CN117174203A - 用于砂岩铀矿的测井曲线响应分析方法 - Google Patents
用于砂岩铀矿的测井曲线响应分析方法 Download PDFInfo
- Publication number
- CN117174203A CN117174203A CN202311447636.6A CN202311447636A CN117174203A CN 117174203 A CN117174203 A CN 117174203A CN 202311447636 A CN202311447636 A CN 202311447636A CN 117174203 A CN117174203 A CN 117174203A
- Authority
- CN
- China
- Prior art keywords
- response
- sandstone uranium
- log
- different
- value
- 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.)
- Granted
Links
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 118
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 230000004044 response Effects 0.000 title claims abstract description 111
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000005553 drilling Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 19
- 239000000470 constituent Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 239000011435 rock Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 description 28
- 230000006870 function Effects 0.000 description 19
- 230000015572 biosynthetic process Effects 0.000 description 12
- 238000005755 formation reaction Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013211 curve analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请涉及数据处理领域,尤其涉及用于砂岩铀矿的测井曲线响应分析方法,包括步骤:根据历史数据,构建关于钻井深度值与多种仪器测量值的测井曲线;根据所述测井曲线,计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度;根据所述响应程度优化预设神经网络模型的损失函数,生成最优的分析模型;响应于待分析的测井曲线被获取,根据所述分析模型,生成测井曲线响应的分析结果。本申请具有提高砂岩铀矿的测井曲线对不同岩层响应分析准确性的效果。
Description
技术领域
本申请涉及数据处理领域,尤其涉及用于砂岩铀矿的测井曲线响应分析方法。
背景技术
砂岩铀矿是一种重要的核能资源,精确的矿石特性分析对于开采和处理过程至关重要。测井技术是矿石地质特性分析的重要工具,其中测井曲线响应分析在砂岩铀矿领域尤为重要。
现有技术中,基于砂岩铀矿多类型测井曲线的CNN-LSTM(Convolutional NeuralNetwork-Long Short Term Memory,卷积神经网络-长短期记忆)模型,通过对各种测井曲线利用CNN-LSTM模型实现不同类型岩层识别,完成测井曲线响应分析的方法。
但是在利用CNN-LSTM模型进行测井曲线响应分析时,由于砂岩铀矿的不同测井曲线中对不同岩层地质成分的响应程度并不一样,从而使得对不同岩层不同的测井曲线表现出的响应变化不同,而CNN-LSTM模型是将所有测井曲线进行无差别融合分析,而不同测井曲线数据之间会存在相互干扰,且在进行测井曲线分析时无法有效利用与之对应具有高响应强度的测井信息数据,导致对砂岩铀矿的测井曲线响应分析的准确性较低。
发明内容
为了提高用于砂岩铀矿的测井曲线对不同岩层响应分析的准确性,本申请提供一种用于砂岩铀矿的测井曲线响应分析方法。
