[发明专利]一种基于卷积神经网络的致密砂岩裂缝智能识别方法

说明书

本发明公开了图片识别领域内的一种基于卷积神经网络的致密砂岩裂缝智能识别方法，其包括以下步骤：步骤一：构建基于卷积神经网络的致密砂岩裂缝智能识别方法；步骤二：应用上述智能识别方法识别致密砂岩裂缝发育状况；步骤三：智能识别卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络方法，本发明通过对电测曲线样本集学习，避免主观经验的影响和信息的丢失，且通过不断修正，不断扩大样本集空间，实现了裂缝智能识别，可用于石油与天然气工程裂缝识别中。

技术领域

本发明涉及一种图像识别方法，特别涉及一种致密砂岩裂缝智能识别方法。

背景技术

目前，裂缝的识别方法主要有：(1)岩心及FMI测井资料；该方法的局限性较大，难以识别无取心或井壁图像的井区的裂缝发育情况；(2)常规测井资料总结出的一套岩性指示曲线识别方法；该方法难以定量判别裂缝发育；(3)声波时差分形分析；该方法通过计算出的分形维数大小表征裂缝的发育状况，但容易受到高渗条带及大孔道的影响，造成判别误差。(4)蚂蚁体追踪技术，又称断裂系统自动追踪技术，是近些年兴起的一种叠后微裂缝预测技术，对小断层识别非常有效。它是根据蚂蚁算法的正反馈机制，建立利用群体智能进行优化搜索的模型，完成断裂的追踪和识别。基于件蚂蚁体断裂检测技术获得的过井微裂缝发育情况，能够识别出裂缝发育区，但难以具体到井区。

鉴于现有的裂缝识别方法的问题，本发明基于当前主流图像智能识别领域，采用卷积神经网络，来避免特征提取过程损失的大量有效信息和人的主观判断对诊断结果的影响，构建一种基于卷积神经网络的致密砂岩裂缝智能识别方法。

发明内容

本发明的目的是提供一种基于卷积神经网络的致密砂岩裂缝智能识别方法，通过对电测曲线样本集学习，避免主观经验的影响和信息的丢失，且通过不断修正，不断扩大样本集空间，实现了裂缝智能识别。

本发明的目的是这样实现的：一种基于卷积神经网络的致密砂岩裂缝智能识别方法，其特征在于，包括以下步骤：

步骤一：构建基于卷积神经网络的致密砂岩裂缝智能识别方法；

步骤二：应用上述智能识别方法识别致密砂岩裂缝发育状况；

步骤三：智能识别卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络方法。

作为本发明的进一步限定，步骤一的具体方法包括：

1)获取电测曲线样本集；

2)对电测曲线样本集进行预处理，筛选有效图集，图片和曲线归一化、分类，并选取部分作为训练数据集，剩余部分作为测试数据集；

3)搭建前馈神经网络，包括：卷积核大小、卷积核个数，全连接层神经元数量，设置权重、偏置的计算方式，卷积层全0填充，池化层计算方式，ReLU激活函数，全连接层计算；

4)搭建反馈神经网络，包括：定义学习率、学习衰减率、迭代次数、滑动平均衰减率，采用正则化的softmax和交叉熵协同定义损失函数，其中交叉熵公式为：

其中，p(x)是独热编码，q(x)是Softmax层输出；使用梯度下降算法训练电流卡片数据集，减少损失；

5)测试神经网络，输入测试数据集，提示更正错误诊断结果，加强学习，更新神经网络诊断方法；

6)形成实际应用的基于卷积神经网络的致密砂岩裂缝智能识别方法。

作为本发明的进一步限定，步骤3)中的具体方法为：

3-1)将训练数据集输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；

3-2)将上一层的输出结果输入到第二个卷积层和池化层；