CN114114457B - 基于多模态测井数据的裂缝表征方法、装置及设备 - Google Patents
基于多模态测井数据的裂缝表征方法、装置及设备 Download PDFInfo
- Publication number
- CN114114457B CN114114457B CN202111318092.4A CN202111318092A CN114114457B CN 114114457 B CN114114457 B CN 114114457B CN 202111318092 A CN202111318092 A CN 202111318092A CN 114114457 B CN114114457 B CN 114114457B
- Authority
- CN
- China
- Prior art keywords
- data
- crack
- logging
- mask
- feature map
- 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
- 238000012512 characterization method Methods 0.000 title claims abstract description 31
- 238000003384 imaging method Methods 0.000 claims abstract description 121
- 238000010586 diagram Methods 0.000 claims abstract description 104
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004140 cleaning Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000005251 gamma ray Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
- G01V11/002—Details, e.g. power supply systems for logging instruments, transmitting or recording data, specially adapted for well logging, also if the prospecting method is irrelevant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多模态测井数据的裂缝表征方法、装置及设备,其中方法包括:通过获取待分析的微电阻率成像测井数据和常规测井曲线数据,对微电阻率成像测井数据进行数据清洗操作,得到数据集,对常规测井曲线数据进行标准化处理,将数据集输入到mask‑RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图,将第一特征图和第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,通过利用计算机技术对裂缝进行提取,不仅可以加快处理速度,还可以在一定程度上避免主观因素,得到的裂缝更为准确。
Description
技术领域
本发明涉及地球物理录井技术领域,尤其涉及一种基于多模态测井数据的裂缝表征方法、装置及设备。
背景技术
随着油田开采量的不断加大,已探明的油田储量面临着开采不足的问题,在这种背景之下,应用新的测井技术对油田存储进行分析,寻找新的储层,是促进油田可持续发展的根本途径。
裂缝识别和评价是裂缝性储层测井解释的核心任务。目前为了得到更准确的裂缝分级评价结果,往往需要综合常规测井资料、成像资料和钻井现场资料等多种资料,依据各条测井曲线反应的裂缝特征,提取测井裂缝指标并计算其指示裂缝存在的概率,最后通过加权计算建立综合概率模型划分裂缝带。
现有的裂缝识别方法存在耗时长、准确率低的问题。
发明内容
本发明实施例提供一种基于多模态测井数据的裂缝表征方法、装置及设备,可以降低计算时间,提高准确率。
第一方面,本发明实施例提供一种基于多模态测井数据的裂缝表征方法,所述方法包括:
获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据;
对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理;
将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图;
将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
可选的,对所述微电阻率成像测井数据进行预处理操作,得到数据集,包括:
按照预设单位图像的尺寸信息对所述微电阻率成像测井数据进行切割,得到多个微电阻率成像测井数据,并剔除所述多个微电阻率成像测井数据中不存在裂缝的微电阻率成像测井数据;
基于深度学习对所述多个微电阻率成像测井数据中剩余的微电阻率成像测井数据进行空白条带填充,得到数据集。
可选的,将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,包括:
根据预设尺寸重置所述数据集的尺寸,将重置尺寸后的数据集输入到所述mask-RCNN模型中的金字塔网络模型,得到所述第一特征图;
将所述第一特征图输入到所述mask-RCNN模型的区域候选网络模型中,得到多个候选框;
基于感兴趣区域对齐技术或感兴趣区域池化技术将所述多个候选框的感兴趣区域修正为相同的尺寸;
根据修正后的感兴趣区域,从第一特征图中选取对应的感兴趣区域图像,并将得到的感兴趣区域图像分别输送到全连接神经网络和全卷积神经网络中,得到裂缝位置和裂缝掩膜。
可选的,将所述第一特征图和所述第二特征图输入到特征融合网络,进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性,包括:
