本發(fā)明涉及石油測井技術(shù)領(lǐng)域，特別是涉及大數(shù)據(jù)測井領(lǐng)域。

背景技術(shù)：

測井信息和沉積是地層巖石物理性質(zhì)的反映和控制因素，因此測井資料一直以來被作為油氣儲(chǔ)層沉積學(xué)研究中基礎(chǔ)而重要的信息來源，測井相則是測井信息與儲(chǔ)層沉積學(xué)特征之間的橋梁。對(duì)于大部分的油氣井來說，測井資料是僅有的覆蓋全井段地層的綜合信息來源，因此測井相識(shí)別分析方法一直作為油氣勘探與開發(fā)地質(zhì)研究中一個(gè)最重要的研究手段。

然而，測井信息具有模糊性的特點(diǎn)，具有地質(zhì)意義的多解性和模糊性。因此，測井相的識(shí)別與分析必須建立在大量已有的沉積特征與測井參數(shù)關(guān)系(測井響應(yīng))綜合深度分析基礎(chǔ)之上，同時(shí)還要參考野外露頭、巖心錄井和地震分析的結(jié)果，選取適合地質(zhì)特點(diǎn)的建模方法，才能實(shí)現(xiàn)測井相的準(zhǔn)確識(shí)別。

此外，由于缺乏有效的測井相自動(dòng)識(shí)別方法和技術(shù)，目前的測井相識(shí)別主要是通過地質(zhì)工作人員的人工識(shí)別實(shí)現(xiàn)的，并且由于人員經(jīng)驗(yàn)差異、主觀差異、測井?dāng)?shù)據(jù)的系統(tǒng)差異等因素，地質(zhì)人員面對(duì)的數(shù)據(jù)量大、工作量繁重。不僅如此，地質(zhì)人員的經(jīng)驗(yàn)差異、主觀因素、不同時(shí)期不同儀器測井?dāng)?shù)據(jù)的系統(tǒng)差異等因素，使得傳統(tǒng)的測井相識(shí)別準(zhǔn)確性大打折扣。

將大數(shù)據(jù)分析、深度學(xué)習(xí)等先進(jìn)技術(shù)應(yīng)用于油氣地質(zhì)研究是解決當(dāng)前石油行業(yè)大數(shù)據(jù)分析資源閑置的探索與嘗試。近年來，石油行業(yè)建立了大量的云數(shù)據(jù)中心，但利用率不高，資源被嚴(yán)重浪費(fèi)。其中一個(gè)重要原因就是缺乏大數(shù)據(jù)處理平臺(tái)以及相應(yīng)的大數(shù)據(jù)技術(shù)來充分利用這些計(jì)算、存儲(chǔ)資源。

建立高效、準(zhǔn)確的測井相識(shí)別方法是現(xiàn)在油氣地質(zhì)研究的迫切需求。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種大數(shù)據(jù)環(huán)境下基于模糊深度學(xué)習(xí)的測井相識(shí)別與分析方法。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種大數(shù)據(jù)環(huán)境下基于模糊深度學(xué)習(xí)的測井相識(shí)別與分析方法，

首先，構(gòu)建模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，將給出目標(biāo)假設(shè)區(qū)域和目標(biāo)識(shí)別放入同一個(gè)網(wǎng)絡(luò)中，共享卷積計(jì)算，一個(gè)訓(xùn)練過程更新整個(gè)網(wǎng)絡(luò)的權(quán)重；

