[发明专利]一种基于主成分分析与全连接神经网络的岩性识别方法

说明书

本发明公开了一种基于主成分分析与全连接神经网络的岩性识别方法，包括以下步骤：将待测试数据输入至PCA‑FCNN模型中，通过所述PCA‑FCNN模型处理后得到岩性识别结果；其中，所述PCA‑FCNN模型的建立包括以下步骤：S1.训练样本的选择与归一化处理；以不同岩性特征测井曲线作为输入数据，从输入数据中选取数据作为训练样本，并将训练样本中的数据打乱顺序后进行归一化处理；S2.对归一化后的数据进行特征降维；对归一化后的数据通过主成分分析法进行特征降维，并根据降维后的结果选取n个主成分；S3.采用FCNN算法建立神经网络；根据主成分的个数，建立n层FCNN神经网络，其中前n‑1层的激活函数设置为Relu函数，第n层采用softmax函数。本发明能够显著提高岩性识别的准确率。

技术领域

本发明涉及岩性识别技术领域，更具体的说是涉及一种基于主成分分析与全连接神经网络的岩性识别方法。

背景技术

测井曲线岩性识别作为测井解释的第一项工作，其重要性不言而喻。常规的岩性解释方法主要有交会图分析、多元统计图分析、地层元素测井等方法，这些方法在国内外岩性识别中应用较为广泛。交会图分析法较为简单，但是需要多种可以反映岩性的测井曲线；多元统计学分析法工作量小、速度快，但是在岩性识别过程中需要调整多种参数，且误差较大；地层元素测井可以从地球化学的角度对岩石成分进行岩性识别，但是这种方法的造价过于昂贵，会消耗大量成本。因此，需要一种岩性识别方法既可以较少的消耗人力物力又可以获得准确地岩性识别结果。

人工智能特别是深度学习的发展为岩性识别带来了新的途径。全连接神经网络(FCNN)作为深度学习的一种重要算法，在众多科学领域有着广泛的应用，由于FCNN隶属于监督学习的一种，合适的训练集特征选择以及训练数据与标签数据的准确性对神经网络的结果有着重要影响。

因此，研究出一种基于主成分分析与全连接神经网络的岩性识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于主成分分析与全连接神经网络的岩性识别方法，用于解决对于复杂岩性的识别中存在的识别效果差、准确率低的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于主成分分析与全连接神经网络的岩性识别方法，包括以下步骤：

将待测试数据输入至PCA-FCNN模型中，通过所述PCA-FCNN模型处理后得到岩性识别结果；

其中，所述PCA-FCNN模型的建立包括以下步骤：

S1.训练样本的选择与归一化处理；以不同岩性特征测井曲线作为输入数据，从输入数据中选取数据作为训练样本，并将训练样本中的数据打乱顺序后进行归一化处理；

S2.对归一化后的数据进行特征降维；对归一化后的数据通过主成分分析法进行特征降维，并根据降维后的结果选取n个主成分；

S3.采用FCNN算法建立神经网络；根据主成分的个数，建立n层FCNN神经网络，其中前n-1层的激活函数设置为Relu函数，第n层采用softmax函数。

优选的，归一化处理具体包括以下内容：

将训练样本中的数据根据岩性特征分别进行归一化处理；

其中岩性特征包括：声波时差、密度、电阻率、自然伽马和自然电位。

优选的，S2具体包括以下内容：

对归一化后的数据通过主成分分析法进行特征降维，并基于降维后各主成分方差占总方差比例大小的顺序排列进行输出数据的维度数选择，去除方差比例小的主成分。

优选的，在所述FCNN神经网络的前(n-1)层中加入Dropout算法。