可选的,所述方法还包括:
获取训练样本集,所述训练样本集包括微电阻率成像测井数据和常规测井曲线数据;
对所述训练样本集进行数据清洗操作和标准化处理,并对数据清洗操作和标准化处理后的训练样本集进行标注,得到第一特征图、裂缝位置、裂缝掩膜和裂缝信息;
根据所述训练样本集和标注好的第一特征图、裂缝位置、裂缝掩膜和裂缝信息,对mask-RCNN模型和特征融合网络的转换层进行优化;
其中,优化后的mask-RCNN模型和特征融合网络的转换层用于对待分析的微电阻率成像测井数据和常规测井曲线数据进行处理。
可选的,在优化特征融合网络中的转换层时,损失函数为:
第二方面,本发明实施例提供一种基于多模态测井数据的裂缝表征装置,所述装置包括:
获取模块,用于获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据;
处理模块,用于对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理;
得到模块,用于将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图;
确定模块,用于将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
第三方面,本发明实施例提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如上第一方面任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时,用于实现如上第一方面任一项所述的方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面任一项所述的方法。
本发明实施例提供的基于多模态测井数据的裂缝表征方法、装置及设备,通过获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据,对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理,将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图,将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性,通过对多个测井数据进行分析,每个测井数据中均包含能够表征裂缝位置、裂缝掩膜和裂缝信息的裂缝特征,利用计算机技术对裂缝进行提取,不仅可以加快处理速度,还可以在一定程度上避免主观因素,基于mask-RCNN模型和特征融合网络对两种测井数据进行处理,能够合理的对测井数据的模态进行融合,进而更准确的表征裂缝及定量计算裂缝信息,得到的裂缝更为准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种应用场景示意图;
图2为本发明实施例提供的一种基于多模态测井数据的裂缝表征方法的流程示意图;
图3为本发明实施例提供的一种基于常规测井曲线数据与微电阻率成像测井数据的流程示意图;
图4为本发明实施例提供的一种微电阻率成像测井数据进行预处理操作后得到数据集的示意图;
图5为本发明实施例提供的另一种基于多模态测井数据的裂缝表征方法的流程示意图;
图6为本发明实施例提供的一种基于特征金字塔网络得到的第一特征图的流程示意图;
图7为本发明实施例提供的一种基于区域候选网络模型得到候选框的示意图;
图8A为本发明实施例提供的一种水平层理检测结果示意图;
图8B为本发明实施例提供的一种钻井诱导缝检测结果示意图;
图8C为本发明实施例提供的一种低角度裂缝检测结果示意图;
图9为本发明实施例提供的一种微电阻率成像测井数据与标签图像的关系示意图;
图10为本发明实施例提供的一种筛选先验框的示意图;
图11为本发明实施例提供的一种基于mask-RCNN模型的流程示意图;
图12为本发明实施例提供的一种基于多模态测井数据的裂缝表征装置的结构示意图;
图13为本发明实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
下面对本发明实施例提供的一种应用场景进行解释:本发明实施例提供的方案,涉及到电成像测井技术。电成像测井技术可以将井剖面地质情况直观、细致地呈现出来,是测井专家深入了解地下情况的最有效测井资料之一。电成像图像又可称为微电阻率成像测井数据,是二维平面图像,相当于对井壁拍照。电成像数据经过预处理后,根据需要可以采用不同色度标定方法,在每个深度点上获得代表电导率大小的像素数据,每个像素都有对应的颜色显示在图像上。通常电阻率高用暗色表示,低电阻率用亮色表示。在实际的电成像图像中,倾斜裂缝在成像图像中通常是正、余弦曲线、水平裂缝为一条水平线,而垂直裂缝或高角度裂缝显示为两条竖线。裂缝两侧的岩性是连续的,且常与层面、层理面相交呈一定的角度。
在一些技术中,需要工作人员依据各条测井曲线反应的裂缝特征,提取测井侧缝指标并计算其指示裂缝存在的概率,最后通过加权计算建立综合概率模型划分裂缝带,但是该方法存在耗时时间长、效率低、工作量大以及对工作人员要求较高等问题。
因此,本发明的实施例提供了一种基于多模态测井数据的裂缝表征方法,对微电阻率成像测井数据进行数据清洗,得到数据集,对常规测井曲线数据标准化处理,将数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图,将第一特征图和第二特征图输入到特征融合网络中,得到一个低维度的特征图,从而确定裂缝信息,通过使用计算机技术对裂缝进行自动提取,不仅可以加快处理速度,提高处理效率,还可以在一定程度上避免主观因素的影响,使结果更加客观,准确。
图1为本发明实施例提供的一种应用场景示意图。如图1所示,将微电组率成像测井数据输入到mask-RCNN模型中,得到第一特征图、裂缝位置和裂缝掩膜,将常规测井曲线数据输入到长短期记忆网络中,得到第二特征图。将第一特征图和第二特征图输入到特征融合网络中,经过全连接网络,得到裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性等裂缝信息。