接下來，把輸入的測井?dāng)?shù)據(jù)集分割成若干小數(shù)據(jù)集，多個(gè)工作流并行化經(jīng)過模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積和池化操作，每一小數(shù)據(jù)集單獨(dú)利用梯度下降進(jìn)行訓(xùn)練；訓(xùn)練完成后，把結(jié)果輸出到等待隊(duì)列，在一輪訓(xùn)練完成后，讀取輸出隊(duì)列，進(jìn)行共享權(quán)重的同步更新操作，更新完成后，進(jìn)行下一輪訓(xùn)練；在每一輪訓(xùn)練中，對(duì)于每個(gè)分割的小數(shù)據(jù)集的計(jì)算，都是在分布式基礎(chǔ)上異步進(jìn)行的，每計(jì)算出梯度值，就追加到列表當(dāng)中來，當(dāng)所有的小數(shù)據(jù)集都計(jì)算完畢后，同步更新模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置值，然后進(jìn)行下一輪訓(xùn)練；在并行化識(shí)別方面，由Spout收集測井?dāng)?shù)據(jù)，然后將數(shù)據(jù)分發(fā)到各個(gè)Bolt節(jié)點(diǎn)中并行進(jìn)行測井相識(shí)別，每個(gè)Bolt節(jié)點(diǎn)將識(shí)別結(jié)果輸入到下一個(gè)Bolt節(jié)點(diǎn)中，統(tǒng)計(jì)其中的物體信息；

每一個(gè)小數(shù)據(jù)集經(jīng)過模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積和池化操作的步驟，具體包括：卷積層和池化層交互，在卷積層和池化層進(jìn)行模糊操作，從模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的第一層開始，逐漸增加模糊化的層數(shù)，針對(duì)不同的數(shù)據(jù)集調(diào)整模糊化層數(shù)，模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的最后一層得到特征向量，該特征向量通過一個(gè)滑動(dòng)窗口將特征映射到一個(gè)低維向量中，然后將特征輸入到兩個(gè)全連接層，一個(gè)全連接層用來定位，另一個(gè)全連接層用來分類；

然后，利用分類后的特征構(gòu)建測井相-沉積相知識(shí)庫，測井相-沉積相知識(shí)庫由三部分組成，包括：對(duì)象、屬性、元淚；其中，對(duì)象包括亞相、微相、沉積相和伽馬；相對(duì)應(yīng)的屬性包括形態(tài)、光滑度和幅度；元淚表示創(chuàng)建對(duì)象的一種類，其中包涵了標(biāo)準(zhǔn)代碼和關(guān)聯(lián)關(guān)系，對(duì)象和屬性之間由關(guān)聯(lián)關(guān)系和標(biāo)準(zhǔn)代碼相連接，這樣就構(gòu)成了測井相沉積相知識(shí)庫；

所述測井相-沉積相知識(shí)庫基于無歧義的測井?dāng)?shù)據(jù)、沉積相融合方法，建立相應(yīng)的包含沉積相、沉積亞相、沉積微相的知識(shí)庫以支持對(duì)沉積相與測井相的關(guān)聯(lián)分析，從而建立測井相-沉積相知識(shí)庫，確定當(dāng)前的測井?dāng)?shù)據(jù)與沉積相的對(duì)應(yīng)關(guān)系。

可選地，所述卷積層公式表達(dá)為：

池化層公式表達(dá)為：

其中，偏置和權(quán)重均為模糊數(shù)，這里使用對(duì)稱三角模糊數(shù)，為模糊數(shù)組成的向量，第j個(gè)模糊數(shù)的隸屬函數(shù)為：

可選地，在模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，定義一個(gè)聯(lián)合損失函數(shù)：

其中，p_i是此樣本為測井曲線形態(tài)的預(yù)測概率，是樣本的標(biāo)簽，如果是相應(yīng)的測井曲線形態(tài)，為1，否則為0，N_cls是二分類邏輯損失；t_i是預(yù)測物體邊界的四個(gè)參數(shù)組成的向量，為標(biāo)注區(qū)域參數(shù)組成的向量，它們分別為：

t_x＝(x-x_a)/w_a t_h＝(y-y_a)/h_a

t_w＝log(w/w_a) t_h＝log(h/h_a)

其中，x、y、w和h分別代表物體的中心坐標(biāo)、寬度和長度，x，x_a，x^*分別代表預(yù)測區(qū)域，錨定區(qū)域和標(biāo)注區(qū)域，回歸損失R為平滑損失函數(shù)

表示只有當(dāng)錨定區(qū)域?yàn)檎龢颖緯r(shí)，才計(jì)算回歸損失，否則不計(jì)算，歸一化參數(shù)N_cls和N_reg分別代表從特征向量映射的低維向量的長度和錨定區(qū)域的數(shù)量。

