CN117574270A - 一种勘探数据采集及测井数据异常检测方法 - Google Patents
一种勘探数据采集及测井数据异常检测方法 Download PDFInfo
- Publication number
- CN117574270A CN117574270A CN202410077098.4A CN202410077098A CN117574270A CN 117574270 A CN117574270 A CN 117574270A CN 202410077098 A CN202410077098 A CN 202410077098A CN 117574270 A CN117574270 A CN 117574270A
- Authority
- CN
- China
- Prior art keywords
- target
- logging data
- data
- moment
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 136
- 230000005856 abnormality Effects 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 239000000126 substance Substances 0.000 description 9
- 239000003345 natural gas Substances 0.000 description 5
- 239000008239 natural water Substances 0.000 description 5
- 239000003208 petroleum Substances 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种勘探数据采集及测井数据异常检测方法。该方法获取每个时刻下的目标测井数据;根据相邻时刻下目标测井数据的差异,获取每个时刻下目标测井数据的初始异常程度,进而获取每个时刻下目标测井数据的整体偏离程度;根据初始异常程度和整体偏离程度,获取每个时刻下目标测井数据的实际异常程度;根据实际异常程度和初始异常程度,筛选出异常数据;获取目标测井数据的匹配目标测井数据,根据目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取目标测井数据中的真实异常数据和故障数据。本发明通过准确的区分目标测井数据中的真实异常数据和故障数据,有利于对地质资源进行准确的开采。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种勘探数据采集及测井数据异常检测方法。
背景技术
勘探数据采集及测井数据异常检测是勘探地质中的石油、天然气、水等资源的重要步骤,各种测井数据对石油、天然气、水等资源的定位、开发和管理都起着关键作用。为了准确高效的勘探出地质中的石油、天然气、水等资源,现如今采用人工智能技术勘探地质中的石油、天然气、水等资源,提高勘探数据的准确性,准确检测出地质中的异常物质,提高对地质资源开采的效率。但在实际情况中,采集的各种测井数据存在不准确的情况,进而导致不能准确区分每种测井数据中的真实异常数据和故障数据,不能对地质中的资源进行准确的开采,因此,需要对各种测井数据进行准确的异常检测。
现有方法中通过离群因子检测算法对每种测井数据进行异常检测,但不同种测井数据之间存在关联,会导致每种测井数据中的异常数据检测不准确,无法准确区分每种测井数据中的真实异常数据和故障数据,进而无法准确检测出地质中的异常物质,不能准确的对地质中的资源进行开采。
发明内容
为了解决无法准确区分每种测井数据中的真实异常数据和故障数据,导致无法准确检测出地质中的异常物质,进而不能准确的对地质中的资源进行开采的技术问题,本发明的目的在于提供一种勘探数据采集及测井数据异常检测方法,所采用的技术方案具体如下:
本发明提出了一种勘探数据采集及测井数据异常检测方法,该方法包括以下步骤:
获取预设时间段内每个时刻下的每种目标测井数据;
根据相邻时刻下每种目标测井数据之间的差异,以及相邻时刻前一时刻下的每种目标测井数据,获取每个时刻下每种目标测井数据的初始异常程度;
根据每个时刻下每种目标测井数据的初始异常程度和每个时刻前预设数量个时刻下每种目标测井数据的初始异常程度之间的变化情况,获取每个时刻下每种目标测井数据的整体偏离程度;
根据每个时刻下每种目标测井数据的初始异常程度和整体偏离程度,获取每个时刻下每种目标测井数据的实际异常程度;
根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,筛选出每种目标测井数据中的异常数据;
根据每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,获取每种目标测井数据的匹配目标测井数据;
根据每种目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取每种目标测井数据中的真实异常数据和故障数据。
进一步地,所述初始异常程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的初始异常程度;/>为第i个时刻下的第A种目标测井数据;/>为第(i-1)个时刻下的第A种目标测井数据;norm为归一化函数;/>为绝对值函数。
