CN116934603A - 测井曲线缺失段补全方法、装置、存储介质及电子设备 - Google Patents
测井曲线缺失段补全方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116934603A CN116934603A CN202210354929.9A CN202210354929A CN116934603A CN 116934603 A CN116934603 A CN 116934603A CN 202210354929 A CN202210354929 A CN 202210354929A CN 116934603 A CN116934603 A CN 116934603A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- pooling
- segment
- convolution
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims description 132
- 238000012545 processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种测井曲线缺失段补全方法、装置、存储介质及电子设备，涉及测井技术领域，所述方法包括：获取已知段测井数据；基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。本发明提供的技术方案，能够快速、准确地对测井曲线缺失段进行补全，从而满足目前对测井解释的要求。
Description
技术领域
本发明涉及测井技术领域，特别地涉及一种测井曲线缺失段补全方法、装置、存储介质及电子设备。
背景技术
测井曲线对于油气资源勘探开发研究至关重要，可以对储层进行岩性识别和物性参数分析等，进而对油田现场的开发方案进行优化调整。但在一些情况下获得测井曲线往往非常困难，而且有些测井曲线的测量存在较大风险，导致部分测井系列被迫放弃测量。为了解决测井曲线残缺或缺失的问题，可以利用已有的部分完整测井曲线的数据来预测缺失的测井曲线，进而补全测井曲线中缺失的信息。目前对于测井曲线的构建大致可以分为以下两种方法。一种是通过插值以及物理模型对测井曲线进行构建，其中克里金插值法是二十世纪六十年代提出的一种最优内插法，即在确定了采样点的数值大小和与插值点彼此间的空间位置，以及采样点相互空间结构的基础上，定量估计采样点的数值对插值点的数值影响，其中影响的大小通过权重系数表现，权重系数的计算与变异函数相关，常用于地质数据的插值。然而，在对精度要求较高时，采用该方法运行速度较慢。
另一种方法是根据地质、力学参数等信息，通过物理模型直接反演构建缺失的测井曲线。这种基于物理模型的方法虽然计算量小、运行速度快，但这些物理模型往往基于很强的假设条件，是对真实地层信息的极大简化。同时，针对不同情况需要选择不同的物理模型，需要依赖专家经验与领域知识。由于上述原因，基于物理模型构建的测井曲线质量难以得到有效保证。
发明内容
针对上述现有技术中的问题，本申请提出了一种测井曲线缺失段补全方法、装置、存储介质及电子设备，能够快速、准确地对测井曲线缺失段进行补全，从而满足目前对测井解释的要求。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种测井曲线缺失段补全方法，所述方法包括：
获取已知段测井数据；
基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
优选地，所述基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像，包括：
对所述已知段测井数据进行数据预处理，获得处理后数据；
对所述处理后数据进行数据分割，获得像素点矩阵；
将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像。
优选地，所述对所述已知段测井数据进行数据预处理，获得处理后数据，包括：
删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
优选地，所述已知段测井数据中的所述异常值采用KNN算法确定。
优选地，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接；
所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；
所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；
所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；
所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；
所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；
所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；
所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
进一步地，所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；
所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
优选地，在对所述预测模型进行训练的过程中，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
优选地，在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：
计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；
当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
第二方面，本发明实施例提供了一种测井曲线缺失段补全装置，所述装置包括：
测井数据获取单元，用于获取已知段测井数据；