本申请提供用于砂岩铀矿的测井曲线响应分析方法,采用如下的技术方案,包括步骤:根据历史数据,构建关于钻井深度值与多种仪器测量值的测井曲线;根据所述测井曲线,计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度;根据所述响应程度优化预设神经网络模型的损失函数,生成最优的分析模型;响应于待分析的测井曲线被获取,根据所述分析模型,生成测井曲线响应的分析结果。
可选的,所述根据所述测井曲线,计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度,包括步骤:计算第一向量与第二向量,所述第一向量由多个深度数据中所有的测井曲线值组成,所述第二向量由深度数据中不同砂岩铀矿地质成分占比值组成;根据所述第一向量及第二向量,计算相似性系数,计算公式为:
;
其中,为/>与/>之间的相似性系数,/>为第i条深度数据中第r个测井曲线的值,/>为第i条深度数据中第s种砂岩铀矿地质成分的占比值,/>为第i条深度数据中砂岩铀矿地质成分的峰强系数,峰强系数为第二向量中的成分占比值作为概率值计算获得的信息熵值;根据相似性系数,获得相似性系数矩阵;计算所述相似性系数矩阵中多个元素位置的响应程度值;根据所述响应程度值构建响应程度矩阵,所述响应程度矩阵中的多个元素值分别表示不同测井曲线对砂岩铀矿成分的响应程度值。
可选的,计算所述相似性系数矩阵中多个元素位置的响应程度值,包括步骤:获得相似性系数序列,将相似性系数矩阵中元素位置所出现的元素值组成多个相似性系数序列;根据聚类算法,划分所述相似性系数序列为多个类别;计算获取每一类别内相似性系数的均值;根据所有类别的所述均值的最大值,得到元素位置的响应程度值。
可选的,根据所述响应程度优化预设神经网络模型的损失函数,生成最优的分析模型中,优化过的损失函数的表达式为:
;
其中,为优化后的损失函数值,/>为当前训练轮次下神经网络模型对数据集中砂岩铀矿组成成分的预测向量值,/>为当前训练轮次下神经网络模型在数据集中输入数据对应的砂岩铀矿组成成分的标签向量值,/>为钻井的第i个深度数据对应的测井曲线数据序列,/>为钻井的所在地理位置下不同测井曲线对不同砂岩铀矿的组成成分的响应程度值。
可选的,损失函数的优化中,使用随机梯度下降法,使神经网络模型通过反馈更新网络权重,使损失函数的数值下降。
可选的,所述测井曲线包括:自然伽马测井曲线、电阻率测井曲线、声波时差测井曲线、中子测井曲线、密度测井曲线及微电阻测井曲线中的至少两种。
本申请具有以下技术效果:
1、通过构建相似性系数,获取测井曲线和不同砂岩铀矿的组成成分之间的变化的相似性,从而获取不同深度下在预测砂岩铀矿的组成成分时不同测井曲线的有效性,进而依据砂岩铀矿岩层连续特征,获取不同测井曲线对不同砂岩铀矿的组成成分的响应程度,用于CNN-LSTM模型的LOSS函数优化,使得CNN-LSTM模型通过测井曲线进行砂岩铀矿组成成分预测时,能够更加侧重有效的测井曲线,提高砂岩铀矿的测井曲线响应分析在预测砂岩铀矿组成成分的准确度。
2、现有的CNN-LSTM模型在进行响应曲线分析时,完全依赖网络模型自身的学习能力,将所有数据进行无差别融合学习,使得对测井曲线在不同砂岩铀矿成分的不同响应特征难以进行有效利用,则模型对响应曲线的分析效果可能并不理想。为了增强不同测井曲线在利用CNN-LSTM网络模型,进行砂岩铀矿的不同组成成分响应分析的效果,本申请选择通过预先分析不同测井曲线对不同砂岩铀矿的组成成分的响应程度,进而根据不同测井曲线对不同砂岩铀矿的组成成分的响应程度,得到不同测井曲线对不同砂岩铀矿的组成成分利用CNN-LSTM模型进行响应分析时的增强系数。利用增强系数,完成对CNN-LSTM模型的LOSS函数优化,实现对砂岩铀矿的测井曲线响应分析。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例用于砂岩铀矿的测井曲线响应分析方法的方法流程图。
图2是本申请实施例用于砂岩铀矿的测井曲线响应分析方法中步骤S2的方法流程图。
图3是本申请实施例用于砂岩铀矿的测井曲线响应分析方法中步骤S23的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开用于砂岩铀矿的测井曲线响应分析方法,为了提高用于砂岩铀矿的测井曲线对不同岩层响应分析的准确性。参照图1,包括步骤S1-步骤S4,具体如下:
S1:根据历史数据,构建关于钻井深度值与多种仪器测量值的测井曲线。
数据准备:
在砂岩铀矿钻井完成后,选择将不同的测井仪器安装到一个钢索上,将钢索放入钻孔。由工作人员操纵钢索将测井仪器慢慢降入井中。在钢索下放过程中通过捆绑在钢索上的测井仪器收集测井数据。