下面结合附图,对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图2为本发明实施例提供的一种基于多模态测井数据的裂缝表征方法的流程示意图。如图2所示,本实施例中的方法可以包括:
步骤201、获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据。
其中,微电阻率成像测井数据可以通过电成像测井技术得到。常规测井曲线数据可以通过声波测井、补偿中子测井、密度测井、双侧向测井以及阵列感知测井等测井方法得到。微电阻率成像测井数据又可称为成像测井数据。常规测井曲线数据又可称为常规测井数据。
可选的,待分析的微电阻率成像测井数据和常规测井曲线数据中均包含有裂缝位置,裂缝掩膜和裂缝信息等。
步骤202、对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理。
可选的,对微电阻率成像测井数据进行数据清洗操作,可以剔除微电阻率成像测井数据中的无效数据,得到一批可用的、存在裂缝特征信息的数据集。
对常规测井曲线数据进行标准化处理,可以将多条常规测井曲线数据进行归一化处理,使得常规测井曲线数据量纲一致,从而可以避免量纲不一致导致的深度学习模型不稳定的问题。
步骤203、将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图。
其中,mask-RCNN模型包括特征金字塔网络(Feature Pyramid Networks,FPN)、区域候选网络(Region Proposal Network,RPN)、全连接神经网络以及全卷积神经网络(Fully Convolutional Networks for Semantic Segmentation,FCN)。
裂缝位置可以为裂缝在井中的具体坐标位置,裂缝掩膜可以为裂缝的掩膜(mask)图像,在掩膜图像中,像素值为0表示背景,其他非0像素值代表不同种类裂缝。
图3为本发明实施例提供的一种基于常规测井曲线数据与微电阻率成像测井数据的流程示意图,如图3所示,将数据集输入到mask-RCNN模型中,可以得到第一特征图、裂缝位置和裂缝掩膜,并显示裂缝位置和裂缝掩膜。
将标准化处理后的常规测井曲线数据输入到长短期记忆网络(Long Short-TermMemory,LSTM)中,得到第二特征图。其中,常规测井曲线数据可以为自然伽马测井曲线数据、声波时差测井曲线数据、感应测井数据或其他测井数据。
步骤204、将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
其中,裂缝倾角可以为0度到180度之间,裂缝长度可以为裂缝的投影到水平面的长度,裂缝宽度可以为裂缝投影到竖直面的宽度,裂缝有效性可以为裂缝是否被填充,若为被填充,则裂缝的有效性较高,若被填充,则裂缝的有效性较低。特征融合网络又可称为改进的对抗生成网络模型。
可选的,将第一特征图和第二特征图输入到特征融合网络(Transfusion)中,对其进行特征提取,可以得到一个低维度的特征图,用于确定裂缝信息,并显示裂缝信息。
可选的,mask-RCNN模型可以是预先训练好的。具体地,可以通过处理后的微电阻率成像测井数据对mask-RCNN网络进行训练,每一训练样本可以包括处理后的微电阻率成像测井数据、第一特征图、裂缝位置及裂缝掩膜。其中,第一特征图、裂缝位置及裂缝掩膜可以是人为标注的。通过将处理后的微电阻率成像测井数据输入到mask-RCNN网络中,输出对应的第一特征图、裂缝位置和裂缝掩膜,得到训练好的mask-RCNN模型。
可选的,特征融合网络也可以是预先训练好的。具体的,可以通过将第一特征图和第二特征图对特征融合网络进行训练,每一训练样本可以包括第一特征图、第二特征图和裂缝信息。其中,裂缝信息可以是人为标注的。通过将第一特征图和第二特征图输入到特征融合网络中,输出对应的裂缝信息,得到训练好的特征融合网络。
可选的,mask-RCNN网络和特征融合网络可以是依次训练得到的。
在实际应用中,获取地区A多个井的微电阻率成像测井数据和常规测井曲线数据,并对地区A多个井的第一特征图、裂缝位置、裂缝掩膜和裂缝信息进行人工标注。对微电阻率成像测井数据进行处理,并基于处理后的微电阻率成像测井数据、第一特征图、裂缝位置和裂缝掩膜对mask-RCNN网络进行训练,得到地区A对应的mask-RCNN模型。将常规测井曲线数据输入到长短记忆网络中,得到第二特征图,并基于第一特征图、第二特征图和裂缝信息对特征融合网络训练,得到地区A对应的特征融合网络。当工作人员获取地区A某一口井的微电阻率成像测井数据和常规测井曲线数据时,将微电阻率成像测井数据进行处理输入训练好的mask-RCNN模型中,得到该井的第一特征图、裂缝位置和裂缝掩膜,将常规测井曲线数据输入到长短记忆网络中,得到第二特征图,将第一特征图和第二特征图输入到特征融合网络中,可以得到该井对应的裂缝信息。
本实施例提供的基于多模态测井数据的裂缝表征方法,通过获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据,对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理,将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图,将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性,通过对多个测井数据进行分析,每个测井数据中均包含能够表征裂缝位置、裂缝掩膜和裂缝信息的裂缝特征,利用计算机技术对裂缝进行提取,不仅可以加快处理速度,还可以在一定程度上避免主观因素,基于mask-RCNN模型和特征融合网络对两种测井数据进行处理,能够合理的对测井数据的模态进行融合,进而更准确的表征裂缝及定量计算裂缝信息,得到的裂缝更为准确。
