CN116108368B - 一种基于深度学习混合模型的沉积微相识别方法和装置 - Google Patents

Abstract

本发明公开了一种基于深度学习混合模型的沉积微相识别方法和装置。方法包括：收集测井曲线数据和小层参数数据；选取测井曲线数据中的多个测井变量；选取小层参数数据中的多个参数；对选取的数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；搭建输入为测井曲线图片的三分支CNN模型和输入为小层参数数据的PK模型，将CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型；训练混合模型并进行模型优化；将测试数据集输入到混合模型中，得到对小层的沉积微相的预测结果。本发明可充分整合CNN、BiLSTM和PK三种网络模型的优势；得到的混合模型预测精度更高、泛化能力更强，能够为不同地区沉积微相识别提供了一个可靠的预测。

Description

一种基于深度学习混合模型的沉积微相识别方法和装置

技术领域

本申请涉及石油勘探技术领域，特别是涉及一种基于深度学习混合模型的沉积微相识别方法和装置。

背景技术

沉积微相是油气勘探开发工作中至关重要的研究内容之一，尤其对于明确剩余油富集区产量预测起着重要作用。传统沉积微相划分中，常以研究前人成果、区域沉积背景为基础，通过古生物学和沉积学等理论，结合关键井岩心相标志分析，确定研究区内沉积类型；结合多种测井曲线形态特征，综合分析岩石厚度、粒度等特征，划分研究区沉积微相。多种资料交叉分析的过程复杂且繁琐，很难找出沉积相与各种测井数据之间的定性映射关系。

随着计算机技术尤其是人工智能的发展，使精准、快速、自动识别测井相成为可能，判别分析法、数理统计法、聚类分析法、模糊识别、曲线拟合、支持向量机和神经网络等方法逐渐用于测井相识别与分析。然而，这些机器学习算法仍存在自身局限性，在很多情况下不能满足沉积微相识别要求。

近年来，国内外研究学者多通过深度神经网络方法进行沉积相自动识别研究。根据学习样本原始数据集类型不同，主要可划分为基于测井曲线原始数据提取特征参数值的神经网络学习方法、基于测井曲线图像数据学习的神经网络方法(赵杰等，2009)。

韩文龙等(2016)优选伽马曲线幅度和平均斜率等沉积相特征参数，通过经不同BP神经网络学习参数结果对比后，对沁水盆地陕西组三角洲前缘沉积微相进行成功划分。其中影响结果的关键因素是提取岩性层与沉积环境对应关系明显的曲线特征参数的提取。何旭等(2020)使用测井曲线沉积微相二维图像作CNN深度学习样本，结合实际取芯样本，成功对东海某气田辫状河三角洲前缘沉积微相进性识别。文中影响结论的关键因素是对选为学习样本的测井曲线形态特征与沉积微相对应关系选择，文中通过对测井曲线进行小波变换平滑处理，泛化了曲线形态特征与沉积微相的对应关系，大大提高了识别准确率，但对原始测井曲线进行图片化数据处理过程中要求较高。罗仁泽等针对测井沉积微相，提出了基于特征构造(DMC)和长短期记忆网络(LSTM)的沉积微相智能识别方法。

发明人认识到，以上这些识别方法往往只利用了曲线特征数据和单一模型，预测精度有限，并且泛化能力较弱。

发明内容

基于此，针对上述技术问题，提供一种基于深度学习混合模型的沉积微相识别方法和装置，以解决现有沉积微相识别方法预测精度有限，并且泛化能力较弱的技术问题。

为了实现上述目的，本申请提供如下技术方案：

第一方面，一种基于深度学习混合模型的沉积微相识别方法，包括：

S1，收集测井曲线数据和小层参数数据；

S2，对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；

S3，选取所述小层参数数据中的多个参数；

S4，分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

S5，对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和小层参数数据构建训练数据集、验证数据集、测试数据集；

S6，搭建三分支的CNN模型，所述CNN模型的输入为所述测井曲线图片；并行搭建PK模型，所述PK模型的输入为小层参数数据；整合所述CNN模型和PK模型的输出，将所述CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型；训练混合模型并进行模型优化；