本申请可根据需要进行的测井类型,选择不同的测井仪器。选择不同的测井仪器可以得到不同的测井曲线。本申请测井曲线包括:自然伽马测井曲线、电阻率测井曲线、声波时差测井曲线、中子测井曲线、密度测井曲线及微电阻测井曲线中的至少两种。
自然伽马测井曲线:通过测量地层所发出的伽马射线强度来辨识地层。
电阻率测曲线:通过测量地层对电流的阻抗,即反抗电流通过的能力来区分不同的地层,通常油气的电阻率会比水层或页岩层要高。
声波差测井曲线:通过测量声波通过地层所需的时间(声速),研究地层的物理特性。
中子测井曲线:通过测量中子与地层原子核发生碰撞后的慢化中子数量,评估地层的孔隙度。
密度测井曲线:通过测量地层的电子密感度,推断地层的孔隙度和流体类型。
微电阻测井曲线:通过测量井壁附近地层的电阻率,评价地层的油水饱和度。
测井仪器选择由实施者根据具体实施场景进行选择,其中本申请选择伽马、中子、密度和电阻率等n个测井仪器进行测井曲线获取,进而可得到n个测井曲线。测井曲线的横坐标为钻井深度值,纵坐标为各测井仪器测量值,本申请取n=6,可由实施者根据具体实施场景进行调整。
测量数据随后被编码并通过有线传输的方式将采集数据传送回地面,发送至数据处理中心。收集到的测井数据通过软件进行处理,形成测井曲线,每一种测井方法,例如伽马、密度和电阻率都将生成一条特定的测井曲线。通过软件对测井数据进行处理获取测井曲线有本领域公知内容,本申请不在赘述。
S2:根据测井曲线,计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度。参照图2,步骤S2包括步骤S20-步骤S24,具体如下:
S20:计算第一向量与第二向量,其中,第一向量由多个深度数据中所有的测井曲线值组成,第二向量由深度数据中不同砂岩铀矿地质成分占比值组成。
为了获取不同测井曲线对不同砂岩铀矿的组成成分的响应程度,获取在利用CNN-LSTM(Convolutional Neural Network-Long Short Term Memory,卷积神经网络-长短期记忆)模型进行模型训练时的数据集,其中,数据集包括训练集和验证集,本申请选择将数据集按4:1进行验证集和训练集划分,实施者可根据具体实施场景进行比例调整。
在数据集中,某一个钻井的第i条深度数据为第i深度下不同测井曲线数据及对应不同地质组成成分的占比。如果在利用CNN-LSTM模型对第i条深度数据对应的第i深度进行不同地质组成成分响应分析时,输入数据第i-m深度到第i深度对应的不同测井曲线数据为CNN-LSTM的输入,输出一个具有不同地质组成成分占比的向量。m为CNN-LSTM模型的输入长度,可由实施者根据具体实施场景进行调整,本申请取m=30。
为了提高对第i条深度数据所对应不同地质组成成分的预测准确率,本申请选择先获取不同测井曲线对不同砂岩铀矿的组成成分的响应程度,进而根据不同测井曲线对不同砂岩铀矿的组成成分的响应程度,进行CNN-LSTM模型的损失函数优化,提高对第i条深度数据所对应不同地质组成成分的预测准确率。
其中,不同测井曲线对不同砂岩铀矿的组成成分响应程度的获取过程如下:
获取第i条深度数据对应的所有测井曲线值组成的第一向量,记为,第i条深度数据对应的不同砂岩铀矿组成成分占比所对应的第二向量,记为/>。
第一向量由第i条深度数据对应的所有测井曲线值按照固定的测井曲线顺序排列组成,为一个1*n的向量,n为测井曲线个数。
第二向量由当前第i条深度数据对应的砂岩铀矿组成占比,按照固定的成分类型数据排列组成,为一个1*c的向量,c为砂岩铀矿钻井过程中所有出现的成分类型个数,在中,如果某一岩层地质成分并不存在,则将该地质成分占比值设置为0,并且向量/>中所有元素值的和为1。
S21:根据第一向量和第二向量,计算相似性系数。
在同一个深度下,不同地质类型的占比往往是几个主要组成成分,或者单个的组成成分组成。如果第r个测井曲线对砂岩铀矿组成成分中的第s个地质类型响应程度高,在第r个测井曲线的值相对其他深度下第r个测井曲线的值较高时,应当第s个地质类型的占比也相对其他深度下的第s个地质类型的占比较高。
所以,在第r个测井曲线的值相对其他深度下第r个测井曲线的值较低时,应当第s个地质类型的占比也相对其他深度下的第s个地质类型的占比较低。即当第r个测井曲线值的变化和第s个地质类型占比值的变化越一致,则表示第r个测井曲线对第s个地质类型的响应程度越高。
由于测井曲线单位和对应砂岩铀矿地质成分占比单位不同,进而为了消除量纲差异,采用归一化处理的方法,由于不同响应曲线之间量纲也存在差异,所以选择对所有深度单一测井曲线值进行归一化处理,在归一化处理后的测井数据按照在的相对位置,得到新的第i深度数据下的测井曲线的/>。