可選地，首先進(jìn)行測井?dāng)?shù)據(jù)的規(guī)范化，將原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化指標(biāo)測評(píng)值，各指標(biāo)測評(píng)值都處于同一個(gè)數(shù)量級(jí)別上，再進(jìn)行綜合測評(píng)分析。

可選地，進(jìn)行測井?dāng)?shù)據(jù)的規(guī)范化采用如下的規(guī)范化方法：

Sx＝(x-M)/S，x∈{GR，AC，DEN，CNL，SDN，…}

其中，x表示每條測井曲線的數(shù)據(jù)，Sx表示規(guī)范化后的測井曲線數(shù)據(jù)，M為相應(yīng)測井曲線數(shù)據(jù)的均值，S為每條測井曲線數(shù)據(jù)的標(biāo)準(zhǔn)差。

本發(fā)明的有益效果是：

(1)根據(jù)測井大數(shù)據(jù)中數(shù)據(jù)模糊的特點(diǎn)，融入模糊理論，提出模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)FR-CNN，并提出漸進(jìn)模糊的方法，從模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的第一層開始，逐漸增加模糊化的層數(shù)，從而優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，實(shí)現(xiàn)更好的分析性能和精度；

(2)針對(duì)不同的測井?dāng)?shù)據(jù)集調(diào)整FR-CNN模糊化的層數(shù)，使提取的特征更好的反映油氣儲(chǔ)層本身的特性，可以解決測井?dāng)?shù)據(jù)模糊性問題；

(3)本發(fā)明利用多GPU進(jìn)行FR-CNN的并行訓(xùn)練和執(zhí)行，以提高FR-CNN的效率；

(4)測井相-沉積相知識(shí)庫中的測井資料包含了地層中的各種信息，涵蓋了沉積、流體、地層力學(xué)特征等，能夠利用測井信息準(zhǔn)確、自動(dòng)識(shí)別沉積相。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖2為對(duì)稱三角模糊數(shù)坐標(biāo)示意圖；

圖3為本發(fā)明模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)并行化處理實(shí)時(shí)數(shù)據(jù)的原理圖；

圖4為本發(fā)明測井相-沉積相知識(shí)庫的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

測井?dāng)?shù)據(jù)具有模糊性的特點(diǎn)，造成這種模糊性的原因是多方面的，包括噪音、不一致性、不完整性等造成的測井?dāng)?shù)據(jù)的數(shù)據(jù)空間污染，也包括不同時(shí)期、不同儀器測井帶來的系統(tǒng)性數(shù)據(jù)差異，這些問題帶來的測井?dāng)?shù)據(jù)模糊性都制約了測井相的準(zhǔn)確識(shí)別。

本發(fā)明提出了一種大數(shù)據(jù)環(huán)境下模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的并行化方法，對(duì)測井?dāng)?shù)據(jù)構(gòu)建出多維度的數(shù)據(jù)空間，將模糊理論與深度學(xué)習(xí)網(wǎng)絡(luò)R-CNN融合，提出解決模糊數(shù)據(jù)情況下測井相的識(shí)別方法，根據(jù)測井大數(shù)據(jù)中數(shù)據(jù)模糊的特點(diǎn)，融入模糊理論，提出模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)FR-CNN(Fuzzy R-CNN)，進(jìn)一步提出漸進(jìn)模糊方法，從卷積神經(jīng)網(wǎng)絡(luò)第一層開始，逐漸增加模糊化的層數(shù)，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，最終建立FR-CNN的理論和方法，實(shí)現(xiàn)更好的分析性能和精度，同時(shí)，本發(fā)明利用多GPU進(jìn)行FR-CNN的并行訓(xùn)練和執(zhí)行，以提高FR-CNN的效率。

設(shè)計(jì)合適的模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)是本發(fā)明的重點(diǎn)，下面對(duì)本發(fā)明模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建進(jìn)行詳細(xì)說明。