进一步地,所述整体偏离程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的整体偏离程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;K为预设数量;/>为第(i-k)个时刻下第A种目标测井数据的初始异常程度;/>为绝对值函数。
进一步地,所述实际异常程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的实际异常程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;/>为第i个时刻下第A种目标测井数据的整体偏离程度;K为预设数量;/>为第一预设常数,大于0且小于1;/>为绝对值函数。
进一步地,所述根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,筛选出每种目标测井数据中的异常数据的方法为:
根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,获取每个时刻下每种目标测井数据的异常判断值;
根据所述异常判断值,筛选出每种目标测井数据中的异常数据。
进一步地,所述异常判断值的计算公式为:
式中,为第i个时刻下第A种目标测井数据的异常判断值;/>为第i个时刻下第A种目标测井数据的实际异常程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;n为预设时间段内时刻的总数量;/>为绝对值函数。
进一步地,所述筛选出每种目标测井数据中的异常数据的方法为:
当所述异常判断值大于或者等于预设的异常判断值阈值时,将对应时刻下的对应种目标测井数据作为异常数据。
进一步地,所述根据每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,获取每种目标测井数据的匹配目标测井数据的方法为:
获取斯皮尔曼秩相关系数的绝对值,作为目标值;
将每种目标测井数据的最大目标值对应的其他一种目标测井数据,作为每种目标测井数据的匹配目标测井数据。
进一步地,所述根据每种目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取每种目标测井数据中的真实异常数据和故障数据的方法为:
对于任一种目标测井数据,将该种目标测井数据中的每个异常数据对应的时刻,作为目标时刻;
当该种目标测井数据对应的匹配目标测井数据在目标时刻下为异常数据时,将该种目标测井数据对应目标时刻下的异常数据作为真实异常数据;
当该种目标测井数据对应的匹配目标测井数据在目标时刻下不是异常数据时,将该种目标测井数据对应目标时刻下的异常数据作为故障数据。
进一步地,所述目标测井数据包括声波数据、电阻率数据和自然伽马辐射数据。
本发明具有如下有益效果:
根据相邻时刻下每种目标测井数据之间的差异,以及相邻时刻前一时刻下的每种目标测井数据,获取每个时刻下每种目标测井数据的初始异常程度,初步判断每种目标测井数据中的异常数据,为准确获取每种目标测井数据中的异常数据做准确;为了更加准确的获取每种目标测井数据中的异常数据,进一步根据每个时刻下每种目标测井数据的初始异常程度和每个时刻前预设数量个时刻下每种目标测井数据的初始异常程度之间的变化情况,获取每个时刻下每种目标测井数据的整体偏离程度,进一步确定每个时刻下每种目标测井数据的异常程度;进而根据每个时刻下每种目标测井数据的初始异常程度和整体偏离程度,获取每个时刻下每种目标测井数据的实际异常程度,因此,根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,准确筛选出每种目标测井数据中的异常数据,提高对地质中的资源进行检测的准确性;为了对地质中的资源进行准确的开采,进而根据每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,获取每种目标测井数据的匹配目标测井数据,为准确区分每种目标测井数据中的真实异常数据和故障数据做准确,因此,根据每种目标测井数据和对应的匹配目标测井数据中异常数据的分布,准确获取每种目标测井数据中的真实异常数据和故障数据,进而对地质中的异常物质进行准确的分析,便于对地质中的资源进行准确高效的开采。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种勘探数据采集及测井数据异常检测方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种勘探数据采集及测井数据异常检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种勘探数据采集及测井数据异常检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种勘探数据采集及测井数据异常检测方法的流程示意图,该方法包括以下步骤:
步骤S1:获取预设时间段内每个时刻下的每种目标测井数据。