在上述实施例提供的技术方案的基础上,可选的,对所述微电阻率成像测井数据进行预处理操作,得到数据集,包括:
按照预设单位图像的尺寸信息对所述微电阻率成像测井数据进行切割,得到多个微电阻率成像测井数据,并剔除所述多个微电阻率成像测井数据中不存在裂缝的微电阻率成像测井数据;基于深度学习对所述多个微电阻率成像测井数据中剩余的微电阻率成像测井数据进行空白条带填充,得到数据集。
其中,预设单位图像的尺寸信息可以是人为设定的,例如,可以设定尺寸为300*300像素。
图4为本发明实施例提供的一种微电阻率成像测井数据进行预处理操作后得到数据集的示意图,如图4所示,先将微电阻率成像测井数据按照预设单位图像的尺寸信息进行切割,得到多个微电率成像测井数据,并将多个微电阻率成像测井数据中不存在裂缝的微电阻率成像测井数据剔除。将剩余的微电阻率成像测井数据基于深度学习进行空白条带填充,得到数据集。
需要说明的是,图4中仅展示了部分数据集。
在本实施例中,可以补全微电阻率成像测井数据的缺失区域,解决原始微电阻率成像测井数据中由于空白条带造成的大量噪声而导致模型泛化效果较差等问题。
图5为本发明实施例提供的另一种基于多模态测井数据的裂缝表征方法的流程示意图,本实施例是在前述实施例的基础上,具体通过金字塔网络模型、区域候选网络模型、全连接神经网络和全卷积神经网络得到第一特征图、裂缝位置及裂缝掩膜。如图5所示,对步骤203进一步细化,将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,包括:
步骤501、根据预设尺寸重置所述数据集的尺寸,将重置尺寸后的数据集输入到所述mask-RCNN模型中的金字塔网络模型,得到所述第一特征图。
其中,预设尺寸可以是人为设定的,例如,预设尺寸的维度可以为512*512。
可选的,将数据集中的数据根据预设尺寸进行重置,多余的部分使用灰色填充,并将重置后的数据集输入到mask-RCNN模型中的金字塔网络模型。
其中,金字塔网络模型是一种对传统CNN网络对于数据信息进行特征提取的改进,其目的是为了改进CNN的特征提取方式,将其应用微电阻率成像测井数据第一特征图提取的过程可以分为两个阶段:自下至上的特征生成(Bottom-up pathway)和自上至下的裂缝特征补充增强(Top-down pathway)。
图6为本发明实施例提供的一种基于特征金字塔网络得到的第一特征图的流程示意图,如图6所示,自下至上(Bottom-up)路径的网络结构使用了ResNet网络结构来进行裂缝的特征提取,ResNet中的跳跃连接(skip connection),使得模型可以逼近恒等映射网络,使网络更容易达到最优。经过Bottom-up特征提取后,特征金字塔网络在这一过程中输出四个特征图C2、C3、C4、C5,分别对原始成像测井数据的不同尺度特征进行提取,而其特征图尺寸分别为原图的1/4、1/8、1/16、1/32。除此之外,C1作为对原始微电阻率成像测井数据的首次卷积结果,由于其特征与成像图像的像素信息较一致,且内存占用较大,故不被使用。在这四个特征图中,随着特征图尺寸的减小,微电阻率成像测井数据中裂缝的位置特征信息强度将逐渐减弱。
而在自上至下(Top-down)路径中,首先对C5特征图进行1*1卷积,降低其通道数,得到P5特征图,将P5进行上采样,使其尺寸扩大两倍,将该上采样结果与C4特征图的1*1卷积结果进行拼接得到P4。然后将P5进行3*3卷积处理得到256通道的P6特征图,以减小上采样带来的混淆现象。C4、C3、C2使用同样方法进行处理,最终得到P2、P3、P4、P5四种不同分辨率级别的第一特征图,与同样尺寸的C2、C3、C4、C5对应,Pi通道数均为256,用于后续对裂缝的分割、识别、定位。
通过特征金字塔网络,将生成6个代表不同尺度裂缝特征的特征图,由于裂缝在微电阻率成像测井数据中的分辨率一般较高,所以仅使用前4个特征图作为第一特征图进行进一步的候选区域筛选。
步骤502、将所述第一特征图输入到所述mask-RCNN模型的区域候选网络模型中,得到多个候选框。
其中,区域候选网络模型的作用是筛选出可能会有裂缝目标的框。将任意尺度的裂缝特征图,可以输出一系列矩形裂缝候选区域。区域候选网络模型主要由全卷积网络实现,通过两个全连接网络,可以判断区域内为裂缝还是背景,并输出相对原始成像测井图像的裂缝位置坐标的偏移量,以获得精确的区域框。最后网络整合裂缝信息和位置信息,输出若干候选框。候选框又可称为候选区域框。
可选的,将第一特征图输送到区域生成网络中,用于生成若干符合要求的用于定位裂缝的候选框。
图7为本发明实施例提供的一种基于区域候选网络模型得到候选框的示意图,如图7所示,通过预先设置Anchor(锚点)信息,模型应读取三种候选框面积,128*128、256*256和512*512,以及长宽比1:1、1:2和2:1,进行排列组合可以得到9种候选框大小。在模型中,成像测井数据经过区域候选网络模型生成的4种不同分辨率的特征图将依次被输入区域候选网络模型,因此,区域候选网络模型输入维度为w*h*256的特征图,首先将经过3*3卷积层,得到尺寸大小不变,通道数为512的特征图。从宽和高分别为w*h的特征图中,划分出w*h个网格,可以将每个网格映射到原始成像图像中一个像素点,以该像素点为中心,定位出k个Anchor框,因此,可以定位w*h*k个框,模型将通过两个平行的卷积操作,分别输出w*h*k*2个裂缝识别结果和w*h*k*4个裂缝位置修正偏移量,其中裂缝识别结果中的第一个维度代表候选区域中内容被识别为裂缝的概率,第二个维度代表候选区域中内容为背景的概率。总的来说,模型初步生成了w*h*k个候选框,并对这些候选框中的内容做出评估,判断其中是否存在裂缝、并尝试修正裂缝区域的坐标。然而,在其中有不少候选框是冗余、无效的,如其中可能有多个候选框定位同一个裂缝,或者有大量候选框并没有定位到裂缝,因此后续还需要进行筛选。
其中,映射到真实FMI(Formation MicroScanner Image,地层微电阻率扫描成像)可以是从特征图中映射到对应裂缝的特征图。