图像获取单元，用于基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
输入单元，用于将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
第三方面，本发明实施例提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例中任一项所述的测井曲线缺失段补全方法。
第四方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例中任一项所述的测井曲线缺失段补全方法。
本发明实施例提供的测井曲线缺失段补全方法、装置、存储介质及电子设备，通过获取已知段测井数据，基于该已知段测井数据，获得与该已知段测井数据对应的灰度图像，并将该灰度图像输入至已训练的预测模型中，以使该已训练的预测模型输出缺失段测井数据，使得对测井曲线缺失段的补全能够基于训练好的卷积神经网络自动进行，从而能够快速、准确地对测井曲线缺失段进行补全，以满足目前对测井解释的要求。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本发明公开的范围。其中所包括的附图是：
图1为本发明实施例的方法流程图一；
图2为本发明实施例的方法流程图二；
图3为本发明实施例对涪陵区块某井的自然伽马曲线的缺失段进行补全的预测结果图；
图4为本发明实施例的装置结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
通过测井曲线可以获得地层岩性及储层孔隙度、渗透率、饱和度等参数，对油田现场开发至关重要，但有些重要工区的某些井位可能由于仪器故障活井眼垮塌等原因造成部分层段测井曲线缺失，而重新测量耗时耗力，难以实现，因此需要在已知层段测井曲线基础上对未知层段测井曲线进行补全。传统的经验公式法、地震属性分析法以及多元回归分析法等忽略了地层的复杂情况和强非均质性，极大简化了地层条件，预测效果较差，难以满足测井解释的精度要求。
针对上述问题，本发明针对测井曲线缺失段补全问题，考虑同一测井曲线的连续性信息，采用适合处理复杂映射关系和非线性关系的卷积神经网络算法，建立一套补全测井曲线缺失段的计算框架模型，本发明所设计的系统预测准确率高，简单易行，运算速度快，可以有效对测井曲线缺失段进行补全。
基于上述思路，本发明实施例提供了一种测井曲线缺失段补全方法，如图1所示，本实施例所述的方法包括步骤S101、步骤S102和步骤S103，以下详细描述这些步骤的具体内容：
步骤S101，获取已知段测井数据；
本实施例中，所述已知段测井数据是指能够通过测井操作获取的测井数据。对于测井所获得的某条测井曲线，该条测井曲线即为已知段测井数据。本实施例就是要基于该条测井曲线，预测出与该条测井曲线相关的未知段/缺失段测井数据。
步骤S102，基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
本实施例中，所述基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像，包括：对所述已知段测井数据进行数据预处理，获得处理后数据；对所述处理后数据进行数据分割，获得像素点矩阵；将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像。
本实施例中，所述对所述已知段测井数据进行数据预处理，获得处理后数据，包括：删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
本实施例中，所述已知段测井数据中的所述异常值采用KNN(K NearestNeighbor，k近邻)算法确定。
具体地，由于不同测井数据之间数据尺度差异大，数据分布形式也有较大不同，而且量纲不同，为了消除量纲对最终结果的影响，采用Min-Max方法对已删除空值、重复值和异常值后的已知段测井数据进行归一化处理，归一化后的值可映射d到区间[0,1]。可采用以下表达式对已删除空值、重复值和异常值后的已知段测井数据进行归一化处理：
其中，X′为归一化后的数据，即上述处理后数据，X为已删除空值、重复值和异常值后的已知段测井数据，Xmin为已删除空值、重复值和异常值后的已知段测井数据中的最小值，Xmax为已删除空值、重复值和异常值后的已知段测井数据中的最大值。
针对已知段测井数据中的空值，可通过设置固定范围去除，例如，将数值为-999.25的数据去除；针对已知段测井数据中的重复值，主要对测井曲线的首尾处进行检测，重点去除测井曲线首尾处的重复值；针对已知段测井数据中的异常值，通过KNN算法构建动态异常值检测方法来确定。k近邻算法提取目标点与周围k个数据进行差值计算，计算方法为：
其中，Ri为目标点的偏离程度；yi,j为目标点周围第j个临近点的数值；yi为目标点的数值，i为目标点编号；k为临近点总数。
当计算出的某个目标点的偏离程度Ri大于预先设定的偏离程度时，认为该目标点为异常值，进而将其删除。
将进行上述处理后的数据进行数据分割，能够获得用于进行图像转换的像素点矩阵。以GR(自然伽马曲线)为例，其数据范围是0-200(API)，则以120为阈值进行第一次分割，将大于120的数据作为一组数据；然后以100为阈值，将处于100-120之间的数据作为第二组数据；最后以85为阈值，将处于85-100之间的数据作为第三组数据，剩下的数据作为第四组数据，将这四组数据构成的像素点矩阵通过图像处理方面的开源库PIL(Python ImagingLibrary)转换为灰度图像作为模型的输入数据。
步骤S103，将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
本实施例中，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接。其中，所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
本实施例中，所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
具体地，构建的适用于测井曲线数据特征的卷积神经网络模型，即上述预测模型包括5部分：数据输入层、卷积计算层、池化层和全连接层和输出层。其中，有1个输入层，3个卷积层，2个池化层，2个全连接层，1个输出层。