S7，将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

可选地，所述测井曲线数据的深度为300m，所述测井曲线数据的采样间隔为0.05m。

可选地，所述多个测井变量包括微梯度、微电位、自然伽马和自然电位；所述多个参数包括岩厚度、有效厚度、孔隙度和渗透率。

可选地，步骤S3还包括：

构建基于FNC的PK模型对所述多个参数进行训练，验证所述多个参数的有效性。

可选地，步骤S5具体包括：

对选取的测井曲线数据进行Z-score标准化和0-1归一化处理；

对选取的小层参数数据进行Z-score标准化；

对选取的测井曲线数据进行像素0-255空间处理，保存为测井曲线图片；

将所述测井曲线图片和小层参数数据作为双参数数据集，并根据预设比例对所述双参数数据集进行划分，构建训练数据集、验证数据集、测试数据集。

进一步可选地，所述预设比例为6:2:2。

可选地，在步骤S6中，训练混合模型时采用自适应矩估优化器，学习率为0.0001，批量大小为32，训练批次为60，并采用ACC作为损失函数来评估预测值和真实值之间的误差。

第二方面，一种基于深度学习混合模型的沉积微相识别装置，包括：

数据收集模块，用于收集测井曲线数据和小层参数数据；

数据清洗模块，用于对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；

参数选取模块，用于选取所述小层参数数据中的多个参数；

样本分布情况分析模块，用于分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

数据集创建模块，用于对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和小层参数数据构建训练数据集、验证数据集、测试数据集；

模型搭建模块，用于搭建三分支的CNN模型，所述CNN模型的输入为所述测井曲线图片；并行搭建PK模型，所述PK模型的输入为小层参数数据；整合所述CNN模型和PK模型的输出，将所述CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型；训练混合模型并进行模型优化；

预测模块，用于将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。

第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。

本发明至少具有以下有益效果：

本发明实施例公开了一种基于深度学习混合模型的沉积微相识别方法，采用收集测井曲线数据和小层参数数据，选取测井曲线数据中的多个测井变量，选取小层参数数据中的多个参数，对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片，搭建输入为测井曲线图片的三分支CNN模型和输入为小层参数数据的PK模型，将CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型，训练混合模型并进行模型优化，将测试数据集输入到混合模型中，得到对小层的沉积微相的预测结果；本发明通过CNN模型的特征抽象能力提取高维特征，由BiLSTM模型对测井曲线序列的高维特征进行时序预测，同时整合PK参数模型，选取多个小层参数作为输入数据，通过多层全连接网络连接，搭建了双输入的CNN-BiLSTM-PK的小层沉积微相预测混合模型；建立的CNN-BiLSTM-PK的混合模型，可充分整合CNN、BiLSTM和PK三种网络模型的优势；该混合模型预测精度更高、泛化能力更强，能够为不同地区沉积微相识别提供了一个可靠的预测。

附图说明

图1为本发明一个实施例提供的一种基于深度学习混合模型的沉积微相识别方法的流程示意图；

图2为本发明一个实施例中基于FCN的PK模型示意图；

图3为本发明一个实施例中PK模型训练效果图；

图4为本发明一个实施例中数据均衡化处理效果图；

图5为本发明一个实施例中小层范围内的测井曲线图像示意图；

图6为本发明一个实施例中混合模型结构示意图；

图7为本发明一个实施例中混合模型训练效果图；

图8为本发明一个实施例提供的一种基于深度学习混合模型的沉积微相识别装置的模块架构框图；

图9为本发明一个实施例提供的一种计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种基于深度学习混合模型的沉积微相识别方法，包括以下步骤：

S1，收集测井曲线数据和小层参数数据。

整理收集测试数据，本实施例收集的数据情况如下：测井数据354口井，测井曲线数据的深度约300米，测井曲线采样间隔为0.05米，生成有效数据样本14302份。

S2，对测井曲线数据进行清洗，选取测井曲线数据中的多个测井变量。

完成数据收集后进行数据清洗，首先对于测井数据中常见的问题例如无效值和缺失值等，对其进行清除处理。检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾等的异常数据(异常值)，也对其进行清除处理。