步骤503、基于感兴趣区域对齐技术或感兴趣区域池化技术将所述多个候选框的感兴趣区域修正为相同的尺寸。
可选的,由于筛选出的候选框区域尺寸有所区别,无法直接输入后续网络进行裂缝分类和检测,所以使用感兴趣区域池化(ROI Pooling)技术或者感兴趣区域对齐(ROIAlign)技术来使各个感兴趣区域(ROI)的尺寸相同。
可选的,将修正尺寸的感兴趣区域应用于之前金字塔网络模型得到的多尺度裂缝特征图,切割出对应感兴趣区域的特征图,其中的原则是,大尺度的感兴趣区域从低分辨率的特征图中切出对应感兴趣区域大小的特征图,这将有利于检测大目标,而小尺度的感兴趣区域从高分辨的特征图中进行特征切割,同理,该方式有利于检测小尺度裂缝目标。
步骤504、根据修正后的感兴趣区域,从第一特征图中选取对应的感兴趣区域图像,并将得到的感兴趣区域图像分别输送到全连接神经网络和全卷积神经网络中,得到裂缝位置和裂缝掩膜。
可选的,根据修正后的感兴趣区域,从第一特征图中选取对应的感兴趣区域图像输入到两个平行的工作流。第一个工作流主要由全连接网络组成,用于对候选区域中内容的分类、坐标偏移修正,在对候选区域平移缩放参数的回归中使用的损失函数为Smooth L1函数,而针对候选区域内裂缝类别的判定使用对数损失,从而得到裂缝位置;第二个工作流主要由全连接网络组成,用于预测mask特征,该网络将14*14大小的特征图上采样为28*28*n的mask特征图作为裂缝mask的预测结果,其中n代表裂缝类别。在使用模型进行推理时,该mask特征图的尺寸将变为与候选区域大小一致,由于生成mask时只需要区分一种裂缝对象与背景,从而确定裂缝掩膜。
基于mask-RCNN中的模型对数据集进行处理计算,根据特征金字塔网络得到的第一特征图,基于区域候选网络模型得到候选框,根据全连接神经网络和全卷积神经网络,得到裂缝位置和裂缝掩膜,根据不同的模型得到对应的结果,使得到的结果更准确。
可选的,将所述第一特征图和所述第二特征图输入到特征融合网络,进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性,包括:
将所述第一特征图和所述第二特征图输入到特征融合网络,对所述第一特征图和所述第二特征图进行拼接,得到拼接后的特征图将所述拼接后的特征图输入到转换层中,得到裂缝信息,确定低维度的特征图所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
其中,转化层的作用是在不损失重要信息的情况下,压缩多模态测井数据的特征空间,将成像测井数据特征图与常规测井曲线特征图紧密结合起来,最后用于表征裂缝。
可选的,将第一特征图和第二特征图输入特征融合网络,压缩多模态测井数据的特征空间,将成像测井数据特征图与常规测井曲线特征图紧密结合起来,最后用于表征裂缝信息。
为智能地对成像测井数据与常规测井数据进行特征融合,本发明采用动态提取多模态特征信息的方法。
可选的,微电阻率成像测井数据和常规测井曲线数据作为裂缝表征的不同信息来源,可分别视作一种模态,不同的模态数据之间会存在交叉现象,即存在冗余的信息,以及互补现象,即结合微电阻率成像测井数据和常规测井曲线数据来进行裂缝表征将会更加准确。合理地融合这两种模态数据将能得到丰富的裂缝特征信息,进而更准确的表征裂缝及定量计算裂缝参数。
图8A为本发明实施例提供的一种水平层理检测结果示意图,如图8A所示,可以得到融合后的特征图的水平层理划分结果,划分各个层不同的区域显示的裂缝。图8B为本发明实施例提供的一种钻井诱导缝检测结果示意图,如图8B所示,可以得到在感兴趣区域图像中,显示出对应的裂缝。图8C为本发明实施例提供的一种低角度裂缝检测结果示意图,如图8C所示,得到的是在一种在感兴趣区域图像中,显示出对应的裂缝。
可选的,所述基于多模态测井数据的裂缝表征方法还包括:
获取训练样本集,所述训练样本集包括微电阻率成像测井数据和常规测井曲线数据;对所述训练样本集进行数据清洗操作和标准化处理,并对数据清洗操作和标准化处理后的训练样本集进行标注,得到第一特征图、裂缝位置、裂缝掩膜和裂缝信息;根据所述训练样本集和标注好的第一特征图、裂缝位置、裂缝掩膜和裂缝信息,对mask-RCNN模型和特征融合网络的转换层进行优化。
其中,优化后的mask-RCNN模型和特征融合网络的转换层用于对待分析的微电阻率成像测井数据和常规测井曲线数据进行处理。
可选的,在训练时,可以按照一定比例将训练样本集分配训练集和验证集,例如,将训练样本集按9:1划分为训练集和验证集。
可选的,可以对训练样本中的微电阻率成像测井数据进行数据清洗操作,具体地,将微电阻率成像测井数据按预设单位图像的尺寸信息进行分割,剔除不包含裂缝信息的微电阻率成像测井数据,并对剩余的微电阻率成像测井数据进行空白条带填充。对训练样本中的常规成像测井曲线数据进行标准化化处理,具体地,将常规成像测井曲线数据进行归一化处理。
可选的,由于原始微电阻率成像测井数据中存在裂缝的部分较少,而且在一些成像图像中,裂缝与周围基岩的对比度较弱,不利于算法提取特征,还可以对微电阻率成像测井数据进行数据增强。
图9为本发明实施例提供的一种微电阻率成像测井数据与标签图像的关系示意图,如图9所示,在对微电阻率成像测井数据进行数据增强时,对微电阻率成像测井数据进行与其标签图像以相同概率做相同程度的变化,以相同概率同时缩放原始图像与对应的标签图像,增强训练模型的识别能力。对微电阻率成像测井数据增加高斯噪声,增强学习能力。对微电阻率成像测井数据和标签图像以相同的随机概率做压缩和翻转,沿微电阻率成像测井数据和标签图像做同类型图像边界反射,通过增强数据,可以提高泛化效果。
可选的,可以通过人工标注的方式对处理后的训练样本集进行标注,得到第一特征图、裂缝位置、裂缝掩膜和裂缝信息,并通过第一特征图、裂缝位置和裂缝掩膜对mask-RCNN模型进行优化。
在训练过程中,金字塔网络模型的损失函数使用二分类的交叉熵(Binary crossentropy)函数。