模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)FR-CNN建立于深度學(xué)習(xí)網(wǎng)絡(luò)R-CNN的基礎(chǔ)之上，如圖1所示，F(xiàn)R-CNN將給出目標(biāo)假設(shè)區(qū)域和目標(biāo)識(shí)別放入同一個(gè)網(wǎng)絡(luò)中，共享卷積計(jì)算，避免復(fù)雜的計(jì)算步驟，只需要一個(gè)訓(xùn)練過程便可以更新整個(gè)網(wǎng)絡(luò)的權(quán)重，同時(shí)也加快檢測速度，達(dá)到快速處理的目的。

圖1中，測井?dāng)?shù)據(jù)經(jīng)過模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行卷積和池化操作。模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的核心在于卷積層和池化層的交互，因此在卷積層和池化層進(jìn)行模糊操作。為了避免模糊過度導(dǎo)致的信息損失過多，并且考慮到模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)提取特征的精細(xì)化程度逐層降低，這里改變傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)對(duì)每一層的模糊化，本發(fā)明提出漸進(jìn)模糊的方法，即從模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的第一層開始，逐漸增加模糊化的層數(shù)，針對(duì)不同的數(shù)據(jù)集調(diào)整模糊化層數(shù)，使提取的特征更好的反映測井曲線的特性，從而得到最佳識(shí)別結(jié)果，并提高識(shí)別效率。

模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的最后一層得到特征向量，該特征向量通過一個(gè)小的滑動(dòng)窗口將特征映射到一個(gè)低維向量中，然后將特征輸入到兩個(gè)全連接層，一個(gè)全連接層用來定位，另一個(gè)全連接層用來分類。在每一個(gè)滑動(dòng)窗口處同時(shí)給出幾個(gè)目標(biāo)假設(shè)區(qū)域，可稱之為錨定區(qū)域，這個(gè)區(qū)域以滑動(dòng)窗口為中心，擁有不同的橫縱比和縮放比例。

卷積神經(jīng)網(wǎng)絡(luò)R-CNN的卷積層公式可以表達(dá)為：

其中，表示的是在第i層神經(jīng)元的第j個(gè)特征向量的(x，y)位置處的值，表示連接到第m個(gè)特征向量的卷積核在位置(p，q)上的權(quán)值。P_i和Q_i分別表示卷積核的高度和寬度，b_ij為偏置項(xiàng)，f(x)表示神經(jīng)元的激活函數(shù)。

R-CNN池化層公式表達(dá)為：

x_ij＝f(β_ijdown(x_i-1j)+b_ij) (2)

down(.)表示一個(gè)下采樣函數(shù)，典型的操作一般是對(duì)輸入數(shù)據(jù)的不同n*n塊的所有信息進(jìn)行求和，這樣輸出數(shù)據(jù)在兩個(gè)維度上都縮小了n倍，每個(gè)輸出map都對(duì)應(yīng)一個(gè)屬于自己的乘性偏置β和一個(gè)加性偏置b。

卷積神經(jīng)網(wǎng)絡(luò)的輸入和計(jì)算過程都是實(shí)數(shù)，得到的結(jié)果都是確定性的，而對(duì)于數(shù)據(jù)缺失等數(shù)據(jù)模糊的情況，本發(fā)明的模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)中引入模糊理論，改進(jìn)的公式如下：

卷積層公式表達(dá)為：

池化層公式表達(dá)為：

其中偏置和權(quán)重均為模糊數(shù)，這里使用對(duì)稱三角模糊數(shù)，為模糊數(shù)組成的向量，第j個(gè)模糊數(shù)的隸屬函數(shù)為

如圖2所示，w_j是模糊數(shù)的對(duì)稱中心，是模糊數(shù)的半長，代表w處的隸屬度。

在模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，定義一個(gè)聯(lián)合損失函數(shù)：

其中p_i是此樣本為測井曲線形態(tài)的預(yù)測概率，是樣本的標(biāo)簽，如果是相應(yīng)的測井曲線形態(tài)，為1，否則為0，N_cls是二分類(0或1)邏輯損失。

t_i是預(yù)測物體邊界的四個(gè)參數(shù)組成的向量，為標(biāo)注區(qū)域參數(shù)組成的向量，它們分別為：

t_x＝(x-x_a)/w_a t_h＝(y-y_a)/h_a (7)

t_w＝log(w/w_a) t_h＝log(h/h_a)