其中，第一卷积层使用48个15*15大小的卷积核对输入的灰度图像进行卷积运算，以提取该灰度图像的特征。卷积计算层由多个特征映射组成，每个神经元通过卷积核与上层特征映射的部分神经元相连。卷积核为权值矩阵，可与上一层计算得到的特征映射进行卷积操作：
其中，n×n为卷积核大小，pm为第m个像素点的输入值，wm为权值矩阵，b为偏置值，q为卷积后的结果。
卷积结束后使用激活函数LeakyReLU函数将q归一化作为下一层的输入，LeakyReLU函数可以给所有负值赋予一个非零斜率，其表达式为：
式中，ai为(1,+∞)区间内的固定参数，qi为激活函数的输入，zi为激活函数的输出值。
第一卷积层所获得的结果作为第一池化层的输入，第一池化层采用128个11*11的池化核，池化层可以提高模型的泛化能力，采用最大池化方式：
ci＝max{z1,z2,…,zn×n}
式中，z为池化区域每个点的值，ci为从n×n个点中选取的最大值，即池化的输出。
第二卷积层使用256个卷积核；第二池化层使用256个3*3的池化核进行最大池化处理；第三卷积层共256个3*3大小的卷积核；第一全连接层和第二全连接层分别将256个特征映射转换为长度为4096的特征向量。
本实施例中，在对所述预测模型进行训练的过程中，采用LeakyReLU作为所述预测模型的激活函数，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
具体地，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵wm，按照正态分布来给wm赋值：
其中，f为网络的第f层，n为神经元个数。
采用Dropout技术降低网络之间的粘连性，提高模型的鲁棒性，具体算法如下：
其中，为Bernoulli随机变量向量，yi为第i层的原始输出，/>为第i层dropout后的输出。w为权重，b为偏差，f(·)为激活函数。
采用Adam优化器加速模型收敛速度，具体算法步骤为：
mt←β1·mt-1+(1-β1)·gt
vt←β2·vt-1+(1-β2)·gt 2
其中，t为时间步，gt为t时间步的梯度，θt-1为t-1时间步的参数向量；f(θ)为参数θ的随机目标函数；α为步长；β1,β2为矩估计的指数衰减率；m为一阶矩向量，v为二阶矩向量；ε是防止分母为0的调和参数。
本实施例中，在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
具体地，采用以下表达式计算所述预测模型的输出值与预先获取的验证值之间的均方根误差(Root Mean Squard Error，RMSE)：
该RMSE值越小，模型预测效果越好，当RMSE<10时，认为模型有较好的预测能力。
在对上述卷积神经网络训练结束后，即获得上述已训练的预测模型，采用该已训练的预测模型即可对缺失段测井数据进行预测。
具体地，将经过步骤S102处理完的数据划分为训练集、验证集和测试集，划分比例为8:1:1。将训练集输入到上述构建的模型中对该模型进行上述方式的训练，通过验证集验证模型的预测能力，最后对测试集进行预测。
本发明实施例提供的测井曲线缺失段补全方法，通过获取已知段测井数据，基于该已知段测井数据，获得与该已知段测井数据对应的灰度图像，并将该灰度图像输入至已训练的预测模型中，以使该已训练的预测模型输出缺失段测井数据，使得对测井曲线缺失段的补全能够基于训练好的卷积神经网络自动进行，从而能够快速、准确地对测井曲线缺失段进行补全，以满足目前对测井解释的要求。
实施例二
本实施例以实际的测井曲线缺失段补全过程为例，进一步详细说明测井曲线缺失段补全方法。如图2所示，本实施例所述的方法包括步骤S201、步骤S202、步骤S203和步骤S204，以下详细描述这些步骤的具体内容：
步骤S201，获取已知段测井数据；
本实施例中，所述已知段测井数据是指能够通过测井操作获取的测井数据。对于测井所获得的某条测井曲线，该条测井曲线即为已知段测井数据。本实施例就是要基于该条测井曲线，预测出与该条测井曲线相关的未知段/缺失段测井数据。
步骤S202，对所述已知段测井数据进行数据预处理，获得处理后数据；
本实施例中，所述对所述已知段测井数据进行数据预处理，获得处理后数据，包括：删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
本实施例中，所述归一化后的数据中的所述异常值采用KNN(K NearestNeighbor，k近邻)算法确定。
具体地，由于不同测井数据之间数据尺度差异大，数据分布形式也有较大不同，而且量纲不同，为了消除量纲对最终结果的影响，采用Min-Max方法对已删除空值、重复值和异常值后的已知段测井数据进行归一化处理，归一化后的值可映射d到区间[0,1]。可采用以下表达式对已删除空值、重复值和异常值后的已知段测井数据进行归一化处理：
其中，X′为归一化后的数据，即上述处理后数据，X为已删除空值、重复值和异常值后的已知段测井数据，Xmin为已删除空值、重复值和异常值后的已知段测井数据中的最小值，Xmax为已删除空值、重复值和异常值后的已知段测井数据中的最大值。
针对已知段测井数据中的空值，可通过设置固定范围去除，例如，将数值为-999.25的数据去除；针对已知段测井数据中的重复值，主要对测井曲线的首尾处进行检测，重点去除测井曲线首尾处的重复值；针对已知段测井数据中的异常值，通过KNN算法构建动态异常值检测方法来确定。k近邻算法提取目标点与周围k个数据进行差值计算，计算方法为：
其中，Ri为目标点的偏离程度；yi,j为目标点周围第j个临近点的数值；yi为目标点的数值，i为目标点编号；k为临近点总数。
当计算出的某个目标点的偏离程度Ri大于预先设定的偏离程度时，认为该目标点为异常值，进而将其删除。
步骤S203，对所述处理后数据进行数据分割，获得像素点矩阵，并将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像；
具体地，以GR(自然伽马曲线)为例，其数据范围是0-200(API)，则以120为阈值进行第一次分割，将大于120的数据作为一组数据；然后以100为阈值，将处于100-120之间的数据作为第二组数据；最后以85为阈值，将处于85-100之间的数据作为第三组数据，剩下的数据作为第四组数据，将这四组数据构成的像素点矩阵通过图像处理方面的开源库PIL(Python Imaging Library)转换为灰度图像作为模型的输入数据。