其中,交叉熵损失,用于处理多分类问题当目标标注为1,预测结果为1时,交叉熵损失值E的值为0,损失函数值可取极小值;当目标标注为0,预测结果为1时,交叉熵损失值E的值不为0,通过损失函数的值,计算梯度,将网络中参数的梯度反向传播到各个层中修正参数。
可选的,代表四种分辨率的第一特征图输入区域候选网络模型网络后,将得到四种先验框的参数,先验框的数量总计为w*h*k*4个。模型将w*h*k*4个先验框的评估结果进行拼接,方便统一处理。
图10为本发明实施例提供的一种筛选先验框的示意图,如图10所示,网络将通过预先设置的先验框,对区域候选网络模型输出的若干先验框的参数进行对比,进而调整先验框参数,并对先验框进行筛选,最终得到建议框(Proposal bounding box)。具体来说,首先模型将筛选出识别裂缝置信度较高的前6000个先验框,接着依据这批先验框的坐标偏移评估,对先验框的坐标进行调整,得到调整后的6000个先验框,并对这6000个先验框进行非极大抑制(Non-Maximum Suppression)操作,目的是解决同一裂缝目标位置中有大量的冗余先验框的问题,非极大抑制可以找到最佳的裂缝先验框,消除冗余的先验框,最终余下2000个先验框,其中,余下的先验框可以通过人为方式预先设定。
图11为本发明实施例提供的一种基于mask-RCNN模型的流程示意图,如图11所示,将数据集输入到mask-RCNN网络中,得到第一特征图,将第一特征图输入到区域候选网络中,再通过感兴趣区域对齐技术,得到裂缝类别、区域边界和裂缝掩膜。其中,通过裂缝类别和区域边界可以确定裂缝位置。
由于mask-RCNN是多任务网络,即裂缝定位和识别,因此定义多任务损失函数如下所示:
L=L′cls+Lbox+Lmask (1)
其中,第一项损失N′cls如下所示,其中Ncls为对数损失,如下所示:
第二项损失Lbox如下所示,
第三项损失Lmask如下所示:
Lmask=-yi·log(p(yi))+(1-yi)·log(1-p(yi)) (6)
其中,i表示第i个先验框,p(yi)代表模型预测先验框内存在裂缝的概率,yi代表实际先验框中是否存在裂缝,如存在裂缝,yi=1,否则为0。
由此,当损失函数达到最小值时,可以实现对mask-RCNN模型的优化。
可选的,可以通过第一特征图、第二特征图和裂缝信息对特征融合网络的转化层进行优化。
具体地,在训练过程中,将第一特征图和第二特征图输入到特征融合网络中,得到一个拼接后的特征图,将特征图输入到转换层中,该转换层可以通过全卷积网络和全连接网络组成,对应的标签为裂缝信息,通过训练可以实现对转换层中各参数的确定。
在实际应用时,将待分析的拼接后的特征图输入到转换层中,经过转换层可以得到对应的裂缝信息。
通过对mask-RCNN模型和特征融合网络中的转换层进行训练优化,可以提高得到第一特征图、裂缝位置、裂缝掩膜和裂缝信息的准确性,从而提高得到裂缝特征的准确性。
可选的,在优化特征融合网络中的转换层时,损失函数为:
可选的,在网络训练过程当中,应当最小化拼接后特征图与转换层输出特征图的欧氏距离(euclidean distance),当该距离为最小值时,得到的损失函数即为最小值,即得到最优的转换层。
可选的,对模型的训练过程,也是对模型的优化过程。
通过确定损失函数,确定最优的转换层,可以提高对裂缝信息提取的准确性。
图12为本发明实施例提供的一种基于多模态测井数据的裂缝表征装置的结构示意图。如图12所示,本实施例提供的基于多模态测井数据的裂缝表征装置,可以包括:
获取模块1201,用于获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据;
处理模块1202,用于对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理;
得到模块1203,用于将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图;
确定模块1204,用于将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
可选的,所述处理模块1202在对所述微电阻率成像测井数据进行预处理操作,得到数据集时,具体用于:
按照预设单位图像的尺寸信息对所述微电阻率成像测井数据进行切割,得到多个微电阻率成像测井数据,并剔除所述多个微电阻率成像测井数据中不存在裂缝的微电阻率成像测井数据;
基于深度学习对所述多个微电阻率成像测井数据中剩余的微电阻率成像测井数据进行空白条带填充,得到数据集。
可选的,所述得到模块1203在将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜时,具体用于:
根据预设尺寸重置所述数据集的尺寸,将重置尺寸后的数据集输入到所述mask-RCNN模型中的金字塔网络模型,得到所述第一特征图;
将所述第一特征图输入到所述mask-RCNN模型的区域候选网络模型中,得到多个候选框;
基于感兴趣区域对齐技术或感兴趣区域池化技术将所述多个候选框的感兴趣区域修正为相同的尺寸;
根据修正后的感兴趣区域,从第一特征图中选取对应的感兴趣区域图像,并将得到的感兴趣区域图像分别输送到全连接神经网络和全卷积神经网络中,得到裂缝位置和裂缝掩膜。
可选的,所述确定模块1204具体用于:
可选的,所述确定模块1204还用于:
获取训练样本集,所述训练样本集包括微电阻率成像测井数据和常规测井曲线数据;
对所述训练样本集进行数据清洗操作和标准化处理,并对数据清洗操作和标准化处理后的训练样本集进行标注,得到第一特征图、裂缝位置、裂缝掩膜和裂缝信息;
根据所述训练样本集和标注好的第一特征图、裂缝位置、裂缝掩膜和裂缝信息,对mask-RCNN模型和特征融合网络的转换层进行优化;
其中,优化后的mask-RCNN模型和特征融合网络的转换层用于对待分析的微电阻率成像测井数据和常规测井曲线数据进行处理。
可选的,在优化特征融合网络中的转换层时,损失函数为:
