CN114463333B - 随钻地质导向实时地层格架智能更新方法与系统 - Google Patents

随钻地质导向实时地层格架智能更新方法与系统 Download PDF

Info

Publication number
CN114463333B
CN114463333B CN202210385686.5A CN202210385686A CN114463333B CN 114463333 B CN114463333 B CN 114463333B CN 202210385686 A CN202210385686 A CN 202210385686A CN 114463333 B CN114463333 B CN 114463333B
Authority
CN
China
Prior art keywords
data
logging
drilling
logging data
dimensionality reduction
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
Application number
CN202210385686.5A
Other languages
English (en)
Other versions
CN114463333A (zh
Inventor
郑文浩
田飞
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.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
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 Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN202210385686.5A priority Critical patent/CN114463333B/zh
Publication of CN114463333A publication Critical patent/CN114463333A/zh
Priority to US17/895,088 priority patent/US20230333274A1/en
Application granted granted Critical
Publication of CN114463333B publication Critical patent/CN114463333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B7/00—Special methods or apparatus for drilling
    • E21B7/04—Directional drilling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2200/00—Details of seismic or acoustic prospecting or detecting in general
    • G01V2200/10—Miscellaneous details
    • G01V2200/16—Measure-while-drilling or logging-while-drilling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mining & Mineral Resources (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Fluid Mechanics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于地质勘探领域，具体涉及了一种随钻地质导向实时地层格架智能更新方法与系统，旨在解决不同的随钻测井和录井仪器测量参数存在差异，对地层格架的位置、倾角识别的精度不足的问题。本发明包括：获取现有井资料并实时采集测井数据和随钻成像图像；构建初始地层格架模型并剔除异常值和降维；基于降维测井数据，通过密度峰值聚类方法（DPC）进行非线性聚类，再通过基于深度信念网络（DBN）的标志层预测模型获得标志层初步预测结果并矫正，获得矫正后的地层格架模型，并调整钻井轨迹。本发明通过对测得数据进行非线性的降维并结合密度峰值聚类的方法，剔除了可能会影响识别精度的聚类簇，从而构建出更精确的地层格架模型，用以辅助钻井。