具体的,现有方法中通过向地下打井,采用专业设备勘探不同井深下的每种测井数据,进而准确判断地质中的石油、天然气、水等资源情况,便于后续准确对地质中的资源进行开采。为了高效的对地质中的资源进行分析,本发明实施例以目标测井数据为例,其中,本发明实施中的目标测井数据包括声波数据、电阻率数据和自然伽马辐射数据,实施者可根据实际情况设定目标测井数据的种类,在此不进行限定。
为了更好的描述对目标测井数据的异常检测方法,本发明实施例将预设时间段设定为3个小时,实施者可根据实际情况设定预设时间段的大小,在此不进行限定。为了准确对每种目标测井数据进行异常分析,进而准确对地质中的资源进行开采,本发明实施例将相邻两个采集数据时刻之间的时间间隔设定为1秒,实施者可根据实际情况设定相邻两个采集数据时刻之间的时间间隔的大小,在此不进行限定。
本发明实施例的场景为:在预设时间段内的每个时刻下同时采集声波数据、电阻率数据和自然伽马辐射数据。其中,预设时间段一定是工作时间段,同时,预设时间段内的地质成分相同,即预设时间段内的深度变化在相同层次的地质范围内。
本发明实施例的目的为:获取的不同种目标测井数据之间存在相关性,直接对每种目标测井数据进行分析,不能准确的区分出每种目标测井数据中的真实异常数据和故障数据,进而不能准确的检测出地质中的异常物质,不能准确对地质中的资源进行开采。其中,真实异常数据为地质中的异常物质导致的,故障数据为采集目标测井数据的专业设备临时出现了故障,或者采集完的目标测井数据在传输的过程中出现了故障。为了准确的区分出每种目标测井数据中的真实异常数据和故障数据,本发明实施例对每种目标测井数据进行分析,准确获取每种目标测井数据中的异常数据,对每种目标测井数据中异常数据的分布进行共同分析,准确确定出每种目标测井数据中的真实异常数据和故障数据,准确对地质中的异常物质进行分析,进而对地质中的资源进行准确的开采。
步骤S2:根据相邻时刻下每种目标测井数据之间的差异,以及相邻时刻前一时刻下的每种目标测井数据,获取每个时刻下每种目标测井数据的初始异常程度。
具体的,在每种目标测井数据不存在异常的情况下,在预设时间段内每种目标测井数据的变化是微弱的,即每个时刻下的每种目标测井数据与前一个时刻下的每种目标测井数据是相似的,因此,根据每个时刻下的每种目标测井数据与前一个时刻下的每种目标测井数据的差异,以及相邻时刻前一时刻下的每种目标测井数据,获取每个时刻下每种目标测井数据的初始异常程度。
作为一个示例,以第i个时刻下第A种目标测井数据为例,根据第i个时刻下的第A种目标测井数据和第(i-1)个时刻下的第A种目标测井数据,获取第i个时刻下第A种目标测井数据的初始异常程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的初始异常程度;/>为第i个时刻下的第A种目标测井数据;/>为第(i-1)个时刻下的第A种目标测井数据;norm为归一化函数;/>为绝对值函数。
需要说明的是,越大,/>越大,/>与/>的差异越大,越不趋于0,第i个时刻下的第A种目标测井数据越可能存在异常,当/>越远离0且小于0时,说明第i个时刻下的第A种目标测井数据越来越小,/>为负数,/>越远离0且越小;当/>越远离0且大于0时,说明第i个时刻下的第A种目标测井数据越来越大,/>为正数,/>越远离0且越大。/>越小,/>越趋于0,/>越趋于0,第i个时刻下的第A种目标测井数据越正常,/>越趋于0。因此,/>越趋于0,第i个时刻下第A种目标测井数据越不可能存在异常。其中,/>可以为负数、正数和0。
根据获取第i个时刻下第A种目标测井数据的初始异常程度的方法,获取每个时刻下每种目标测井数据的初始异常程度。其中,预设时间段内的第一个时刻不存在前一相邻时刻,因此,本发明实施例不对预设时间段内第一个时刻下的每种目标测井数据进行分析,即不获取预设时间段内第一个时刻下每种目标测井数据的初始异常程度。
步骤S3:根据每个时刻下每种目标测井数据的初始异常程度和每个时刻前预设数量个时刻下每种目标测井数据的初始异常程度之间的变化情况,获取每个时刻下每种目标测井数据的整体偏离程度。
具体的,为了对每个时刻下的每种目标测井数据是否存在异常进行更准确的分析,本发明实施例根据每个时刻下每种目标测井数据的初始异常程度和每个时刻前预设数量个时刻下每种目标测井数据的初始异常程度之间的变化情况,获取每个时刻下每种目标测井数据的整体偏离程度,本发明实施例将预设数量设定为10,实施者可根据实际情况设定预设数量的大小,在此不进行限定。其中,每个时刻的前预设数量个时刻,在时间上是距离每个时刻最近的时刻。例如,以第25个时刻为例,则第25个时刻前10个时刻分别为第24个时刻、第23个时刻、第22个时刻、第21个时刻、第20个时刻、第19个时刻、第18个时刻、第17个时刻、第16个时刻和第15个时刻。为了准确的观察每种目标测井数据的变化趋势,本发明实施例获取每个时刻下每种目标测井数据的初始异常程度与相同初始异常程度绝对值的比值,作为每个时刻下每种目标测井数据的变化反映值,通过变化反映值来表示每个时刻下每种目标测井数据的变化情况,其中,当初始异常程度为0时,默认对应时刻下对应种目标测井数据的变化反映值为0,因此,变化反映值的取值为-1、0和1中的任一个。当变化反映值为0时,说明对应时刻下对应种目标测井数据不存在异常,即对应时刻下对应种目标测井数据保持稳定;当变化反映值为-1时,说明对应时刻下对应种目标测井数据向下进行波动;当变化反映值为1时,说明对应时刻下对应种目标测井数据向上进行波动。