本实施例提供的装置可以执行如图1-图11所示的方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图13为本发明实施例提供的一种电子设备的结构示意图。如图13所示,本实施例提供的电子设备,可以包括:处理器131,以及与所述处理器通信连接的存储器132;
所述存储器132存储计算机执行指令;
所述处理器131执行所述存储器132存储的计算机执行指令,使得所述处理器131执行上述任一实施例所述的方法。
其中,存储器132和处理器131可以通过总线133连接。
本实施例提供的设备的具体实现原理和效果可以参见图1-图11所示实施例对应的相关描述和效果,此处不做过多赘述。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现本发明任一实施例提供的基于多模态测井数据的裂缝表征方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本发明任一实施例所述的基于多模态测井数据的裂缝表征方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各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一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种基于多模态测井数据的裂缝表征方法,其特征在于,包括:
获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据;
对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理;
将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图;
将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
2.根据权利要求1所述的方法,其特征在于,对所述微电阻率成像测井数据进行预处理操作,得到数据集,包括:
按照预设单位图像的尺寸信息对所述微电阻率成像测井数据进行切割,得到多个微电阻率成像测井数据,并剔除所述多个微电阻率成像测井数据中不存在裂缝的微电阻率成像测井数据;
基于深度学习对所述多个微电阻率成像测井数据中剩余的微电阻率成像测井数据进行空白条带填充,得到数据集。
3.根据权利要求1所述的方法,其特征在于,将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,包括:
根据预设尺寸重置所述数据集的尺寸,将重置尺寸后的数据集输入到所述mask-RCNN模型中的金字塔网络模型,得到所述第一特征图;
将所述第一特征图输入到所述mask-RCNN模型的区域候选网络模型中,得到多个候选框;
基于感兴趣区域对齐技术或感兴趣区域池化技术将所述多个候选框的感兴趣区域修正为相同的尺寸;
根据修正后的感兴趣区域,从第一特征图中选取对应的感兴趣区域图像,并将得到的感兴趣区域图像分别输送到全连接神经网络和全卷积神经网络中,得到裂缝位置和裂缝掩膜。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
获取训练样本集,所述训练样本集包括微电阻率成像测井数据和常规测井曲线数据;
对所述训练样本集进行数据清洗操作和标准化处理,并对数据清洗操作和标准化处理后的训练样本集进行标注,得到第一特征图、裂缝位置、裂缝掩膜和裂缝信息;
根据所述训练样本集和标注好的第一特征图、裂缝位置、裂缝掩膜和裂缝信息,对mask-RCNN模型和特征融合网络的转换层进行优化;
其中,优化后的mask-RCNN模型和特征融合网络的转换层用于对待分析的微电阻率成像测井数据和常规测井曲线数据进行处理。
7.一种基于多模态测井数据的裂缝表征装置,其特征在于,所述装置包括:
获取模块,用于获取待分析的微电阻率成像测井数据和常规测井曲线数据;所述常规测井曲线数据包括下述至少一项:自然伽马测井曲线数据、自然电位测井曲线数据、井径测井曲线数据、深中浅三电阻率测井曲线数据、声波测井曲线数据、中子测井曲线数据及密度测井曲线数据;
处理模块,用于对所述微电阻率成像测井数据进行数据清洗操作,得到数据集,对所述常规测井曲线数据进行标准化处理;
得到模块,用于将所述数据集输入到mask-RCNN模型中得到第一特征图、裂缝位置及裂缝掩膜,将标准化处理后的常规测井曲线数据输入到长短期记忆网络中得到第二特征图;
确定模块,用于将所述第一特征图和所述第二特征图输入到特征融合网络进行模态融合,确定裂缝信息,所述裂缝信息包括下述至少一项:裂缝倾角、裂缝长度、裂缝宽度、裂缝有效性。
8.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111318092.4A CN114114457B (zh) | 2021-11-09 | 2021-11-09 | 基于多模态测井数据的裂缝表征方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111318092.4A CN114114457B (zh) | 2021-11-09 | 2021-11-09 | 基于多模态测井数据的裂缝表征方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114114457A CN114114457A (zh) | 2022-03-01 |
CN114114457B true CN114114457B (zh) | 2022-12-02 |
Family