Description

随钻地质导向实时地层格架智能更新方法与系统
技术领域
本发明属于地质勘探领域，具体涉及了随钻地质导向实时地层格架智能更新方法与系统。
背景技术
与石油工业界常用的直井和定向井相比，水平井具有动用储量程度高、单井产量高且采油成本低等特点。在水平井的钻井过程中，其成功率和钻遇率主要受控于地质导向实时控制的井轨迹。在地质导向过程中，根据井下钻遇的实时数据调整地质格架模型成为提高储层钻遇率的关键。在实际钻井过程中，定向井工程师和钻井工程师通过地震和测井等方式，建立初始地质格架模型，并结合随钻测井资料、钻井资料和录井资料更新地层格架模型，实时判断钻头所处的地层位置，并优化井轨迹以保证水平段处于储层内的最佳位置，这对于提高储层钻遇率和水平井的油气产量具有重要意义。
由于随钻地质导向面临地质对象的复杂性和多变性，要求钻头能在1m左右的起伏地层内准确钻进，这使得常规地层格架更新技术面临巨大挑战，产生许多技术难题，往往依靠定向井工程师的个人经验判断，无法得到最优的解决方案。例如，随钻范围内的实际地层深度与地震剖面深度不匹配，导致实钻结果与设计差异较大，一旦穿出储层顶底界，需要经过较长井段调整才能回到目的层段的箱体，严重时需要侧钻甚至提前完钻；或者突然钻遇断层或构造复杂而无法确定钻头下一步的钻进方向。如何实时精准对地层格架模型进行地层深度、倾角倾向矫正，以及实时识别断裂，是地层格架模型实时更新的关键。复杂油气藏钻井面对的地层普遍存在非均质性，多种随钻测井和录井仪器测量参数存在很大差异，如何融合多类型地质-地球物理数据实现一体化协同是一大难题。
发明内容
为了解决现有技术中的上述问题，即现有的钻井技术未能很好的克服地层普遍存在的非均质性，不同的随钻测井和录井仪器测量参数存在差异，对地层格架的位置、倾角识别的精度不足而导致井轨迹控制效果差的问题，本发明提出一种随钻地质导向实时地层格架智能更新方法，所述方法包括：
步骤S100，获取现有井资料并实时采集测井数据和随钻成像图像；
步骤S200，基于所述现有井资料，构建初始地层格架模型；
步骤S300，基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；
步骤S400，基于所述有效测井数据进行非线性降维，获得降维测井数据；
步骤S500，基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类并结合岩心和随钻成像图像进行交互式定量评价，获得贴标签的测井数据聚类簇；
步骤S600，基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层初步预测结果；
步骤S700，通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
在一些优选的实施方式中，所述步骤S300，为通过孤立森林算法剔除异常值，具体包括：
步骤S310，选取10种测井数据和钻井数据，测井数据包括：AC、CNL、RD、RS、COND、GR和DEN；钻井数据包括钻速、转速和钻压，选取所述测井数据和钻井数据进行排列组合建立待处理数据集；
步骤S320，将待处理数据集中的待处理数据组合表示为
Figure 928719DEST_PATH_IMAGE001
，
Figure 146074DEST_PATH_IMAGE002
，其中
Figure 618644DEST_PATH_IMAGE003
表示数据点，从测井数据
Figure 263252DEST_PATH_IMAGE004
中随机抽取
Figure 454062DEST_PATH_IMAGE005
个数据点构成子集
Figure 943949DEST_PATH_IMAGE006
存入根节点；
步骤S330，从测井数据中随机选定一个维度q，在维度q中随机产生一个切割点p； 其中切割点p满足
Figure 802183DEST_PATH_IMAGE007
；
步骤S340，根据切割点p生成将维度q中数据划分为两个子空间的超平面，指定数值小于p的数据点放入第一叶子节点，数值大于或等于p的数据点放入第二叶子节点；
步骤S350，递归步骤S330-步骤S340的方法直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度；
步骤S360，重复步骤S320-步骤S350的方法直至生成T个孤立树；其中，T个孤立树 表示：孤立树没有叶子节点的外部节点，或有两个叶子节点
Figure 352113DEST_PATH_IMAGE008
和一个内部节点test； 在T个孤立树的内部节点test由维度q和一个分割点p组成，q<p的点属于
Figure 764640DEST_PATH_IMAGE009
，反之属于
Figure 58218DEST_PATH_IMAGE010
；
步骤S370，所述T个孤立树即为孤立树森林，令每个数据点
Figure 505380DEST_PATH_IMAGE003
遍历每一个孤立树， 计算数据点
Figure 993255DEST_PATH_IMAGE003
在每一个孤立树的高度
Figure 158658DEST_PATH_IMAGE011
即数据点
Figure 990347DEST_PATH_IMAGE003
从所在孤立树的根节点到叶子节 点经过的边的数量；从而计算数据点
Figure 557595DEST_PATH_IMAGE003
在孤立树森林中的平均高度，对所有数据点的平均 高度做归一化处理，获得归一化的数据点平均高度
Figure 449328DEST_PATH_IMAGE012
；
步骤S380，基于所述归一化的数据点平均高度
Figure 836447DEST_PATH_IMAGE012
，计算异常值分数
Figure 471827DEST_PATH_IMAGE013
：
Figure 893581DEST_PATH_IMAGE014
其中，
Figure 956215DEST_PATH_IMAGE015
表示
Figure 830630DEST_PATH_IMAGE016
个数据点所构建的二叉树路径长度的平均值，E（*）表示期望；
Figure 269702DEST_PATH_IMAGE017
其中，
Figure 545963DEST_PATH_IMAGE018
表示调和数，通过
Figure 779498DEST_PATH_IMAGE019
估算，0.5772156649为欧 拉常数；
当所述异常值分数
Figure 642674DEST_PATH_IMAGE013
小于预设的异常值阈值s时，将对应的数据点剔除，获 得有效测井数据
Figure 619857DEST_PATH_IMAGE020
，
Figure 281783DEST_PATH_IMAGE021
，
Figure 686219DEST_PATH_IMAGE022
，
Figure 269647DEST_PATH_IMAGE023
表示有效测井数据 中的数据点数；
步骤S390，重复步骤S320-步骤S380的方法选取未被选中过的待处理数据组合计算有效测井数据，选取精准率达到预设的第一精准阈值且准确率最高的有效测井数据进行后续步骤。
在一些优选的实施方式中，通过t-SNE方法对有效测井数据进行非线性降维，具体包括：
步骤S410，基于所述有效测井数据
Figure 50521DEST_PATH_IMAGE024
，选取任意点
Figure 301374DEST_PATH_IMAGE025
和
Figure 876712DEST_PATH_IMAGE026
，
Figure 947436DEST_PATH_IMAGE027
，
Figure 266422DEST_PATH_IMAGE028
，其中
Figure 637361DEST_PATH_IMAGE026
服从以
Figure 941620DEST_PATH_IMAGE025
为中心且方差为
Figure 798717DEST_PATH_IMAGE029
的高斯分布
Figure 24162DEST_PATH_IMAGE030
，
Figure 442768DEST_PATH_IMAGE025
服从以
Figure 488084DEST_PATH_IMAGE026
为中心且方差为
Figure 414452DEST_PATH_IMAGE031
的高斯分布
Figure 494403DEST_PATH_IMAGE032
；则
Figure 582445DEST_PATH_IMAGE025
和
Figure 115058DEST_PATH_IMAGE026
相似的条件概率
Figure 579537DEST_PATH_IMAGE033
为：
Figure 513995DEST_PATH_IMAGE034
其中，用户可根据
Figure 772938DEST_PATH_IMAGE031
指定困惑度Perp，困惑度的定义为：
Figure 792847DEST_PATH_IMAGE035
，
Figure 61017DEST_PATH_IMAGE036
表示高斯分布
Figure 115560DEST_PATH_IMAGE030
的香农信息熵：
Figure 545405DEST_PATH_IMAGE037
数据点
Figure 52610DEST_PATH_IMAGE025
与
Figure 360356DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度的联合概率
Figure 3827DEST_PATH_IMAGE038
为：
Figure 870152DEST_PATH_IMAGE039
其中，
Figure 599074DEST_PATH_IMAGE040
表示
Figure 209047DEST_PATH_IMAGE026
和
Figure 972603DEST_PATH_IMAGE025
相似的条件概率；
步骤S420，假设基于所述有效测井数据
Figure 9829DEST_PATH_IMAGE024
构建降维测井数 据集为
Figure 226047DEST_PATH_IMAGE041
，在步骤S420中，有效测井数据相对于降维测井数据集为 高维空间中的数据，计算数据点
Figure 639711DEST_PATH_IMAGE025
与
Figure 257774DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 731481DEST_PATH_IMAGE042
与
Figure 434995DEST_PATH_IMAGE043
的联合 概率
Figure 386770DEST_PATH_IMAGE044
：
Figure 360804DEST_PATH_IMAGE045
其中，
Figure 739833DEST_PATH_IMAGE046
，
Figure 930643DEST_PATH_IMAGE047
和
Figure 420530DEST_PATH_IMAGE048
表示降维测井数据集中不相同的两个点，
Figure 13186DEST_PATH_IMAGE049
，每个联合概率
Figure 297536DEST_PATH_IMAGE044
的计算遍历所有降维测井数据集中不相同的两个点；
步骤S430，基于所述数据点
Figure 241222DEST_PATH_IMAGE050
与
Figure 534800DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度 的联合概率
Figure 981962DEST_PATH_IMAGE051
，及数据点
Figure 702793DEST_PATH_IMAGE050
与
Figure 602616DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 434306DEST_PATH_IMAGE052
与
Figure 267132DEST_PATH_IMAGE043
的联合概 率
Figure 158865DEST_PATH_IMAGE044
，通过KL散度来度量降维测井数据集概率分布Q和有效测井数据的高维空间概率分布 P之间的相似度
Figure 47449DEST_PATH_IMAGE053
：
Figure 682830DEST_PATH_IMAGE054
所述相似度
Figure 104584DEST_PATH_IMAGE055
的值越小表示降维测井数据集模拟点的模拟正确性越高；
通过梯度下降法使KL散度取最小值：
Figure 167218DEST_PATH_IMAGE056
获得降维测井数据集
Figure 41633DEST_PATH_IMAGE041
；
保留降维测井数据集的前两个维度，其余维度删除，得到降维测井数据
Figure 480704DEST_PATH_IMAGE057
。
在一些优选的实施方式中，所述步骤S500，具体包括：
步骤S510，计算所有降维测井数据的数据点之间的欧式距离
Figure 756965DEST_PATH_IMAGE058
：
Figure 990500DEST_PATH_IMAGE059
步骤S520，根据聚类数量的需求，设置截断距离dc，e表示降维测井数据的维度；
步骤S530，基于所述截断距离计算每一个节点的密度
Figure 352211DEST_PATH_IMAGE060
：
Figure 329395DEST_PATH_IMAGE061
Figure 725741DEST_PATH_IMAGE060
的意义是指与节点
Figure 130177DEST_PATH_IMAGE062
距离小于dc的节点的个数，由于相同层位的地层在地球物 理数据层次体现出较强的相似性，因此根据设置的dc的截断距离，计算在这个范围内的数 据点数。但是由于采用了0-1函数，导致密度计算会出现离散值，为避免出现这种情况，影响 算法效果，所以本发明采用了高斯核计算；