步骤S204，构建用于预测缺失段测井数据的预测模型，其中，所述预测模型为卷积神经网络模型；
本实施例中，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接。其中，所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
本实施例中，所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
具体地，构建的适用于测井曲线数据特征的卷积神经网络模型，即上述预测模型包括5部分：数据输入层、卷积计算层、池化层和全连接层和输出层。其中，有1个输入层，3个卷积层，2个池化层，2个全连接层，1个输出层。
其中，第一卷积层使用48个15*15大小的卷积核对输入的灰度图像进行卷积运算，以提取该灰度图像的特征。卷积计算层由多个特征映射组成，每个神经元通过卷积核与上层特征映射的部分神经元相连。卷积核为权值矩阵，可与上一层计算得到的特征映射进行卷积操作：
其中，n×n为卷积核大小，pm为第m个像素点的输入值，wm为权值矩阵，b为偏置值，q为卷积后的结果。
卷积结束后使用激活函数LeakyReLU函数将q归一化作为下一层的输入，LeakyReLU函数可以给所有负值赋予一个非零斜率，其表达式为：
式中，ai为(1,+∞)区间内的固定参数，qi为激活函数的输入，zi为激活函数的输出值。
第一卷积层所获得的结果作为第一池化层的输入，第一池化层采用128个11*11的池化核，池化层可以提高模型的泛化能力，采用最大池化方式：
ci＝max{z1,z2,…,zn×n}
式中，z为池化区域每个点的值，ci为从n×n个点中选取的最大值，即池化的输出。
第二卷积层使用256个卷积核；第二池化层使用256个3*3的池化核进行最大池化处理；第三卷积层共256个3*3大小的卷积核；第一全连接层和第二全连接层分别将256个特征映射转换为长度为4096的特征向量。
步骤S205，对构建的预测模型进行训练，获得已训练的预测模型；
本实施例中，将步骤S203所获得的数据划分为训练集、验证集和测试集，划分比例为8:1:1。采用训练集对构建的预测模型进行训练。
在对所述预测模型进行训练的过程中，采用LeakyReLU作为所述预测模型的激活函数，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
具体地，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵wm，按照正态分布来给wm赋值：
其中，f为网络的第f层，n为神经元个数。
采用Dropout技术降低网络之间的粘连性，提高模型的鲁棒性，具体算法如下：
其中，为Bernoulli随机变量向量，yi为第i层的原始输出，/>为第i层dropout后的输出。w为权重，b为偏差，f(·)为激活函数。
采用Adam优化器加速模型收敛速度，具体算法步骤为：
mt←β1·mt-1+(1-β1)·gt
vt←β2·vt-1+(1-β2)·gt 2
其中，t为时间步，gt为t时间步的梯度，θt-1为t-1时间步的参数向量；f(θ)为参数θ的随机目标函数；α为步长；β1,β2为矩估计的指数衰减率；m为一阶矩向量，v为二阶矩向量；ε是防止分母为0的调和参数。
本实施例中，在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
具体地，采用以下表达式计算所述预测模型的输出值与预先获取的验证值之间的均方根误差(Root Mean Squard Error，RMSE)：
该RMSE值越小，模型预测效果越好，当RMSE<10时，认为模型有较好的预测能力。
步骤S206，将与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据。
本实施例中，所述已训练的预测模型以已知段测井数据对应的灰度图像为输入，以缺失段测井数据为输出，对测井曲线缺失段进行补全。
图3为本发明实施例对涪陵区块某井的自然伽马曲线(GR)的缺失段(500-540m)进行补全的预测结果图。实践表明，本方法的预测精度可以达到85％以上，说明预测效果较好。
本发明实施例提供的测井曲线缺失段补全方法，通过获取已知段测井数据，基于该已知段测井数据，获得与该已知段测井数据对应的灰度图像，并将该灰度图像输入至已训练的预测模型中，以使该已训练的预测模型输出缺失段测井数据，使得对测井曲线缺失段的补全能够基于训练好的卷积神经网络自动进行，从而能够快速、准确地对测井曲线缺失段进行补全，以满足目前对测井解释的要求。
实施例三
与上述方法实施例相对应地，本发明还提供一种测井曲线缺失段补全装置，如图4所示，所述装置包括：
测井数据获取单元301，用于获取已知段测井数据；
图像获取单元302，用于基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
输入单元303，用于将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
本实施例中，所述图像获取单元302包括：
数据处理单元，用于对所述已知段测井数据进行数据预处理，获得处理后数据；
数据分割单元，用于对所述处理后数据进行数据分割，获得像素点矩阵；
图像转换单元，用于将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像。
本实施例中，所述数据处理单元采用以下方式对所述已知段测井数据进行数据预处理，获得处理后数据：
删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
本实施例中，所述数据处理单元还用于采用KNN算法确定所述已知段测井数据中的所述异常值。
本实施例中，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接；
所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；
所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；