具体地，选取微梯度(RMN)、微电位(RMG)、自然伽马(GR)和自然电位(SP)四种测井变量特征作为网络输入。

S3，选取小层参数数据中的多个参数；

具体地，根据专家经验，确定选取小层的四个参数：砂岩厚度、有效厚度、孔隙度、渗透率作为PK模型(参数知识)的输入数据。

为验证4参数的有效性，构建基于FNC(全连接神经网络)的PK模型(如图2所示)进行4参数模型的验收训练，训练成果如图3，训练精度达到了80％以上。说明4参数与沉积微相存在较好的相关性，四个参数的选取科学有效。在图3中，图(1)为模型误差和精度图，图(2)为预测结果混淆矩阵。

S4，分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理。

统计选取的数据中每类沉积微相对应的样本个数，根据样本分布情况，可采取过采样思路进行数据均衡化处理，具体效果如图4所示。

S5，对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据测井曲线图片和小层参数数据构建训练数据集、验证数据集、测试数据集。

步骤S5进行数据标准化和创建数据集，步骤S5具体包括：

对选取的测井曲线数据进行Z-score标准化和0-1归一化处理；

对选取的小层参数数据进行Z-score标准化；

对选取的测井曲线数据进行像素0-255空间处理，保存为测井曲线图片；

将测井曲线图片和小层参数数据作为双参数数据集，并根据预设比例对双参数数据集进行划分，构建训练数据集、验证数据集、测试数据集。

换句话说，首先对测井曲线进行标准化处理，先进行Z-score标准化，然后进行0-1归一化处理。为了便于并行化模型训练，需要把数据处理为图片方式，因此对选取的测井曲线数据进行像素0-255空间处理，然后保存为样本测井曲线图片(如图5)。对小层参数数据进行Z-score标准化处理，建立起测井训练图片和小层参数数据的双参数数据集。同时根据6:2:2的比例关系对样本数据进行划分，分别构建训练数据集、验证数据集、测试数据集。

S6，搭建三分支的CNN模型，CNN模型的输入为测井曲线图片；并行搭建PK模型，PK模型的输入为小层参数数据；整合CNN模型和PK模型的输出，将CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型，得到混合模型。

换句话说，混合模型包括两个输入数据，一个是小层段内的测井曲线图Input(pic)，一个是小层参数数据Input(pk)。搭建三分支的CNN模型，输入数据为测井曲线图Input(pic)，联合输出到双层的BiLSTM模型中。同时并行搭建输入为小层参数数据Input(pk)的PK模型，整合双模型的输出，连接双层全连接，输出模型分类，网络结构见图6。经过多次调参比对，训练中采用自适应矩估(Adam)优化器，学习率为0.0001，批量大小(Batch_Size)为32，训练批次(Epoch)为60，采用ACC作为损失函数来评估预测值和真实值之间的误差。训练效果如图7，在图7中，图(1)为数量混淆矩阵，图(2)是百分比混淆矩阵。本实施例的训练准确度达到了86.47％。

也就是说，步骤S6进行模型搭建、训练及调参：搭建三分支的CNN模型，联合输出到双层的BiLSTM模型中，同时并行搭建输入为4参数的PK模型，整合双模型的输出，连接双层全连接，输出模型分类。训练混合模型并进行模型优化。

S7，将测试数据集输入到混合模型中，得到对小层的沉积微相的预测结果。

使用混合模型预测小层的沉积微相：将测试数据和小层参数数据输入到混合模型中，预测小层的沉积微相。

本发明实施例公开了基于深度学习混合模型的沉积微相识别方法，建立CNN-BiLSTM-PK的小层沉积微相预测混合模型，通过小层顶深和测厚确定测井曲线序列样本，通过CNN的特征抽象能力提取高维特征，由BiLSTM对测井曲线序列的高维特征进行时序预测，同时整合PK(参数知识)模型，选取小层参数(砂岩厚度、有效厚度、孔隙度、渗透率)作为输入数据，通过多层全连接网络连接，搭建双输入的CNN-BiLSTM-PK的混合模型。

该方法构建了多输入模型，充分吸收测井曲线段和小层参数信息，建立的CNN-BiLSTM-PK的混合模型，可充分整合CNN、BiLSTM和PK三种网络模型的优势。本发明采用上述方法，预测精度更高、泛化能力更强，为不同地区沉积微相识别提供了一个可靠的预测模型。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种基于深度学习混合模型的沉积微相识别装置，包括以下程序模块：

数据收集模块801，用于收集测井曲线数据和小层参数数据；

数据清洗模块802，用于对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；

参数选取模块803，用于选取所述小层参数数据中的多个参数；

样本分布情况分析模块804，用于分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

数据集创建模块805，用于对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和小层参数数据构建训练数据集、验证数据集、测试数据集；