由于是为了获取不同测井曲线和不同地质组成响应关系,所以对该钻井数据中不同深度下同一砂岩铀矿地质成分的占比值进行归一化处理,进而通过归一化后砂岩铀矿地质成分的占比数据,得到新的第i深度数据下的不同砂岩铀矿地质成分占比的。
进而获取第i条深度数据中第r个测井曲线的值,和第i条深度数据中第s种砂岩铀矿地质成分对应的占比值/>。/>与/>之间的相似性系数的计算公式为:
;
其中,为/>与/>之间的相似性系数,/>为第i条深度数据中第r个测井曲线的值,/>为第i条深度数据中第s种砂岩铀矿地质成分的占比值,/>为第i条深度数据中砂岩铀矿地质成分的峰强系数。
如果的值越小,则表示第r个测井曲线与第s个地质类型的占比之间的响应程度越高;
如果的值越大,则表示第r个测井曲线与第s个地质类型的占比之间的响应程度越低。
进而利用exp(-x)函数对进行负相关映射,使得/>越小时,越大,/>越大,第i条深度数据中第r个测井曲线的值/>,与第i条深度数据中第s种砂岩铀矿地质成分对应的占比值/>之间相似性系数越高。
由于不同测井曲线之间可能相互干扰,砂岩铀矿在不同深度下的地质组成成分是较为确定的,如果在第i条深度数据的中,砂岩铀矿的地质组成成分单一,则表示在利用测井曲线进行分析时,相互干扰的可能性就会小。当砂岩铀矿的地质组成成分复杂,则表示在利用测井曲线进行分析时,相互干扰的可能性就会大,此时不同响应曲线对不同砂岩铀矿的地质组成成分响应存在相互影响。所以获取当前第i条深度数据中砂岩铀矿地质成分对应的峰强系数/>,表示当前第i条深度数据中砂岩铀矿地质成分组成是否复杂。
由于信息熵能表示数据的混乱程度,而本身为占比数据,所以将/>中各个比值作为元素位置的响应程度值代入信息熵公式中即可得到/>,/>值越大,则表示第i条深度数据中砂岩铀矿地质成分组成占比值越混乱,并且由于第i条深度数据中砂岩铀矿地质成分组成占比值的和为1,所以当第i条深度数据中砂岩铀矿地质成分组成占比值越混乱时,表示存在较高的占比数据值,进而/>的值越大,则在利用测井曲线进行分析时,相互干扰的可能性越小,当前/>越可信。
例如,使三个不同成分的占比分别为1/3,则信息熵=+/>,信息熵=-3.2958;使三个不同成分的占比分别为0.5/3、1/3及1.5/3,则信息熵=/>+/>+/>,信息熵=-3.5835。
S22:根据相似性系数,获得相似性系数矩阵。
在得到第i条深度数据中第r个测井曲线的值,与第i条深度数据中第s种砂岩铀矿地质成分对应的占比值/>之间相似性系数/>后,则在第i条深度数据中每一个测井曲线的值与任意一种砂岩铀矿地质成分对应的占比值之间存在一个对应的相关系数,记为E,进而得到一个第i条深度数据下对应的子相似性系数矩阵,记为/>。
在中,列表示不同砂岩铀矿地质组成成分,行表示不同测井曲线的数据值,进而为一个n*c的矩阵。n为测井曲线个数,c为砂岩铀矿地质组成成分种类个数。
通过在不同深度下的变化,根据多个/>形成一个矩阵,得到一个稳定的相似性系数矩阵,记为G值矩阵,G值矩阵表示不同测井曲线与砂岩铀矿地质成分之间的初步的响应程度值。在G值矩阵中,单一元素的值越大,表示对应测绘曲线和地质组成成分响应程度越大,并且由于在砂岩铀矿中其地质为分层的特点,进而对于在连续深度下的元素值存在较大值,则表示当前该元素值越能作为测绘曲线和地质组成成分初步的响应程度值。
由于G值矩阵中的值越大表示响应程度越强,但是由于岩层是连续的,如果出现局部深度下出现非连续的较大值,则可能由于受到钻井位置不佳,存在小的岩层干扰,影响对测井曲线响应分析中的初步的响应程度值获取。
S23:计算相似性系数矩阵中多个元素位置的响应程度值。参照图3,步骤S23包括步骤S230-步骤S233,具体如下:
S230:获得相似性系数序列,将相似性系数矩阵中元素位置所出现的元素值组成多个相似性系数序列。
S231:根据聚类算法,划分相似性系数序列为多个类别。
S232:计算获取每一类别内相似性系数的均值。
S233:根据所有类别的均值的最大值,得到元素位置的响应程度值。
具体地,获取不同深度下在对应G值矩阵中第j个元素位置所出现元素值,其中第i深度数据下对应G值矩阵中第j个元素记为。
在所有深度下所对应的G值矩阵中,第j个元素位置所出现的元素值可组成一个G值序列,为相似性系数序列,记为,为了获取在G值序列/>中连续的/>值数据,本申请选择利用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对分类,其中将各个G值序列中的/>值和对应的深度值所组成的二维信息作为DBSCAN聚类算法的输入,通过DBSCAN聚类算法可以将/>近似且深度连续的数据分为一类,其中,DBSCAN聚类算法在分类是其聚类半径为r=1.5,minPts或minport(最小点数)=5,聚类半径和minport均为超参数,可由实施者根据具体实施场景进行调整。