所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；
所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；
所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；
所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；
所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
进一步地，所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；
所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
本实施例中，在对所述预测模型进行训练的过程中，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
本实施例中，在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：
计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；
当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
上述装置的工作原理、工作流程等涉及具体实施方式的内容可参见本发明所提供的测井曲线缺失段补全方法的具体实施方式，此处不再对相同的技术内容进行详细描述。
本发明实施例提供的测井曲线缺失段补全装置，通过获取已知段测井数据，基于该已知段测井数据，获得与该已知段测井数据对应的灰度图像，并将该灰度图像输入至已训练的预测模型中，以使该已训练的预测模型输出缺失段测井数据，使得对测井曲线缺失段的补全能够基于训练好的卷积神经网络自动进行，从而能够快速、准确地对测井曲线缺失段进行补全，以满足目前对测井解释的要求。
实施例四
根据本发明的实施例，还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例任一项所述的测井曲线缺失段补全方法。
所述方法包括：
获取已知段测井数据；
基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
本实施例中，所述基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像，包括：
对所述已知段测井数据进行数据预处理，获得处理后数据；
对所述处理后数据进行数据分割，获得像素点矩阵；
将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像。
本实施例中，所述对所述已知段测井数据进行数据预处理，获得处理后数据，包括：
删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
本实施例中，所述已知段测井数据中的所述异常值采用KNN算法确定。
本实施例中，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接；
所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；
所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；
所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；
所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；
所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；
所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；
所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
进一步地，所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；
所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
本实施例在对所述预测模型进行训练的过程中，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
本实施例在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：
计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；
当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
实施例五
根据本发明的实施例，还提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例任一项所述的测井曲线缺失段补全方法。
所述方法包括：
获取已知段测井数据；
基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
本实施例中，所述基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像，包括：
对所述已知段测井数据进行数据预处理，获得处理后数据；
对所述处理后数据进行数据分割，获得像素点矩阵；
将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像。
本实施例中，所述对所述已知段测井数据进行数据预处理，获得处理后数据，包括：
删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
本实施例中，所述已知段测井数据中的所述异常值采用KNN算法确定。
本实施例中，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接；
所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；