其中x、y、w和h分別代表物體的中心坐標(biāo)、寬度和長度，x，x_a，x^*分別代表預(yù)測區(qū)域，錨定區(qū)域和標(biāo)注區(qū)域(y，w，h同理)?；貧w損失R為平滑損失函數(shù)

表示只有當(dāng)錨定區(qū)域?yàn)檎龢颖緯r(shí)才計(jì)算回歸損失，否則不計(jì)算。歸一化參數(shù)N_cls和N_reg分別代表從特征向量映射的低維向量的長度和錨定區(qū)域的數(shù)量。

采用不同的測井手段會(huì)產(chǎn)生不同的數(shù)據(jù)。如采用自然伽馬(GR)、補(bǔ)償聲波(AC)、補(bǔ)償密度(DEN)、補(bǔ)償中子(CNL)及中子視孔隙度與密度視孔隙度差(SDN)等具有不同的量綱，數(shù)據(jù)之間不具有可比性，因此，本發(fā)明需要首先進(jìn)行測井?dāng)?shù)據(jù)的規(guī)范化，將原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化指標(biāo)測評(píng)值，即各指標(biāo)測評(píng)值都處于同一個(gè)數(shù)量級(jí)別上，再進(jìn)行綜合測評(píng)分析。

采用如下的規(guī)范化方法：

Sx＝(x-M)/S，x∈{GR，AC，DEN，CNL，5DN，…}

其中，x表示每條測井曲線的數(shù)據(jù)，Sx表示規(guī)范化后的測井曲線數(shù)據(jù)；M為相應(yīng)測井曲線數(shù)據(jù)的均值，S為每條測井曲線數(shù)據(jù)的標(biāo)準(zhǔn)差。

本發(fā)明從已有的測井?dāng)?shù)據(jù)中進(jìn)行標(biāo)定，建立FR-CNN的訓(xùn)練數(shù)據(jù)集，在此基礎(chǔ)上，由于不同的測井方法所揭示的信息不盡相同，所以選擇不同測井?dāng)?shù)據(jù)的組合作為FR-CNN的輸入，從而確定FR-CNN最優(yōu)的測井?dāng)?shù)據(jù)組合，并優(yōu)化FR-CNN的進(jìn)行測井相識(shí)別時(shí)的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)。

FR-CNN比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)多了兩類全連接層，還多了區(qū)域坐標(biāo)的計(jì)算等操作，這些操作計(jì)算量都很大。在模糊神經(jīng)網(wǎng)絡(luò)中模糊操作存在于網(wǎng)絡(luò)的每一層，也就是說網(wǎng)絡(luò)越深所增加的計(jì)算量就越多，這就使本來需要繁重計(jì)算的網(wǎng)絡(luò)顯得笨重。計(jì)算量的增加導(dǎo)致網(wǎng)絡(luò)的訓(xùn)練時(shí)間大幅增長，延長了網(wǎng)絡(luò)模型更新的周期，削弱系統(tǒng)的靈活性，同時(shí)檢測時(shí)間也會(huì)加長。

本發(fā)明通過并行化提高FR-CNN訓(xùn)練和運(yùn)行效率，首先把輸入的測井?dāng)?shù)據(jù)集分割成若干小數(shù)據(jù)集，多個(gè)工作流同時(shí)運(yùn)行，每一部分單獨(dú)利用梯度下降進(jìn)行訓(xùn)練。訓(xùn)練完成后，把結(jié)果輸出到等待隊(duì)列，在一輪訓(xùn)練完成后，讀取輸出隊(duì)列，進(jìn)行共享權(quán)重的同步更新操作。更新完成后，進(jìn)行下一輪訓(xùn)練。

在每一輪訓(xùn)練中，對(duì)于每個(gè)分割的小數(shù)據(jù)集的計(jì)算，都是在分布式基礎(chǔ)上異步進(jìn)行的，每計(jì)算出梯度值，就追加到列表當(dāng)中來，當(dāng)所有的小數(shù)據(jù)集都計(jì)算完畢后，同步更新網(wǎng)絡(luò)的權(quán)重和偏置值，然后進(jìn)行下一輪訓(xùn)練。

如圖3所示，在并行化識(shí)別方面，采取的解決方案為：由Spout收集測井?dāng)?shù)據(jù)，然后將數(shù)據(jù)分發(fā)到各個(gè)Bolt節(jié)點(diǎn)中并行進(jìn)行測井相識(shí)別，每個(gè)Bolt節(jié)點(diǎn)將識(shí)別結(jié)果輸入到下一個(gè)Bolt節(jié)點(diǎn)中，統(tǒng)計(jì)其中的物體信息。

本發(fā)明的測井相-沉積相知識(shí)庫采用OWL來對(duì)相應(yīng)的測井相、沉積相相關(guān)的概念以及它們之間的關(guān)系進(jìn)行建模，以利于不同數(shù)據(jù)之間的無歧義融合。如圖4所示，測井相-沉積相知識(shí)庫由三部分組成，對(duì)象(object，又被稱為實(shí)例)、屬性(property)、元淚(meta class)。其中，對(duì)象包括亞相、微相、沉積相和伽馬等；相對(duì)應(yīng)的屬性有形態(tài)、光滑度和幅度；元淚表示創(chuàng)建對(duì)象的一種類，其中包涵了標(biāo)準(zhǔn)代碼和關(guān)聯(lián)關(guān)系，對(duì)象和屬性之間由關(guān)聯(lián)關(guān)系和標(biāo)準(zhǔn)代碼相連接，這樣就構(gòu)成了本發(fā)明的測井相沉積相知識(shí)庫。

本發(fā)明的測井相-沉積相知識(shí)庫基于無歧義的測井?dāng)?shù)據(jù)、沉積相融合方法，建立相應(yīng)的包含沉積相、沉積亞相、沉積微相的知識(shí)庫以支持對(duì)沉積相與測井相的關(guān)聯(lián)分析，從而建立測井相-沉積相知識(shí)庫；而且，基于FR-CNN對(duì)測井曲線的識(shí)別，建立測井曲線特征與沉積相的對(duì)應(yīng)關(guān)系，并最終為巖性識(shí)別奠定基礎(chǔ)。

測井相-沉積相知識(shí)庫的測井資料包含了地層中的各種信息，涵蓋了沉積、流體、地層力學(xué)特征等，構(gòu)建準(zhǔn)確的測井相-沉積相知識(shí)庫是利用測井信息準(zhǔn)確、自動(dòng)識(shí)別沉積相的基礎(chǔ)和關(guān)鍵所在，也是本發(fā)明的一個(gè)重要部分。根據(jù)FR-CNN的識(shí)別結(jié)果，與測井相-沉積相知識(shí)庫的測井資料進(jìn)行對(duì)接，從而確定當(dāng)前的測井?dāng)?shù)據(jù)與沉積相的對(duì)應(yīng)關(guān)系。

本發(fā)明根據(jù)測井大數(shù)據(jù)中數(shù)據(jù)模糊的特點(diǎn)，融入模糊理論，提出模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)FR-CNN，并提出漸進(jìn)模糊的方法，從模糊區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的第一層開始，逐漸增加模糊化的層數(shù)，從而優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，實(shí)現(xiàn)更好的分析性能和精度；而且，本發(fā)明針對(duì)不同的測井?dāng)?shù)據(jù)集調(diào)整FR-CNN模糊化的層數(shù)，使提取的特征更好的反映油氣儲(chǔ)層本身的特性，可以解決測井?dāng)?shù)據(jù)模糊性問題；針對(duì)操作計(jì)算量大的問題，本發(fā)明利用多GPU進(jìn)行FR-CNN的并行訓(xùn)練和執(zhí)行，以提高FR-CNN的效率；測井相-沉積相知識(shí)庫中的測井資料包含了地層中的各種信息，涵蓋了沉積、流體、地層力學(xué)特征等，能夠利用測井信息準(zhǔn)確、自動(dòng)識(shí)別沉積相。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。