[发明专利]一种复杂地质钻进过程地层岩性智能识别方法

说明书

本发明公开了一种复杂地质钻进过程地层岩性智能识别方法，包括采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵，并利用并发删减算法删减ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；通过汉明距离解码完成最终的岩性类别输出。本发明将多分类问题转化为多个二分类问题，能够较好地区分测井特征相近的岩性，又能够克服核Fisher线性判别多分类方法中差异较大的类信息掩盖差异较小的类信息的问题，为复杂钻进过程智能控制打下了良好的基础。

技术领域

本发明涉及地质钻进过程智能控制领域，尤其涉及一种复杂地质钻进过程地层岩性智能识别方法。

背景技术

目前，我国对大宗矿产品的需求仍不断增长，现有资源供需矛盾日益突出，对外依存度不断加大。但事实上，我国矿产资源种类多，蕴藏丰富。随着新的矿产资源的不断探明，深部地质勘探和开发成为必然。

尽管深部资源能源开发潜力大，但由于地层深处的环境恶劣，钻进过程经常遇到敏感性页岩地层、流变地层、各种盐类等地层等各种成因不一，特点不同的复杂地层。这些地层由于自身成岩机理，相对于其他地层更容易发生缩径，坍塌或破裂。如井塌大多发生在泥页岩地层中，占90％以上。缩径大多发生在盐膏层、含盐膏软泥层、砂岩中，都需要特别调整泥浆密度来保证井壁不受破坏。所以钻进过程中识别地层，实钻时实时检测当前地层，是实现安全高效钻进的基础。

岩性是指反映岩石特征的一些属性，如颜色、成分、结构、构造等。岩性识别是根据岩石存在的不同特征和属性，把储集岩分类成不同单元的过程。进行地层岩性识别是地层三压力建模的第一步，准确识别地下岩层的分布特征是实现深部矿产资源勘查突破的关键。

测井资料中包含丰富的地层岩性信息，是岩性分析的基础资料。利用测井数据的岩性识别建模方法主要可以分为两种：一是人工绘图方法；二是智能建模方法。人工绘图方法识别岩性的方法有很多种，包括交会图法，蜘蛛网图法与阶梯图法等。智能建模方法大多采用监督式机器学习方法，针对地层岩性识别的智能建模方法包括神经网络、支持向量机、模糊学、核fisher线性判别等方法。利用智能建模方法进行岩性识别已成为测井技术和钻井技术发展的重要方向。

在利用智能建模方法进行岩性识别时，绝大多数研究假设岩性分布均匀且得到的测井数据均衡，事实上，数据不均衡的特征广泛存在于地层与地层之间。针对这种情况，有必要针对测井数据进行不平衡数据分类方法研究。融合不平衡数据的处理方法的智能识别方法能更加有效地对地层岩性进行识别。

发明内容

有鉴于此，本发明的实施例提供了一种建立了复杂地质钻进过程地层岩性自适应不平衡多分类架构，能有效提高岩性识别模型的精度，为复杂地质钻进过程智能控制打下良好的基础的复杂地质钻进过程地层岩性智能识别方法。

本发明的实施例提供一种复杂地质钻进过程地层岩性智能识别方法，包括以下步骤：

S1.采集测井数据，对获得的测井数据进行分析，选出与岩性紧密相关的数据，运用小波去噪技术获得去噪后的样本数据集；

S2.在获得样本数据集的基础上进行归一化处理，建立ECOC编码矩阵，并利用并发删减算法删减ECOC编码矩阵；

S3.基于步骤S2得到的ECOC编码矩阵，利用核Fisher线性判别作为基分类器对岩性进行分类，并利用蝙蝠优化算法优化基分类器的核参数及阈值参数；

S4.通过汉明距离解码完成最终的岩性类别输出。

进一步，所述步骤S1中，与岩性紧密相关的数据包括密度测井、声波测井、自然电位测井、深、浅三侧向测井、微电位与微梯度。

进一步，所述步骤S2中，归一化处理的公式为：