第j个元素位置所出现的元素值所组成的G值序列共被分为H个类别,每一个类被内的/>近似且深度连续。获取第H个类别内所有数据对应G值数据的均值,记为/>。
获取所有类别的均值的最大值,记为,/>作为第j个元素位置的响应程度值,作为最终的响应程度值,表示测绘曲线和地质组成成分响应程度,/>值越大,则表示测绘曲线和地质组成成分响应程度越明显,关联性越强。
S24:根据响应程度值构建响应程度矩阵,响应程度矩阵中的多个元素值分别表示不同测井曲线对砂岩铀矿成分的响应程度值。
在不同G值矩阵中的不同元素位置都可以得到一个P值,进而可以得到一个响应程度矩阵,即一个P值矩阵,其P值矩阵仍然为一个n*c的矩阵。n为测井曲线个数,c为砂岩铀矿地质组成成分种类个数。其中在P值矩阵中每一个元素值表示该元素值对应的测井曲线对该元素对应的砂岩铀矿成分的响应程度值。其中该P值矩阵有效性对象为该钻井。
S3:根据响应程度优化预设神经网络模型的损失函数,生成最优的分析模型。
在得到不同测井曲线对不同砂岩铀矿的组成成分的响应程度后,在对CNN-LSTM进行训练时,为了使得在利用测井曲线进行砂岩铀矿的组成预测时,砂岩铀矿组成预测结果对有效的测井曲线具有更好的响应,本申请选择对CNN-LSTM的LOSS(损失)函数进行优化,优化过的损失函数的表达式为:
;
其中,为优化后的损失函数值;
为钻井的第i个深度数据对应的测井曲线数据序列,表示不同测井仪器在该深度所探测得到的测井数据,/>为一个1*n的向量。
为钻井的所在地理位置下不同测井曲线对不同砂岩铀矿的组成成分的响应程度值,/>的值越大,表示不同测井曲线对不同砂岩铀矿的组成成分的响应越明显,/>为一个n*c的矩阵。
其中*P之后得到是一个1*c的矩阵,表示该深度下不同砂岩铀矿的组成成分所需对应的响应程度值,其中响应程度值高的数据会使得损失函数值变大,从而使得CNN-LSTM模型去学更多的测井曲线特征,以用于提高数据准确率。/>为对/>的转置。
为当前训练轮次下神经网络模型对数据集中砂岩铀矿组成成分的预测向量值;
为当前训练轮次下神经网络模型在数据集中输入数据对应的砂岩铀矿组成成分的标签向量值;
其中为常规的均方差损失函数,/>表示CNN-LSTM模型在训练过程中预测的砂岩铀矿的组成成分数据与数据集中砂岩铀矿的组成成分标签之间的差值,其/>差值越大,则表示当前CNN-LSTM模型学习效果不好,通过随机梯度下降法,使CNN-LSTM模型通过反馈更新网络权重,从而使得损失函数值下降,进而在利用A*P对LOSS函数进一步放大,可使得CNN-LSTM模型学习对网络权重更新时更加侧重有效的测井曲线从而使得LOSS函数值下降。CNN-LSTM模型在训练过程中需要设定一些超参数,进而本申请选择利用网格法进行CNN-LSTM网络模型的训练。
其中得到n条测井曲线后,将按照深度排序下不同深度的测井曲线送输入到训练完成的CNN-LSTM中,可以得到不同深度对应的砂岩铀矿成分。其中,在利用训练完成的CNN-LSTM进行砂岩铀矿响应曲线分析时,每一次神经网络模型的输入需要输入具有一定深度长度的响应曲线序列,然后预测最后一个深度值对应的砂岩铀矿成分。
S4:响应于待分析的测井曲线被获取,根据分析模型,生成测井曲线响应的分析结果。
在获得训练后生成的最优的分析模型,将当前待进行砂岩铀矿的测井曲线分析的砂岩铀矿的测井曲线数据输入到训练完成的CNN-LSTM神经网络中,进而可以实现对砂岩铀矿的测井曲线响应分析,获取得到更为准确的砂岩铀矿岩层地质组成成分预测值,完成砂岩铀矿的测井曲线响应分析。
虽然本说明书已经示出和描述了本申请的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中,可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (6)
1.用于砂岩铀矿的测井曲线响应分析方法,其特征在于,包括步骤:
S1,根据历史数据,构建关于钻井深度值与多种仪器测量值的测井曲线;
S2,根据所述测井曲线,计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度;
S3,根据所述响应程度优化预设神经网络模型的损失函数,生成最优的分析模型;
S4,响应于待分析的测井曲线被获取,根据所述分析模型,生成测井曲线响应的分析结果。
2.根据权利要求1所述的用于砂岩铀矿的测井曲线响应分析方法,其特征在于,所述根据所述测井曲线,计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度,包括步骤:
计算第一向量与第二向量,所述第一向量由多个深度数据中所有的测井曲线值组成,所述第二向量由深度数据中不同砂岩铀矿地质成分占比值组成;