所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；
所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；
所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；
所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；
所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；
所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
进一步地，所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；
所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
本实施例在对所述预测模型进行训练的过程中，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
本实施例在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：
计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；
当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
本发明实施例提供的测井曲线缺失段补全方法、装置、存储介质及电子设备，通过获取已知段测井数据，基于该已知段测井数据，获得与该已知段测井数据对应的灰度图像，并将该灰度图像输入至已训练的预测模型中，以使该已训练的预测模型输出缺失段测井数据，使得对测井曲线缺失段的补全能够基于训练好的卷积神经网络自动进行，从而能够快速、准确地对测井曲线缺失段进行补全，以满足目前对测井解释的要求。
本发明提供一种基于卷积神经网络算法补全测井曲线缺失段方法。根据本发明的方法，能够更加高效准确地补全测井曲线缺失部分。
实践表明，本发明提出的方法可以充分考虑测井曲线之间的非线性关系和连续性关系。该方法所设计的系统可应用于复杂测井不同地质储层条件下测井曲线缺失段的补全，基于已知的部分测井曲线，构建未知的缺失段，其构建方法简单易实现，不需要很多的先验知识，运算速度快，预测精度高，为油田开发，尤其是测井提供重要技术支撑，对现场具有指导作用。
在本申请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，单元的划分，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，例如多个单元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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种测井曲线缺失段补全方法，其特征在于，所述方法包括：
获取已知段测井数据；
基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
2.根据权利要求1所述的测井曲线缺失段补全方法，其特征在于，所述基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像，包括：
对所述已知段测井数据进行数据预处理，获得处理后数据；
对所述处理后数据进行数据分割，获得像素点矩阵；
将所述像素点矩阵转换为图像，获得所述与所述已知段测井数据对应的灰度图像。
3.根据权利要求2所述的测井曲线缺失段补全方法，其特征在于，所述对所述已知段测井数据进行数据预处理，获得处理后数据，包括：
删除所述已知段测井数据中的空值、重复值和异常值，并对得到的数据进行归一化处理，获得所述处理后数据。
4.根据权利要求3所述的测井曲线缺失段补全方法，其特征在于，所述已知段测井数据中的所述异常值采用KNN算法确定。
5.根据权利要求1所述的测井曲线缺失段补全方法，其特征在于，所述预测模型包括：1个输入层、3个卷积层、2个池化层、2个全连接层和1个输出层；其中，输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层依次连接；
所述输入层用于接收所述与所述已知段测井数据对应的灰度图像，并将所述灰度图像传递至所述第一卷积层；
所述第一卷积层包括48个15*15大小的卷积核，所述第一卷积层用于提取所述灰度图像的特征，输出第一特征值；
所述第一池化层包括128个11*11大小的池化核，所述第一池化层用于对所述第一特征值进行最大池化处理，获得第一池化处理结果；
所述第二卷积层包括256个卷积核，所述第二卷积层用于提取所述第一池化处理结果的特征，输出第二特征值；
所述第二池化层包括256个3*3大小的池化核，所述第二池化层用于对所述第二特征值进行最大池化处理，获得第二池化处理结果；
所述第三卷积层包括256个3*3大小的卷积核，所述第三卷积层用于提取所述第二池化处理结果的特征，输出第三特征值；
所述第一全连接层和所述第二全连接层用于将所述第三特征值转换为特征向量，并将所述特征向量传递给所述输出层，以使所述输出层将所述特征向量作为所述缺失段测井数据进行输出。
6.根据权利要求5所述的测井曲线缺失段补全方法，其特征在于，
所述第一卷积层还用于采用LeakyReLU函数将所述第一特征值进行归一化处理，获得归一化后的特征值；
所述第一池化层还用于对所述归一化后的特征值进行最大池化处理，获得所述第一池化处理结果。
7.根据权利要求5所述的测井曲线缺失段补全方法，其特征在于，在对所述预测模型进行训练的过程中，采用Xavier方法初始化每一卷积层的卷积核的权重矩阵、采用Dropout技术降低每一层网络之间的粘连性，以及，采用Adam优化器加速所述预测模型的收敛速度。
8.根据权利要求7所述的测井曲线缺失段补全方法，其特征在于，在对所述预测模型进行训练的过程中，采用以下方式确定所述预测模型达到预期的预测效果：
计算所述预测模型的输出值与预先获取的验证值之间的均方根误差；
当所述均方根误差小于预设阈值时，确定所述预测模型达到所述预期的预测效果。
