[发明专利]一种基于声振信号的随钻岩性智能识别方法与系统

说明书

本发明涉及一种基于声振信号的随钻岩性智能识别方法与系统，包括：采集岩石与钻头碰撞的音频和振动信号数据，经过数据预处理和数据增强后构建样本数据集；采用基于CGRU‑AttGRU的深度学习优化模型，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型；将实时获取到的音频和振动数据和训练好的识别模型进行识别预测，得到识别预测岩性结果。本发明基于实时获取动态音频和振动参数作为岩性识别的基础，通过利用钻头与各岩层接触过程中发出的巨大信号包含的丰富地层信息，对钻孔过程中采集到的岩石信号结合深度学习等智能算法对岩石特征进行分析处理，减少人为因素和设备的依赖，并且不断优化预测模型，提高岩石分类准确度和模型泛化能力。

技术领域

本发明涉及地质勘探领域，尤指涉及一种基于声振信号的随钻岩性智能识别方法与系统。

背景技术

随钻实时岩性识别一直是地质工程钻探领域的一项难题。实现随钻实时智能识别对地质勘探和油气井工程具有重大意义。

传统的岩性识别方法为钻井取芯和交会图法。取芯分析方法是最直接最有效的识别方法，但此方法存在效率低、非实时和人为主观因素影响等问题。交会图主要是通过测井曲线资料进行划分地层，测井曲线包含着丰富的地层信息，根据自然电位、声波时差和自然伽马等测井曲线实现非取芯识别，但由于地层环境复杂，大多数类似岩石具有相同的岩性曲线，导致采用测井曲线识别方法不能大规模适用。

通过查阅资料可知，在钻头与各岩层接触过程中，发出的巨大音频和振动信号携带着大量反映钻头、钻柱和地层的信息，这就使得利用钻井过程中的振动和音频信号结合人工智能技术实现实时岩性识别成为可能。随着计算机技术的不断发展，人工智能技术正在广泛应用于岩性识别领域。通过机器学习和深度学习在岩性识别领域的应用，探索不同算法模型对不同地质条件下的识别情况，有效提高了识别的速度和效率，实现了早期人工识别到智能识别的过渡，对岩性智能识别具有重要的意义。但目前的岩性识别方法依然具有以下一些问题：

(1)以岩石图像为基础的图像识别可以获得较好识别效果，但在实际钻井过程中井内不能满足实时获取岩石图像，不能满足实时识别要求；

(2)将测井资料结合机器学习的方法进行岩性识别可以达到实时识别的要求，但测井资料种类繁多，需提前进行资料数据的收集和整理，难以获取足够的数据集。

发明内容

为了解决上述实时岩性智能识别的难题以及结合时代技术发展的机遇，本发明提出了一种基于声振信号的随钻岩性智能识别方法与系统，从岩石声波和振动数据集出发，提出基于CGRU网络模型实现对岩性智能分类；同时为提高模型在钻孔复杂环境识别能力，引入注意力机制模型构建CGRU-AttGRU优化模型，该模型提高了提取特征表征能力，对复杂音频和振动信号分配权重实现重点学习，减少人为主观因素影响，识别方法更具有智能化，同时克服信号本身多样性的问题，提高识别准确率；并且音频信号和振动信号相对于实时图像和其他测井参数更容易获取，有效解决数据量少和数据获取困难等问题，为复杂地层进行随钻实时岩性识别提供一种新思路。

为实现上述目的，采用技术方案如下：

一种基于声振信号的随钻岩性智能识别方法，该方法包括：采集岩石与钻头碰撞的音频和振动信号数据，经过处理后构建样本数据集；对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型，将实时获取到的音频和振动数据和训练好的识别模型进行识别预测。在预测模型中，将CNN提取的局部特征作为GRU模型的输入，提取全局特征。同时，为了提升模型的泛化能力，引入注意力模型构建CGRU-AttGRU优化模型，Attention模型与GRU网络组合作为模型的解码器结构，CGRU作为模型的编码器结构。最终通过分类器输出识别预测岩性结果。