[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

说明书

本发明公开了一种基于深度学习和重采样的河流‑湖泊岩相测井识别方法，包括：（1）根据地质背景选择测井类型和搜集测井数据；（2）解释测井数据的岩相特征，并划分岩相类型；（3）划分训练集、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，使用MLP算法结合训练集对模型进行训练；（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。本发明不仅能从爆炸性数据集中快速提取有用信息，而且可以解决实际勘探项目中存在数据不平衡的问题，提高河流‑湖泊岩相的识别精度。

技术领域

本发明涉及岩相识别技术领域，特别涉及一种基于深度学习和重采样的河流-湖泊岩相测井识别方法。

背景技术

岩相是在相同的沉积条件下，体现了不同实例的丰富信息的岩石组合。在有限数据的情况下，岩相知识对于预测地层单元的岩性分布和排列是必不可少的（Allen, 1975;Miall, 1995），这是重建古地球古地理和寻找油气勘探甜点的关键。

测井曲线在地下勘探中普遍存在，测井曲线通常是连续的，在不间断的剖面中采样。除了直接测量地下岩石的岩石物理特征外，它们还可以反映岩性、质地和结构的变化，以及岩性的堆积模式，这对于理解岩相至关重要。因此，测井有助于地下地层的时空关联，并广泛用于油气储层预测。

尽管测井曲线普遍用于岩相识别，但有两个主要的局限性。首先，要进行详细的岩相解释，需要同时使用多条测井曲线进行综合解释。然而，人工作业难以处理多个测井，有时可能会忽略大量有用的信息。其次，从测井中进行岩相识别需要经验丰富的解释人员付出巨大的努力，从而增加了成本，阻碍了效率。迄今为止，深层地下勘探需要大量的地理数据集来重建详细的古地理环境（Wang 等人，2021年），所以快速有效的岩相解释方法是很有必要的。

机器学习是近年来人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。在岩相划分方面，机器学习可以帮助研究人员从爆炸性数据集中提取有用信息并获得新见解，从而有效克服了传统方法的局限性。

然而，对于河流-湖泊岩相测井方面来说，虽然机器学习解决了有用信息的快速提取，但是河流-湖泊岩相组合主要以淡水湖相泥岩与河流-三角洲沉积互层为特征，且通常含有煤，因而具有较为强烈的岩相差异，这会导致实际勘探项目中存在数据不平衡的问题，所以单纯采用机器学习方法并不能有效提高河流-湖泊岩相的识别精度。

发明内容

本发明的目的在于提供一种基于深度学习和重采样的河流-湖泊岩相测井识别方法，不仅能从爆炸性数据集中快速提取有用信息，而且可以解决实际勘探项目中存在数据不平衡的问题，从而提高河流-湖泊岩相的识别精度。

为实现上述目的，本发明采用的技术方案如下：

基于深度学习和重采样的河流-湖泊岩相测井识别方法，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；