步骤S540，计算每个节点间的相对距离
Figure 979185DEST_PATH_IMAGE063
：
Figure 760059DEST_PATH_IMAGE064
步骤S550，以所述密度
Figure 258516DEST_PATH_IMAGE060
为横坐标，以所述相对距离
Figure 99433DEST_PATH_IMAGE063
为纵坐标，绘制二维图， 确定聚类中心的点，将所有的数据点归到最邻近且密度比其大的数据点中，获得测井数据 聚类簇；
步骤S560，基于所述测井数据聚类簇，通过基于标志层特征图版，应用对应深度的岩心、随钻成像图像对所述测井数据聚类簇进行交互式定量评价，获得贴标签的测井数据聚类簇。
在一些优选的实施方式中，所述步骤S600，在通过基于深度信念网络的标志层预测模型获得标志层初步预测结果之前，还包括选取特征组合的步骤，具体包括：
步骤A100，通过如步骤S100-步骤S500的方法处理验证井测井数据，获得测井数据聚类簇；
步骤A200，将属于标志层1的簇进行编号，将测井数据聚类簇中的各个簇进行任意组合，则属于标志层1的簇的组合数为：
Figure 435736DEST_PATH_IMAGE065
则标志层2和标志层3的簇的组合为C2和C3；
步骤A300，将所有聚类簇组合作为有监督数据输入所述深度信念网络，计算验证井测井数据的标志层识别准确率A和精准率P：
Figure 754722DEST_PATH_IMAGE066
Figure 860082DEST_PATH_IMAGE067
TP为样本真实类别为正，预测类别也为正；FN为样本真实类别为正，预测类别也为负；TP为样本真实类别为负，预测类别也为正；TP为样本真实类别为负，预测类别也为负；
步骤A400，判断所述标志层初步预测结果的3个标志层的精准率是否均大于预设的第二精准率阈值；若精准率未均大于预设的第二精准率阈值则选取另一未被选取过的组聚类簇组合；若精准率均大于预设的第二精准率阈值则计算该组聚类簇组合并计算准确率；
步骤A500，重复步骤A300-步骤A400的方法计算所有3个标志层的精准率均大于预设的第二精准率阈值的初步预测结果，选出准确率最高的初步预测结果，其对应的聚类簇组合作为选定的测井数据聚类簇，所述深度信念网络结构作为基于深度信念网络的标志层预测模型。
在一些优选的实施方式中，所述深度矫正，具体为：
根据所述标志层初步预测结果，确定标志层边界的初测位置，获取包含标志层上下边界的随钻成像图像；
通过全卷积神经网络对所述包含标志层上下边界的随钻成像图像获取标志层上下边界的精确深度，进而对所述地层格架模型进行深度矫正。
在一些优选的实施方式中，所述倾角倾向矫正，具体包括：
基于随钻成像图像与地层倾角倾向映射关系，根据标志层分界面曲率和峰值计算地层倾角倾向，地层相对钻井的倾角α=Tan-1（下峰值深度-上峰值深度）/井径，地层相对钻井的倾向为下峰值对应方位，结合实时钻井设备的倾角和倾向，对所述地层格架模型的倾角倾向进行矫正。
在一些优选的实施方式中，所述方法还包括：
步骤S800，基于随钻成像图像，通过基于优化的卷积神经网络的断裂图像提取模型提取断裂图像，并根据地层标志层分界面曲率和峰值对所述断裂图像计算倾角倾向并添加到所述矫正后的地层格架模型中，获得完善的地层格架模型；
其中，所述基于优化的卷积神经网络的断裂图像提取模型为n通道图像识别网络，包括2n个卷积层和2n个平均池化层，每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层，各卷积层的尺度互不相同，第f个通道的第一卷积层为(4*f-1)*(4*f-1)，第二卷积层为(4*f+4)*(4*f+4)，各池化层尺寸相同，为2*2。所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器。
在一些优选的实施方式中，步骤S800具体包括：
步骤S810，所述基于随钻成像图像，分别通过基于优化的卷积神经网络的断裂图像提取模型的不同通道的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层提取不同尺度的断裂特征；
步骤S820，通过所述不同尺度的断裂特征，通过全连接层组合为综合断裂特征；
步骤S830，通过所述朴素贝叶斯决策器，对所述综合断裂特征快速提取断裂图像；
步骤S840，根据断裂曲率和峰值计算地层倾角倾向，断裂相对钻井的倾角β=Tan-1（下峰值深度-上峰值深度）/井径，断裂相对钻井的倾向为下峰值对应方位，结合实时钻井设备的倾角和倾向，对断裂倾角倾向进行矫正，获得矫正后断裂图像；
步骤S850，将所述矫正后断裂图像添加到所述矫正后的地层格架模型中，获得完善的地层格架模型。
本发明的另一方面，提出了一种随钻地质导向实时地层格架智能更新系统，包括：随钻信息获取模块、地层格架模型构建模块、数据预处理模块、非线性降维模块、测井数据聚类模块、初步预测模块和辅助矫正模块；
所述随钻信息获取模块，配置为获取现有井资料并实时采集测井数据和随钻成像图像；
所述地层格架模型构建模块，配置为基于所述现有井资料，构建初始地层格架模型；
所述数据预处理模块，配置为基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；
所述非线性降维模块，配置为基于所述有效测井数据进行非线性降维，获得降维测井数据；
所述测井数据聚类模块，配置为基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类，获得测井数据聚类簇；
所述初步预测模块，配置为基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层初步预测结果；
所述辅助矫正模块，配置为通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
本发明的有益效果：
（1）本发明的随钻地质导向实时地层格架智能更新方法，通过对测得数据进行非线性的降维并结合密度峰值聚类的方法，剔除了可能会影响识别精度的聚类簇，从而构建出更精确的地层格架模型，用以辅助钻井。
（2）本发明所采用的数据集、特征集双层组合筛选机制，并在岩心、成像测井的双重约束下，优选出对识别地层分界面最有效的参数及特征组合，建立实时高精度的地层识别模型。
（3）本发明对地层深度、倾角的矫正，解决了钻进过程中的深度精度问题，消除了钻头与模型之间的深度误差。特别是储层厚度在1米左右的薄互层等甜点区中，能够有效确定靶点位置，实施精准钻进。
（4）本发明通过3个不同结构的通道提取不同类型断裂的多维特征，降低了溶孔和伪断裂的影响。考虑到随钻的实时性，调整了卷积神经网络的决策器，尽可能避免断裂造成的井壁坍塌及前后地层不对应对钻井的影响。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明随钻地质导向实时地层格架智能更新方法的流程示意图；
图2是本发明实施例中实际地层构造形态与地震时间剖面形态的对比示意图；
图3是本发明实施例中初始地层格架模型的示意图；
图4是本发明实施例中随钻地质导向实时地层格架智能更新方法的算法流程图；
图5是本发明实施例中通过两种降维方法对比的效果示意图；
图6是本发明实施例中通过基于密度峰值聚类（DPC）的标志层1的地质解译结果示意图；
图7是本发明实施例中将所有聚类簇全部用于地质分析的效果示意图；
图8是选用最优聚类簇组合进行分析的地质分析效果示意图；
图9是本发明实施例中深度矫正的原理示意图；
图10是本发明实施例中倾角矫正的原理示意图；
图11是本发明实施例中基于优化的卷积神经网络的断裂图像提取模型的结构示意图；
图12是本发明实施例中不同尺度的卷积核提取的断裂图像的示意图；
图13是本发明实施例中完善的地层格架模型示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种随钻地质导向实时地层格架智能更新方法，本发明提出一种随钻地质导向实时地层格架智能更新方法通过对测得数据进行非线性的降维并结合密度峰值聚类的方法，剔除了可能会影响识别精度的聚类簇，从而构建出更精确的地层格架模型，用以辅助钻井。
本发明的一种随钻地质导向实时地层格架智能更新方法，包括：
步骤S100，获取现有井资料并实时采集测井数据和随钻成像图像；
步骤S200，基于所述现有井资料，构建初始地层格架模型；
步骤S300，基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；
步骤S400，基于所述有效测井数据进行非线性降维，获得降维测井数据；
步骤S500，基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类，获得测井数据聚类簇；
步骤S600，基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层初步预测结果；
步骤S700，通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
为了更清晰地对本发明系统进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的随钻地质导向实时地层格架智能更新方法，包括：
步骤S100，获取现有井资料并实时采集测井数据和随钻成像图像；
根据叠前数据采用三维地震处理技术，包括弹性阻抗计算专门技术及幅-距关系（AVO）分析技术，获得地震剖面；碳酸盐岩储集空间多以次生的孔、洞、缝为主。通常可分辨的大溶洞（一般要求溶蚀带直径大于35m）在叠后地震剖面上表现为反射振幅强、横向范围不大、纵向差异明显的“串珠状”特征，形成“串珠状强反射型”储层。溶蚀孔洞型碳酸盐岩储层预测的主要方式是依据叠后资料寻找“串珠状”强反射以确定储层大致范围。
解决钻井过程中的深度精度问题在于解决钻头与模型之间存在的深度误差。特别是储层厚度在1米左右的薄互层等甜点区中，钻井过程对深度的要求则更为敏感。为解决深度误差问题，需要确定储层上方3个标志层具体深度和倾角。为了在随钻过程中准确识别标志层和储层，结合以往地质信息和井资料，建立储层和储层上方3个标志层的初始特征图版。实际地层构造形态和地震时间剖面形态如图2所示，仅通过地震时间对标志层进行预测无论是倾角还是深度均存在较大偏差，难以满足钻井过程对地层格架判断的实时性的要求。
步骤S200，基于所述现有井资料，构建初始地层格架模型；
根据标志层和储层特征图版，确定已有直井中标志层和储层的真实深度范围，并与地震剖面中深度进行校准，建立初始地层格架模型如图3所示，包括：层位、岩性、深度范围、地层倾角等。初始地层格架模型已经将已有直井附近的地层深度和倾角等进行了矫正，但待钻井附件的地层深度和倾角还不确定，这将造成井轨迹出现偏差，需要在随钻过程中进行测量，并能够及时识别并更新地层格架模型。
本实施例建立模型的算法流程如图4所示，将10类测井数据和钻井数据中不同数据类型的信息进行排列组合，将某一组合依次通过孤立森林算法进行和t-SNE方法进行预处理，在通过DPC方法进行聚类，已经根据随钻成像测井对簇进行地质解译，并将聚类的簇进行排列组合生成待处理测井相特征集，之后通过深度信念网络（DBN）建立标志层预测模型，根据验证集选出精准率达标的模型及簇组合，比较其准确率，准确率最高的簇组合，某一数据组合的所有簇验证完后，换成其他数据组合依次进行上述操作，准确率最高的数据、簇组合所对应的模型为最终的测井相预测模型。
步骤S300，基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；
在本实施例中，所述步骤S300，为通过孤立森林算法剔除异常值，具体包括：
步骤S310，选取10种测井数据和钻井数据，测井数据包括：AC、CNL、RD、RS、COND、GR和DEN；钻井数据包括钻速、转速和钻压，选取所述测井数据和钻井数据进行排列组合建立待处理数据集；
待处理数据集的数量为：
Figure 606321DEST_PATH_IMAGE068
本实施例中采用孤立森林算法剔除异常值。由于“声波测井（AC）”等属性与深度不匹配，某些特征维度中缺少数据，因此删除该数据记录。还有些常规测井数据与随钻成像测井在深度上不匹配，随钻成像测井是定性判断测井相的参考标准，因此这类数据也被删除。此外，测井数据中还存在不合理的异常值，又称离群点，会对数据处理产生干扰。
步骤S320，将待处理数据集中的待处理数据组合表示为
Figure 429920DEST_PATH_IMAGE001
，
Figure 287018DEST_PATH_IMAGE002
，其中
Figure 246884DEST_PATH_IMAGE003
表示数据点，从测井数据
Figure 695182DEST_PATH_IMAGE004
中随机抽取
Figure 740499DEST_PATH_IMAGE005
个数据点构成子集
Figure 401287DEST_PATH_IMAGE006
存入根节点；
步骤S330，从测井数据中随机选定一个维度q，在维度q中随机产生一个切割点p； 其中切割点p满足
Figure 481239DEST_PATH_IMAGE007
；
步骤S340，根据切割点p生成将维度q中数据划分为两个子空间的超平面，指定数值小于p的数据点放入第一叶子节点，数值大于或等于p的数据点放入第二叶子节点；
步骤S350，递归步骤S330-步骤S340的方法直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度；
步骤S360，重复步骤S320-步骤S350的方法直至生成T个孤立树；其中，T个孤立树 表示：孤立树没有叶子节点的外部节点，或有两个叶子节点