模型搭建模块806，用于搭建三分支的CNN模型，所述CNN模型的输入为所述测井曲线图片；并行搭建PK模型，所述PK模型的输入为小层参数数据；整合所述CNN模型和PK模型的输出，将所述CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型；训练混合模型并进行模型优化；

预测模块807，用于将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

关于一种基于深度学习混合模型的沉积微相识别装置的具体限定可以参见上文中对于一种基于深度学习混合模型的沉积微相识别方法的限定，在此不再赘述。上述一种基于深度学习混合模型的沉积微相识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于深度学习混合模型的沉积微相识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，涉及上述实施例方法中的全部或部分流程。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random AccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于深度学习混合模型的沉积微相识别方法，其特征在于，包括：

S1，收集测井曲线数据和小层参数数据；

S2，对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；所述多个测井变量包括微梯度、微电位、自然伽马和自然电位；

S3，选取所述小层参数数据中的多个参数；所述多个参数包括砂岩厚度、有效厚度、孔隙度和渗透率；

S4，分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

S5，对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和选取的小层参数数据构建训练数据集、验证数据集、测试数据集；

S6，搭建三分支的CNN模型，所述CNN模型的输入为所述测井曲线图片；并行搭建PK模型，所述PK模型的输入为选取的小层参数数据；整合所述CNN模型和PK模型的输出，将所述CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型；训练混合模型并进行模型优化；

S7，将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

2.根据权利要求1所述的基于深度学习混合模型的沉积微相识别方法，其特征在于，所述测井曲线数据的深度为300m，所述测井曲线数据的采样间隔为0.05m。

3.根据权利要求1所述的基于深度学习混合模型的沉积微相识别方法，其特征在于，步骤S3还包括：

构建基于FNC的PK模型对所述多个参数进行训练，验证所述多个参数的有效性。

4.根据权利要求1所述的基于深度学习混合模型的沉积微相识别方法，其特征在于，步骤S5具体包括：

对选取的测井曲线数据进行Z-score标准化和0-1归一化处理；

对选取的小层参数数据进行Z-score标准化；

对选取的测井曲线数据进行像素0-255空间处理，保存为测井曲线图片；

将所述测井曲线图片和小层参数数据作为双参数数据集，并根据预设比例对所述双参数数据集进行划分，构建训练数据集、验证数据集、测试数据集。

5.根据权利要求4所述的基于深度学习混合模型的沉积微相识别方法，其特征在于，所述预设比例为6:2:2。

6.根据权利要求1所述的基于深度学习混合模型的沉积微相识别方法，其特征在于，在步骤S6中，训练混合模型时采用自适应矩估优化器，学习率为0.0001，批量大小为32，训练批次为60，并采用ACC作为损失函数来评估预测值和真实值之间的误差。

7.一种基于深度学习混合模型的沉积微相识别装置，其特征在于，包括：

数据收集模块，用于收集测井曲线数据和小层参数数据；

数据清洗模块，用于对所述测井曲线数据进行清洗，选取所述测井曲线数据中的多个测井变量；所述多个测井变量包括微梯度、微电位、自然伽马和自然电位；

参数选取模块，用于选取所述小层参数数据中的多个参数；所述多个参数包括砂岩厚度、有效厚度、孔隙度和渗透率；

样本分布情况分析模块，用于分析选取的测井曲线数据和选取的小层参数数据的样本分布情况，对分类样本进行均衡化处理；

数据集创建模块，用于对选取的测井曲线数据和选取的小层参数数据进行标准化处理，将选取的测井曲线数据处理为图片，保存为测井曲线图片；根据所述测井曲线图片和选取的小层参数数据构建训练数据集、验证数据集、测试数据集；

模型搭建模块，用于搭建三分支的CNN模型，所述CNN模型的输入为所述测井曲线图片；并行搭建PK模型，所述PK模型的输入为选取的小层参数数据；整合所述CNN模型和PK模型的输出，将所述CNN模型和PK模型联合输出到双层的BiLSTM模型中，并连接双层FNC模型；训练混合模型并进行模型优化；

预测模块，用于将测试数据集输入到所述混合模型中，得到对小层的沉积微相的预测结果。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。