[发明专利]基于测井数据深度学习的灯影组微生物岩微相识别方法

权利要求书

1.一种基于测井数据深度学习的生物岩微相识别方法，其特征在于，包括以下步骤：

S1、根据已确定微生物岩性的多种类测井数据，建立样本数据库；

S2、检验样本数据库中测井曲线的完整性，对缺失段数据利用主成分分析及线性回归的方法进行处理，实现数据补充；

S3、对样本数据进行均已化，并将均已化后的样本数据划分为训练集和验证集；

S4、建立基于TensorFlow/Playground标准螺旋式数据的神经网络模型。

2.根据权利要求1所述的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，其特征在于，所述步骤S1具体实现方法为：利用偏光显微镜对钻井岩心薄片进行鉴定，明确微生物岩组构，进而确定微生物岩石类型及沉积微相类型；将测井数据与微生物岩类型进行匹配，建立样本数据库。

3.根据权利要求1所述的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，其特征在于，所述步骤S2具体实现方法为：利用Tesorflow/pandas处理模块内置函数对各条测井曲线进行快速遍历及统计，检验测井曲线的完整性；具体方法如下：对每条测井曲线进行数值灰度转化，依据图像模糊边界将非突变像素点取值转换为0，图像模糊边界突变像素点取值转换为1；然后利用Pandas.isnull函数判断曲线是否完整。

4.根据权利要求1所述的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，其特征在于，所述步骤S3具体实现方法为：将各地球物理测井参数进行归一/正值化操作，将各测井参数统一到0～1刻度：

其中，P_i为归一/正值化之后的刻度值，L_i为第i个测井参数，L_min表示所有测井参数中的最小值，L_max为所有测井参数中的最大值。

5.根据权利要求1所述的一种基于测井数据深度学习的灯影组微生物岩微相识别方法，其特征在于，所述步骤S4具体实现方法为：利用Python/Keras接口下结合独热编码one-hot/Softmax函数接口构建针对测井曲线的神经网络模型，网络模型包括一个输入层、一个输出层和4个隐藏层，其中，隐藏层1含600个神经元，激活函数使用elu；隐藏层2含128个神经元，激活函数使用Relu；隐藏层3含32个神经元，激活函数使用sigmoid；隐藏层4含8含神经元，激活函数使用softsign。