根据所述第一向量及第二向量,计算相似性系数,计算公式为:
;
其中,为/>与/>之间的相似性系数,/>为第i条深度数据中第r个测井曲线的值,/>为第i条深度数据中第s种砂岩铀矿地质成分的占比值,/>为第i条深度数据中砂岩铀矿地质成分的峰强系数,峰强系数为第二向量中的成分占比值作为概率值计算获得的信息熵值;
根据相似性系数,获得相似性系数矩阵;
计算所述相似性系数矩阵中多个元素位置的响应程度值;
根据所述响应程度值构建响应程度矩阵,所述响应程度矩阵中的多个元素值分别表示不同测井曲线对砂岩铀矿成分的响应程度值。
3.根据权利要求2所述的用于砂岩铀矿的测井曲线响应分析方法,其特征在于,计算所述相似性系数矩阵中多个元素位置的响应程度值,包括步骤:
获得相似性系数序列,将相似性系数矩阵中元素位置所出现的元素值组成多个相似性系数序列;
根据聚类算法,划分所述相似性系数序列为多个类别;
计算获取每一类别内相似性系数的均值;
根据所有类别的所述均值的最大值,得到元素位置的响应程度值。
4.根据权利要求1所述的用于砂岩铀矿的测井曲线响应分析方法,其特征在于,根据所述响应程度优化预设神经网络模型的损失函数,生成最优的分析模型中,优化过的损失函数的表达式为:
;
其中,为优化后的损失函数值,/>为当前训练轮次下神经网络模型对数据集中砂岩铀矿组成成分预测的向量值,/>为当前训练轮次下神经网络模型在数据集中输入数据对应的砂岩铀矿组成成分的标签向量值,/>为钻井的第i个深度数据对应的测井曲线数据序列,/>为钻井的所在地理位置下不同测井曲线对不同砂岩铀矿的组成成分的响应程度值。
5.根据权利要求4所述的用于砂岩铀矿的测井曲线响应分析方法,其特征在于,损失函数的优化中,使用随机梯度下降法,使神经网络模型通过反馈更新网络权重,使损失函数的数值下降。
6.根据权利要求1-5任一项所述的用于砂岩铀矿的测井曲线响应分析方法,其特征在于,所述测井曲线包括:自然伽马测井曲线、电阻率测井曲线、声波时差测井曲线、中子测井曲线、密度测井曲线及微电阻测井曲线中的至少两种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447636.6A CN117174203B (zh) | 2023-11-02 | 2023-11-02 | 用于砂岩铀矿的测井曲线响应分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447636.6A CN117174203B (zh) | 2023-11-02 | 2023-11-02 | 用于砂岩铀矿的测井曲线响应分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117174203A true CN117174203A (zh) | 2023-12-05 |
CN117174203B CN117174203B (zh) | 2024-02-23 |
Family
ID=88930217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311447636.6A Active CN117174203B (zh) | 2023-11-02 | 2023-11-02 | 用于砂岩铀矿的测井曲线响应分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117174203B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703561A (zh) * | 2017-10-23 | 2018-02-16 | 中石化石油工程技术服务有限公司 | 一种页岩气水平井中计算有机碳含量的测井方法 |
CN109407173A (zh) * | 2018-09-29 | 2019-03-01 | 核工业北京地质研究院 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
CN109580453A (zh) * | 2018-12-24 | 2019-04-05 | 核工业北京地质研究院 | 基于最优化测井解释计算砂岩型铀矿砂体孔隙度的方法 |
CN111425190A (zh) * | 2020-03-19 | 2020-07-17 | 中国石油大学(华东) | 一种页岩气地层岩性识别方法、系统、存储介质、终端 |
CN113837501A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
CN115659245A (zh) * | 2022-10-24 | 2023-01-31 | 东华理工大学 | 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置 |
