井智能解释方法，其特征在于：所述将s(x)每个通道中的统计信息融合具体为通过对s(x)即结果大小为N×1×3，执行转置(transposition)操作，然后进行1×1卷积而实现的，分批归一化和ReLU激活，并以反向转置结束。
4.根据权利要求3所述的地球物理测井智能解释方法，其特征在于：所述ReLU激活和反向转置结束都具有N×1×1的大小。
5.根据权利要求3所述的地球物理测井智能解释方法，其特征在于：所述获取测井片段数据并进行预处理获得输入样本，其中预处理包括进行数据划分、设置重叠、归一化处理及设置评估指标；
所述数据划分包括将每个井的测井曲线分为多个段，每个段的长度为512点；
所述设置重叠包括在记录划分过程中，设置了64点重叠；
所述归一化处理包括所有测井曲线均归一化为[0，1]，以消除井和井之间不同测量范围所引起的误差；
所述评估指标包括报告每个类别的F1得分以进行比较，其定义为：
其中TP，FP和FN分别表示真阳性，假阳性和假阴性，另外，将宏平均F1分数计算为总体评估指标。
6.一种地球物理测井智能解释系统，用于实现如权利要求1所述方法，其特征在于：包括以下单元，
数据获取单元，用于获取测井片段数据并进行预处理获得输入样本；
模型建立单元，用于建立并训练地球物理测井智能解释的神经网络模型；
智能解释单元，用于把处理好的输入样本输入到训练好的地球物理测井智能解释的神经网络模型中进行地质信息识别。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110662715.3A CN113642698B (zh) | 2021-06-15 | 2021-06-15 | 地球物理测井智能解释方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110662715.3A CN113642698B (zh) | 2021-06-15 | 2021-06-15 | 地球物理测井智能解释方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642698A CN113642698A (zh) | 2021-11-12 |
| CN113642698B true CN113642698B (zh) | 2024-04-02 |
Family
ID=78416037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110662715.3A Active CN113642698B (zh) | 2021-06-15 | 2021-06-15 | 地球物理测井智能解释方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642698B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764423A (zh) * | 2022-05-23 | 2022-07-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种测井智能解释系统 |
| CN115828072B (zh) * | 2022-12-07 | 2023-11-17 | 中国科学技术大学 | 不可通约测井曲线缺失段重构方法及存储介质 |
| CN116091492B (zh) * | 2023-04-06 | 2023-07-14 | 中国科学技术大学 | 一种图像变化像素级检测方法与系统 |
| CN117437493B (zh) * | 2023-12-20 | 2024-03-29 | 泰山学院 | 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统 |
| CN117649529A (zh) * | 2024-01-30 | 2024-03-05 | 中国科学技术大学 | 一种基于多维信号分析神经网络的测井数据解释方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150104102A1 (en) * | 2013-10-11 | 2015-04-16 | Universidade De Coimbra | Semantic segmentation method with second-order pooling |
| CN109389128B (zh) * | 2018-08-24 | 2021-08-27 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
-
2021
- 2021-06-15 CN CN202110662715.3A patent/CN113642698B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 (2)
| Title |
|---|
| 周永章 ; 陈烁 ; 张旗 ; 肖凡 ; 王树功 ; 刘艳鹏 ; 焦守涛 ; .大数据与数学地球科学研究进展――大数据与数学地球科学专题代序.岩石学报.2018,(02),全文. * |
| 李继安 ; .人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用――以十红滩铀矿床为例.西北地质.2010,(02),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642698A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642698B (zh) | 地球物理测井智能解释方法、系统及存储介质 | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| Jiang et al. | Lithology identification from well-log curves via neural networks with additional geologic constraint | |
| Tokpanov et al. | Deep-learning-based automated stratigraphic correlation | |
| CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
| Yan et al. | A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm | |
| CN108952699A (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
| Chang et al. | SegLog: Geophysical logging segmentation network for lithofacies identification | |
| CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
| CN114492521A (zh) | 一种基于声振信号的随钻岩性智能识别方法与系统 | |
| Udegbe et al. | Big Data Analytics for Seismic Fracture Identification, Using Amplitude-Based Statistics | |
| US20240127039A1 (en) | Geologic learning framework | |
| US20230184087A1 (en) | Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling | |
| Abashkin et al. | Quantitative analysis of whole core photos for continental oilfield of Western Siberia | |
| Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
| Liu et al. | Machine learning assisted recovery of subsurface energy: a review | |
| Yang et al. | Ai-boosted geological facies analysis from high-resolution borehole images | |
| Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
| Shi et al. | Improved Unet in lithology identification of coal measure Strata | |
| CN112114360A (zh) | 一种地震波形分析方法及装置 | |
| CN115828072B (zh) | 不可通约测井曲线缺失段重构方法及存储介质 | |
| CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
| Park et al. | Assessment of the effectiveness of a convolutional autoencoder for digital image-based automated core logging | |
| Adlakha et al. | Application of Machine Learning in Offset Well Planning | |
| US11719844B2 (en) | System and method for analyzing reservoir changes during production |
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 |