Figure 336325DEST_PATH_IMAGE069
和一个内部节点 test；在T个孤立树的内部节点test由维度q和一个分割点p组成，q<p的点属于
Figure 868937DEST_PATH_IMAGE070
，反之属于
Figure 333416DEST_PATH_IMAGE010
；
步骤S370，所述T个孤立树即为孤立树森林，令每个数据点
Figure 267874DEST_PATH_IMAGE003
遍历每一个孤立树， 计算数据点
Figure 526817DEST_PATH_IMAGE003
在每一个孤立树的高度
Figure 546726DEST_PATH_IMAGE011
即数据点
Figure 549317DEST_PATH_IMAGE003
从所在孤立树的根节点到叶子 节点经过的边的数量；从而计算数据点
Figure 338282DEST_PATH_IMAGE003
在孤立树森林中的平均高度，对所有数据点的平 均高度做归一化处理，获得归一化的数据点平均高度
Figure 299284DEST_PATH_IMAGE071
；
步骤S380，基于所述归一化的数据点平均高度
Figure 806489DEST_PATH_IMAGE072
，计算异常值分数
Figure 347192DEST_PATH_IMAGE013
：
Figure 256242DEST_PATH_IMAGE073
其中，
Figure 856988DEST_PATH_IMAGE074
表示
Figure 851488DEST_PATH_IMAGE016
个数据点所构建的二叉树路径长度的平均值，E（*）表示期望；
Figure 195882DEST_PATH_IMAGE017
其中，
Figure 460904DEST_PATH_IMAGE075
表示调和数，通过
Figure 763709DEST_PATH_IMAGE076
估算，0.5772156649为欧 拉常数；
当所述异常值分数
Figure 979927DEST_PATH_IMAGE013
小于预设的异常值阈值s时，将对应的数据点剔除，获 得有效测井数据
Figure 128011DEST_PATH_IMAGE020
，
Figure 746074DEST_PATH_IMAGE077
，
Figure 954202DEST_PATH_IMAGE078
，
Figure 657716DEST_PATH_IMAGE023
表示有效测井数据 中的数据点数；在本实施例中，异常值阈值优选采用使剔除后剩余数据点个数约为剔除前 数据点数95%的值。
步骤S390，重复步骤S320-步骤S380的方法选取未被选中过的待处理数据组合计算有效测井数据，选取精准率达到预设的第一精准阈值且准确率最高的有效测井数据进行后续步骤，所述第一精准阈值设定为85%。
步骤S400，基于所述有效测井数据进行非线性降维，获得降维测井数据；
在实施例中，所述步骤S400，为通过t-SNE方法对有效测井数据进行非线性降维，具体包括：
步骤S410，基于所述有效测井数据
Figure 343912DEST_PATH_IMAGE024
，选取任意点
Figure 82061DEST_PATH_IMAGE025
和
Figure 461089DEST_PATH_IMAGE026
，
Figure 917479DEST_PATH_IMAGE027
，
Figure 407366DEST_PATH_IMAGE028
，其中
Figure 734442DEST_PATH_IMAGE026
服从以
Figure 284372DEST_PATH_IMAGE025
为中心且方差为
Figure 463943DEST_PATH_IMAGE029
的高斯分布
Figure 23100DEST_PATH_IMAGE030
，
Figure 470262DEST_PATH_IMAGE025
服从 以
Figure 925514DEST_PATH_IMAGE026
为中心且方差为
Figure 90916DEST_PATH_IMAGE031
的高斯分布
Figure 922606DEST_PATH_IMAGE032
；则
Figure 489854DEST_PATH_IMAGE025
和
Figure 116007DEST_PATH_IMAGE026
相似的条件概率
Figure 768705DEST_PATH_IMAGE033
为：
Figure 669665DEST_PATH_IMAGE034
其中，用户可根据
Figure 825840DEST_PATH_IMAGE031
指定困惑度Perp，困惑度的定义为：
Figure 888474DEST_PATH_IMAGE035
，
Figure 762889DEST_PATH_IMAGE036
表示高斯分布
Figure 201961DEST_PATH_IMAGE030
的香农信息熵：
Figure 979686DEST_PATH_IMAGE037
数据点
Figure 213221DEST_PATH_IMAGE025
与
Figure 840512DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度的联合概率
Figure 817695DEST_PATH_IMAGE038
为：
Figure 948462DEST_PATH_IMAGE039
其中，
Figure 352898DEST_PATH_IMAGE040
表示
Figure 201906DEST_PATH_IMAGE026
和
Figure 717201DEST_PATH_IMAGE025
相似的条件概率；
步骤S420，假设基于所述有效测井数据
Figure 968054DEST_PATH_IMAGE024
构建降维测井数 据集为
Figure 543391DEST_PATH_IMAGE041
，在步骤S420中，有效测井数据相对于降维测井数据集为 高维空间中的数据，计算数据点
Figure 145274DEST_PATH_IMAGE025
与
Figure 464260DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 569619DEST_PATH_IMAGE042
与
Figure 315858DEST_PATH_IMAGE043
的联合 概率
Figure 375343DEST_PATH_IMAGE044
：
Figure 498020DEST_PATH_IMAGE045
其中，
Figure 457886DEST_PATH_IMAGE079
，
Figure 375026DEST_PATH_IMAGE080
和
Figure 685922DEST_PATH_IMAGE081
表示降维测井数据集中不相同的两个点，
Figure 612290DEST_PATH_IMAGE082
，每个联合概率
Figure 426662DEST_PATH_IMAGE044
的计算遍历所有降维测井数据集中不相同的两个点；
步骤S430，基于所述数据点
Figure 45862DEST_PATH_IMAGE050
与
Figure 578475DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度 的联合概率
Figure 42954DEST_PATH_IMAGE051
，及数据点
Figure 711833DEST_PATH_IMAGE050
与
Figure 236355DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 256264DEST_PATH_IMAGE052
与
Figure 258855DEST_PATH_IMAGE043
的联合概率
Figure 814863DEST_PATH_IMAGE044
，通过KL散度来度量降维测井数据集概率分布Q和有效测井数据的高维空间概率分布P 之间的相似度
Figure 510287DEST_PATH_IMAGE053
：
Figure 751912DEST_PATH_IMAGE054
所述相似度
Figure 558194DEST_PATH_IMAGE055
的值越小表示降维测井数据集模拟点的模拟正确性越高；
通过梯度下降法使KL散度取最小值：
Figure 467244DEST_PATH_IMAGE056
获得降维测井数据集
Figure 67990DEST_PATH_IMAGE041
；
保留降维测井数据集的前两个维度，其余维度删除，得到降维测井数据
Figure 62491DEST_PATH_IMAGE083
。选取前两个维度的降维测井数据集即选出能够解释最多内容的 两个维度的降维测井数据集，进行可视化交会图处理，实现人机交互的数据特征提取，提高 识别精度，降低数据复杂度，确保模型识别的实时性。
线性降维方法和非线性降维的方法处理本发明数据的效果如图5所示。降维的目的是简化数据结构，以便有序的可视化处理。由于沉积物岩性变化、易发生的成岩作用和随机裂缝，储层具有很强的非均质性，这也造成地球物理数据与标志为非线性映射关系，如果采用常规的线性降维操作，主成分分析（PCA）方法如图5中（a）所示，降维后数据点呈现“√”的形状，仍有大量数据点出现混叠现象，因此本次采用了t-SNE非线性降维如图5中（b）所示，降维后数据点明显区分开，不同位置的数据点代表了不同的地质含义，从而简化数据结构，可以有效提取数据与物理含义间非线性映射特征。
步骤S500，基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类并结合岩心和随钻成像图像进行交互式定量评价，获得贴标签的测井数据聚类簇；
所述步骤S500，具体包括：
步骤S510，计算所有降维测井数据的数据点之间的欧式距离
Figure 672464DEST_PATH_IMAGE058
：
Figure 436020DEST_PATH_IMAGE059
步骤S520，根据聚类数量的需求，设置截断距离dc，e表示降维测井数据的维度；
在考虑识别效率和精度的情况下，簇的数量越多越好，从而可以使簇与簇之间所反映的地层信息尽可能区分开，最大程度避免一个簇反映多个层位地层信息的现象。截断距离dc设置的距离越小，生成了类则越多，类所对应的地层特征则越细致，但过多的类会造成效率操作效率较低，由此综合分析后，确定设置dc的值使得聚出的类的个数大约为30左右；
步骤S530，基于所述截断距离计算每一个节点的密度
Figure 207667DEST_PATH_IMAGE060
：
Figure 689464DEST_PATH_IMAGE061
步骤S540，计算每个节点间的相对距离
Figure 103128DEST_PATH_IMAGE063
：
Figure 721191DEST_PATH_IMAGE064
步骤S550，以所述密度
Figure 430783DEST_PATH_IMAGE060
为横坐标，以所述相对距离
Figure 134297DEST_PATH_IMAGE063
为纵坐标，绘制二维图， 确定聚类中心的点，将所有的数据点归到最邻近且密度比其大的数据点中，获得测井数据 聚类簇；
步骤S560，基于所述测井数据聚类簇，通过基于标志层特征图版，应用对应深度的岩心、随钻成像测井对所述测井数据聚类簇进行交互式定量评价，获得贴标签的测井数据聚类簇。通过DPC聚类的效果如图6所示，在本实施例中，设置参数使其聚为30类，这样可以保证有多个类的结果对应同一个标志层，为后续进一步优化特征集提供依据，提高了对标志层非线性映射特征的获取能力，效果优于常规线性聚类。若采用常规的线性聚类方法如K-means，仅能获得球状的聚类簇，会造成解译后的标志层之间的数据出现混叠，无法准确建立特征集；而本实施例采用了效果较好的非线性聚类方法即基于密度峰值聚类DPC，不仅可以聚出球状的簇，也可以聚出线条状、环状或不规则特征的簇，通过随钻成像测井和岩心进行交互式地质解译，获得的标志层没有数据混叠、能够更清晰地反应地质标志层状况；
步骤S600，基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层初步预测结果；
所述基于深度信念网络的标志层预测模型，是通过迭代调整层间参数，建立特征集与所对应的地质现象之间的映射关系，从而建立识别对应地质现象的判别模型。由于地层结构复杂，非均质性强，造成地球物理数据也极其复杂，同时，地球物理本身存在多解性，这就使得地质现象与地球物理数据之间的映射关系往往是非线性的，而深度信念网络能够准确建立这种复杂的非线性映射关系，是创建地层识别模型决策器的有效工具。
在本实施例中，所述步骤S600，在通过基于深度信念网络的标志层预测模型获得标志层初步预测结果之前，还包括选取特征组合的步骤，具体包括：
步骤A100，通过如步骤S100-步骤S500的方法处理验证井测井数据，获得测井数据聚类簇；
在数据集中，既包括标志层所对应的数据，也包括非标志层所对应的数据，通过t-SNE大量聚出来的簇，然后通过岩性与成像测井交互式定性贴标签，建立了特征集，特征集中有标签的“簇”，是对地层特征的进一步细分。例如，第2簇代表着标志层3中沙砾较细的层位，而第19簇代表着标志层3中沙砾较粗的层位。然而，有些地层不同细层之间及其相似，以至于同一个簇代表把不同地层中的细层所反映的数据。例如，第7簇代表了标志层2中的泥质层和非标志层中的泥质层。如果在特征集的模型训练中，保留了这种代表多个地层特征的簇，就会造成识别的混乱，无法保证识别的精度。去除这类簇后，虽然丢失了某一标志层中某一细层的特征，但该标志层的整体数据特征保留，并且所保留的数据更大概率只属于该标志层，由此大幅度提高了标志层识别的精度。由于簇的标签是通过岩性与成像测井定性判别的，往往会存在人为因素造成的干扰，使得簇的类别未必完全准确，错误的簇标签也会造成识别精度的降低，因此需要对聚类簇组合进一步筛选。
步骤A200，将属于标志层1的簇进行编号，将测井数据聚类簇中的各个簇进行任意组合，则属于标志层1的簇的组合数为：
Figure 820493DEST_PATH_IMAGE065
则标志层2和标志层3的簇的组合为C2和C3；
步骤A300，将所有聚类簇组合作为有监督数据输入所述深度信念网络，计算验证井测井数据的标志层识别准确率A和精准率P：
Figure 558642DEST_PATH_IMAGE066
Figure 672092DEST_PATH_IMAGE067
TP为样本真实类别为正，预测类别也为正；FN为样本真实类别为正，预测类别也为负；TP为样本真实类别为负，预测类别也为正；TP为样本真实类别为负，预测类别也为负；
步骤A400，判断所述标志层初步预测结果的3个标志层的精准率是否均大于预设的第二精准率阈值；若精准率未均大于预设的第二精准率阈值则选取另一未被选取过的组聚类簇组合；若精准率均大于预设的第二精准率阈值则计算该组聚类簇组合并计算准确率；
步骤A500，重复步骤A300-步骤A400的方法计算所有3个标志层的精准率均大于预设的第二精准率阈值的初步预测结果，选出准确率最高的初步预测结果，其对应的聚类簇组合作为选定的测井数据聚类簇，所述深度信念网络结构作为基于深度信念网络的标志层预测模型。是否选取聚类簇组合的预测结果对比如图7和图8所示，图7表示将所有的聚类簇均用于标志层预测，选取了聚类簇组合进行预测如图8所示无论是精准率还是准确率都比将所有的聚类簇全部输入模型进行预测更好且避免了识别出的地层混乱。创建复杂非线性映射关系模型的关键，在于寻找能够准确反映标志层位的特征集，尽可能保证特征集中的某一簇与标志层中的某一细层为一一对应的关系。聚类簇的组合后作为验证特征集，带入深度信念模型中训练，再检验模型正确率。正确率越高，就可以证明组合中某一聚类簇与多个地层都存在映射关系的可能性越小，也证明该组合对地层的特征提取能力越强，识别效果也越好。如果不采用聚类簇组合的方式，直接将岩性和成像测井标记的聚类簇通过深度信念网络训练建立识别模型，会导致标志层的识别结果混乱，例如，识别结果存在其他非标志层层位，或者标志层1、2、3内部识别相互穿插，无法精确定位某一标志层所在位置。
本实施例中，所述基于深度信念网络的标志层预测模型为：
定义深度信念网络包括两层受限玻尔兹曼机（RBM）和一层BP多层前馈神经网络；两层RBM为全连接，BP网络为单向连接；
RBM中可视单元和隐藏单元个数分别为
Figure 128481DEST_PATH_IMAGE084
和
Figure 618368DEST_PATH_IMAGE085
，前一个RBM的隐藏层即为下个RBM的 可视层，RBM的能量函数表示为：
Figure 211024DEST_PATH_IMAGE086
其中，
Figure 760954DEST_PATH_IMAGE087
表示可视层的状态向量，
Figure 439060DEST_PATH_IMAGE088
表示隐藏层的状态向量，
Figure 467058DEST_PATH_IMAGE089
表示可视层的 偏置、
Figure 179799DEST_PATH_IMAGE090
隐藏层的偏置，
Figure 900631DEST_PATH_IMAGE091
表示可视层与隐藏层之间的连接权值；
其中隐藏层神经元
Figure 66033DEST_PATH_IMAGE088
被激活的概率为：
Figure 387469DEST_PATH_IMAGE092
由于隐藏层和可视层间为全连接，故可视层同样可被隐藏层激活，可视层被激活的概率为：
Figure 689137DEST_PATH_IMAGE093
此时函数值域为[0,1]用来描述神经元被激活的概率；同一层神经元无连接，故神经元满足概率面密度独立性；
Figure 580870DEST_PATH_IMAGE094
Figure 233568DEST_PATH_IMAGE095
将带有标签的测井数据聚类簇赋予给可视层后，计算出每个隐藏层神经元被激活 的概率
Figure 603369DEST_PATH_IMAGE096
，取[0,1]作为阀值，当
Figure 25124DEST_PATH_IMAGE097
时
Figure 87757DEST_PATH_IMAGE098
，当
Figure 227752DEST_PATH_IMAGE099
时
Figure 666823DEST_PATH_IMAGE100
，由此可得每个隐藏层神经是否被激活，一个RBM模型根据 参数
Figure 943084DEST_PATH_IMAGE089
、
Figure 176619DEST_PATH_IMAGE090
和
Figure 538330DEST_PATH_IMAGE101
确定；
第
Figure 515514DEST_PATH_IMAGE102
个样本属于类别
Figure 911860DEST_PATH_IMAGE103
的概率为：
Figure 817761DEST_PATH_IMAGE104
式中V表示的是参数系数，C为设置故障类别的数量，
Figure 666769DEST_PATH_IMAGE105
为类别；通过随机梯度方法 调整
Figure 182064DEST_PATH_IMAGE089
、
Figure 432916DEST_PATH_IMAGE090
和
Figure 8254DEST_PATH_IMAGE106
重复迭代至预设的迭代次数，获得训练好的基于深度信念网络的标志 层预测模型。
步骤S700，通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
在本实施例中，所述深度矫正，具体为：
根据所述标志层初步预测结果，确定标志层边界的初测位置，获取包含标志层上下边界的随钻成像图像；
地层边界是图像中的目标信息，边界上下岩性、物性都存在差异，然而，边界与断层、裂缝等图像特征相似，同时收到孔洞等地质现象的干扰，因此需要更底层的图像分割来识别。全卷积神经网络（FCN）可以对图像进行有效分割，FCN原有FCN-32s、FCN-16s、FCN-8s这3种网络结构模型，在此基础上，增加了能够提取更浅层特征的FCN-2s网格结构模型，得到改进的FCN，更有利于提取地层边界。将图像集带入改进的FCN，得到4种分割图像的结果。将4种分割图像的结果对比分析，由FCN-2s得到的图像去确定哪些可能为地层边界，通过FCN-32s、FCN-16s、FCN-8s得到的图像去排除地层、裂缝的干扰，结合已有井中井资料，确定地层边界上下岩性、物性等地质特征，结合建立的储层、标志层特征图版，完成对标志层上下边界的识别。
通过全卷积神经网络对所述包含标志层上下边界的随钻成像图像获取标志层上下边界的精确深度，进而对所述地层格架模型进行深度矫正。深度矫正原理如图9所示。
在本实施例中，所述倾角倾向矫正，具体包括：
基于随钻成像图像与地层倾角倾向映射关系，根据标志层分界面曲率和峰值计算地层倾角倾向，地层相对钻井的倾角α=Tan-1（下峰值深度-上峰值深度）/井径，地层相对钻井的倾向为下峰值对应方位，结合实时钻井设备的倾角和倾向，对所述地层格架模型的倾角倾向进行矫正。倾角矫正原理如图10所示。
在本实施例中，所述方法还包括：
步骤S800，基于随钻成像图像，通过基于优化的卷积神经网络的断裂图像提取模型提取断裂图像，并根据地层标志层分界面曲率和峰值对所述断裂图像计算倾角倾向并添加到所述矫正后的地层格架模型中，获得完善的地层格架模型；
由于断裂复杂多样，例如大断裂、微小断裂、高角度断裂、低角度断裂等。原有的卷积神经网络为1个通道，很难提取不同层次的复杂断裂信息，同时会受到溶孔和伪断裂的影响。本发明设计了n通道不同结构的卷积神经网络对地层断裂识别。通过n个不同尺度的通道提取不同类型断裂的多维特征。同时，由于随钻的实时性，需要对断裂进行快速识别，因此将卷积神经网络的决策器由Softmax，换为朴素贝叶斯，实现提高预测效率。
其中，所述基于优化的卷积神经网络的断裂图像提取模型为n通道图像识别网络，包括2n个卷积层和2n个平均池化层，每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层，各卷积层的尺度互不相同，第f个通道的第一卷积层为(4*f-1)* (4*f-1)，第二卷积层为(4*f+4)* (4*f+4)，各池化层尺寸相同，为2*2。所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器。模型结构如图11所示。
在本实施例中，步骤S800具体包括：
步骤S810，所述基于随钻成像图像，分别通过基于优化的卷积神经网络的断裂图像提取模型的不同通道的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层提取不同尺度的断裂特征；
步骤S820，通过所述不同尺度的断裂特征，通过全连接层组合为综合断裂特征；
本实施例优选的断裂图像提取模型具体为：C1层由8个3*3的卷积核与输入图像进行卷积，得到8个特征图，大小为190*190，后由池化层P1对卷积层C1以2*2的单元进行池化操作，P1层由8个95*95的特征图构成。再以16个8*8的卷积核对P1进行卷积，得到卷积层C2，其由16个88*88大小的特征图组成，再以2*2的单元对C2进行池化操作，得到池化层P2，其由16个44*44大小的特征图组成。
C3层由8个7*7的卷积核与输入图像进行卷积，得到8个特征图，大小为186*186，后由池化层P3对卷积层C3以2*2的单元进行池化操作，P3层由8个93*93的特征图构成。再以16个12*12的卷积核对P3进行卷积，得到卷积层C4，其由16个82*82大小的特征图组成，再以2*2的单元对C4进行池化操作，得到池化层P4，其由16个41*41大小的特征图组成。
C5层由8个11*11的卷积核与输入图像进行卷积，得到8个特征图，大小为182*182，后由池化层P5对卷积层C5以2*2的单元进行池化操作，P5层由8个91*91的特征图构成。再以16个16*16的卷积核对P5进行卷积，得到卷积层C5，其由16个76*76大小的特征图组成，再以2*2的单元对C6进行池化操作，得到池化层P6，其由16个38*38大小的特征图组成。
步骤S830，通过所述朴素贝叶斯决策器，对所述综合断裂特征快速提取断裂图像；使用朴素贝叶斯替换Softmax作为决策器。Softmax 分类器是卷积神经网络主要分类器，而Soft分类器对检验目标分类概率大于90%才算正确，并且损失函数会不断计算运行时间长，而朴素贝叶斯给定目标值时属性之间相互条件独立，使计算参数减少，节约内耗和时间；算法简单，快速，更有利于随钻实时断裂识别。
通过不同尺度的卷积核提取的断裂特征图像如图12所示，左侧为随钻动态成像测井，中间和右侧不同卷积核卷积生成的断裂特征图像。当随遇复杂断裂时，卷积核尺寸不同，提取的特征反映出断裂的不同层次特征，有效提高了断裂的识别精度。例如卷积核尺寸小，反映浅层特征，尺寸大，反映深层特征。
步骤S840，根据断裂曲率和峰值计算地层倾角倾向，断裂相对钻井的倾角β=Tan-1（下峰值深度-上峰值深度）/井径，断裂相对钻井的倾向为下峰值对应方位，结合实时钻井设备的倾角和倾向，对断裂倾角倾向进行矫正，获得矫正后断裂图像；
步骤S850，将所述矫正后断裂图像添加到所述矫正后的地层格架模型中，获得完善的地层格架模型。完善的地层格架模型如图13所示。本发明通过标志层深度和倾角倾向的矫正，能够明确随钻过程中钻头所处的位置和地质信息，进而预测储层位置，为井轨迹设计提供依据。断裂处的地层不稳定，可能在后续钻井过程中造成井壁的坍塌，有效识别断裂可以尽早采取措施避免类似情况；此外，大的断裂可能与油气的运移存在关联，断层也会造成前后地层不对应。这些地层深度、倾向倾角的矫正，及断裂的补充，为井轨迹的进一步设计提供了依据。
本发明第二实施例的随钻地质导向实时地层格架智能更新系统，系统包括：随钻信息获取模块、地层格架模型构建模块、数据预处理模块、非线性降维模块、测井数据聚类模块、初步预测模块和辅助矫正模块；
所述随钻信息获取模块，配置为获取现有井资料并实时采集测井数据和随钻成像图像；
所述地层格架模型构建模块，配置为基于所述现有井资料，构建初始地层格架模型；
所述数据预处理模块，配置为基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；
所述非线性降维模块，配置为基于所述有效测井数据进行非线性降维，获得降维测井数据；
所述测井数据聚类模块，配置为基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类，获得测井数据聚类簇；
所述初步预测模块，配置为基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层初步预测结果；
所述辅助矫正模块，配置为通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种随钻地质导向实时地层格架智能更新方法，其特征在于，所述方法包括：
步骤S100，获取现有井资料并实时采集测井数据和随钻成像图像；
步骤S200，基于所述现有井资料，构建初始地层格架模型；
步骤S300，基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；具体为：
通过孤立森林算法剔除异常值，具体包括：
步骤S310，选取10种测井数据和钻井数据，测井数据包括：AC、CNL、RD、RS、COND、GR和DEN；钻井数据包括钻速、转速和钻压，选取所述测井数据和钻井数据进行排列组合建立待处理数据集；
