[发明专利]基于粗糙集属性约简的卷积神经网络岩性识别方法

说明书

本发明属于油气岩性识别技术领域，涉及一种基于粗糙集属性约简的卷积神经网络岩性识别方法；1)收集数据得到训练集D；2)分别D中图片上的曲线拆分成单条曲线图片组成同源图片组得到D′；3)采用卷积神经网络模型同时对每个同源图片组作卷积训练，得到p×k组合向量；4)用粗糙集对组合向量进行属性约简得到B；5)B送入分类器模型中得到第一次实际输出结果；6)将第一次实际输出值与期望输出结果比较，根据比较结果调整参数反复迭代训练，直至准确率满足要求或最大时停止训练，得到识别结果。本发明在卷积神经训练中，通过粗糙集对数据集进行属性约简，从而达到精简数据集，减少模型训练的难度；同时通过反复调整、迭代训练，提高准确率。

技术领域

本发明属于油气岩性识别技术领域，涉及一种基于粗糙集属性约简的卷积神经网络岩性识别方法。

背景技术

目前，在石油天然气领域，测井曲线是划分岩性储层的重要方法之一。通常情况下，地质学家虽然能通过测井曲线及其他地质资料进行人工岩性识别，但是费时费力，且有诸多不便。

针对上述缺点，许多研究人员提出将卷积神经网络应用于岩性识别中来，识别的主要原理是，通过收集目标井区的测井曲线图片，按照岩性进行截取，为其打上标签，完成数据集的构建，而后将其放入卷积神经网络模型中，按照卷积神经网络模型的要求进行训练、验证以及测试，最后完成岩性的分类情况。这种方法虽然能解决人工岩性识别方法存在的费时费力的问题，但是采用这种方法时，测井曲线的图片相比于传统进行岩性识别的图片显得更加复杂，这是因为测井曲线的每一张图片都是把各种曲线的测井响应结合在一张图片上，然后打上标签来进行训练，由于在一张图片上可能会集成五六种甚至十几种测井响应的曲线，因此在进行训练时，相比于单一曲线，由于单张图片集成很多条曲线，这无疑增加了模型训练的难度。若只选择其中一种曲线进行训练，单一曲线又不能完全反应其所对应标签的全部信息，甚至有时候，不同的岩性在同一测井曲线上的测井响应是相似的。

粗糙集是上世纪80年代波兰的一位学者提出的方法，引起了许多学者在此方面的研究。其中，利用粗糙集进行属性约简，消除数据集中存在的冗余属性成为了一个研究热点。因此，可以考虑使用粗糙集的属性约简方法消除多曲线中的冗余曲线。

发明内容

针对现有岩性识别出现的技术问题，本发明提供一种基于粗糙集属性约简的卷积神经网络岩性识别方法，在卷积神经训练中，通过粗糙集对数据集中多条曲线进行属性约简，从而达到精简数据集，减少模型训练的难度；同时反复迭代，不同重复训练，提高准确率。

为了实现上述目的，本发明采用的技术方案是：

一种基于粗糙集属性约简的卷积神经网络岩性识别方法包括以下步骤：

1)收集目标井段的所有测井响应曲线图片数据，并按照测井响应曲线对应的岩性类别A对图片进行分类，得到训练集D＝{A₁,A₂,...,A_i,...A_n}；其中，i表示岩性类别的个数；1≤i≤n；表示A_i中的某一张图片；j表示A_i中图片的张数；

2)分别取数据集D中的每个(图片，将其上所显示的k条曲线依次拆分成k张单条曲线图片，k张单条曲线图片组成同源图片组得到新的数据集D′；

3)采用卷积神经网络模型，同时对每个同源图片组作卷积训练，对应得到每个同源图片组的张量，并对每个张量进行flatten操作，得到的k个1×p向量，将得到的向量进行转置、组合得到p×k的组合向量；p为模型经过flatten之后向量的长度；

4)利用粗糙集对步骤3)得到的组合向量进行属性约简得到划分约简集B；

5)将步骤4)得到的划分约简集B送入分类器模型中，完成一次训练，得到第一次实际输出结果；