[发明专利]一种大数据环境下基于模糊深度学习的测井相识别与分析方法

摘要

本发明提出了一种大数据环境下基于模糊深度学习的测井相识别与分析方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，每一个小数据集经过模糊区域卷积神经网络进行卷积和池化操作的步骤；然后，利用分类后的特征构建测井相‑沉积相知识库，所述测井相‑沉积相知识库基于无歧义的测井数据、沉积相融合方法，建立相应的包含沉积相、沉积亚相、沉积微相的知识库以支持对沉积相与测井相的关联分析，从而建立测井相‑沉积相知识库，确定当前的测井数据与沉积相的对应关系。

主权项

1.一种大数据环境下基于模糊深度学习的测井相识别与分析方法，其特征在于，首先，构建模糊区域卷积神经网络，将给出的目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，多个工作流并行经过模糊区域卷积神经网络进行卷积和池化操作，每一小数据集单独利用梯度下降进行训练；训练完成后，把结果输出到等待队列，在一轮训练完成后，读取输出队列，进行共享权重的同步更新操作，更新完成后，进行下一轮训练；在每一轮训练中，对于每个分割的小数据集的计算，都是在分布式基础上异步进行的，每计算出梯度值，就追加到列表当中来，当所有的小数据集都计算完毕后，同步更新模糊区域卷积神经网络的权重和偏置值，然后进行下一轮训练；在并行化识别方面，由Spout收集测井数据，然后将数据分发到各个Bolt节点中并行进行测井相识别，每个Bolt节点将识别结果输入到下一个Bolt节点中，统计其中的物体信息；每一个小数据集经过模糊区域卷积神经网络进行卷积和池化操作的步骤，具体包括：卷积层和池化层交互，在卷积层和池化层进行模糊操作，从模糊区域卷积神经网络的第一层开始，逐渐增加模糊化的层数，针对不同的数据集调整模糊化层数，模糊区域卷积神经网络的最后一层得到特征向量，该特征向量通过一个滑动窗口将特征映射到一个低维向量中，然后将特征输入到两个全连接层，一个全连接层用来定位，另一个全连接层用来分类；然后，利用分类后的特征构建测井相‑沉积相知识库，测井相‑沉积相知识库由三部分组成，包括：对象、属性、元类；其中，对象包括亚相、微相、沉积相和伽马；相对应的属性包括形态、光滑度和幅度；元类表示创建对象的一种类，其中包涵了标准代码和关联关系，对象和属性之间由关联关系和标准代码相连接，这样就构成了测井相‑沉积相知识库；所述测井相‑沉积相知识库基于无歧义的测井数据、沉积相融合方法，建立相应的包含沉积相、沉积亚相、沉积微相的知识库以支持对沉积相与测井相的关联分析，从而建立测井相‑沉积相知识库，确定当前的测井数据与沉积相的对应关系。