[发明专利]一种综合地质钻孔测井岩性识别方法

说明书

本发明提供了一种综合地质钻孔测井岩性识别方法，该方法对钻孔测井数据进行精化处理，得到精化数据集，包括对钻孔测井数据进行缺失值填补、均衡处理、数据集归一化处理；根据t‑SNE算法对精化数据集进行降维处理，根据PSO算法对BP神经网络进行改进、优化，得到网络最优初始化权值和阈值，并建立网络模型，利用建立的网络模型对降维数据集进行训练学习，该方法通过对钻孔测井数据进行精化处理，解决了获取的钻孔测井数据缺失、数据集不均衡、训练数据不在统一量纲范围而造成最终识别率过低的问题，且再根据t‑SNE算法对钻孔测井数据集进行降维处理，从而简化数据，再通过PSO算法对现有技术中的常用BP神经网络进行优化，提升了识别准确率高和识别速率。

技术领域

本发明涉及一种综合地质钻孔测井岩性识别方法，特别是一种基于t-SNE与PSO对BP神经网络进行改进的综合钻孔测井岩性识别方法。

背景技术

快速发展的经济使得人们对资源和能源的需求不断增加，对地质勘探提出了更高的要求。岩石的成分、结构以及物理化学特性等一切能够反映岩石特征的属性就是岩石的岩性。由于岩性控制着岩石物理性质(如孔隙度和渗透率)的分布，因此，对岩性空间变化的了解对于地下矿层的勘探具有重要意义。

岩性识别主要通过分析钻井岩芯以及测井资料数据可得，但是钻井取心由于部分岩层岩性采取率不高又很难做到对钻遇地层的完整描述。随着不断发展的测井技术给地质工作者带来了丰富的测井信息，对这些测井信息进行分析运用识别岩性信息，相对于分析钻井岩芯来讲更快速，效果更准确。由于复杂的地质条件和沉积环境，储层非均质性与测井响应特征之间的非线性关系表明，采用线性测井响应方程和经验统计公式不能有效地刻画储层特征，不能满足实际生产需要。

传统的岩性鉴别方法与工作人员多年来不断存储积累的经验有很大关联的，得到的答案并不是唯一确定的。20世纪80年代后期，人工神经网络技术因为能在解决问题的时候不受其他因素干扰的能力和对不是线性数据的映射能力的优势在世界范围迅速发展起来，为测井解释的变革工作提出了新的想法可进行研究。与传统测井分析方法相比，该方法在避免人为因素造成误差的同时还可以提高岩性识别的效率以及识别率。在岩性识别方面使用到的机器学习算法多种多样，不同的算法识别效果不同，从目前的一些识别数据来看，在岩性识别方面识别准确率并没有达到一个令人满意的程度，找到合适的方法提高识别的准确率具有很大的意义。

为了提高识别率、加快识别速率，且避免人工分析测井曲线识别岩性方法中人为因素造成的误差，已有使用BP神经网络技术来对测井数据进行岩性识别，但BP神经网络在训练分布不均匀且具有模糊性的测井参数时，会对测井识别的速度有较为严重的影响，很容易出现陷入局部最小，而且BP神经网络一般是先根据经验设置最开始的各种网络所需要的参数，再根据实验结果误差率的反馈对参数进行调整，在调参阶段反复迭代、工作量大且不一定能找到最优的权值和阈值，因此就目前在岩性识别方面使用的BP神经网络学习算法获得的识别数据来看，在岩性识别方面识别准确率较低。

发明内容

本发明的目的在于解决上述现有技术的不足，并提供一种综合地质钻孔测井岩性识别方法，该方法是基于t-SNE与PSO对BP神经网络进行改进的综合钻孔测井岩性识别方法，具有识别准确率高、识别速率快的优点。

实现本发明目的的技术方案为：一种综合地质钻孔测井岩性识别方法，该方法至少包括以下步骤：

1.获取钻孔测井数据；

2.对钻孔测井数据进行精化处理，得到精化数据集，精化处理步骤如下；

2.1判断钻孔测井数据数据特征类型列表是否存在空缺，若出现空缺，则选用均值填补、中值填补、众数填补、任意值填补任一方式填补数据至该空缺部分；

2.2根据钻孔测井数据中各个岩性类别下的数据量与标准钻孔测井数据中各个岩性类别下的数据量进行比对，若岩性分类的数据量不相等，则存在数据不均衡情况，利用SMOTE过采样算法对钻孔测井数据集进行均衡处理；