ID=80377995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111318092.4A Active CN114114457B (zh) | 2021-11-09 | 2021-11-09 | 基于多模态测井数据的裂缝表征方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114457B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035371B (zh) * | 2022-05-13 | 2023-09-12 | 西南石油大学 | 基于多尺度特征融合神经网络的井壁裂缝识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873033B (zh) * | 2017-03-13 | 2019-03-22 | 中国海洋石油集团有限公司 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
CN107861162B (zh) * | 2017-09-15 | 2019-12-24 | 北京旭日昌盛科技有限公司 | 基于微电极测井资料的天然裂缝识别方法及系统 |
US10977489B2 (en) * | 2018-11-07 | 2021-04-13 | International Business Machines Corporation | Identification of natural fractures in wellbore images using machine learning |
CN109710968B (zh) * | 2018-11-14 | 2022-03-01 | 中国石油天然气股份有限公司 | 一种基岩潜山裂缝预测方法及装置 |
CN112465748B (zh) * | 2020-11-10 | 2022-07-08 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
CN113447997B (zh) * | 2021-05-21 | 2023-07-18 | 中国石油大学(北京) | 储层裂缝识别方法、识别装置及识别系统 |
-
2021
- 2021-11-09 CN CN202111318092.4A patent/CN114114457B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114114457A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898507B (zh) | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 | |
Puissant et al. | The utility of texture analysis to improve per‐pixel classification for high to very high spatial resolution imagery | |
US11308714B1 (en) | Artificial intelligence system for identifying and assessing attributes of a property shown in aerial imagery | |
WO2019192397A1 (zh) | 一种任意形状的场景文本端到端识别方法 | |
Kamaliardakani et al. | Sealed-crack detection algorithm using heuristic thresholding approach | |
US8837830B2 (en) | Finding text in natural scenes | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
Turker et al. | Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN111782583B (zh) | 智能审图方法及相关装置 | |
CN108230376B (zh) | 遥感图像处理方法、装置和电子设备 | |
CN113159120A (zh) | 一种基于多尺度跨图像弱监督学习的违禁物检测方法 | |
Wu et al. | An object-based image analysis for building seismic vulnerability assessment using high-resolution remote sensing imagery | |
Ghosh et al. | Automated detection and classification of pavement distresses using 3D pavement surface images and deep learning | |
CN113239227B (zh) | 图像数据结构化方法、装置、电子设备及计算机可读介质 | |
US12033378B2 (en) | Resolving training dataset category ambiguity | |
CN109241867A (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
Lee et al. | Neural geometric parser for single image camera calibration | |
CN111611933A (zh) | 文档图像的信息提取方法及系统 | |
CN114114457B (zh) | 基于多模态测井数据的裂缝表征方法、装置及设备 | |
CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN112784189A (zh) | 一种识别页面图像的方法和装置 | |
CN117218672A (zh) | 一种基于深度学习的病案文字识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |