CN115393656B - 一种用于随钻测井图像地层分类的自动分类方法 - Google Patents

一种用于随钻测井图像地层分类的自动分类方法 Download PDF

Info

Publication number
CN115393656B
CN115393656B CN202211314366.7A CN202211314366A CN115393656B CN 115393656 B CN115393656 B CN 115393656B CN 202211314366 A CN202211314366 A CN 202211314366A CN 115393656 B CN115393656 B CN 115393656B
Authority
CN
China
Prior art keywords
attention mechanism
drilling
window
lithology
classification
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
CN202211314366.7A
Other languages
English (en)
Other versions
CN115393656A (zh
Inventor
吴柏志
董经利
孙建孟
宿振国
罗歆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Sinopec Jingwei Co Ltd
Original Assignee
China University of Petroleum East China
Sinopec Jingwei Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China, Sinopec Jingwei Co Ltd filed Critical China University of Petroleum East China
Priority to CN202211314366.7A priority Critical patent/CN115393656B/zh
Publication of CN115393656A publication Critical patent/CN115393656A/zh
Application granted granted Critical
Publication of CN115393656B publication Critical patent/CN115393656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

本发明公开了一种用于随钻测井图像地层分类的自动分类方法，涉及油气勘探技术领域。本发明通过标注岩心刻度随钻电成像测井图像生成图像标签，构建岩性类别识别数据库后，构建窗口注意力机制分类网络，引入经训练的超参数元网络作为窗口注意力机制分类网络迁移学习的对象，利用岩性类别识别数据库训练窗口注意力机制网络进行岩石图像自动识别分类并验证训练后窗口注意力机制网络的性能，再基于知识蒸馏理论改进窗口注意力机制分类网络的分类器，构建并调试自适应岩性分类网络模型后，利用自适应岩性分类网络模型确定随钻电成像测井图像的岩性。本发明实现了对岩性类别与随钻测井图像的精准匹配，提高了岩性分类的准确性，有利于储层的高效评价。

Description

一种用于随钻测井图像地层分类的自动分类方法
技术领域
本发明涉及油气勘探技术领域，具体涉及一种用于随钻测井图像地层分类的自动分类方法。
背景技术
我国油气进入非常规勘探开发的重要阶段，地层非均质性强，地层精细分类作为储层评价与开发的重要条件，常规的地层分类依赖本领域技术人员的主观人为经验，导致地层分类效率低，所以精细且自动化的进行地层分类已成为高效评价储层的关键。
现有技术中利用常规测井曲线进行地质分类，但其测井曲线的尺度相对宏观，分类结果误差较大，而随钻测井图像具有高分辨率可视化的优势，逐渐受到测井评价人员及学者的青睐。随着深度学习及计算机视觉领域的发展，相关人员通过卷积神经网络实现随钻电成像测井图像岩性分类，但是，由于电成像图像通常为长段，在进行数据预处理时需要对图像进行裁剪，裁剪位置与尺寸会对分类结果产生较大误差。同时，卷积神经网络类深度学习模块因其卷积核大小及卷积方式，易于导致全局特征丢失。
因此，亟需提出一种用于随钻测井图像地层分类的自动综合分类方法，通过提高全局特征感知能力，实现对地层类别与随钻测井图像的精准匹配。
发明内容
本发明为了克服窗口注意力机制网络分类模型常见的硬分类缺陷，提出了一种用于随钻测井图像地层分类的自动分类方法，实现了地层类别与随钻测井图像精准匹配，为储层的高效评价提供了重要依据。
本发明采用以下的技术方案：
一种用于随钻测井图像地层分类的自动分类方法，具体包括以下步骤：
步骤1，获取岩心刻度随钻电成像测井图像，采集不同岩性类别所对应的岩心刻度随钻电成像测井图像，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，生成随钻电成像测井图像标签，构建岩性类别识别数据库，并将岩性类别识别数据库划分为训练集和测试集；
步骤2，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，并对窗口注意力机制分类网络进行超参数优选后，再利用验证集测试训练后窗口注意力机制分类网络的性能，输出验证后的窗口注意力机制分类网络；
步骤3，基于知识蒸馏理论改进步骤2中输出窗口注意力机制分类网络中的分类器，结合随钻电成像测井图像的纵向属性，构建自适应岩性分类网络模型，并对自适应岩性分类网络模型进行调试；
步骤4，将待预测的随钻电成像测井图像输入至调试后的自适应岩性分类网络模型中，利用自适应岩性分类网络模型对待预测的随钻电成像测井图像中的岩性进行分类，输出待预测的随钻电成像测井图像的岩性分类结果。
优选地，所述步骤1中，具体包括以下步骤：
步骤1.1，获取随钻电成像测井图像和多个深度段的岩心照片，根据不同深度段的岩心照片，分别针对各深度段利用岩心照片对随钻电成像测井图像进行刻度，得到岩心刻度随钻电成像测井图像；
步骤1.2，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，确定岩心刻度随钻电成像测井图像中的岩心类别后，生成随钻电成像测井图像标签，构建岩性类别识别数据库；
步骤1.3，将岩性类别识别数据库划分为训练集和测试集。
优选地，所述训练集中岩心刻度随钻电成像测井图像的数量为岩性类别识别数据库中岩心刻度随钻电成像测井图像数量的70%，测试集中岩心刻度随钻电成像测井图像的数量为岩性类别识别数据库中岩心刻度随钻电成像测井图像数量的30%。
优选地，所述步骤2中，具体包括以下步骤：
步骤2.1，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器；所述窗口注意力机制网络包括分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块，分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块依次连接；
步骤2.2，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，通过反向传播与梯度下降算法对窗口注意力机制分类网络的权值进行更新，计算窗口注意力机制分类网络的损失值，若窗口注意力机制分类网络的损失值小于预设阈值，则停止对窗口注意力机制分类网络的训练，否则，则对窗口注意力机制分类网络进行超参数优选，继续利用训练集训练窗口注意力机制分类网络；
窗口注意力机制分类网络的损失函数为：
Figure 178548DEST_PATH_IMAGE001
（1）
式中，
Figure 489575DEST_PATH_IMAGE002
为窗口注意力机制分类网络的损失值，
Figure 464484DEST_PATH_IMAGE003
为岩性类别数字标签，
Figure 477439DEST_PATH_IMAGE004
为岩性 类别数字标签所对应的概率值，
Figure 438573DEST_PATH_IMAGE005
为对数函数，n为岩性类别的个数，i为岩性类别的序号；
步骤2.3，利用验证集测试训练后窗口注意力机制分类网络的性能，若训练后窗口注意力机制分类网络的损失值小于预设阈值，则进入步骤2.4，否则，则返回步骤2.2中，继续利用训练集训练窗口注意力机制分类网络；
步骤2.4，输出验证后的窗口注意力机制分类网络。
优选地，所述分区注意力机制模块包括块状分区层、线性嵌入层和两个窗口注意力机制模块，块状分区层用于对岩心刻度随钻电成像测井图像进行分块处理，线性嵌入层用于改变输出特征图的通道数；
所述第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块均采用块状拼接层后连接窗口注意力机制模块的结构，第一拼接注意力机制模块和第三拼接注意力机制模块内均设置有一个块状拼接层和两个窗口注意力机制模块，第二拼接注意力机制模块内设置有一个块状拼接层和六个窗口注意力机制模块；
所述窗口注意力机制模块采用由多层感知机与窗口注意力机制层组成的组合结构后串联由多层感知机与偏移窗口注意力机制层组成的组合结构，窗口注意力机制层和偏移窗口注意力机制层的前后均设置有标准化层。
优选地，所述步骤2.2中，将训练集中的岩心刻度随钻电成像测井图像输入窗口注意力机制分类网络中，岩心刻度随钻电成像测井图像的原始长度为h、原始宽度为w、原始通道数为3，窗口注意力机制分类网络对岩心刻度随钻电成像测井图像的处理包括四个阶段；
分区注意力机制模块用于对岩心刻度随钻电成像测井图像进行第一阶段的处理， 当岩心刻度随钻电成像测井图像输入至分区注意力机制模块时，分区注意力机制模块的块 状分区层通过对岩心刻度随钻电成像测井图像进行二维卷积运算，将岩心刻度随钻电成像 测井图像划分为多个尺寸为4×4像素、长度为
Figure 853374DEST_PATH_IMAGE006
、宽度为
Figure 140130DEST_PATH_IMAGE007
、通道数为48的特征图，特征 图经过线性嵌入层在长度维度和宽度维度上展开，得到经线性嵌入层展开后特征图的长度 为
Figure 781327DEST_PATH_IMAGE006
、宽度为
Figure 529840DEST_PATH_IMAGE007
、通道数为C，经分区注意力机制模块内的各窗口注意力机制模块处理后 输入至第一拼接注意力机制模块中；
第一拼接注意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块 依次用于岩心刻度随钻电成像测井图像第二阶段、第三阶段、第四阶段的处理，第一拼接注 意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块内设置的块状拼接层 以每2个像素为单位长度分割输入的特征图并对进行通道拼接，经第一拼接注意力机制模 块处理后特征图的长度为
Figure 346618DEST_PATH_IMAGE008
、宽度为
Figure 663329DEST_PATH_IMAGE009
、通道数为2C，经第二拼接注意力机制模块处理后 特征图的长度为
Figure 182036DEST_PATH_IMAGE010
、宽度为
Figure 484972DEST_PATH_IMAGE011
、通道数为4C，经第三拼接注意力机制模块处理后特征图 的长度为
Figure 15310DEST_PATH_IMAGE012
、宽度为
Figure 627557DEST_PATH_IMAGE013
、通道数为8C；
分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块内的窗口注意力机制模块均通过对特征图下采样后，将特征图输入至窗口注意力机制层和偏移窗口注意力机制层中，基于多头注意力机制在指定窗口处理特征图，考虑到特征图被划分为多个窗口，考虑各窗口之间的相关性丢失，利用偏移窗口注意力机制层对各窗口进行循环移位，得到移动后的特征图。
优选地，所述步骤2.2中，基于迁移学习，引入经计算机视觉系统识别项目数据集后的超参数元网络训练窗口注意力机制网络，获得窗口注意力机制网络的预训练权重，超参数元网络使用每个步骤的当前权重和梯度值自适应生成超参数，超参数包括学习率和训练批次，使得迁移学习过程中窗口注意力机制网络内的每个内部模块能够适应给定的任务，对窗口注意力机制网络进行超参数优选。
优选地，所述步骤3中，具体包括以下步骤：
步骤3.1，对窗口注意力机制分类网络中的分类器进行改进，将岩性类别的输出值映射到0~1之间，如公式（2）所示：
Figure 508926DEST_PATH_IMAGE014
（2）
式中，
Figure 615553DEST_PATH_IMAGE015
为岩性类别的概率分布；Z为输出向量，输出向量为全连接层中输出的一 维向量；Z i 为输出向量Z中第i个岩性类别的数值，Z j 为输出向量Z中第j个岩性类别的数值；K 为窗口注意力机制分类网络输出的类别数；i、j均为岩性类别的序号；
步骤3.2，基于知识蒸馏理论对岩心刻度随钻电成像测井图像所对应的随钻电成像测井图像标签进行软化，如公式（3）所示：
Figure 390611DEST_PATH_IMAGE016
（3）
式中，
Figure 783546DEST_PATH_IMAGE017
为软化后岩性类别的概率分布；T为蒸馏温度；
步骤3.3，利用岩性类别识别数据库调试自适应岩性分类网络模型，将岩心刻度随钻电成像测井图像输入至自适应岩性分类网络模型中，自适应岩性分类网络模型计算得到岩心刻度随钻电成像测井图像的最大类别概率，当最大类别概率不小于80%时，停止调试自适应岩性分类网络模型，否则，则对岩心刻度随钻电成像测井图像横向对半裁剪后，再次输入至自适应岩性分类网络模型中，继续利用自适应岩性分类网络模型计算岩心刻度随钻电成像测井图像的最大类别概率，直至岩心刻度随钻电成像测井图像的最大类别概率不小于80%，结束对自适应岩性分类网络模型的调试。
本发明具有如下有益效果：
本发明方法利用窗口注意力机制分类网络进行地层分类，相较于传统的卷积神经网络，窗口注意力机制分类网络综合了随钻电成像测井图像全局特征的变化，结合引入经计算机视觉系统识别项目数据集训练后的超参数元网络训练窗口注意力机制分类网络进行迁移学习，大幅度减少了所需训练样本的数量，克服了样本数量有限对分类网络训练的局限性。同时，本发明还基于知识蒸馏理论对窗口注意力机制分类网络的分类器进行了改进，保证了窗口注意力机制分类网络输出岩性类别结果的真实性，有效减少了硬标签所导致的非最大概率岩性类别信息的丢失。
本发明方法将窗口注意力机制与迁移学习相结合，构建自适应岩性分类网络模型，大幅度降低了单一标签出现多类图像特征时所引起的误差，实现了地层岩性类别与随钻测井图像精准匹配，提高了对随钻测井图像岩性分类结果的精度，为储层的高效评价提供了重要依据。
附图说明
图1为窗口注意力机制分类网络的结构示意图。
图2为窗口注意力机制网络的结构示意图。
图3为窗口注意力机制模块的结构示意图。
图4为训练过程中窗口注意力机制网络的准确率变化曲线。
图5为测试过程中窗口注意力机制网络的准确率变化曲线。
图6为训练过程中窗口注意力机制网络的损失值变化曲线。
图7为测试过程中窗口注意力机制网络的损失值变化曲线。
图8为自适应岩性分类网络模型的结构示意图。
图9为软化前后效果对比图。
图10 为本发明岩性分类结果与窗口注意力机制分类模型岩性分类结果的对比图。
具体实施方式
下面结合附图和某油田的示例区块A为例，对本发明的具体实施方式做进一步说明：
以示例区块A为例，利用本发明提出的一种用于随钻测井图像地层分类的自动分类方法，具体包括以下步骤：
步骤1，获取岩心刻度随钻电成像测井图像，采集不同岩性类别所对应的岩心刻度随钻电成像测井图像，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，生成随钻电成像测井图像标签，构建岩性类别识别数据库，并将岩性类别识别数据库划分为训练集和测试集，具体包括以下子步骤：
步骤1.1，获取随钻电成像测井图像和多个深度段的岩心照片，根据不同深度段的岩心照片，分别针对各深度段利用岩心照片对随钻电成像测井图像进行刻度，得到岩心刻度随钻电成像测井图像。
步骤1.2，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，确定岩心刻度随钻电成像测井图像中的岩心类别后，生成随钻电成像测井图像标签，构建岩性类别识别数据库。
步骤1.3，将岩性类别识别数据库划分为训练集和测试集。
本实施例中在示例区块A中获取了随钻电成像测井图像及其对应深度段的岩心照片共计854张，用于构建岩性类别识别数据库，经过统计示例区块A中含有砂岩、砾岩和泥岩，共计三种岩性类型，将岩性类别识别数据库划分为训练集和测试集，其中，训练集中岩心刻度随钻电成像测井图像的数量为岩性类别识别数据库中岩心刻度随钻电成像测井图像数量的70%，训练集内含有597张随钻电成像测井图像及其对应深度段的岩心照片，测试集内含有256张随钻电成像测井图像及其对应深度段的岩心照片。
步骤2，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，并对窗口注意力机制分类网络进行超参数优选后，再利用验证集测试训练后窗口注意力机制分类网络的性能，输出验证后的窗口注意力机制分类网络，具体包括以下子步骤：
步骤2.1，构建窗口注意力机制分类网络，窗口注意力机制分类网络如图1所示。窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器。窗口注意力机制网络为具有窗口和多层级的多头注意力基质模型，用于解决现有注意力基质网络模型全局自注意力计算量大的问题。窗口注意力机制网络如图2所示，包括分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块，分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块依次连接。
所述分区注意力机制模块包括块状分区层、线性嵌入层和两个窗口注意力机制模块，块状分区层用于对岩心刻度随钻电成像测井图像进行分块处理，线性嵌入层用于改变输出特征图的通道数。
所述第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块均采用块状拼接层后连接窗口注意力机制模块的结构，第一拼接注意力机制模块和第三拼接注意力机制模块内均设置有一个块状拼接层和两个窗口注意力机制模块，第二拼接注意力机制模块内设置有一个块状拼接层和六个窗口注意力机制模块，块状拼接层用于压缩图像尺寸压缩减半和翻倍增加图像的通道数。
所述窗口注意力机制模块如图3所示，窗口注意力机制模块采用由多层感知机与窗口注意力机制层组成的组合结构后串联由多层感知机与偏移窗口注意力机制层组成的组合结构，窗口注意力机制层和偏移窗口注意力机制层的前后均设置有标准化层。
窗口注意力机制模块通过对图像在特定窗口进行多头注意力机制处理，减少模型的计算量，同时，考虑到图像被划分为多个窗口，存在各窗口之间相关性的丢失，因此，本发明窗口注意力机制模块内还设置了偏移窗口注意力机制层，利用窗口的循环移位得到移动后图像的自注意力计算结果，本发明通过将窗口注意力机制层和偏移窗口注意力机制层相结合，实现了窗口之间信息的连接，同时，配合设置多层感知机层和标准化层，进一步增大了窗口注意力机制模块的拟合能力，标准化层的设置保证看窗口注意力机制模块的权重参数符合正态分布，有效防止了梯度爆炸或梯度消失的发生。
步骤2.2，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，通过反向传播与梯度下降算法对窗口注意力机制分类网络的权值进行更新，计算窗口注意力机制分类网络的损失值，若窗口注意力机制分类网络的损失值小于预设阈值，则停止对窗口注意力机制分类网络的训练，否则，则对窗口注意力机制分类网络进行超参数优选，继续利用训练集训练窗口注意力机制分类网络。
窗口注意力机制分类网络的损失函数为：
Figure 27577DEST_PATH_IMAGE001
（1）
式中，
Figure 62529DEST_PATH_IMAGE002
为窗口注意力机制分类网络的损失值，用于评价窗口注意力机制分类网 络的性能；
Figure 692094DEST_PATH_IMAGE003
为岩性类别数字标签，
Figure 125437DEST_PATH_IMAGE004
为岩性类别数字标签所对应的概率值，
Figure 981397DEST_PATH_IMAGE005
为对数函 数，n为岩性类别的个数，i为岩性类别的序号。
将训练集中的岩心刻度随钻电成像测井图像输入窗口注意力机制分类网络中，岩心刻度随钻电成像测井图像的原始长度为h、原始宽度为w、原始通道数为3，窗口注意力机制分类网络对岩心刻度随钻电成像测井图像的处理包括四个阶段。
分区注意力机制模块用于对岩心刻度随钻电成像测井图像进行第一阶段的处理， 当岩心刻度随钻电成像测井图像输入至分区注意力机制模块时，分区注意力机制模块的块 状分区层通过对岩心刻度随钻电成像测井图像进行二维卷积运算，将岩心刻度随钻电成像 测井图像划分为多个尺寸为4×4像素、长度为
Figure 679095DEST_PATH_IMAGE006
、宽度为
Figure 913898DEST_PATH_IMAGE007
、通道数为48的特征图，特征 图经过线性嵌入层在长度维度和宽度维度上展开，得到经线性嵌入层展开后特征图的长度 为
Figure 179795DEST_PATH_IMAGE006
、宽度为
Figure 116527DEST_PATH_IMAGE007
、通道数为C，经分区注意力机制模块内的各窗口注意力机制模块处理后 输入至第一拼接注意力机制模块中。
第一拼接注意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块 依次用于岩心刻度随钻电成像测井图像第二阶段、第三阶段、第四阶段的处理，第一拼接注 意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块内设置的块状拼接层 以每2个像素为单位长度分割输入的特征图并对进行通道拼接，经第一拼接注意力机制模 块处理后特征图的长度为
Figure 368648DEST_PATH_IMAGE008
、宽度为
Figure 582591DEST_PATH_IMAGE009
、通道数为2C，经第二拼接注意力机制模块处理后 特征图的长度为
Figure 878443DEST_PATH_IMAGE010
、宽度为
Figure 318783DEST_PATH_IMAGE011
、通道数为4C，经第三拼接注意力机制模块处理后特征图 的长度为
Figure 233649DEST_PATH_IMAGE012
、宽度为
Figure 770941DEST_PATH_IMAGE013
、通道数为8C。
分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块内的窗口注意力机制模块均通过对特征图下采样后，将特征图输入至窗口注意力机制层和偏移窗口注意力机制层中，基于多头注意力机制在指定窗口处理特征图，考虑到特征图被划分为多个窗口，考虑各窗口之间的相关性丢失，利用偏移窗口注意力机制层对各窗口进行循环移位，得到移动后的特征图。
进一步基于迁移学习，引入经计算机视觉系统识别项目数据集后的超参数元网络训练窗口注意力机制网络，获得窗口注意力机制网络的预训练权重，超参数元网络使用每个步骤的当前权重和梯度值自适应生成超参数，超参数包括学习率和训练批次（学习率的高低决定了窗口注意力机制网络的收敛性能，训练批次则用于反映窗口注意力机制网络的训练效率），使得迁移学习过程中窗口注意力机制网络内的每个内部模块能够适应给定的任务，对窗口注意力机制网络进行超参数优选。
步骤2.3，利用验证集测试训练后窗口注意力机制分类网络的性能，若训练后窗口注意力机制分类网络的损失值小于预设阈值，则进入步骤2.4，否则，则返回步骤2.2中，继续利用训练集训练窗口注意力机制分类网络。
步骤2.4，输出验证后的窗口注意力机制分类网络。
本实施例中，窗口注意力机制网络迁移学习过程中，设置窗口注意力机制网络的学习率为1×10-4，通过优化器进行权重衰减（衰减系数设置为5×10-2），使得学习率随着迭代次数的增加而动态减少。图4~图7所示为迁移学习过程中实时获取窗口注意力机制网络的准确率和损失率，由图4~图7可得，利用训练集训练后窗口注意力机制网络的训练准确率为95.5%、利用验证集测试得到测试准确率为97.2%，利用训练集训练后窗口注意力机制网络的训练损失值为0.151%、利用验证集测试得到测试损失值为0.146%。
步骤3，基于知识蒸馏理论改进步骤2中输出窗口注意力机制分类网络中的分类器，结合随钻电成像测井图像的纵向属性，构建如图8所示的自适应岩性分类网络模型，并对自适应岩性分类网络模型进行调试，具体包括以下子步骤：
步骤3.1，对窗口注意力机制分类网络中的分类器进行改进，将岩性类别的输出值映射到0~1之间，如公式（2）所示：
Figure 378640DEST_PATH_IMAGE014
（2）
式中，
Figure 555543DEST_PATH_IMAGE018
为岩性类别的概率分布；Z为输出向量，输出向量为全连接层中输出的一 维向量；Z i 为输出向量Z中第i个岩性类别的数值，Z j 为输出向量Z中第j个岩性类别的数值；K 为窗口注意力机制分类网络输出的类别数；i、j均为岩性类别的序号。
步骤3.2，由于传统分类器将岩性类别的输出值映射到0~1之间，放大了不同岩性类别概率之间的差异，所以基于知识蒸馏理论对岩心刻度随钻电成像测井图像所对应的随钻电成像测井图像标签进行软化，如公式（3）所示：
Figure 8522DEST_PATH_IMAGE016
（3）
式中，
Figure 72424DEST_PATH_IMAGE017
为软化后岩性类别的概率分布；T为蒸馏温度。
步骤3.3，利用岩性类别识别数据库调试自适应岩性分类网络模型，将岩心刻度随钻电成像测井图像输入至自适应岩性分类网络模型中，自适应岩性分类网络模型计算得到岩心刻度随钻电成像测井图像的最大类别概率，当最大类别概率不小于80%时，停止调试自适应岩性分类网络模型，否则，则对岩心刻度随钻电成像测井图像横向对半裁剪后，再次输入至自适应岩性分类网络模型中，继续利用自适应岩性分类网络模型计算岩心刻度随钻电成像测井图像的最大类别概率，直至岩心刻度随钻电成像测井图像的最大类别概率不小于80%，结束对自适应岩性分类网络模型的调试。
本实施例基于知识蒸馏理论对窗口注意力机制分类网络中的分类器进行改进确定软化标签概率，软化后效果如图9所示。图9中实线为软化前各岩性的概率分布，虚线为软化后各岩性的概率分布，基于知识蒸馏理论可知，当蒸馏温度T=1时，软化结果就是为分类器输出的结果，而本实施例发现将蒸馏温度T设置为0.5，更加符合测试岩性类别的概率分布。
步骤4，将待预测的随钻电成像测井图像输入至调试后的自适应岩性分类网络模型中，利用自适应岩性分类网络模型对待预测的随钻电成像测井图像中的岩性进行分类，输出待预测的随钻电成像测井图像的岩性分类结果。
本实施例以井X深度段2814.4m~2821.7m的随钻电成像测井图像作为待预测的随钻电成像测井图像，将该随钻电成像测井图像输入至自适应岩性分类网络模型中，当井X深度段2814.4m~2821.7m的随钻电成像测井图像输入至自适应岩性分类网络模型后，自适应岩性分类网络模型对随钻电成像测井图像进行岩性分类，岩性分类结果是砂岩概率为75.7%、砾岩概率为4.4%、泥岩概率为19.9%，此时自适应岩性分类网络模型将计算得到的最大类别概率与80%进行比较进行第一轮判断，第一轮判断得到最大类别概率为砂岩概率，最大类别概率小于预设阈值80%，此时将随钻电成像测井图像横向对半裁剪，将裁剪得到的上半部分随钻电成像测井图像和下半部分随钻电成像测井图像分别输入至自适应岩性分类网络模型中，利用自适应岩性分类网络模型分别对上半部分随钻电成像测井图像和下半部分随钻电成像测井图像进行岩性分类。利用自适应岩性分类网络模型对上半部分随钻电成像测井图像进行岩性分类，得到上半部分随钻电成像测井图像的岩性分类结果，岩性分类结果是砂岩概率为91.5%、砾岩概率为6.4%、泥岩概率为2.1%，此时最大类别概率为砂岩概率，最大类别概率大于80%，输出上半部分随钻电成像测井图像的最大概率所对应的岩性类别作为结果，即确定上半部分随钻电成像测井图像所对应的岩性为砂岩，利用自适应岩性分类网络模型对下半部分随钻电成像测井图像进行岩性分类，得到下半部分随钻电成像测井图像的岩性分类结果，岩性分类结果是砂岩概率为36.1%、砾岩概率为4.1%、泥岩概率为59.8%，此时最大类别概率为砂岩概率，最大类别概率小于80%，再对下半部分随钻电成像测井图像进行横向对半裁剪，得到下半部分第一随钻电成像测井图像和下半部分第二随钻电成像测井图像，分别将下半部分第一随钻电成像测井图像和下半部分第二随钻电成像测井图像输入至自适应岩性分类网络模型中，利用自适应岩性分类网络模型分别对下半部分第一随钻电成像测井图像和下半部分第二随钻电成像测井图像进行岩性分类，得到下半部分第一随钻电成像测井图像的岩性分类结果，岩性分类结果是砂岩概率为84.8%、砾岩概率为10.2%、泥岩概率为5%，最大类别概率为砂岩概率且大于80%，下半部分第二随钻电成像测井图像的岩性分类结果，岩性分类结果是砂岩概率为2.5%、砾岩概率为5.2%、泥岩概率为92.3%，最大类别概率为泥岩概率且大于80%，所以，根据裁剪后各随钻电成像测井图像的最大类别概率所对应的岩性类别，对裁剪后各随钻电成像测井图像按照深度由浅到深的顺序进行拼接，得到拼接后的随钻电成像测井图像，并输出随钻电成像测井图像的岩性分类结果，实现了对地层岩性类别与随钻测井图像精准匹配。
同时将该随钻电成像测井图像输入至现有的窗口注意力机制分类模型进行对比，结果如图10所示。由图10可知，本发明相比于传统的窗口注意力机制分类模型，实现了地层岩性类别与随钻测井图像精准匹配，岩性分类预测精度更高，且不受图像尺寸选取而带来的影响，有利于储层的高效评价。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (3)

1.一种用于随钻测井图像地层分类的自动分类方法，其特征在于，具体包括以下步骤：
步骤1，获取岩心刻度随钻电成像测井图像，采集不同岩性类别所对应的岩心刻度随钻电成像测井图像，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，生成随钻电成像测井图像标签，构建岩性类别识别数据库，并将岩性类别识别数据库划分为训练集和测试集；
步骤2，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，并对窗口注意力机制分类网络进行超参数优选后，再利用验证集测试训练后窗口注意力机制分类网络的性能，输出验证后的窗口注意力机制分类网络；
步骤3，基于知识蒸馏理论改进步骤2中输出窗口注意力机制分类网络中的分类器，结合随钻电成像测井图像的纵向属性，构建自适应岩性分类网络模型，并对自适应岩性分类网络模型进行调试；
步骤4，将待预测的随钻电成像测井图像输入至调试后的自适应岩性分类网络模型中，利用自适应岩性分类网络模型对待预测的随钻电成像测井图像中的岩性进行分类，输出待预测的随钻电成像测井图像的岩性分类结果；
所述步骤2中，具体包括以下步骤：
步骤2.1，构建窗口注意力机制分类网络，窗口注意力机制分类网络内设置有窗口注意力机制网络、标准化层、全局池化层、全连接层和分类器；所述窗口注意力机制网络包括分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块，分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块依次连接；
步骤2.2，引入经计算机视觉系统识别项目数据集训练后的超参数元网络作为窗口注意力机制网络迁移学习的对象，利用训练集训练窗口注意力机制分类网络对岩心刻度随钻电成像测井图像自动识别分类，通过反向传播与梯度下降算法对窗口注意力机制分类网络的权值进行更新，计算窗口注意力机制分类网络的损失值，若窗口注意力机制分类网络的损失值小于预设阈值，则停止对窗口注意力机制分类网络的训练，否则，则对窗口注意力机制分类网络进行超参数优选，继续利用训练集训练窗口注意力机制分类网络；
窗口注意力机制分类网络的损失函数为：
Figure 916128DEST_PATH_IMAGE001
（1）
式中，
Figure 780178DEST_PATH_IMAGE002
为窗口注意力机制分类网络的损失值，
Figure 594551DEST_PATH_IMAGE003
为岩性类别数字标签，
Figure 151434DEST_PATH_IMAGE004
为岩性类别数字标签所对应的概率值，
Figure 90571DEST_PATH_IMAGE005
为对数函数，n为岩性类别的个数，i为岩性类别的序号；
步骤2.3，利用验证集测试训练后窗口注意力机制分类网络的性能，若训练后窗口注意力机制分类网络的损失值小于预设阈值，则进入步骤2.4，否则，则返回步骤2.2中，继续利用训练集训练窗口注意力机制分类网络；
步骤2.4，输出验证后的窗口注意力机制分类网络；
所述分区注意力机制模块包括块状分区层、线性嵌入层和两个窗口注意力机制模块，块状分区层用于对岩心刻度随钻电成像测井图像进行分块处理，线性嵌入层用于改变输出特征图的通道数；
所述第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块均采用块状拼接层后连接窗口注意力机制模块的结构，第一拼接注意力机制模块和第三拼接注意力机制模块内均设置有一个块状拼接层和两个窗口注意力机制模块，第二拼接注意力机制模块内设置有一个块状拼接层和六个窗口注意力机制模块；
所述窗口注意力机制模块采用由多层感知机与窗口注意力机制层组成的组合结构后串联由多层感知机与偏移窗口注意力机制层组成的组合结构，窗口注意力机制层和偏移窗口注意力机制层的前后均设置有标准化层；
所述步骤2.2中，将训练集中的岩心刻度随钻电成像测井图像输入窗口注意力机制分类网络中，岩心刻度随钻电成像测井图像的原始长度为h、原始宽度为w、原始通道数为3，窗口注意力机制分类网络对岩心刻度随钻电成像测井图像的处理包括四个阶段；
分区注意力机制模块用于对岩心刻度随钻电成像测井图像进行第一阶段的处理，当岩心刻度随钻电成像测井图像输入至分区注意力机制模块时，分区注意力机制模块的块状分区层通过对岩心刻度随钻电成像测井图像进行二维卷积运算，将岩心刻度随钻电成像测井图像划分为多个尺寸为4×4像素、长度为
Figure 758313DEST_PATH_IMAGE006
、宽度为
Figure 427191DEST_PATH_IMAGE007
、通道数为48的特征图，特征图经过线性嵌入层在长度维度和宽度维度上展开，得到经线性嵌入层展开后特征图的长度为
Figure 653511DEST_PATH_IMAGE006
、宽度为
Figure 876682DEST_PATH_IMAGE007
、通道数为C，经分区注意力机制模块内的各窗口注意力机制模块处理后输入至第一拼接注意力机制模块中；
第一拼接注意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块依次用于岩心刻度随钻电成像测井图像第二阶段、第三阶段、第四阶段的处理，第一拼接注意力机制模块、第二拼接注意力机制模块、第三拼接注意力机制模块内设置的块状拼接层以每2个像素为单位长度分割输入的特征图并对进行通道拼接，经第一拼接注意力机制模块处理后特征图的长度为
Figure 613694DEST_PATH_IMAGE008
、宽度为
Figure 809183DEST_PATH_IMAGE009
、通道数为2C，经第二拼接注意力机制模块处理后特征图的长度为
Figure 239027DEST_PATH_IMAGE010
、宽度为
Figure 949494DEST_PATH_IMAGE011
、通道数为4C，经第三拼接注意力机制模块处理后特征图的长度为
Figure 959039DEST_PATH_IMAGE012
、宽度为
Figure 602510DEST_PATH_IMAGE013
、通道数为8C；
分区注意力机制模块、第一拼接注意力机制模块、第二拼接注意力机制模块和第三拼接注意力机制模块内的窗口注意力机制模块均通过对特征图下采样后，将特征图输入至窗口注意力机制层和偏移窗口注意力机制层中，基于多头注意力机制在指定窗口处理特征图，考虑到特征图被划分为多个窗口，考虑各窗口之间的相关性丢失，利用偏移窗口注意力机制层对各窗口进行循环移位，得到移动后的特征图；
所述步骤2.2中，基于迁移学习，引入经计算机视觉系统识别项目数据集后的超参数元网络训练窗口注意力机制网络，获得窗口注意力机制网络的预训练权重，超参数元网络使用每个步骤的当前权重和梯度值自适应生成超参数，超参数包括学习率和训练批次，使得迁移学习过程中窗口注意力机制网络内的每个内部模块能够适应给定的任务，对窗口注意力机制网络进行超参数优选；
所述步骤3中，具体包括以下步骤：
步骤3.1，对窗口注意力机制分类网络中的分类器进行改进，将岩性类别的输出值映射到0~1之间，如公式（2）所示：
Figure 406518DEST_PATH_IMAGE014
（2）
式中，
Figure 306078DEST_PATH_IMAGE015
为岩性类别的概率分布；Z为输出向量；Z i 为输出向量Z中第i个岩性类别的数值，Z j 为输出向量Z中第j个岩性类别的数值；K为窗口注意力机制分类网络输出的类别数；i、j均为岩性类别的序号；
步骤3.2，基于知识蒸馏理论对岩心刻度随钻电成像测井图像所对应的随钻电成像测井图像标签进行软化，如公式（3）所示：
Figure 384893DEST_PATH_IMAGE016
（3）
式中，
Figure 617291DEST_PATH_IMAGE017
为软化后岩性类别的概率分布；T为蒸馏温度；
步骤3.3，利用岩性类别识别数据库调试自适应岩性分类网络模型，将岩心刻度随钻电成像测井图像输入至自适应岩性分类网络模型中，自适应岩性分类网络模型计算得到岩心刻度随钻电成像测井图像的最大类别概率，当最大类别概率不小于80%时，停止调试自适应岩性分类网络模型，否则，则对岩心刻度随钻电成像测井图像横向对半裁剪后，再次输入至自适应岩性分类网络模型中，继续利用自适应岩性分类网络模型计算岩心刻度随钻电成像测井图像的最大类别概率，直至岩心刻度随钻电成像测井图像的最大类别概率不小于80%，结束对自适应岩性分类网络模型的调试。
2.根据权利要求1所述的一种用于随钻测井图像地层分类的自动分类方法，其特征在于，所述步骤1中，具体包括以下步骤：
步骤1.1，获取随钻电成像测井图像和多个深度段的岩心照片，根据不同深度段的岩心照片，分别针对各深度段利用岩心照片对随钻电成像测井图像进行刻度，得到岩心刻度随钻电成像测井图像；
步骤1.2，结合岩心资料对岩心刻度随钻电成像测井图像进行标注，确定岩心刻度随钻电成像测井图像中的岩心类别后，生成随钻电成像测井图像标签，构建岩性类别识别数据库；
步骤1.3，将岩性类别识别数据库划分为训练集和测试集。
3.根据权利要求2所述的一种用于随钻测井图像地层分类的自动分类方法，其特征在于，所述训练集中岩心刻度随钻电成像测井图像的数量为岩性类别识别数据库中岩心刻度随钻电成像测井图像数量的70%，测试集中岩心刻度随钻电成像测井图像的数量为岩性类别识别数据库中岩心刻度随钻电成像测井图像数量的30%。
CN202211314366.7A 2022-10-26 2022-10-26 一种用于随钻测井图像地层分类的自动分类方法 Active CN115393656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211314366.7A CN115393656B (zh) 2022-10-26 2022-10-26 一种用于随钻测井图像地层分类的自动分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211314366.7A CN115393656B (zh) 2022-10-26 2022-10-26 一种用于随钻测井图像地层分类的自动分类方法

Publications (2)

Publication Number Publication Date
CN115393656A CN115393656A (zh) 2022-11-25
CN115393656B true CN115393656B (zh) 2023-01-24

Family

ID=84128436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211314366.7A Active CN115393656B (zh) 2022-10-26 2022-10-26 一种用于随钻测井图像地层分类的自动分类方法

Country Status (1)

Country Link
CN (1) CN115393656B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228797B (zh) * 2023-05-09 2023-08-15 中国石油大学(华东) 基于注意力和U-Net的页岩扫描电镜图像分割方法
CN117437459B (zh) * 2023-10-08 2024-03-22 昆山市第一人民医院 基于决策网络实现用户膝关节髌骨软化状态分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989708A (zh) * 2021-04-08 2021-06-18 重庆科技学院 一种基于lstm神经网络的测井岩性识别方法及系统
CN114117898A (zh) * 2021-11-12 2022-03-01 兰州大学 一种基于机器学习算法的随钻伽马测井正演方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11459882B2 (en) * 2020-03-20 2022-10-04 Saudi Arabian Oil Company Systems and methods for the determination of lithology porosity from surface drilling parameters
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
CN113919219A (zh) * 2021-10-08 2022-01-11 西安石油大学 基于测井大数据的地层评价方法及系统
CN114708517B (zh) * 2022-03-14 2024-03-12 河海大学 一种基于注意力的自适应元学习岩性识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989708A (zh) * 2021-04-08 2021-06-18 重庆科技学院 一种基于lstm神经网络的测井岩性识别方法及系统
CN114117898A (zh) * 2021-11-12 2022-03-01 兰州大学 一种基于机器学习算法的随钻伽马测井正演方法

Also Published As

Publication number Publication date
CN115393656A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115393656B (zh) 一种用于随钻测井图像地层分类的自动分类方法
US11320551B2 (en) Training machine learning systems for seismic interpretation
US8090538B2 (en) System and method for interpretation of well data
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
RU2012152447A (ru) Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN115061219B (zh) 基于石油天然气探测的裂缝型储层预测识别方法及系统
CN114358427B (zh) 一种预测页岩气井最终可采储量的方法
CN113255573B (zh) 基于混合簇中心标签学习的行人重识别方法和存储介质
CN113902861A (zh) 一种基于机器学习的三维地质建模方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN113625336A (zh) 一种基于全卷积神经网络的地震波阻抗薄层反演方法
CN117093922A (zh) 一种基于改进svm的不平衡样本油藏复杂流体识别方法
CN112541523B (zh) 一种泥质含量计算方法和装置
CN112576244B (zh) 一种孔隙度计算方法和装置
CN116883709A (zh) 基于通道注意力机制的碳酸盐岩缝洞识别方法及系统
CN112990320A (zh) 一种岩性的分类方法、装置、电子设备及存储介质
CN114299330A (zh) 一种地震相分类方法
CN115830461B (zh) 基于深度序列卷积网络的高光谱图像识别方法
CN113033676B (zh) 一种孔内数据联合误差损失的地层划分方法、装置、设备和存储介质
CN117407841B (zh) 一种基于优化集成算法的页岩层理缝预测方法
CN117174203B (zh) 用于砂岩铀矿的测井曲线响应分析方法
CN115012921A (zh) 综合甜点识别自动分段分簇方法
CN114970812A (zh) 地质特征约束acgan地震相识别方法
CN117590471A (zh) 一种用于判别泥页岩亮晶的智能识别方法

Legal Events

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