-
2023
- 2023-11-02 CN CN202311447636.6A patent/CN117174203B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703561A (zh) * | 2017-10-23 | 2018-02-16 | 中石化石油工程技术服务有限公司 | 一种页岩气水平井中计算有机碳含量的测井方法 |
CN109407173A (zh) * | 2018-09-29 | 2019-03-01 | 核工业北京地质研究院 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
CN109580453A (zh) * | 2018-12-24 | 2019-04-05 | 核工业北京地质研究院 | 基于最优化测井解释计算砂岩型铀矿砂体孔隙度的方法 |
CN111425190A (zh) * | 2020-03-19 | 2020-07-17 | 中国石油大学(华东) | 一种页岩气地层岩性识别方法、系统、存储介质、终端 |
CN113837501A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
US20230162052A1 (en) * | 2021-11-25 | 2023-05-25 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Graph neural network (gnn)-based prediction system for total organic carbon (toc) in shale |
CN115659245A (zh) * | 2022-10-24 | 2023-01-31 | 东华理工大学 | 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置 |
Non-Patent Citations (6)
Title |
---|
YUANQIANG SUN: "Lithology Identification of Uranium-Bearing Sand Bodies Using Logging Data Based on a BP Neural Network", 《MINERALS》 * |
ZHOU XUEQING: "Bi-LSTM Deep Neural Network Reservoir Classification Model Based on the Innovative Input of Logging Curve Response Sequences", 《IEEE》, 22 January 2021 (2021-01-22) * |
何剑锋等: "小波变换导数法X射线荧光光谱自适应寻峰研究", 《光谱学与光谱分析》, 31 December 2020 (2020-12-31) * |
康乾坤;路来君;尚殷民;: "基于测井数据的砂岩型铀矿异常识别BP神经网络方法应用", 科学技术与工程, no. 09 * |
陈炫沂: "砂岩型铀矿潜力区岩性特征智能识别方法研究", 《硕士电子期刊》 * |
陈钢花等: "双向长短时记忆神经网络在滩坝砂储层岩性识别中的应用", 《测井技术》, 30 June 2023 (2023-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117174203B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Marcellus shale lithofacies prediction by multiclass neural network classification in the Appalachian Basin | |
US4646240A (en) | Method and apparatus for determining geological facies | |
Huang et al. | An integrated neural-fuzzy-genetic-algorithm using hyper-surface membership functions to predict permeability in petroleum reservoirs | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