9.一种测井曲线缺失段补全装置，其特征在于，所述装置包括：
测井数据获取单元，用于获取已知段测井数据；
图像获取单元，用于基于所述已知段测井数据，获得与所述已知段测井数据对应的灰度图像；
输入单元，用于将所述与所述已知段测井数据对应的灰度图像输入至已训练的预测模型中，以使所述已训练的预测模型输出缺失段测井数据；其中，所述预测模型为卷积神经网络模型。
10.一种存储介质，所述存储介质上存储有程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求1至8中任一项所述的测井曲线缺失段补全方法。
11.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如权利要求1至8中任一项所述的测井曲线缺失段补全方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210354929.9A CN116934603A (zh) | 2022-04-06 | 2022-04-06 | 测井曲线缺失段补全方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210354929.9A CN116934603A (zh) | 2022-04-06 | 2022-04-06 | 测井曲线缺失段补全方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116934603A true CN116934603A (zh) | 2023-10-24 |
Family
ID=88379416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210354929.9A Pending CN116934603A (zh) | 2022-04-06 | 2022-04-06 | 测井曲线缺失段补全方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116934603A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117692615A (zh) * | 2024-02-01 | 2024-03-12 | 东北大学秦皇岛分校 | 一种基于红外波长的rgb图像通信方法 |
-
2022
- 2022-04-06 CN CN202210354929.9A patent/CN116934603A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117692615A (zh) * | 2024-02-01 | 2024-03-12 | 东北大学秦皇岛分校 | 一种基于红外波长的rgb图像通信方法 |
| CN117692615B (zh) * | 2024-02-01 | 2024-04-26 | 东北大学秦皇岛分校 | 一种基于红外波长的rgb图像通信方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Postels et al. | Sampling-free epistemic uncertainty estimation using approximated variance propagation | |
| CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| CN109754078A (zh) | 用于优化神经网络的方法 | |
| CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
| CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
| US11620727B2 (en) | Image analysis well log data generation | |
| Howard et al. | Multifidelity deep operator networks | |
| CN113256592B (zh) | 图像特征提取模型的训练方法、系统及装置 | |
| CN108681689B (zh) | 基于生成对抗网络的帧率增强步态识别方法及装置 | |
| CN110245620B (zh) | 一种基于注意力的非最大化抑制方法 | |
| CN112836802A (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
| CN114842343A (zh) | 一种基于ViT的航空图像识别方法 | |
| CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
| CN112150497A (zh) | 基于二值神经网络的局部激活方法与系统 | |
| CN116934603A (zh) | 测井曲线缺失段补全方法、装置、存储介质及电子设备 | |
| CN113625336B (zh) | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN115797311A (zh) | 一种基于深度强化学习的公路裂缝图像分割方法 | |
| CN113392924B (zh) | 声电成像测井图的识别方法及相关设备 | |
| CN117492079B (zh) | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 | |
| CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
| CN113537458A (zh) | 一种有理式函数神经网络构建方法、系统及可读存储介质 | |
| CN117688387A (zh) | 储层分类模型的训练和分类方法、相关设备及存储介质 | |
| CN117372753A (zh) | 一种基于卷积神经网络的深水开路钻井井涌识别方法 |
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 |