步骤S320，将待处理数据集中的待处理数据组合表示为
Figure 247844DEST_PATH_IMAGE001
，
Figure 541422DEST_PATH_IMAGE002
，其中
Figure 630994DEST_PATH_IMAGE003
表示数据点，从测井数据
Figure 351826DEST_PATH_IMAGE004
中随机抽取
Figure 517228DEST_PATH_IMAGE005
个数据点构成子集
Figure 224284DEST_PATH_IMAGE006
存入根节点；
步骤S330，从测井数据中随机选定一个维度q，在维度q中随机产生一个切割点p；其中 切割点p满足
Figure 57110DEST_PATH_IMAGE007
；
步骤S340，根据切割点p生成将维度q中数据划分为两个子空间的超平面，指定数值小于p的数据点放入第一叶子节点，数值大于或等于p的数据点放入第二叶子节点；
步骤S350，递归步骤S330-步骤S340直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度；
步骤S360，重复步骤S320-步骤S350的方法直至生成T个孤立树；其中，T个孤立树表示： 孤立树没有叶子节点的外部节点，或有两个叶子节点
Figure 948843DEST_PATH_IMAGE008
和一个内部节点test；在T 个孤立树的内部节点test由维度q和一个分割点p组成，q<p的点属于
Figure 211328DEST_PATH_IMAGE009
，反之属于
Figure 846709DEST_PATH_IMAGE010
；
步骤S370，所述T个孤立树即为孤立树森林，令每个数据点
Figure 534042DEST_PATH_IMAGE003
遍历每一个孤立树，计算 数据点
Figure 472042DEST_PATH_IMAGE003
在每一个孤立树的高度
Figure 346458DEST_PATH_IMAGE011
即数据点
Figure 785529DEST_PATH_IMAGE003
从所在孤立树的根节点到叶子节点经 过的边的数量；从而计算数据点
Figure 435691DEST_PATH_IMAGE003
在孤立树森林中的平均高度，对所有数据点的平均高度 做归一化处理，获得归一化的数据点平均高度
Figure 934806DEST_PATH_IMAGE012
；
步骤S380，基于所述归一化的数据点平均高度
Figure 437462DEST_PATH_IMAGE012
，计算异常值分数
Figure 680225DEST_PATH_IMAGE013
：
Figure 810992DEST_PATH_IMAGE014
其中，
Figure 356374DEST_PATH_IMAGE015
表示
Figure 205381DEST_PATH_IMAGE005
个数据点所构建的二叉树路径长度的平均值，E（*）表示期望；
Figure 986255DEST_PATH_IMAGE016
其中，
Figure 112474DEST_PATH_IMAGE017
表示调和数，通过
Figure 687812DEST_PATH_IMAGE018
估算，
Figure 24115DEST_PATH_IMAGE019
为欧拉 常数；
当所述异常值分数
Figure 809730DEST_PATH_IMAGE013
小于预设的异常值阈值s时，将对应的数据点剔除，获得有 效测井数据
Figure 915090DEST_PATH_IMAGE020
，
Figure 661329DEST_PATH_IMAGE021
，
Figure 625874DEST_PATH_IMAGE022
，
Figure 482971DEST_PATH_IMAGE023
表示有效测井数据中的 数据点数；
步骤S390，重复步骤S320-步骤S380的方法选取未被选中过的待处理数据组合计算有效测井数据，选取精准率达到预设的第一精准阈值且准确率最高的有效测井数据进行后续步骤；
步骤S400，基于所述有效测井数据进行非线性降维，获得降维测井数据；
所述步骤S400，为通过t-SNE方法对有效测井数据进行非线性降维，具体包括：
步骤S410，基于所述有效测井数据
Figure 442837DEST_PATH_IMAGE024
，选取任意点
Figure 500923DEST_PATH_IMAGE025
和
Figure 546239DEST_PATH_IMAGE026
，
Figure 472607DEST_PATH_IMAGE027
，
Figure 427925DEST_PATH_IMAGE028
，其中
Figure 515966DEST_PATH_IMAGE026
服从以
Figure 48579DEST_PATH_IMAGE025
为中心且方差为
Figure 152539DEST_PATH_IMAGE029
的高斯分布
Figure 86997DEST_PATH_IMAGE030
，
Figure 345940DEST_PATH_IMAGE025
服 从以
Figure 365848DEST_PATH_IMAGE026
为中心且方差为
Figure 243806DEST_PATH_IMAGE031
的高斯分布
Figure 298349DEST_PATH_IMAGE032
；则
Figure 993773DEST_PATH_IMAGE025
和
Figure 376344DEST_PATH_IMAGE026
相似的条件概率
Figure 182626DEST_PATH_IMAGE033
为：
Figure 91676DEST_PATH_IMAGE034
其中，用户可根据
Figure 567788DEST_PATH_IMAGE031
指定困惑度Perp，困惑度的定义为：
Figure 562289DEST_PATH_IMAGE035
，
Figure 172261DEST_PATH_IMAGE036
表示高斯分布
Figure 312649DEST_PATH_IMAGE030
的香农信息熵：
Figure 615455DEST_PATH_IMAGE037
数据点
Figure 831672DEST_PATH_IMAGE025
与
Figure 120702DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度的联合概率
Figure 738765DEST_PATH_IMAGE038
为：
Figure 87838DEST_PATH_IMAGE039
其中，
Figure 791352DEST_PATH_IMAGE040
表示
Figure 477548DEST_PATH_IMAGE026
和
Figure 356643DEST_PATH_IMAGE025
相似的条件概率；
步骤S420，假设基于所述有效测井数据
Figure 735671DEST_PATH_IMAGE024
构建降维测井数据集 为
Figure 926481DEST_PATH_IMAGE041
，在步骤S420中，有效测井数据相对于降维测井数据集为高维 空间中的数据，计算数据点
Figure 416368DEST_PATH_IMAGE025
与
Figure 117346DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 932855DEST_PATH_IMAGE042
与
Figure 610961DEST_PATH_IMAGE043
的联合概率
Figure 45485DEST_PATH_IMAGE044
：
Figure 492647DEST_PATH_IMAGE045
其中，
Figure 88844DEST_PATH_IMAGE046
，
Figure 254246DEST_PATH_IMAGE047
和
Figure 85936DEST_PATH_IMAGE048
表示降维测井数据集中不相同的两个点，
Figure 653184DEST_PATH_IMAGE049
，每个联合概率
Figure 420282DEST_PATH_IMAGE044
的计算遍历所有降维测井数据集中不相同的两个点；
步骤S430，基于所述数据点
Figure 72981DEST_PATH_IMAGE025
与
Figure 708361DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度的联 合概率
Figure 772526DEST_PATH_IMAGE050
，及数据点
Figure 835160DEST_PATH_IMAGE025
与
Figure 584941DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 289592DEST_PATH_IMAGE042
与
Figure 565852DEST_PATH_IMAGE043
的联合概率
Figure 674754DEST_PATH_IMAGE044
，通过KL散度来度量降维测井数据集概率分布Q和有效测井数据的高维空间概率分布P之间 的相似度
Figure 36465DEST_PATH_IMAGE051
：
Figure 13648DEST_PATH_IMAGE052
所述相似度
Figure 285361DEST_PATH_IMAGE051
的值越小表示降维测井数据集模拟点的模拟正确性越高；
通过梯度下降法使KL散度取最小值：
Figure 689797DEST_PATH_IMAGE053
获得降维测井数据集
Figure 538805DEST_PATH_IMAGE041
；
保留降维测井数据集的前两个维度，其余维度删除，得到降维测井数据
Figure 54100DEST_PATH_IMAGE054
，即选出能够解释最多内容的两个维度的降维测井数据集；
步骤S500，基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类并结合岩心和随钻成像测井进行交互式定量评价，获得贴标签的测井数据聚类簇；
具体包括：
步骤S510，计算所有降维测井数据的数据点之间的欧式距离
Figure 944433DEST_PATH_IMAGE055
：
Figure 519771DEST_PATH_IMAGE056
e表示降维测井数据的维度；
步骤S520，根据聚类数量的需求，设置截断距离dc；
步骤S530，基于所述截断距离计算每一个节点的密度
Figure 856074DEST_PATH_IMAGE057
：
Figure 50426DEST_PATH_IMAGE058
Figure 421365DEST_PATH_IMAGE057
的意义是指与节点
Figure 167604DEST_PATH_IMAGE059
距离小于dc的节点的个数；
步骤S540，计算每个节点间的相对距离
Figure 600990DEST_PATH_IMAGE060
：
Figure 723667DEST_PATH_IMAGE061
步骤S550，以所述密度
Figure 949112DEST_PATH_IMAGE057
为横坐标，以所述相对距离
Figure 741619DEST_PATH_IMAGE060
为纵坐标，绘制二维图，确定聚 类中心的点，将所有的数据点归到最邻近且密度比其大的数据点中，获得测井数据聚类簇；
步骤S560，基于所述测井数据聚类簇，通过基于标志层特征图版，应用对应深度的岩心、随钻成像测井对所述测井数据聚类簇进行交互式定量评价，获得贴标签的测井数据聚类簇；
步骤S600，基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层的初步预测结果；
步骤S700，通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
2.根据权利要求1所述的随钻地质导向实时地层格架智能更新方法，其特征在于，所述深度矫正，具体为：
根据所述标志层初步预测结果，确定标志层边界的初测位置，获取包含标志层上下边界的随钻成像图像；
通过全卷积神经网络对所述包含标志层上下边界的随钻成像图像获取标志层上下边界的精确深度，进而对所述地层格架模型进行深度矫正。
3.根据权利要求2所述的随钻地质导向实时地层格架智能更新方法，其特征在于，所述倾角倾向矫正，具体包括：
基于随钻成像图像与地层倾角倾向映射关系，根据标志层分界面曲率和峰值计算地层倾角倾向，地层相对钻井的倾角α=Tan-1（下峰值深度-上峰值深度）/井径，地层相对钻井的倾向为下峰值对应方位，结合实时钻井设备的倾角和倾向，对所述地层格架模型的倾角倾向进行矫正。
4.根据权利要求1所述的随钻地质导向实时地层格架智能更新方法，其特征在于，所述方法还包括：
步骤S800，基于随钻成像图像，通过优化的基于卷积神经网络的断裂图像提取模型提取断裂图像，并根据地层标志层分界面曲率和峰值对所述断裂图像计算倾角倾向并添加到所述矫正后的地层格架模型中，获得完善的地层格架模型；
其中，所述基于卷积神经网络的断裂图像提取模型为n通道图像识别网络，包括2n个卷积层和2n个平均池化层，每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层，各卷积层的尺度互不相同，第f个通道的第一卷积层为(4*f-1)*(4*f-1)，第二卷积层为(4*f+4)*(4*f+4)，各池化层尺寸相同，为2*2，所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器。
5.根据权利要求4所述的随钻地质导向实时地层格架智能更新方法，其特征在于，步骤S800具体包括：
步骤S810，所述基于随钻成像图像，分别通过基于优化的卷积神经网络的断裂图像提取模型的不同通道的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层提取不同尺度的断裂特征；
步骤S820，通过所述不同尺度的断裂特征，通过全连接层组合为综合断裂特征；
步骤S830，通过所述朴素贝叶斯决策器，对所述综合断裂特征快速提取断裂图像；
步骤S840，根据断裂曲率和峰值计算地层倾角倾向，断裂相对钻井的倾角β=Tan-1（下峰值深度-上峰值深度）/井径，断裂相对钻井的倾向为下峰值对应方位，结合实时钻井设备的倾角和倾向，对断裂倾角倾向进行矫正，获得矫正后断裂图像；
步骤S850，将所述矫正后断裂图像添加到所述矫正后的地层格架模型中，获得完善的地层格架模型。
6.一种随钻地质导向实时地层格架智能更新系统，其特征在于，所述系统包括：随钻信息获取模块、地层格架模型构建模块、数据预处理模块、非线性降维模块、测井数据聚类模块、初步预测模块和辅助矫正模块；
所述随钻信息获取模块，配置为获取现有井资料并实时采集测井数据和随钻成像图像；
所述地层格架模型构建模块，配置为基于所述现有井资料，构建初始地层格架模型；
所述数据预处理模块，配置为基于所述测井数据，进行剔除异常值的预处理，获得有效测井数据；具体为：
通过孤立森林算法剔除异常值，具体包括：
选取10种测井数据和钻井数据，测井数据包括：AC、CNL、RD、RS、COND、GR和DEN；钻井数据包括钻速、转速和钻压，选取所述测井数据和钻井数据进行排列组合建立待处理数据集；
将待处理数据集中的待处理数据组合表示为
Figure 52514DEST_PATH_IMAGE001
，
Figure 713303DEST_PATH_IMAGE002
，其中
Figure 527675DEST_PATH_IMAGE003
表示数据点，从测井数据
Figure 523706DEST_PATH_IMAGE004
中随机抽取
Figure 56319DEST_PATH_IMAGE005
个数据点构成子集
Figure 520798DEST_PATH_IMAGE006
存入根节点；
从测井数据中随机选定一个维度q，在维度q中随机产生一个切割点p；其中切割点p满 足
Figure 65043DEST_PATH_IMAGE007
；
根据切割点p生成将维度q中数据划分为两个子空间的超平面，指定数值小于p的数据点放入第一叶子节点，数值大于或等于p的数据点放入第二叶子节点；
递归直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度；
重复直至生成T个孤立树；其中，T个孤立树表示：孤立树没有叶子节点的外部节点，或 有两个叶子节点
Figure 855145DEST_PATH_IMAGE008
和一个内部节点test；在T个孤立树的内部节点test由维度q和 一个分割点p组成，q<p的点属于
Figure 281578DEST_PATH_IMAGE009
,反之属于
Figure 284169DEST_PATH_IMAGE010
；
所述T个孤立树即为孤立树森林，令每个数据点
Figure 214079DEST_PATH_IMAGE003
遍历每一个孤立树，计算数据点
Figure 909502DEST_PATH_IMAGE003
在 每一个孤立树的高度
Figure 151128DEST_PATH_IMAGE011
即数据点
Figure 957410DEST_PATH_IMAGE003
从所在孤立树的根节点到叶子节点经过的边的数 量；从而计算数据点
Figure 240361DEST_PATH_IMAGE003
在孤立树森林中的平均高度，对所有数据点的平均高度做归一化处 理，获得归一化的数据点平均高度
Figure 106686DEST_PATH_IMAGE012
；
基于所述归一化的数据点平均高度
Figure 101187DEST_PATH_IMAGE012
，计算异常值分数
Figure 320947DEST_PATH_IMAGE013
：
Figure 350083DEST_PATH_IMAGE014
其中，
Figure 121730DEST_PATH_IMAGE015
表示
Figure 478893DEST_PATH_IMAGE005
个数据点所构建的二叉树路径长度的平均值，E（*）表示期望；
Figure 892557DEST_PATH_IMAGE062
其中，
Figure 510620DEST_PATH_IMAGE017
表示调和数，通过
Figure 594113DEST_PATH_IMAGE018
估算，
Figure 297627DEST_PATH_IMAGE019
为欧拉 常数；
当所述异常值分数
Figure 983824DEST_PATH_IMAGE013
小于预设的异常值阈值s时，将对应的数据点剔除，获得有 效测井数据
Figure 721972DEST_PATH_IMAGE020
，
Figure 466113DEST_PATH_IMAGE021
，
Figure 656923DEST_PATH_IMAGE022
，
Figure 146811DEST_PATH_IMAGE023
表示有效测井数据中的 数据点数；
重复选取未被选中过的待处理数据组合计算有效测井数据，选取精准率达到预设的第一精准阈值且准确率最高的有效测井数据进行后续步骤；
所述非线性降维模块，配置为基于所述有效测井数据进行非线性降维，获得降维测井数据；具体为：通过t-SNE方法对有效测井数据进行非线性降维，包括：
基于所述有效测井数据
Figure 614832DEST_PATH_IMAGE024
，选取任意点
Figure 430341DEST_PATH_IMAGE025
和
Figure 108447DEST_PATH_IMAGE026
，
Figure 277392DEST_PATH_IMAGE027
，
Figure 724554DEST_PATH_IMAGE028
，其中
Figure 586330DEST_PATH_IMAGE026
服从以
Figure 751732DEST_PATH_IMAGE025
为中心且方差为
Figure 583422DEST_PATH_IMAGE029
的高斯分布
Figure 885091DEST_PATH_IMAGE030
，
Figure 416304DEST_PATH_IMAGE025
服 从以
Figure 69002DEST_PATH_IMAGE026
为中心且方差为
Figure 438803DEST_PATH_IMAGE031
的高斯分布
Figure 735924DEST_PATH_IMAGE032
；则
Figure 64137DEST_PATH_IMAGE025
和
Figure 938552DEST_PATH_IMAGE026
相似的条件概率
Figure 252990DEST_PATH_IMAGE033
为：
Figure 529250DEST_PATH_IMAGE063
其中，用户可根据
Figure 762786DEST_PATH_IMAGE031
指定困惑度Perp，困惑度的定义为：
Figure 265442DEST_PATH_IMAGE035
，
Figure 977046DEST_PATH_IMAGE036
表示高斯分布
Figure 373393DEST_PATH_IMAGE030
的香农信息熵：
Figure 777829DEST_PATH_IMAGE064
数据点
Figure 269247DEST_PATH_IMAGE025
与
Figure 784542DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度的联合概率
Figure 35394DEST_PATH_IMAGE038
为：
Figure 486098DEST_PATH_IMAGE039
其中，
Figure 822402DEST_PATH_IMAGE040
表示
Figure 406967DEST_PATH_IMAGE026
和
Figure 387692DEST_PATH_IMAGE025
相似的条件概率；
假设基于所述有效测井数据
Figure 133932DEST_PATH_IMAGE024
构建降维测井数据集为
Figure 691952DEST_PATH_IMAGE041
，在步骤S420中，有效测井数据相对于降维测井数据集为高维空 间中的数据，计算数据点
Figure 955574DEST_PATH_IMAGE025
与
Figure 915440DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 832580DEST_PATH_IMAGE042
与
Figure 143476DEST_PATH_IMAGE043
的联合概率
Figure 443745DEST_PATH_IMAGE044
：
Figure 258117DEST_PATH_IMAGE065
其中，
Figure 611738DEST_PATH_IMAGE046
，
Figure 19717DEST_PATH_IMAGE047
和
Figure 484196DEST_PATH_IMAGE048
表示降维测井数据集中不相同的两个点，
Figure 418654DEST_PATH_IMAGE049
，每个联合概率
Figure 84122DEST_PATH_IMAGE044
的计算遍历所有降维测井数据集中不相同的两个点；
基于所述数据点
Figure 838451DEST_PATH_IMAGE025
与
Figure 106622DEST_PATH_IMAGE026
相似的条件概率在全部数据点中两两相似度的联合概率
Figure 770952DEST_PATH_IMAGE050
， 及数据点
Figure 200796DEST_PATH_IMAGE025
与
Figure 973580DEST_PATH_IMAGE026
在降维测井数据集中对应的模拟点
Figure 156693DEST_PATH_IMAGE042
与
Figure 800164DEST_PATH_IMAGE043
的联合概率
Figure 666489DEST_PATH_IMAGE044
，通过KL散度 来度量降维测井数据集中概率分布Q和有效测井数据的高维空间概率分布P之间的相似度
Figure 536356DEST_PATH_IMAGE051
：
Figure 146329DEST_PATH_IMAGE052
所述相似度
Figure 909886DEST_PATH_IMAGE051
的值越小表示降维测井数据集中模拟点的模拟正确性越高；
通过梯度下降法使KL散度取最小值：
Figure 681533DEST_PATH_IMAGE066
获得降维测井数据集
Figure 38696DEST_PATH_IMAGE041
；
保留降维测井数据集的前两个维度，其余维度删除，得到降维测井数据
Figure 452360DEST_PATH_IMAGE054
，即选出能够解释最多内容的两个维度的降维测井数据集；
所述测井数据聚类模块，配置为基于所述降维测井数据，通过密度峰值聚类方法进行非线性聚类并结合岩心和随钻成像测井进行交互式定量评价，获得贴标签的测井数据聚类簇；
具体包括：计算所有降维测井数据的数据点之间的欧式距离
Figure 70423DEST_PATH_IMAGE055
：
Figure 888337DEST_PATH_IMAGE056
e表示降维测井数据的维度；
根据聚类数量的需求，设置截断距离dc；
基于所述截断距离计算每一个节点的密度
Figure 591851DEST_PATH_IMAGE057
：
Figure 809206DEST_PATH_IMAGE058
Figure 655677DEST_PATH_IMAGE057
的意义是指与节点
Figure 34706DEST_PATH_IMAGE059
距离小于dc的节点的个数；
计算每个节点间的相对距离
Figure 225515DEST_PATH_IMAGE060
：
Figure 715403DEST_PATH_IMAGE067
以所述密度
Figure 183424DEST_PATH_IMAGE057
为横坐标，以所述相对距离
Figure 998933DEST_PATH_IMAGE060
为纵坐标，绘制二维图，确定聚类中心的 点，将所有的数据点归到最邻近且密度比其大的数据点中，获得测井数据聚类簇；
基于所述测井数据聚类簇，通过基于标志层特征图版，应用对应深度的岩心、随钻成像测井对所述测井数据聚类簇进行交互式定量评价，获得贴标签的测井数据聚类簇；
所述初步预测模块，配置为基于所述测井数据聚类簇，通过基于深度信念网络的标志层预测模型获得标志层初步预测结果；
所述辅助矫正模块，配置为通过所述标志层初步预测结果对所述地层格架模型进行深度矫正和倾角倾向矫正，获得矫正后的地层格架模型，并根据矫正后的地层格架模型调整钻井轨迹。
CN202210385686.5A 2022-04-13 2022-04-13 随钻地质导向实时地层格架智能更新方法与系统 Active CN114463333B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210385686.5A CN114463333B (zh) 2022-04-13 2022-04-13 随钻地质导向实时地层格架智能更新方法与系统
US17/895,088 US20230333274A1 (en) 2022-04-13 2022-08-25 Intelligent real-time updating method and system for stratigraphic framework with geosteering-while-drilling