进一步,根据每个时刻下每种目标测井数据的变化反映值和每个时刻前预设数量个时刻下每种目标测井数据的变化反映值,获取每个时刻下每种目标测井数据的整体偏离程度。作为一个示例,以步骤S2中的第i个时刻下第A种目标测井数据为例,获取第i个时刻下第A种目标测井数据的整体偏离程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的整体偏离程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;K为预设数量,本发明实施例设定为10;/>为第(i-k)个时刻下第A种目标测井数据的初始异常程度;/>为绝对值函数;/>为变化反映值。
需要说明的是,当为0时,则/>为0,说明第i个时刻下第A种目标测井数据邻近时刻下的第A种目标测井数据的变化越稳定,间接说明第i个时刻下第A种目标测井数据越不可能为异常数,第i个时刻下第A种目标测井数据发生偏离的程度越小;当/>与/>为同号时,即/>与/>同为正数或者同为负数时,/>为正数,/>越大,第i个时刻下第A种目标测井数据与第i个时刻前10个时刻下的第A种目标测井数据的增减一致性越强,第i个时刻下第A种目标测井数据异常的可能性越小;当/>与/>为异号时,即与/>为一正一负时,/>为负数,/>越小,第i个时刻下第A种目标测井数据与第i个时刻前10个时刻下的第A种目标测井数据的增减一致性越弱,第i个时刻下第A种目标测井数据异常的可能性越大。
其中,若第i个时刻之前不存在10个时刻,则将不存在时刻的变化反映值默认为0。已知,和/>的取值结果为-1、0和1中的任意一个,因此,/>的取值范围为/>。
根据获取第i个时刻下第A种目标测井数据的整体偏离程度的方法,获取每个时刻下每种目标测井数据的整体偏离程度。
步骤S4:根据每个时刻下每种目标测井数据的初始异常程度和整体偏离程度,获取每个时刻下每种目标测井数据的实际异常程度。
具体的,为了准确的获取每个时刻下每种目标测井数据的实际异常程度,本发明实施例利用每个时刻下每种目标测井数据的整体偏离程度对每个时刻下每种目标测井数据的初始异常程度进行调整,即对于数据增减一致性强的对应时刻下的对应种目标测井数据,根据对应时刻下的对应种目标测井数据的整体偏离程度,降低对应时刻下的对应种目标测井数据的初始异常程度;对于数据增减一致性弱的对应时刻下的对应种目标测井数据,根据对应时刻下的对应种目标测井数据的整体偏离程度,增加对应时刻下的对应种目标测井数据的初始异常程度。
作为一个示例,以步骤S2中的第i个时刻下第A种目标测井数据为例,根据第i个时刻下第A种目标测井数据的初始异常程度和整体偏离程度,获取第i个时刻下第A种目标测井数据的实际异常程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的实际异常程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;/>为第i个时刻下第A种目标测井数据的整体偏离程度;K为预设数量,本发明实施例设定为10;/>为第一预设常数,大于0且小于1;/>为绝对值函数。
本发明实施例将设定为/>,实施者可根据实际情况设定/>的大小,在此不进行限定。
需要说明的是,已知,的取值范围为/>,因此,/>的取值范围为/>,的取值范围为/>,则/>的取值范围为(0,2);当/>为正数时,/>的取值范围为(0,1),对/>进行降低,/>越小;当/>为负数时,/>的取值范围为(1,2),对/>进行增加,/>越大;当/>为0时,/>的值为1,/>,不对/>进行调整。
根据获取第i个时刻下第A种目标测井数据的实际异常程度的方法,获取每个时刻下每种目标测井数据的实际异常程度。
步骤S5:根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,筛选出每种目标测井数据中的异常数据。
具体的,为了准确的获取每种目标测井数据中的异常数据,本发明实施例根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,获取每个时刻下每种目标测井数据的异常判断值;根据异常判断值,筛选出每种目标测井数据中的异常数据。
作为一个示例,以第A种目标测井数据为例,获取第A种目标测井数据中的异常数据的方法如下:
(1)获取异常判断值。
获取预设时间段内每个时刻下第A种目标测井数据的初始异常程度绝对值的均值,作为第一特征值,由步骤S2可知,预设时间段内第一个时刻下的每种目标测井数据的初始异常程度不进行获取,因此,第一特征值不包括预设时间段内第一个时刻下第A种目标测井数据的初始异常程度。获取每个时刻下第A种目标测井数据与第一特征值的差值,作为每个时刻下第A种目标测井数据的异常判断值。以第i个时刻下第A种目标测井数据为例,获取第i个时刻下第A种目标测井数据的异常判断值的计算公式为:
式中,为第i个时刻下第A种目标测井数据的异常判断值;/>为第i个时刻下第A种目标测井数据的实际异常程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;n为预设时间段内时刻的总数量;/>为绝对值函数。
需要说明的是,越大,说明第i个时刻下第A种目标测井数据越可能为异常数据,越大,/>越大;因此,/>越大,第i个时刻下第A种目标测井数据越可能为异常数据。
根据获取第i个时刻下第A种目标测井数据的异常判断值的方法,获取每个时刻下第A种目标测井数据的异常判断值。