Wei et al. | Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy | |
Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
US20210381362A1 (en) | Method and apparatus for estimating lithofacies by learning well logs | |
CN105044775B (zh) | 一种地震流体反演识别方法和装置 | |
CN106991509A (zh) | 基于径向基函数神经网络模型的测井曲线预测方法 | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
Masroor et al. | A multiple-input deep residual convolutional neural network for reservoir permeability prediction | |
Sfidari et al. | Prediction of pore facies using GMDH-type neural networks: a case study from the South Pars gas field, Persian Gulf basin | |
Bohling et al. | An integrated application of neural network and Markov chain techniques to the prediction of lithofacies from well logs: Kansas Geological Survey Open-File Report 2003-50, 6 p | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN117174203B (zh) | 用于砂岩铀矿的测井曲线响应分析方法 | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
Zamanzadeh Talkhouncheh et al. | A new approach to mechanical brittleness index modeling based on conventional well logs using hybrid algorithms | |
Guo et al. | A new methodology for identification of potential pay zones from well logs: Intelligent system establishment and application in the Eastern Junggar Basin, China | |
Kakouei et al. | Lithological facies identification in Iranian largest gas field: A comparative study of neural network methods | |
Al‐Khalifah et al. | The impact of data integration on geostatistical porosity modelling: A case study from the Berri Field, Saudi Arabia | |
Wang et al. | Auto recognition of carbonate microfacies based on an improved back propagation neural network | |
Kadkhodaie et al. | Prediction of pore facies using GMDH-type neural networks: a case study from the South Pars gas field, Persian Gulf basin | |
Rawlinson et al. | Gaussian Process Modeling of Well Logs | |
Arizabalo et al. | Lacunarity of geophysical well logs in the Cantarell oil field, Gulf of Mexico |
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 |