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210385686.5A CN114463333B (zh) 2022-04-13 2022-04-13 随钻地质导向实时地层格架智能更新方法与系统

Publications (2)

Publication Number Publication Date
CN114463333A CN114463333A (zh) 2022-05-10
CN114463333B true CN114463333B (zh) 2022-09-02

Family

ID=81418595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210385686.5A Active CN114463333B (zh) 2022-04-13 2022-04-13 随钻地质导向实时地层格架智能更新方法与系统

Country Status (2)

Country Link
US (1) US20230333274A1 (zh)
CN (1) CN114463333B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933196B (zh) * 2023-09-19 2023-12-26 中国科学院地质与地球物理研究所 多维测井数据异常值智能剔除的方法与系统
CN116957363B (zh) * 2023-09-19 2023-12-01 中国科学院地质与地球物理研究所 深地油气精准导航砂泥岩地层构造评价方法与系统
CN117077068B (zh) * 2023-10-18 2024-03-08 中国科学院地质与地球物理研究所 深地油气精准导航随钻声波测井数据实时标定方法与系统
CN117094232B (zh) * 2023-10-19 2023-12-15 中国科学院地质与地球物理研究所 深地油气精准导航三维岩性模型实时更新方法及系统
CN117211758B (zh) * 2023-11-07 2024-04-02 克拉玛依市远山石油科技有限公司 用于浅孔取芯的智能钻进控制系统及方法
CN117408923B (zh) * 2023-12-07 2024-02-09 中海油田服务股份有限公司 全井眼电成像仪器的图像处理方法及装置
CN117437271B (zh) * 2023-12-20 2024-03-08 湖南中斯信息科技有限公司 基于人工智能的三维目标测量方法
CN118051847A (zh) * 2024-02-20 2024-05-17 成都信息工程大学 一种基于机器学习的体积压裂水平井分段分簇方法
CN117763466B (zh) * 2024-02-22 2024-07-09 中石化经纬有限公司 一种基于聚类算法的地层可钻性评价方法及系统
CN117805932B (zh) * 2024-03-01 2024-05-28 肥城新查庄地质勘查有限公司 基于煤矿勘探数据的煤层确定方法
CN118152896B (zh) * 2024-05-11 2024-07-16 西安石油大学 一种水平井钻头距砂岩储层纵向边界距离预测方法及装置
CN118298123A (zh) * 2024-06-04 2024-07-05 中国科学院地质与地球物理研究所 一种大规模数据耦合三维地质精细建模方法、系统
CN118378205B (zh) * 2024-06-27 2024-08-30 陕西天成石油科技有限公司 一种录井数据处理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105842736A (zh) * 2016-05-27 2016-08-10 中国石油集团川庆钻探工程有限公司地球物理勘探公司 一种构建地层速度模型的方法
CN109387869A (zh) * 2017-08-04 2019-02-26 中国石油化工股份有限公司 致密灰岩岩相识别方法及系统
CN112394392A (zh) * 2019-08-13 2021-02-23 中国石油天然气股份有限公司 对烃源岩分布情况进行评价的方法和装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9482775B2 (en) * 2010-01-22 2016-11-01 Schlumberger Technology Corporation Real-time formation anisotropy and dip evaluation using tri-axial induction measurements
US10422924B2 (en) * 2013-11-08 2019-09-24 Schlumberger Technology Corporation Stratigraphic and structural interpretation of deviated and horizontal wellbores
US11531127B2 (en) * 2018-04-30 2022-12-20 Exxonmobil Upstream Research Company Methods and systems for reference-based inversion of seismic image volumes
US11500115B2 (en) * 2018-06-10 2022-11-15 Schlumberger Technology Corporation Seismic data interpretation system
EP3887647A4 (en) * 2019-02-05 2022-07-20 Magnetic Variation Services, LLC GEOGUIDANCE METHODS AND SYSTEMS FOR ENHANCED DRILLING PERFORMANCE
US11815651B2 (en) * 2019-05-21 2023-11-14 Schlumberger Technology Corporation Geologic model and property visualization system
US11486230B2 (en) * 2020-04-09 2022-11-01 Saudi Arabian Oil Company Allocating resources for implementing a well-planning process
US11636240B2 (en) * 2020-10-14 2023-04-25 Schlumberger Technology Corporation Reservoir performance system
EP4295275A1 (en) * 2021-02-18 2023-12-27 Services Pétroliers Schlumberger Geologic learning framework
US20220351037A1 (en) * 2021-04-30 2022-11-03 Saudi Arabian Oil Company Method and system for spectroscopic prediction of subsurface properties using machine learning
CN117917990A (zh) * 2021-07-12 2024-04-23 地质探索系统公司 井建设设备框架

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105842736A (zh) * 2016-05-27 2016-08-10 中国石油集团川庆钻探工程有限公司地球物理勘探公司 一种构建地层速度模型的方法
CN109387869A (zh) * 2017-08-04 2019-02-26 中国石油化工股份有限公司 致密灰岩岩相识别方法及系统
CN112394392A (zh) * 2019-08-13 2021-02-23 中国石油天然气股份有限公司 对烃源岩分布情况进行评价的方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于随钻测井的地质导向解释系统研究与应用;闫振来;《钻采工艺》;20100925(第05期);全文 *
基于随钻资料的地层岩性实时识别方法;夏宏泉等;《石油学报》;20040325(第02期);全文 *

Also Published As

Publication number Publication date
CN114463333A (zh) 2022-05-10
US20230333274A1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
CN114463333B (zh) 随钻地质导向实时地层格架智能更新方法与系统
AU2017343749B2 (en) System and method for seismic facies identification using machine learning
Qi et al. Seismic attribute selection for machine-learning-based facies analysis
CN111783825A (zh) 一种基于卷积神经网络学习的测井岩性识别方法
AU2011371570B2 (en) Apparatus and methods of analysis of pipe and annulus in a wellbore
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
WO2009134685A2 (en) System and method for interpretation of well data
US11727583B2 (en) Core-level high resolution petrophysical characterization method
US11733424B2 (en) Systems and methods for identifying subsurface features as functions of feature positions in a subsurface volume of interest
AU2019346137B2 (en) System and method for automated seismic interpretation
WO2020185808A1 (en) Automated facies classification from well logs
McDonald Data quality considerations for petrophysical machine-learning models
CN116796231A (zh) 一种基于测井曲线自动划分岩性及对比的方法及装置
Roden et al. Seismic interpretation with machine learning
CN112987091A (zh) 储层检测方法、装置、电子设备和存储介质
US20230222773A1 (en) Method for predicting geological features from borehole image logs
CN114280689A (zh) 基于岩石物理知识确定储层孔隙度的方法、装置及设备
CN116658148A (zh) 岩性识别方法
Ferreira et al. Texture-based-similarity graph to aid seismic interpretation
Duan et al. Seismic facies analysis based on deep encoder clustering
Gao et al. A novel automated machine-learning model for lithofacies recognition
CN118194162B (zh) 基于多元数据的找矿靶区定位方法、系统、电子设备及存储介质
Udegbe Pattern Recognition for Fractured Reservoir Characterization Using Subsurface Big Data
CN115685347A (zh) 求取地震相的计算方法
Ali A Supervised Workflow for Predicting Lithofacies in Complex and Heterogeneous Tight Sandstone Reservoirs: A Data-Driven Approach Using Clustering and Classification Models

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