[发明专利]基于深度学习和重采样的河流-湖泊岩相测井识别方法

权利要求书

1.基于深度学习和重采样的河流-湖泊岩相测井识别方法，其特征在于，包括以下步骤：

（1）根据河流-湖泊岩相测井段所在区域的地质背景，选择测井类型和搜集测井数据；

（2）根据选择的测井类型和搜集的测井数据解释测井数据的岩相特征，并划分岩相类型；

（3）根据测井数据和岩相类型划分出训练集、验证集与测试集；

（4）构建河流-湖泊岩相测井识别的机器学习模型，并使用MLP算法结合训练集对模型进行训练，MLP中包含输入层、中间隐藏层和输出层，其中，输入层为测井数据；中间隐藏层为深度神经网络可调节参数层，且每个中间隐藏层为100个神经元的深度神经网络；输出层为岩相类型，并且相邻层节点的连接均配有权重；

训练过程如下：

（a）所有边的权重随机分配；

（b）前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的输入，人工神经网络都被激活，然后经过前向传播，得到输出值；

（c）反向传播：利用输出值和样本值计算总误差，再利用反向传播更新权重；

（d）重复步骤（b）、（c），直至输出误差低于制定的标准；

（5）利用数据重采样方法对MLP算法进行模型优化，并利用网格搜索结合验证集对模型进行验证和调参，找到模型的最优参数，然后输出优化后的模型；

（6）利用优化后的模型对河流-湖泊岩相测井进行识别，并通过精确度、F1-score和曲线下面积结合测试集评估模型的准确性和性能。

2.根据权利要求1所述的基于深度学习和重采样的河流-湖泊岩相测井识别方法，其特征在于，所述步骤（1）中，测井类型包括卡尺测井、伽马测井、无铀伽马测井、深测双侧向电阻率测井、浅测双侧向电阻率测井、补偿中子测井、密度测井和声波测井。

3.根据权利要求2所述的基于深度学习和重采样的河流-湖泊岩相测井识别方法，其特征在于，搜集测井数据后，先对其进行标准化处理，处理过程如下：

（e）通过移动测井曲线来匹配标记层的层段，然后利用伽马测井来校准深度；

（f）将不能反映地下岩层真实情况的无效值删除；

（g）采用如下公式，对测井数据进行标准化处理：

式中，x_i为第i个样本的测井数据，μ为不包含无效值的样本测井数据的平均值，σ为标准差，x_i,scaled为第i个样本的标准化后的测井值。

4.根据权利要求2或3所述的基于深度学习和重采样的河流-湖泊岩相测井识别方法，其特征在于，所述步骤（5）中，数据重采样方法包括过采样和欠采样，其中，过采样流程如下：

（h）对于少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集S_min中所有样本的距离，得到其k近邻；

（i）根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其k近邻中随机选择若干个样本，选择的近邻为xn；

（j）对于每一个随机选出的近邻xn，分别与原样本按照如下的公式构建新的样本：

式中，rand（0,1）代表生成一个在（0,1）内的随机实数；

欠采样流程如下：

（k）将数据T拆分成兴趣类C和其他数据O；

（l）使用编辑过的最近邻规则识别O中的噪声数据A₁，并设O中随机最近邻噪声数据为A₂；

（m）对于O里面的每个类C_i，如果x ϵ C_i在错误分类的y ϵ C的3个最近的邻居中，并且，则；

（n）减少数据。

5.根据权利要求4所述的基于深度学习和重采样的河流-湖泊岩相测井识别方法，其特征在于，所述步骤（6）中，采用如下公式评估模型的准确性和性能：

式中，Accuracy 代表精确度，TP代表真阳性，TN代表真阴性，FP代表假阳性，FN代表假阴性，precession代表准确率，recall代表召回率。