(2)获取异常数据。
优选地,筛选出第A种目标测井数据中的异常数据的方法为:当异常判断值大于或者等于预设的异常判断值阈值时,将对应时刻下的第A种目标测井数据作为异常数据。本发明实施例将预设的异常判断值阈值设定为0,实施者可根据实际情况设定预设的异常判断值阈值的大小,在此不进行限定。当异常判断值小于预设的异常判断值阈值时,则对应时刻下的第A种目标测井数据为正常数据。至此,准确获取第A种目标测井数据中的异常数据。
根据获取第A种目标测井数据中的异常数据的方法,获取每种目标测井数据中的异常数据。
步骤S6:根据每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,获取每种目标测井数据的匹配目标测井数据。
具体的,获取每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,当斯皮尔曼秩相关系数为1时,表示两种目标测井数据具有完全正向的相关性,即在相同时刻下,一种目标测井数据增加,另一种目标测井数据也增加;当斯皮尔曼秩相关系数为-1时,表示两种目标测井数据具有完全负向的相关性,即在相同时刻下,一种目标测井数据增加,另一种目标测井数据减小;当斯皮尔曼秩相关系数为0时,表示两种目标测井数据之间没有线性相关性。因此,本发明实施例获取斯皮尔曼秩相关系数的绝对值,作为目标值;将每种目标测井数据的最大目标值对应的其他一种目标测井数据,作为每种目标测井数据的匹配目标测井数据。例如,以声波数据为例,获取预设时间段内声波数据与电阻率数据之间的斯皮尔曼秩相关系数,以及声波数据与自然伽马辐射数据之间的斯皮尔曼秩相关系数,获取斯皮尔曼秩相关系数的绝对值即目标值,将最大的目标值对应的非声波数据的其他一种目标测井数据,作为声波数据的匹配目标测井数据。若最大的目标值对应的是声波数据与电阻率数据,则声波数据的匹配目标测井数据为电阻率数据。若每种目标测井数据的最大目标值至少存在两个,则任选一个最大目标值对应的其他一种目标测井数据,作为每种目标测井数据的匹配目标测井数据。其中,斯皮尔曼秩相关系数的获取方法为现有技术,不再进行赘述。
利用斯皮尔曼秩相关系数获取不同种目标测井数据之间的相关性,确定每种目标测井数据的匹配目标测井数据。
步骤S7:根据每种目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取每种目标测井数据中的真实异常数据和故障数据。
具体的,因为每种目标测井数据和对应的匹配目标测井数据之间的关联性强,当地质中存在异常物质时,每种目标测井数据和对应的匹配目标测井数据在相同时刻下同时出现异常数据的可能性就越大,因此,根据每种目标测井数据和对应的匹配目标测井数据在相同时刻下是否均出现了异常数据,准确区分每种目标测井数据中的真实异常数据和故障数据。
优选地,获取真实异常数据和故障数据的方法为:对于任一种目标测井数据,将该种目标测井数据中的每个异常数据对应的时刻,作为目标时刻;当该种目标测井数据对应的匹配目标测井数据在目标时刻下为异常数据时,将该种目标测井数据对应目标时刻下的异常数据作为真实异常数据;当该种目标测井数据对应的匹配目标测井数据在目标时刻下不是异常数据时,将该种目标测井数据对应目标时刻下的异常数据作为故障数据。至此,准确区分每种目标测井数据中的真实异常数据和故障数据,进而准确对地质中的异常物质进行分析,便于后续对地质中的资源进行准确的开采。
至此,本发明完成。
综上所述,本发明实施例获取每个时刻下的目标测井数据;根据相邻时刻下目标测井数据的差异,获取每个时刻下目标测井数据的初始异常程度,进而获取每个时刻下目标测井数据的整体偏离程度;根据初始异常程度和整体偏离程度,获取每个时刻下目标测井数据的实际异常程度;根据实际异常程度和初始异常程度,筛选出异常数据;获取目标测井数据的匹配目标测井数据,根据目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取目标测井数据中的真实异常数据和故障数据。本发明通过准确的区分目标测井数据中的真实异常数据和故障数据,有利于对地质资源进行准确的开采。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种勘探数据采集及测井数据异常检测方法,其特征在于,该方法包括以下步骤:
获取预设时间段内每个时刻下的每种目标测井数据;
根据相邻时刻下每种目标测井数据之间的差异,以及相邻时刻前一时刻下的每种目标测井数据,获取每个时刻下每种目标测井数据的初始异常程度;
根据每个时刻下每种目标测井数据的初始异常程度和每个时刻前预设数量个时刻下每种目标测井数据的初始异常程度之间的变化情况,获取每个时刻下每种目标测井数据的整体偏离程度;
根据每个时刻下每种目标测井数据的初始异常程度和整体偏离程度,获取每个时刻下每种目标测井数据的实际异常程度;
根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,筛选出每种目标测井数据中的异常数据;
根据每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,获取每种目标测井数据的匹配目标测井数据;
根据每种目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取每种目标测井数据中的真实异常数据和故障数据。
2.如权利要求1所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述初始异常程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的初始异常程度;/>为第i个时刻下的第A种目标测井数据;/>为第(i-1)个时刻下的第A种目标测井数据;norm为归一化函数;/>为绝对值函数。
3.如权利要求1所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述整体偏离程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的整体偏离程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;K为预设数量;/>为第(i-k)个时刻下第A种目标测井数据的初始异常程度;/>为绝对值函数。
4.如权利要求3所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述实际异常程度的计算公式为:
式中,为第i个时刻下第A种目标测井数据的实际异常程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;/>为第i个时刻下第A种目标测井数据的整体偏离程度;K为预设数量;/>为第一预设常数,大于0且小于1;/>为绝对值函数。
5.如权利要求1所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,筛选出每种目标测井数据中的异常数据的方法为:
根据每个时刻下每种目标测井数据的实际异常程度和初始异常程度,获取每个时刻下每种目标测井数据的异常判断值;
根据所述异常判断值,筛选出每种目标测井数据中的异常数据。
6.如权利要求5所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述异常判断值的计算公式为:
式中,为第i个时刻下第A种目标测井数据的异常判断值;/>为第i个时刻下第A种目标测井数据的实际异常程度;/>为第i个时刻下第A种目标测井数据的初始异常程度;n为预设时间段内时刻的总数量;/>为绝对值函数。
7.如权利要求5所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述筛选出每种目标测井数据中的异常数据的方法为:
当所述异常判断值大于或者等于预设的异常判断值阈值时,将对应时刻下的对应种目标测井数据作为异常数据。
8.如权利要求1所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述根据每种目标测井数据与其他每种目标测井数据之间的斯皮尔曼秩相关系数,获取每种目标测井数据的匹配目标测井数据的方法为:
获取斯皮尔曼秩相关系数的绝对值,作为目标值;
将每种目标测井数据的最大目标值对应的其他一种目标测井数据,作为每种目标测井数据的匹配目标测井数据。
9.如权利要求1所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述根据每种目标测井数据和对应的匹配目标测井数据中异常数据的分布,获取每种目标测井数据中的真实异常数据和故障数据的方法为:
对于任一种目标测井数据,将该种目标测井数据中的每个异常数据对应的时刻,作为目标时刻;
当该种目标测井数据对应的匹配目标测井数据在目标时刻下为异常数据时,将该种目标测井数据对应目标时刻下的异常数据作为真实异常数据;
当该种目标测井数据对应的匹配目标测井数据在目标时刻下不是异常数据时,将该种目标测井数据对应目标时刻下的异常数据作为故障数据。
10.如权利要求1所述一种勘探数据采集及测井数据异常检测方法,其特征在于,所述目标测井数据包括声波数据、电阻率数据和自然伽马辐射数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077098.4A CN117574270B (zh) | 2024-01-19 | 2024-01-19 | 一种勘探数据采集及测井数据异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077098.4A CN117574270B (zh) | 2024-01-19 | 2024-01-19 | 一种勘探数据采集及测井数据异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574270A true CN117574270A (zh) | 2024-02-20 |
CN117574270B CN117574270B (zh) | 2024-03-26 |
Family
ID=89890474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077098.4A Active CN117574270B (zh) | 2024-01-19 | 2024-01-19 | 一种勘探数据采集及测井数据异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574270B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805932A (zh) * | 2024-03-01 | 2024-04-02 | 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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133249A (zh) * | 2014-07-31 | 2014-11-05 | 中国石油天然气集团公司 | 一种微测井资料与声波测井资料联合解释的方法及装置 |
WO2016044464A1 (en) * | 2014-09-16 | 2016-03-24 | Williams Danny T | Formation dip geo-steering method |
US11460601B1 (en) * | 2021-10-26 | 2022-10-04 | Beijing Research Institute Of Uranium Geology | Method for determining distribution of uranium deposit |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN115983094A (zh) * | 2022-11-30 | 2023-04-18 | 中水北方勘测设计研究有限责任公司 | 基于S-CNN-Bi-GRU网络测井曲线生成方法、处理终端及可读存储介质 |
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测系统及方法 |
CN116522125A (zh) * | 2022-01-21 | 2023-08-01 | 中国石油化工股份有限公司 | 测井数据异常检测方法 |
CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
US20230287781A1 (en) * | 2022-03-08 | 2023-09-14 | China University Of Petroleum (East China) | Drilling well underground kick processing method and device with self-feedback adjustment |
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN117033935A (zh) * | 2023-08-03 | 2023-11-10 | 北京市市政工程设计研究总院有限公司广东分院 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
CN117407827A (zh) * | 2023-12-15 | 2024-01-16 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
-
2024
- 2024-01-19 CN CN202410077098.4A patent/CN117574270B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133249A (zh) * | 2014-07-31 | 2014-11-05 | 中国石油天然气集团公司 | 一种微测井资料与声波测井资料联合解释的方法及装置 |
WO2016044464A1 (en) * | 2014-09-16 | 2016-03-24 | Williams Danny T | Formation dip geo-steering method |
US11460601B1 (en) * | 2021-10-26 | 2022-10-04 | Beijing Research Institute Of Uranium Geology | Method for determining distribution of uranium deposit |
CN116522125A (zh) * | 2022-01-21 | 2023-08-01 | 中国石油化工股份有限公司 | 测井数据异常检测方法 |
US20230287781A1 (en) * | 2022-03-08 | 2023-09-14 | China University Of Petroleum (East China) | Drilling well underground kick processing method and device with self-feedback adjustment |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN115983094A (zh) * | 2022-11-30 | 2023-04-18 | 中水北方勘测设计研究有限责任公司 | 基于S-CNN-Bi-GRU网络测井曲线生成方法、处理终端及可读存储介质 |
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测系统及方法 |
CN117033935A (zh) * | 2023-08-03 | 2023-11-10 | 北京市市政工程设计研究总院有限公司广东分院 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN117407827A (zh) * | 2023-12-15 | 2024-01-16 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
Non-Patent Citations (2)
Title |
---|
康伟伟;: "柴达木盆地测井曲线标准化――以乌南地区为例", 青海石油, no. 02, 15 June 2009 (2009-06-15) * |
陈书平,王毅,周子勇,杨伟利,张雨桐,冯桂民: "塔里木盆地中—下寒武统自然伽马测井曲线周期 及其在沉积层序划分中的意义", 地质通报, vol. 39, no. 7, 15 July 2020 (2020-07-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805932A (zh) * | 2024-03-01 | 2024-04-02 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN117574270B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117574270B (zh) | 一种勘探数据采集及测井数据异常检测方法 | |
CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
US9519865B2 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
Holland et al. | Models for simulating the fossil record | |
CN110529087B (zh) | 一种评价地层水力压裂效果的方法及装置 | |
EP2572214A1 (en) | Passive monitoring method for seismic events | |
Yin et al. | A deep learning-based data-driven approach for predicting mining water inrush from coal seam floor using micro-seismic monitoring data | |
CN108374657B (zh) | 井断点自动识别方法 | |
CN105431750B (zh) | 可压裂性测试方法及系统 | |
CN108830140B (zh) | 一种基于电成像测井分形维数的火山岩岩性识别方法 | |
Ketineni et al. | Quantitative integration of 4D seismic with reservoir simulation | |
CN104678455A (zh) | 一种陆相缝洞型储层识别方法 | |
CN113685188A (zh) | 一种基于岩渣物理特征的tbm掘进优化方法 | |
Mueller | Meeting the challenge of uncertainty in surface microseismic monitoring | |
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 | |
Peyret et al. | Automatic interpretation of well logs with lithology-specific deep-learning methods | |
US9921329B2 (en) | Automated method for selecting positions within formations from which to extract samples thereof | |
CN113189672A (zh) | 一种基于多属性反演的隧道超前地质预报方法 | |
CN109598049B (zh) | 钻孔岩石裂隙发育程度及区域岩石裂隙发育规律的方法 | |
FR3048782A1 (fr) | Generateur de donnees sismiques internes | |
CN110805434B (zh) | 复杂地层岩性识别方法及系统 | |
Yu et al. | Arrival picking method for microseismic phases based on curve fitting | |
Valley et al. | Multi-scale fracturing in the Soultz-sous-Forêts basement from borehole image analyses | |
Chambers et al. | Application of subspace detection on a surface seismic network monitoring a deep silver mine |
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 |